CN116008304A - 一种适用于管道内部的焊缝检测方法 - Google Patents
一种适用于管道内部的焊缝检测方法 Download PDFInfo
- Publication number
- CN116008304A CN116008304A CN202211600887.9A CN202211600887A CN116008304A CN 116008304 A CN116008304 A CN 116008304A CN 202211600887 A CN202211600887 A CN 202211600887A CN 116008304 A CN116008304 A CN 116008304A
- Authority
- CN
- China
- Prior art keywords
- pipeline
- wall
- image
- welding
- detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种适用于管道内部的焊缝检测方法,采用能够进入管道内部用于焊缝检测的电驱动推进的机械结构,对管道内部焊缝进行自动识别,在识别到焊缝后对焊缝的全景图像进行采集,将采集到的焊缝图像输入焊缝异常情况目标检测模型中对进行检测并输出检测的结果;本发明公开的方法能够快速的识别管道内壁焊缝,且能够快速对识别到的管道内壁焊缝进行检测,并直观的输出检测结果,解决了如何能自动识别出管道内部焊缝位置并进行自动检测的技术问题,于采用工业内窥镜进行人工图像采集以及人工检测焊缝相比,提升了工作效率,消除了由于个体经验不同导致的人工焊缝检测准确率不稳定,效率不稳定的隐患。
Description
技术领域
本发明涉及管道内部焊缝检测领域,具体涉及一种适用于管道内部的焊缝检测方法。
背景技术
随着工业水平的提高,焊接技术已被广泛应用于装备制造、冶金工业、航空航天等重要领域。在金属管道的应用领域,管道的对接位置常需要焊接处理,焊接在工业管道安装中尤为重要,焊接质量决定了管道内运输介质时工作状态的稳定性,直接影响管道的安全及能效。在焊接时,受生产设备及工艺的影响,焊接件存在气孔、未熔合及未焊透等不可避免的会出现缺陷,一旦焊接缺陷处未被提前发现,便会造成介质的渗漏或者泄露现象,极大地影响生产效益并且会污染环境,更严重的甚至会造成安全事故。
焊接后的工业管道在投入使用之前需要对焊缝质量进行检测。管道的焊缝检测不仅在工业管道安装后进行,还需要在正式投入使用之前进行复检。但由于管道焊接好后无法直接观测到焊缝的焊接质量,使用常规的射线探伤法、超声探伤法、渗透探伤法等对焊缝进行质量检测,会耗费较大的人力物力。
在管道内壁检测中常见的一种方法是使用工业内窥镜,工业内窥镜由人工操作有线摄像头进入管道内部,通过管外工作人员对其扫描到的内部环境进行人工缺陷判断,工业内窥镜的管内操作检测难度较大,由于其有线摄像头的特性,若是柔性线缆,其伸入管内的距离有限且无法环绕扫描管内环境,若是硬性可弯折线缆,其无法通过弯道、T型管等。
而且每根管道都需要人为的操作送线进入管道,再由人工判断焊缝位置而后进行质量检测,会耗费较大的人力与时间成本,且效率较低。特别在大批量检测管道焊缝时,人工操作的效率会更为降低且提高了较大的误检率。
由于这些特性,检测结果往往与操作者的经验相关,不同的操作者很容易产生较大误差。而在获得大量焊缝图像后,需要检测人员在计算机辅助下,从大量焊缝缺陷图像中进行识别,长时间、多批次的检测工作造成人眼视觉疲劳,导致漏检误检。
由于以上的一些缺点,导致使用工业内窥镜时,从工业内窥镜进入到管道内部以及对管内不同缺陷检测的环节都由操作人员完成,受到人工干扰的影响较大,检测效率十分不稳定,导致检测效率低,且误检率高。
因此,如何利用深度学习等新兴技术实现焊缝缺陷图像的自动识别成为当前研究的热点。如果能够自动识别管道内壁焊缝并对焊缝进行检测,而且直接输出检测结果,那么就能够大大降低由于人工操作失误导致的误检率和漏检率高的频率。
发明内容
本发明目的在于提供一种适用于管道内部的焊缝检测方法,以解决如何能自动识别出管道内部焊缝位置并进行自动检测的技术问题。
为了解决上述技术问题,本发明采用了如下的技术方案:
一种适用于管道内部的焊缝检测方法,其特征在于,采用能够进入管道内部用于焊缝检测的电驱动推进的机械结构,对管道内部焊缝进行自动识别,在识别到焊缝后对焊缝的全景图像进行采集,将采集到的焊缝图像输入焊缝异常情况目标检测模型中对进行检测并输出检测的结果。
优选的,所述对管道内部焊缝进行自动识别包括以下步骤:
S1.1、由电驱动推进的机械结构录制管道内壁样貌的彩色视频流;
S1.2、从视频流中提取出每一帧管道内壁彩色图像,并将提取的管道内壁彩色图像进行去彩色化处理;
S1.3、将去彩色化处理后的图像进行特征值计算;
S1.4、若步骤1.3中计算得到的特征值大于设定值,则判断识别出管道内部焊缝并记录当前焊缝所在位置。
优选的,步骤S1.2中的将提取的管道内壁彩色图像进行去彩色化处理是指将提取的管道内壁彩色图像进行黑白处理。
优选的,对步骤S1.3中黑白处理后的管道内壁图像全局采用固定阈值二值化方法进行特征值计算。
优选的,对步骤S1.3中黑白处理后的管道内壁图像采用最大灰度值的自适应阈值方法进行特征值计算。
优选的,步骤S1.2中的将提取的管道内壁彩色图像进行去彩色化处理是指将提取的管道内壁彩色图像进行灰度处理;步骤S1.3中,对灰度处理后的图像进行灰度共生矩阵计算,并对得到的共生矩阵进行特征值计算。
本发明具有以下有益效果:
本发明公开的方法能够快速的识别管道内壁焊缝,且能够快速对识别到的管道内壁焊缝进行检测,并直观的输出检测结果,解决了如何能自动识别出管道内部焊缝位置并进行自动检测的技术问题,于采用工业内窥镜进行人工图像采集以及人工检测焊缝相比,提升了工作效率,消除了由于个体经验不同导致的人工焊缝检测准确率不稳定,效率不稳定的隐患,提高了检测效率和准确率。
附图说明
为了使发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为本发明的管道内部焊缝检测方法的流程图。
图2为本发明的管道内部焊缝进行自动识别的流程图。
图3为本发明的利用最大灰度值的自适应阈值方法进行特征值计算的流程图。
图4为本发明的利用灰度共生矩阵进行特征值计算的流程图。
图5为本发明的利用焊缝异常情况目标检测模型进行目标检测的算法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。此外,术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂,而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平,并不是表示该结构一定要完全水平,而是可以稍微倾斜。在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
本发明要解决了如何能自动识别出管道内部焊缝位置并进行自动检测的技术问题。
如图1所示,基于以上要解决的技术问题,本发明公开了一种适用于管道内部的焊缝检测方法,采用能够进入管道内部用于焊缝检测的电驱动推进的机械结构,对管道内部焊缝进行自动识别,在识别到焊缝后对焊缝的全景图像进行采集,将采集到的焊缝图像输入焊缝异常情况目标检测模型中对进行检测并输出检测的结果。
如图2所示,所述对管道内部焊缝进行自动识别包括以下步骤:
S1.1、由电驱动推进的机械结构录制管道内壁样貌的彩色视频流;
S1.2、从视频流中提取出每一帧管道内壁彩色图像,并将提取的管道内壁彩色图像进行去彩色化处理;
S1.3、将去彩色化处理后的图像进行特征值计算;
S1.4、若步骤1.3中计算得到的特征值大于设定值,则判断识别出管道内部焊缝并记录当前焊缝所在位置。
所述彩色视频流是指具有RGB全通道颜色的视频流。
具体的,在根据以上步骤识别到管道内部焊缝后,电驱动推进的机械结构停止在管道内前行,并对识别到的焊缝进行360°拍照,得到该焊缝位置的焊缝全景图像;若步骤1.3中计算得到的特征值小于设定值,则电驱动推进的机械结构继续在管道内前行,并重复步骤S1.1至S1.3,直至识别出管道内所有的焊缝并拍摄到所有的焊缝全景图像为止。
所述焊缝的全景图像是指围绕管道内壁一周且中途无像素缺失的图像,反映的是该焊缝位置处焊缝的直线展开图。
具体的,步骤1.1中,选取的管道类型有直管、90°弯管、45°弯管、T型管、S型管等。
具体的,步骤1.2中,将提取的管道内壁彩色图像进行去彩色化处理后还要对提取的管道内壁彩色图像进行滤波处理,以求降低焊缝壁面杂质和炫光对图像的影响。
作为优选,步骤S1.2中去彩色化处理的图像还需要针对四周边缘的像素进行裁剪;具体裁剪方式为,去除图像上下各1/4的区域,留下中间区域;这样不仅能减少边缘过曝光的影响,同时还提高了检测速度,还能够较好的确保焊缝出现在图像的中间位置。
作为优选,步骤S1.2中的将提取的管道内壁彩色图像进行去彩色化处理是指将提取的管道内壁彩色图像进行黑白处理,然后对黑白处理后的管道内壁图像全局采用固定阈值二值化方法进行特征值计算,进而检测焊缝位置。
所述固定阈值二值化法是指将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的只有黑和白的视觉效果,其中,灰度值0代表颜色为黑,灰度值255代表颜色为白;接下来设定一个阈值T,用T将图像的数据分成两部分:大于T的像素群和小于T的像素群;当像素值高于阈值T时,则给这个像素赋予一个新值(如:白色),否则我们给它赋予另外一种颜色(如:黑色)。
那么固定阈值二值化的函数为:cv2.threshold(img,threshold,maxval,type);其中,img就是原图像,即为经黑白处理后的灰度图;threshold是设定的阈值,用来对像素值进行分类;maxval是指当灰度值大于(或小于)设定的阈值时将该灰度值赋成的值;type是指当前二值化的方式。
采用固定阈值二值化方法的检测原理是:将提取的管道内壁彩色图像进行黑白处理后,焊缝在图像中的表现形式为白亮,而管道内壁表现形式为黑暗,因此,通过固定阈值二值化的函数对图像中的各个像素群中的像素点进行累加,大于固定阈值的部分被设置为255,小于固定阈值的部分被设置为0;然后,将被设置为255的图像区域的灰度特征值进行累加,若累加后的特征值大于设定值,那么能够判断识别出此处为焊缝区域。
所述固定阈值的取值范围是100~150,优选130;所述设定值的取值范围为400~600,优选500。
作为固定阈值二值化方法的其中一个固定阈值的实施例,所述固定阈值设定为130,大于固定阈值130的部分被设置为255,小于固定阈值的部分被设置为0;然后,将被设置为255的图像区域的灰度特征值进行累加,若累加后的特征值大于设定值500,那么能够判断识别出此处为焊缝区域,若累加后的特征值小于500时判断为无焊缝。
但是,在直接对图像进行二值化的过程中,二值化的参数设定为固定值,会导致对光源的要求过高,若光源的光照强度过暗或过亮,那么会导致在同一幅图像上面的不同部分具有不同的亮度,那么采取固定阈值二值化的方法则无法取得理想的效果,进而在对提取的管道内壁彩色图像黑白处理后,会出现管壁与焊缝区域累加的像素值相似的情况,从而导致机器误判的情况发生。
因此,如图3所示,作为固定阈值二值化方法的优选,对提取的管道内壁彩色图像采用最大灰度值的自适应阈值方法,是根据像素的邻域块的像素值分布来确定该像素位置上的二值化阈值。
这样,每个像素位置处的二值化阈值不是固定不变的,而是由其周围邻域像素的分布来决定的;亮度较高的图像区域的二值化阈值会比较高,而亮度低的图像区域的二值化阈值则会相适应的变小;不同亮度、对比度、纹理的局部图像区域将会拥有相对应的局部二值化阈值;这样能够有效提高检测精度。
最大灰度值的自适应阈值方法具体为,设置a×a的像素点周边计算区域,然后将每个像素点周围a×a区域内的像素加权平均,得到该区域的像素点平均值B,设置固定常数的差值C,用得到的该区域的像素点平均值B减去差值C,得到该像素点的自适应阈值。
所述自适应阈值的取值范围是100~150,优选130;所述像素值为255的个数累加值的取值范围为400~600,优选500。
作为本优选方案的其中一个实施例,设定某像素点处的自适应阈值为130;在该区域累计像素值大于130的区域被赋予特征值为255,在该区域累计像素值小于130的区域被赋予特征值0;根据实际情况,由于壁面整体较黑,且无焊缝壁处像素最大值出现的位置为壁面杂质处(通常像素值大于200),此区域高于阈值的像素点过少,则会被赋予的特征值为0,而焊缝区域亮度较高,此区域高于阈值的像素点较多,则会被赋予的特征值为255,像素最大值出现在焊缝位置,当像素值为255的个数大于500时判断为存在焊缝,当像素值为255的个数小于500时判断为无焊缝,进而能够判断识别出此处为焊缝区域,从而有效提高管道内壁的焊缝识别精度。
作为优选,步骤S1.2中进行去彩色化处理的图像根据提取的图像格式的不同具有不同的分辨率,那么为了增加运算的速度,则预设分辨率640*480为基础分辨率,将去彩色化处理的图像的宽和高与基础分辨率做对比,若与基础分辨率不一致,则将去彩色化处理的图像进行等比例缩放,然后再对等比例缩放后的图像按照上述步骤1.3进行像素点筛选和特征值计算。
如图4所示,作为优选,步骤S1.2中的将提取的管道内壁彩色图像进行去彩色化处理是指将提取的管道内壁彩色图像进行灰度处理。
步骤S1.3中,对灰度处理后的图像进行灰度共生矩阵计算,并对得到的共生矩阵进行特征值计算;灰度共生矩阵是一种通过研究灰度的空间相关特性来描述纹理的方法,灰度共生矩阵能反应像素之间的位置分布特性,由于焊缝具有规律性的纹理,则将灰度共生矩阵用于焊缝的识别中,从而对管道内壁的焊缝进行识别。
灰度共生矩阵的机理如下所示。
取图像(N×N)中任意一点(x,y)及偏离它的另一点(x+a,y+b),设该点对的灰度值为(g1,g2),其中,N为灰度图像的灰度值的阶数。令点(x,y)在整个画面上移动,则会得到各种(g1,g2)值,设灰度值的级数为k,则(g1,g2)的组合共有k的平方种。对于整个画面,统计出每一种(g1,g2)值出现的次数,然后排列成一个方阵,再用(g1,g2)出现的总次数将它们归一化为出现的概率P(g1,g2),这样的方阵称为灰度共生矩阵。
距离差分值(a,b)取不同的数值组合,可以得到不同情况下的联合概率矩阵;(a,b)取值要根据纹理周期分布的特性来选择,对于较细的纹理,选取(1,0)、(1,1)、(2,0)等小的差分值。
当a=1,b=0时,像素对是水平的,即0度扫描;当a=0,b=1时,像素对是垂直的,即90度扫描;当a=1,b=1时,像素对是右对角线的,即45度扫描;当a=-1,b=1时,像素对是左对角线,即135度扫描。
这样,两个像素灰度级同时发生的概率P(g1,g2),就将(x,y)的空间坐标转化为"灰度对"(g1,g2)的描述,形成了灰度共生矩阵。
灰度共生矩阵的归一化具有如下的表达式:
式中,N为灰度图像的灰度值的阶数,P(g1,g2)为图像(N×N)中任意一点(x,y)及偏离它的另一点(x+a,y+b)组成的点对的灰度值出现的概率。
本发明采用对比度(contrast或CON),又称为反差,作为灰度共生矩阵的特征值来判断图像中是否存在焊缝。对比度直接反映了某个像素值及其领域像素值的亮度的对比情况,如果偏离对角线的元素有较大值,即图像亮度值变化很快,则对比度会有较大取值。
对比度也反映了图像的清晰度和纹理沟纹深浅的程度,纹理沟纹越深,其对比度越大,视觉效果越清晰;反之,对比度小,则沟纹浅,效果模糊;灰度差即对比度大的像素对越多,这个值越大。灰度公生矩阵中远离对角线的元素值越大,对比度越大,对比度(CON)的表达式如下式所示:
式中,i和j分别指代矩阵P(i,j)中的行数和列数。
具体到本发明中,对灰度处理后的图像进行灰度共生矩阵计算,对得到的共生矩阵进行特征值计算,若特征值大于设定值,则判断识别到管道内壁焊缝,电驱动推进的机械结构停止在管道内前行,并对识别到的焊缝进行360°拍照,得到该焊缝位置的焊缝全景图像;若步骤1.3中计算得到的特征值小于设定值,则电驱动推进的机械结构继续在管道内前行,并重复步骤S1.1至S1.3,直至识别出管道内所有的焊缝并拍摄到所有的焊缝全景图像为止。
所述灰度共生矩阵法针对于对比度特征值的设定值的范围是0.5~0.7,优选0.6,即当对比度大于0.6的时候,判断此处为焊缝位置,控制电驱动推进的机械结构停止在管道内前行并拍摄该点位的焊缝全景图像。
另外,为了能够很好的避免电驱动推进的机械结构出现将壁面误判为焊缝的情况,在进行灰度共生矩阵特征值计算时,需要对连续且相邻帧数的图像进行灰度共生矩阵的特征值计算。
具体的,由于灰度共生矩阵计算时间较长,在进行实时检测时可能错过焊缝的情况,将电驱动推进的机械结构捕捉的图像进行压缩后再进行灰度共生矩阵计算以及特征值计算,以提高检测效率。
如图5所示,在对管道内部焊缝进行自动识别,并且在识别到焊缝后对焊缝的全景图像进行采集后,需要将采集到的焊缝图像输入焊缝异常情况目标检测模型中对进行检测并输出检测的结果。
上述焊缝异常情况目标检测模型采用如下步骤进行训练:
S2.1、利用上述采集的管道内壁焊缝图像,对各个管道内壁焊缝图像进行分类标定;
S2.2、将分类标定后的各个类型的焊缝图像进行整合形成训练数据集;
S2.3、采用目标检测模型利用训练数据集进行模型训练,最终得到焊缝异常情况目标检测模型。
具体的,步骤S2.1中,对各个管道内壁焊缝图像进行分类标定包括以下标定类型:正常、未焊透、氧化、直度超差、宽窄超差。
具体的,步骤S2.1中,对各个管道内壁焊缝图像进行分类标定采用labelimg进行分类标定,所述labelimg分类标定具体操作为,在待标定的图像上标记画框,并输入待标记的焊缝类型。
具体的,步骤S2.3中,采用YOLOX模型为目标检测模型的基础模型,将步骤S2.2中获得的训练数据集输入YOLOX模型中进行训练,最终得到焊缝异常情况目标检测模型。
由于本发明在识别及检测管道内壁焊缝时,需要具备实时检测功能,进而对模型本身的运算速度具有比较高的需求,基于此需求,那么将YOLOX模型与当前最常用的目标检测模型有Faster R-CNN、SSD和YOLO相比,YOLOX模型的运算速度和精度更符合本发明的需求,因此,本发明采用YOLOX模型作为基础来进行焊缝异常情况目标检测模型的训练。
所述YOLOX模型在结构上采用了Decoupled Head,将特征平行分成两路卷积特征,同时为了降低参数量提前进行了降维处理,在检测的过程中分类回归所需要的特征不同,所以在Decoupled Head中进行解耦处理后学习的过程会变得更加简单。
具体的,所述YOLOX模型的网络架构包括:
(1)输入端:用于输入图片;
(2)Backbone:用于提取图片特征,通常采用Darknet53;
(3)Neck:用于特征融合,采用PAFPN;具体为,将高层的特征信息,先通过上采样的方式进行传递融合,再通过下采样融合方式得到预测的特征图,最终输出3个特征层组成的元组结果;
(4)Prediction:用于结果预测,包括Decoupled Head、Anchor-free、Loss计算以及标签分配。
作为优选,在YOLOX模型的输入端采用RandomHorizontalFlip、ColorJitter、Mosaic、Mixup等数据增强方式,对输入端的数据进行增强处理,通过随机缩放、随机裁剪、随机排布的方式进行拼接,这样能够对小目标的检测效果进行提升。
具体的,Prediction中的Decoupled Head的网络会分成回归分支和分类分支,最后再汇总在一起,每个Decoupled Head中的分支类型有:
(1)cls_output:用于对目标框的类别,预测分数;
(2)obj_output:用于判断目标框是前景还是背景;
(3)reg_output:用于对目标框的坐标信息(x,y,w,h)进行预测。
在YOLOX模型中,具有三个Decoupled Head,这样能够提高运算精度,同时加快网络的收敛速度;同时,使用1个1×1的卷积先进行降维,并在后面两个分支里各使用了2个3×3卷积,这样能够权衡运算速度和运算性能。
所述Prediction中的Anchor-free采用FCOS中的center sampling方法,将目标中心3×3的区域内的像素点都作为target,这样在进行后续的LOSS计算时,能够提供更多的预测框;在Anchor-free之后进行LOSS计算,得到所有的预测框结果;LOSS计算之后,对于获得的预测框结果进行分配标签。
YOLOX模型分配标签具体包括,首先对预测框进行初步筛选,未选中的预测框为负样本,直接打上负样本标签,然后将初步筛选的正样本标签预测框结果采用SimOTA算法继续精确分配标签。
所述SimOTA算法的筛选流程为:
(1)初筛正样本信息提取;
(2)Loss函数计算;
(3)cost成本计算;
(4)SimOTA求解,最终得到焊缝异常情况目标检测模型的检测结果。
不同于OTA的是,SimOTA算法将标签分配任务看作网络内部的最优传输任务,即多个目标与多个候选框的相互匹配,SimOTA算法将原本使用的Sinkhorn-Knopp算法替换,使用动态top-k策略去计算最优传输的问题,这样的方法不仅减少了模型的训练时间,而且避免了Sinkhorn-Knopp算法中的额外求解器超参数。
作为YOLOX模型训练的其中一个实施例,在模型训练时,epochs设置为500。
所述一个epoch表示所有的数据送入网络中,完成了一次前向计算+反向传播的过程。
在焊缝异常情况目标检测模型训练完成后,将采集到的管道内壁焊缝图像输入焊缝异常情况目标检测模型中进行焊缝的异常情况的识别,同时进行检测并输出检测的结果,所述焊缝异常情况的检测结果能够显示缺陷焊缝所在位置以及缺陷的种类。
本发明公开的适用于管道内部的焊缝检测方法,在具体实施时,可以设计一种用于管道内壁焊缝检测的电驱动推进的管道焊缝检测机器人并控制其工作而得以实现;在具体设计时,该管道焊缝检测机器人能够与后台控制端配合进行管道内焊缝的识别和检测。
例如,管道焊缝检测机器人可以包括机身,以及安装在机身上的图像采集机构、驱动机构和信号控制电路模块;图像采集机构包括前摄像头,可以设计安装于机身的前端(机身的前端是指管道焊缝检测机器人行进方向的前方一端),用于进行图像采集;驱动机构安装在机身上,用于在电驱动下带动机身沿管道内壁行进;信号控制电路模块分别与图像采集机构和驱动机构电连接,用于对图像采集机构和驱动机构进行动作控制,以根据图像采集机构所采集的管道内部图像对管道内部焊缝进行自动识别,且在识别到焊缝后控制图像采集机构对焊缝的全景图像进行采集,将采集到的焊缝图像输入焊缝异常情况目标检测模型中对进行检测并输出检测的结果。
在具体实施中,信号控制电路模块可以设计包括图像采集控制模块、驱动控制模块、数据处理模块以及数据传输模块;图像采集控制模块用于控制图像采集机构的启动和关闭;驱动控制模块用于控制驱动机构中的驱动电机运转,使主动轮发生转动,进而带动机身发生位移;数据处理模块用于进行焊缝识别和焊缝检测,并将识别结果和检测结果传输至数据传输模块;数据传输模块用于将采集的图像原始数据、处理后的图像数据、焊缝的识别数据以及焊缝的检测结果传输至后台控制端进行数据存储以及输出检测结果,供使用者查看。数据传输模块可以采用有线传输模块或无线传输模块,有线传输模块可以通过有线传输线缆进行数据传输,无线传输模块可以采用WIFI、移动局域网等方式进行数据传输。后台控制端上可以设计人机交互界面软件,用于与管道焊缝检测机器人通讯、向信号控制电路模块发送控制信号及接收管道焊缝检测机器人反馈信号,实现人机信息交互。
为了使前摄像头在图像采集时能够得到更好的效果,作为图像采集机构的优选方案,前摄像头与机身可以设计通过云台转动连接,前摄像头用于录制管道内壁样貌的彩色视频流,前摄像头能够在云台的带动下以云台为中心做360°旋转拍摄,前摄像头转动360°形成的轨迹面与管道截面平行,前摄像头用于管道焊缝检测机器人识别到焊缝后,对焊缝的全景图像进行采集,进而便于进行焊缝图像的周向采集,用以进行焊缝缺陷识别。
具体的,后台控制端与焊缝检测机器人所使用的控制信号包括以下几类:
(1)后台控制端向信号控制电路模块发送开始作业信号、停止作业信号、继续作业信号、焊缝信号;信号控制电路模块向后台控制端反馈作业完毕信号;
(2)信号控制电路模块向驱动机构发送前进信号并接受驱动机构反馈信号,所述前进信号具体为电机正反转控制信号;
(3)信号控制电路模块向图像采集机构发送摄像头打开或关闭信号、图像采集信号、云台旋转信号、拍照储存信号;所述图像采集机构向信号控制电路模块反馈云台旋转完成、拍照储存完成、原始图像等信号;
(4)信号控制电路模块向供电机构发送通断电及电量过低信号。
本发明中的待检测环境为黑暗的金属管道内壁,属于内部狭窄空间,传统的人工手持工业内窥镜无法以左、右、上、下等形态顺利通过弯道,并且进入管道距离有限,本发明所设计的焊缝检测机器人结构能够根据需求进行结构和尺寸设计,使其能够进入待检测管道(1至3英寸),实现以左转、右转、抬头、俯冲等形式顺利通过1.5倍曲率半径、90°转角的弯管道,能够直行通过T型管道接口处,能够实现在带有一定坡度的管道内爬行,检测续航能力可达数小时;焊缝检测机器人针对的检测对象为金属管道内壁的焊缝,焊缝的缺陷识别要求较高,需要清晰的展现焊缝的纹理轮廓及缺陷特征,传统采用人工手持内窥镜伸入管内进行图像获取稳定性较差,摄像头焦距固定,获取焊缝全景图像时拍摄点与焊缝之间的距离不断变化会导致图像模糊,所以获取到的原始图像效果会因人而异,检测效率低、误检率高;焊缝检测机器人进入黑暗的金属管道内部能够通过图像采集机构稳定的获取到纹理轮廓清晰的焊缝原始图像,获取焊缝全景图像时拍摄点与焊缝之间的距离固定,解决了传统手持工业内窥镜图像质量不稳定、从而难以很好的对管道内部焊缝缺陷进行准确检测的问题。
采用本发明所公开的一种适用于管道内部的焊缝检测方法具有如下技术效果:本发明公开的方法能够快速的识别管道内壁焊缝,且能够快速对识别到的管道内壁焊缝进行检测,并直观的输出检测结果,解决了如何能自动识别出管道内部焊缝位置并进行自动检测的技术问题,于采用工业内窥镜进行人工图像采集以及人工检测焊缝相比,提升了工作效率,消除了由于个体经验不同导致的人工焊缝检测准确率不稳定,效率不稳定的隐患;本发明公开的方法基于一种用于管道内壁焊缝检测的电驱动推进的管道焊缝检测机器人实现,管道焊缝检测机器人适用管道范围广,尤其解决了小管径无法自动进行管道内壁焊缝识别的问题,管道焊缝检测机器人能够在管道内部稳定运行,适应管道的各种弯管形态,且自身集成了移动电源,能够自主的在管道内部进行自动识别和自动检测,使本发明的适用于管道内部的焊缝检测方法能够完整实现,提高了检测效率和准确率;本发明所使用的管道焊缝检测机器人结构简单,集成度高,降低了制造成本,同时具有较低的人工操作难度,具有很大的行业应用广度和深度,具有较高的市场价值,适用于市场大范围推广。
可以理解,本发明是通过一些实施例进行描述的,本领域技术人员知悉的,在不脱离本发明的精神和范围的情况下,可以对这些特征和实施例进行各种改变或等效替换。在本发明的教导下,可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。本发明所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。因此,本发明不受此处所公开的具体实施例的限制,基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
Claims (6)
1.一种适用于管道内部的焊缝检测方法,其特征在于,采用能够进入管道内部用于焊缝检测的电驱动推进的机械结构,对管道内部焊缝进行自动识别,在识别到焊缝后对焊缝的全景图像进行采集,将采集到的焊缝图像输入焊缝异常情况目标检测模型中对进行检测并输出检测的结果。
2.根据权利要求1所述的适用于管道内部的焊缝检测方法,其特征在于,所述对管道内部焊缝进行自动识别包括以下步骤:
S1.1、由电驱动推进的机械结构录制管道内壁样貌的彩色视频流;
S1.2、从视频流中提取出每一帧管道内壁彩色图像,并将提取的管道内壁彩色图像进行去彩色化处理;
S1.3、将去彩色化处理后的图像进行特征值计算;
S1.4、若步骤1.3中计算得到的特征值大于设定值,则判断识别出管道内部焊缝并记录当前焊缝所在位置。
3.根据权利要求2所述的适用于管道内部的焊缝检测方法,其特征在于,步骤S1.2中的将提取的管道内壁彩色图像进行去彩色化处理是指将提取的管道内壁彩色图像进行黑白处理。
4.根据权利要求3所述的适用于管道内部的焊缝检测方法,其特征在于,对步骤S1.3中黑白处理后的管道内壁图像全局采用固定阈值二值化方法进行特征值计算。
5.根据权利要求3所述的适用于管道内部的焊缝检测方法,其特征在于,对步骤S1.3中黑白处理后的管道内壁图像采用最大灰度值的自适应阈值方法进行特征值计算。
6.根据权利要求2所述的适用于管道内部的焊缝检测方法,其特征在于,步骤S1.2中的将提取的管道内壁彩色图像进行去彩色化处理是指将提取的管道内壁彩色图像进行灰度处理;步骤S1.3中,对灰度处理后的图像进行灰度共生矩阵计算,并对得到的共生矩阵进行特征值计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211600887.9A CN116008304A (zh) | 2022-12-12 | 2022-12-12 | 一种适用于管道内部的焊缝检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211600887.9A CN116008304A (zh) | 2022-12-12 | 2022-12-12 | 一种适用于管道内部的焊缝检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116008304A true CN116008304A (zh) | 2023-04-25 |
Family
ID=86023984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211600887.9A Pending CN116008304A (zh) | 2022-12-12 | 2022-12-12 | 一种适用于管道内部的焊缝检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116008304A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664561A (zh) * | 2023-07-28 | 2023-08-29 | 风凯换热器制造(常州)有限公司 | 一种换热器管头焊接质量ai智能检测系统及方法 |
-
2022
- 2022-12-12 CN CN202211600887.9A patent/CN116008304A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664561A (zh) * | 2023-07-28 | 2023-08-29 | 风凯换热器制造(常州)有限公司 | 一种换热器管头焊接质量ai智能检测系统及方法 |
CN116664561B (zh) * | 2023-07-28 | 2023-10-17 | 风凯换热器制造(常州)有限公司 | 一种换热器管头焊接质量ai智能检测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886298B (zh) | 一种基于卷积神经网络的焊缝质量检测方法 | |
CN112304960B (zh) | 一种基于深度学习的高分辨率图像物体表面缺陷检测方法 | |
US20210150700A1 (en) | Defect detection device and method | |
CN112053376B (zh) | 一种基于深度信息的工件焊缝识别方法 | |
CN109693140B (zh) | 一种智能化柔性生产线及其工作方法 | |
CN110196252B (zh) | 坡口缺陷检测算法及装置 | |
US7599050B2 (en) | Surface defect inspecting method and device | |
CN115184359A (zh) | 一种自动调参的表面缺陷检测系统与方法 | |
CN113379740A (zh) | 基于穿孔熔池图像和深度学习的vppaw熔透原位实时监测系统 | |
CN116008304A (zh) | 一种适用于管道内部的焊缝检测方法 | |
CN112734720A (zh) | 基于视觉识别的船壳激光清洗在位检测方法及系统 | |
CN111426693A (zh) | 一种质量缺陷检测系统及其检测方法 | |
CN111307812A (zh) | 基于机器视觉的焊点外观检测方法 | |
CN113139943B (zh) | 开口圆环工件外观缺陷检测方法、系统及计算机存储介质 | |
CN114463285A (zh) | 一种多级网络融合圆钢表面缺陷检测方法及图像采集装置 | |
CN112651341B (zh) | 一种焊管焊缝实时检测视频的处理方法 | |
CN111833350A (zh) | 机器视觉检测方法与系统 | |
CN115900378B (zh) | Rh精炼炉内冶炼状态及钢液温度实时监控系统及方法 | |
CN117392043A (zh) | 一种基于深度学习的钢板表面缺陷视频检测方法及系统 | |
CN115791786A (zh) | 一种零件缺陷检测方法和相关装置 | |
CN112129774A (zh) | 一种焊接未熔合缺陷在线检测方法 | |
JP2021189238A (ja) | ベルト検査システムおよびベルト検査プログラム | |
CN117409332B (zh) | 基于大数据处理的长材刨花外观数据检测系统及方法 | |
CN110211113A (zh) | 一种坡口异常的检测算法及计算设备 | |
Reddy et al. | A low-cost vision-based weld-line detection and measurement technique for robotic welding |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |