CN116109587A - 一种复杂环境下密封钉焊缝质量检测方法 - Google Patents
一种复杂环境下密封钉焊缝质量检测方法 Download PDFInfo
- Publication number
- CN116109587A CN116109587A CN202310066309.XA CN202310066309A CN116109587A CN 116109587 A CN116109587 A CN 116109587A CN 202310066309 A CN202310066309 A CN 202310066309A CN 116109587 A CN116109587 A CN 116109587A
- Authority
- CN
- China
- Prior art keywords
- welding seam
- defects
- image
- welding
- value
- 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
- 238000003466 welding Methods 0.000 title claims abstract description 117
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000007789 sealing Methods 0.000 title claims abstract description 31
- 230000007547 defect Effects 0.000 claims abstract description 108
- 238000000034 method Methods 0.000 claims abstract description 57
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000013135 deep learning Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000013178 mathematical model Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000035515 penetration Effects 0.000 claims description 6
- 230000002093 peripheral effect Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 3
- 230000033001 locomotion Effects 0.000 claims description 3
- 239000010953 base metal Substances 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种复杂环境下密封钉焊缝质量检测方法,3D机器视觉采集焊缝点云数据,转化为深度图像,对焊缝进行滤波,搜索和定位焊缝位置,然后对焊缝进行积分,得到焊缝具体形态。去除由于机械抖动原因造成图像存在波浪纹干扰信号,从而得到焊缝精确的模型和焊缝的具体形态。根据焊缝的数学模型在焊缝区域内进行搜索,并对焊缝进行初步处理,计算与分析,如果出现有小凹坑或凸起情况,3D软件把搜索到的位置和缺陷形态发送给2D软件。2D软件采用深度学习方法,对采集到的灰度图像,在3D机器视觉发送过来的位置区域内搜索,进行计算和预测,判断与识别是否存在缺陷,如果存在缺陷,对结果进行处理。本发明缺陷判断准确率高,误判率低。
Description
技术领域
本发明涉及焊缝质量检测技术领域,具体涉及一种复杂环境下密封钉焊缝质量检测方法。
背景技术
目前,密封钉焊缝质量检测设备一般是安装在密封钉焊接机器设备上,焊接完成后,直接移动到检测位置进行检测,由于焊接设备存在较大的机械抖动,有时候,这些抖动信号的峰谷值大于0.1mm,图像存在较强的波浪纹干扰信号。同时,焊缝刚焊接出来,焊缝表面比较光滑,激光轮廓传感器的激光线在光滑的焊缝表面会产生漫反射,这样采集到的点云数据会产生丢失或发生突变,这种图像对后面的图像处理存在干扰,降低检测准确度。另外,图像处理算法自身带来的干扰信号,同样对处理结果造成影响。因此,在实际应用过程中,必须去除这些干扰造成的影响。
现有方法的实现路径:目前主要分两种方法实现。其中一种是检测设备在焊接设备外面检测,与干扰信号源分开,避免受复杂信号干扰影响;另一种方法是对采集图像进行图像处理和传统滤波算法相结合去除信号干扰。
第一种种方法存在的问题如下:
1、检测设备占用了额外的生产空间,添加了产品传输路线,占据空间和硬件成本。
2、额外的检测空间,增加了产品在搬运过程发生碰撞危险机会,减低了生产效率。
第二种方法存在的问题如下:
1、传统的图像滤波算法只能针对性地处理某些干扰信号,对于这种随机产生的机械抖动,传统的滤波方法很难消除这些干扰信号的影响。例如,高斯滤波是先对图像做平滑滤波,剔除噪声,虽然可以得到较好的图像边缘,但是,对于这种由于抖动造成的波浪纹图像,它也是束手无策。同样,点云数据的双边滤波算法在边缘附近,离的较远的像素不会太多影响到边缘上的像素值,这样就保证了边缘附近像素值的保存。但是由于保存了过多的高频信息,对于由于机械抖动产生的随机高频噪声,双边滤波器不能够干净的滤掉,只能够对于低频信息进行较好的滤波。
2、传统滤波算法处理时间长,特别是对于一幅大容量的三维信息图像,传统滤波算法消耗的时间比较长,对生产时序有影响。
3、传统滤波算法无法把干扰信号去除,对检测结果造成误判。
发明内容
有鉴于此,为了解决现有技术中的上述问题,本发明提出一种复杂环境下密封钉焊缝质量检测方法及系统,采用高效快速的滤波算法去除这种机械抖动造成的干扰信号,采用2D机器视觉与深度学习方法去除由于焊缝高亮反光造成的伪缺陷和降低软件算法自身带来的干扰影响,从而实现焊缝高质量检测目的。
本发明通过以下技术手段解决上述问题:
一方面,本发明提供一种复杂环境下密封钉焊缝质量检测方法,包括如下步骤:
S1、初始化系统参数和设置硬件参数,包括3D相机采集参数、2D相机采集参数和运动机构参数,系统进入等待开始检测状态;
S2、产品运动到2D相机下方,拍摄图像,进行深度学习,找到密封钉中心,发送给运行机构,3D相机运动到密封钉中心上方,PLC发送到位置,准备好信号给3D软件,3D软件接到命令后,反馈准备好信号给PLC,PLC接收到信号后,带动3D相机绕旋转中心旋转,采集点云数据,并把点云数据上传给计算机,计算机把点云数据转换成深度图像,并显示;
S3、按照客户检测要求和采集到缺陷的深度图像,结合焊缝的剖面轮廓线对焊缝进行数学建模,通过数学建模得到焊缝的实际表现形态,3D机器视觉根据这些焊缝数学模型,在焊缝区域内进行搜索;
S4、把深度图像划分成若干个区域,按照实际情况确定区域个数,每个区域作为一个单独的线程进行计算处理;
S5、在每个检测区域内,根据产品的高度图像分布情况,在每个区域焊缝以外一定距离的位置,选择一个ROI矩形区域作为检测基准,并生成区域图像;
S6、在焊缝区域内,根据焊缝的分布情况,对焊缝进行积分,得到焊缝表面的剖面轮廓线,在焊缝的剖面轮廓线上,根据焊接工艺和焊缝的深度信息,实现焊缝定位;
S7、如果搜索到缺陷,把搜索到的缺陷记录下来,然后对这些缺陷进行联通性分析,实现缺陷区域连通,形成一个整体;
S8、在可能出现缺陷的区域里,随机选取水平方向和垂直方向的剖面轮廓线,计算这些剖面轮廓线的最大值和最小值,以区域内的最值差作为判断该区域是否存在缺陷;
S9、每个划分的区域都按照步骤S4、S5、S6、S7、S8进行处理、分析、计算和识别;分区域统计每个区域内的信息,然后确定整个焊缝是否存在缺陷;
S10、发送结果信息给外设,并把结果显示在显示屏上,如果存在缺陷,进行报警,并把产品送到NG箱里;如果是OK产品,把产品送到下一个工位。
作为优选地,步骤S3之前,还包括去除高亮反光伪缺陷的步骤,具体包括如下步骤:
首先,在3D相机参数设置里面,需要全面优化设置,把参数设置到最佳值,以避免由于相机参数设置带来的干扰信号;
利用2D相机对不同高度成像造成灰度值变化的特点,采用2D相机在蓝色碗光源的照射下成像得到清晰的图像,如果存在凹坑,该位置图像的灰度值会变暗,避免高反带来缺陷图像;
使用3D机器视觉算法搜索焊缝中存在凹坑缺陷时,调用该产品的2D图像,把3D机器视觉算法搜索到的缺陷形态映射到2D图像上,在缺陷可能出现的区域中,采用深度学习算法对缺陷进行二次搜索、确认、复判,复判结果作为最终结果;
如果该区域存在凹坑缺陷,对应的2D图像中,像素值会产生明显的变化,2D算法就是根据这个凹坑造成图像灰度值变暗的原理判断该处是否存在缺陷。
作为优选地,步骤S3之后,还包括去除机械抖动的步骤,具体包括如下步骤:
在计算密封钉平面度时,把密封钉平面平均分成若干个区域,分别计算每个区域内的平均高度值,用这些区域的最大值和最小值作为密封钉平面度,用平均值方法进行滤波处理;
在定位好焊缝的情况下,基准选择在焊缝的剖面轮廓线上,通过计算与焊缝外某段剖面轮廓线相对平坦的轮廓线的平均高度值作为该轮廓线的基准;用这个基准值来计算焊缝的特征参量,包括焊缝两侧位置点、焊缝最高点和焊缝最低点;
搜索焊缝密封钉台阶侧焊缝点,根据焊接工艺,确定熔深范围,在熔深范围内找焊缝与母材交接点;在每条剖面轮廓线上,根据基准与焊缝边缘高度差来确定可能的边缘点,把焊缝区域图像每个可能的边缘点保存在一个数组中,然后对这些可能的边缘点进行滤波处理;选取前若干个点位置,计算这些点位置x的均值,然后逐条轮廓线相邻边缘点比较,如果前后位置差值符合要求,则当前点为该轮廓线实际边缘点;如果超出范围,该点在前N个点内,则取前N个点的平均值作为当前边缘点值;否则,取该点前后N/2个值的平均值作为该点边缘值;
在搜索焊缝其它关键特征点时,考虑去除一些离群点的影响,从而得到接近实际的值。
作为优选地,步骤S7之前,还包括处理算法带来的干扰信号的步骤,具体包括如下步骤:
通过软件搜索后,得到焊缝缺陷分布位置,由于各种原因,缺陷之间会出现一些相互断开的情况,对这些离散分别的缺陷进行连通性分析和计算,以某个缺陷为中心,计算它与周边相邻缺陷之间的距离,通过这些距离值判断缺陷的连通性,从而把从算法分开的小缺陷进行连通性分析和计算,得到缺陷的实际边缘。
第二方面,本发明提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明第一方面所述复杂环境下密封钉焊缝质量检测方法的步骤。
第三方面,本发明提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如本发明第一方面所述复杂环境下密封钉焊缝质量检测方法的步骤。
与现有技术相比,本发明的有益效果至少包括:
1、本发明去除图像由于机械抖动带来干扰信号的影响,去除由于焊缝存在高亮反光造成图像表面形成凹坑等虚缺陷的影响,消除由于算法自身在运算过程中带来对检测结果造成影响的干扰信号,提高检测结果的准确度,降低由于干扰信号对系统造成的误判率。
2、3D机器视觉在高反光焊缝成像存在凹坑,2D机器视觉在高低不平位置造成图像灰度值变暗或变亮的特点,消除3D视觉由于高反造成焊缝误判为凹坑的问题,从而大大提高了焊缝检测算法准确度。
3、对算法检测出来的缺陷进行连通性测试,把缺陷区域连接在一起,从而大大提高了算法检测的准确度,避免由于算法带来的误判。
4、把检测到可能存在焊缝缺陷的区域进行连通性测试和计算,把缺陷连接在一起,避免焊缝缺陷丢失部分特征值。
5、本发明缺陷判断准确率高,误判率低。因为算法对可能存在的干扰信号分别进行了滤波,从而直接提取出焊缝的正确特征,避免由于干扰信号造成特征损失,通过缺陷的数学模型搜索缺陷,找缺陷的整个过程都是利用3D点云信息,避免了把3D变2D造成误判的情况。
6、本发明充分利用2D机器视觉对高低变化区域会造成阴影的特征优势,解决3D机器视觉在高反光应用场景,采集到焊缝表面存在小凹坑的问题,3D机器视觉把计算出小凹坑的位置和具体形态发送给2D机器视觉,用2D机器视觉去判断焊缝在这个位置是否存在小凹坑缺陷,提高了图像成像的质量和分辨率。采用深度学习的方法,检测样本越多,判断结果的准确率越高。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明复杂环境下密封钉焊缝质量检测方法的流程图;
图2是本发明电子设备结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面将结合附图和具体的实施例对本发明的技术方案进行详细说明。需要指出的是,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做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。
实施例1
如图1所示,本发明提供一种复杂环境下密封钉焊缝质量检测方法,包括如下步骤:
S1、初始化系统参数和设置硬件参数(3D相机采集参数、2D相机采集参数、运动机构参数等),系统进入等待开始检测状态。
S2、产品运动到2D相机下方,拍摄图像,进行深度学习,找到密封钉中心,发送给运行机构,3D相机运动到密封钉中心上方,PLC发送到位置,准备好信号给3D软件,3D软件接到命令后,反馈准备好信号给PLC,PLC接收到信号后,带动3D相机绕旋转中心旋转,采集点云数据,并把点云数据上传给计算机,计算机把点云数据转换成深度图像,并显示。
S3、按照客户检测要求和采集到缺陷的深度图像,结合焊缝的剖面轮廓线对焊缝进行数学建模,通过数学建模得到焊缝的实际表现形态,3D机器视觉根据这些焊缝数学模型,在焊缝区域内进行搜索。
S4、3D深度图像是16位,图像计算量很大,因此,可以把深度图像划分成若干个区域,按照实际情况确定区域个数,每个区域作为一个单独的线程进行计算处理,这样提高软件运算速度和时序。
S5、在每个检测区域内,根据产品的高度图像分布情况,在每个区域焊缝以外一定距离(2~5mm左右,优选3mm)的位置,选择一个ROI矩形区域作为检测基准,并生成区域图像;
S6、在焊缝区域内,根据焊缝的分布情况,对焊缝进行积分,得到焊缝表面的剖面轮廓线,在焊缝的剖面轮廓线上,根据焊接工艺和焊缝的深度信息,实现焊缝定位。
S7、如果搜索到缺陷,把搜索到的缺陷记录下来,然后对这些缺陷进行联通性分析,实现缺陷区域连通,形成一个整体。
S8、在可能出现缺陷的区域里,随机选取水平方向和垂直方向的剖面轮廓线,计算这些剖面轮廓线的最大值和最小值,以区域内的最值差作为判断该区域是否存在缺陷。
S9、每个划分的区域都按照步骤S4、S5、S6、S7、S8进行处理、分析、计算和识别。分区域统计每个区域内的信息,然后确定整个焊缝是否存在缺陷。
S10、发送结果信息给外设,并把结果显示在显示屏上,如果存在缺陷,进行报警,并把产品送到NG箱里。如果是OK产品,把产品送到下一个工位。
步骤S3之前,还包括去除高亮反光伪缺陷的步骤,具体包括如下步骤:
1、首先,在3D相机参数设置里面,需要全面优化设置,尽量把参数设置到合理范围,避免由于相机参数设置不合理带来焊缝表面的凹坑和凸起干扰,这样可以消除部分由于高亮高反造成的问题。
2、在高反光,高亮度的焊缝图像中,由于3D传感器在这些高亮部位产生漫反射,从而造成采集到的点云数据产生丢失,从而在产品表面上形成凹坑等伪缺陷。这些伪凹坑,如果不采用特殊算法对它进行处理,3D算法会把它当成凹坑缺陷,从而造成了误判率很高,通过合理调整相机采集参数可以减少部分过杀,但是无法从根本上消除过杀。这种由于高反原因造成3D相机无法得到检测部位的高质量图像情况,因为2D相机在高低不平表面成像时,凸起和凹下部分图像灰度相对平坦位置亮度值会不一样,变得稍微亮或暗一点,利用2D对不同高度成像造成灰度值变化的特点,采用2D相机在蓝色碗光源的照射下成像可以得到清晰的图像,如果存在凹坑,该位置图像的灰度值会变暗,避免高反带来缺陷图像。因此,消除这些由于焊缝高反造成的缺陷,可以结合2D成像的优点,使用2D成像处理来识别这方面的区域,降低过杀。
3、使用3D机器视觉算法搜索焊缝中存在凹坑缺陷时,调用该产品的2D图像,把3D机器视觉算法搜索到的缺陷形态映射到2D图像上,在缺陷可能出现的区域中,采用深度学习算法对缺陷进行二次搜索、确认、复判,复判结果作为最终结果。
4、如果该区域存在凹坑缺陷,对应的2D图像中,像素值会产生明显的变化,2D算法就是根据这个凹坑造成图像灰度值变暗的原理判断该处是否存在缺陷。通过深度学习方法,进一步提高系统识别缺陷的可靠性和稳定性。
在焊缝深度图像中,如果出现这种由于机械抖动形成的正弦波干扰信号,这些干扰信号对后面的点云数据处理带来很大的干扰,必须采用合适的滤波算法去除这些干扰信号影响。
步骤S3之后,还包括去除机械抖动的步骤,具体包括如下步骤:
1、在计算密封钉平面度时,把密封钉平面平均分成若干个区域,分别计算每个区域内的平均高度值,用这些区域的最大值和最小值作为密封钉平面度,用平均值方法进行滤波处理,减少由于波浪纹的影响。
2、对检测基准进行滤波,特别是对点云数据存在这种由于机械抖动造成的波浪纹干扰信号时,检测过程中的基准正确性就变得特别重要了。在定位好焊缝的情况下,基准选择在焊缝的剖面轮廓线上,通过计算与焊缝外某段剖面轮廓线相对平坦的轮廓线的平均高度值作为该轮廓线的基准。用这个基准值来计算焊缝的特征参量,比如焊缝两侧位置点、焊缝最高点、焊缝最低点等等参数。
3、搜索焊缝密封钉台阶侧焊缝点,根据焊接工艺,确定熔深大致范围,在熔深范围内找焊缝与母材交接点。在每条剖面轮廓线上,根据基准与焊缝边缘高度差来确定可能的边缘点,把焊缝区域图像每个可能的边缘点保存在一个数组中,然后对这些可能的边缘点进行滤波处理。选取前若干个点位置,计算这些点位置x的均值,然后逐条轮廓线相邻边缘点比较,如果前后位置差值符合要求,则当前点为该轮廓线实际边缘点。如果超出范围,该点在前N个点内,则取前N个点的平均值作为当前边缘点值;否则,取该点前后N/2个值的平均值作为该点边缘值。这样可以减少由于机械抖动引起的信号干扰和实际缺陷造成焊缝边缘定位不准确的情况。
4、在搜索焊缝其它关键特征点(最高点、最低点、焊缝外侧点等)时,也需要考虑去除一些离群点的影响,从而得到接近实际的值。
在图像处理过程中,图像处理算法会对部分有用信息造成损失和增加部分信息,从而对软件判断造成误判影响,在实际应用过程中,同样需要降低算法带来的影响。
步骤S7之前,还包括处理算法带来的干扰信号的步骤,具体包括如下步骤:
通过软件搜索后,得到焊缝缺陷分布位置,由于各种原因,缺陷之间会出现一些相互断开的情况,为了提高判断的准确性,可以对这些离散分别的缺陷进行连通性分析和计算,以某个缺陷为中心,计算它与周边相邻缺陷之间的距离,通过这些距离值判断缺陷的连通性,从而把从算法分开的小缺陷进行连通性分析和计算,得到缺陷的实际边缘,从而消除由于算法造成的影响,提高系统处理和判断的准确性和可靠性。
本发明3D机器视觉采集焊缝点云数据,转化为深度图像,对焊缝进行滤波,然后搜索和定位焊缝位置,然后对焊缝进行积分,得到焊缝具体形态。
本发明对焊缝搜索区域进行滤波,去除由于机械抖动原因造成图像存在波浪纹干扰信号,从而得到焊缝精确的模型和焊缝的具体形态。
本发明根据焊缝的数学模型在焊缝区域内进行搜索,并对焊缝进行初步处理,计算与分析,如果出现有小凹坑或凸起情况,3D软件把搜索到的位置和缺陷形态发送给2D软件系统。
本发明2D软件采用深度学习方法,对采集到的灰度图像,在3D机器视觉发送过来的位置区域内搜索,进行计算和预测,判断与识别是否存在缺陷,如果存在缺陷,对结果进行处理。
本发明把检测到可能存在焊缝缺陷的区域进行连通性测试和计算,把缺陷连接在一起,避免焊缝缺陷丢失部分特征值。
本发明缺陷判断准确率高,误判率低。因为算法对可能存在的干扰信号分别进行了滤波,从而直接提取出焊缝的正确特征,避免由于干扰信号造成特征损失,通过缺陷的数学模型搜索缺陷,找缺陷的整个过程都是利用3D点云信息,避免了把3D变2D造成误判的情况。
本发明充分利用2D机器视觉对高低变化区域会造成阴影的特征优势,解决3D机器视觉在高反光应用场景,采集到焊缝表面存在小凹坑的问题,3D机器视觉把计算出小凹坑的位置和具体形态发送给2D机器视觉,用2D机器视觉去判断焊缝在这个位置是否存在小凹坑缺陷,提高了图像成像的质量和分辨率。采用深度学习的方法,检测样本越多,判断结果的准确率越高。
实施例2
基于相同的构思,本发明还提供了一种实体结构示意图,如图2所示,该服务器可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行所述复杂环境下密封钉焊缝质量检测方法的步骤。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
实施例3
基于相同的构思,本发明还提供一种非暂态计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序包含至少一段代码,该至少一段代码可由主控设备执行,以控制主控设备用以实现所述复杂环境下密封钉焊缝质量检测方法的步骤。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidStateDisk)等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,该流程可以由计算机程序来指令相关的硬件完成,该程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法实施例的流程。而前述的存储介质包括:ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种复杂环境下密封钉焊缝质量检测方法,其特征在于,包括如下步骤:
S1、初始化系统参数和设置硬件参数,包括3D相机采集参数、2D相机采集参数和运动机构参数,系统进入等待开始检测状态;
S2、产品运动到2D相机下方,拍摄图像,进行深度学习,找到密封钉中心,发送给运行机构,3D相机运动到密封钉中心上方,PLC发送到位置,准备好信号给3D软件,3D软件接到命令后,反馈准备好信号给PLC,PLC接收到信号后,带动3D相机绕旋转中心旋转,采集点云数据,并把点云数据上传给计算机,计算机把点云数据转换成深度图像,并显示;
S3、按照客户检测要求和采集到缺陷的深度图像,结合焊缝的剖面轮廓线对焊缝进行数学建模,通过数学建模得到焊缝的实际表现形态,3D机器视觉根据这些焊缝数学模型,在焊缝区域内进行搜索;
S4、把深度图像划分成若干个区域,按照实际情况确定区域个数,每个区域作为一个单独的线程进行计算处理;
S5、在每个检测区域内,根据产品的高度图像分布情况,在每个区域焊缝以外一定距离的位置,选择一个ROI矩形区域作为检测基准,并生成区域图像;
S6、在焊缝区域内,根据焊缝的分布情况,对焊缝进行积分,得到焊缝表面的剖面轮廓线,在焊缝的剖面轮廓线上,根据焊接工艺和焊缝的深度信息,实现焊缝定位;
S7、如果搜索到缺陷,把搜索到的缺陷记录下来,然后对这些缺陷进行联通性分析,实现缺陷区域连通,形成一个整体;
S8、在可能出现缺陷的区域里,随机选取水平方向和垂直方向的剖面轮廓线,计算这些剖面轮廓线的最大值和最小值,以区域内的最值差作为判断该区域是否存在缺陷;
S9、每个划分的区域都按照步骤S4、S5、S6、S7、S8进行处理、分析、计算和识别;分区域统计每个区域内的信息,然后确定整个焊缝是否存在缺陷;
S10、发送结果信息给外设,并把结果显示在显示屏上,如果存在缺陷,进行报警,并把产品送到NG箱里;如果是OK产品,把产品送到下一个工位。
2.根据权利要求1所述的复杂环境下密封钉焊缝质量检测方法,其特征在于,步骤S3之前,还包括去除高亮反光伪缺陷的步骤,具体包括如下步骤:
首先,在3D相机参数设置里面,需要全面优化设置,把参数设置到最佳值,以避免由于相机参数设置带来的干扰信号;
利用2D相机对不同高度成像造成灰度值变化的特点,采用2D相机在蓝色碗光源的照射下成像得到清晰的图像,如果存在凹坑,该位置图像的灰度值会变暗,避免高反带来缺陷图像;
使用3D机器视觉算法搜索焊缝中存在凹坑缺陷时,调用该产品的2D图像,把3D机器视觉算法搜索到的缺陷形态映射到2D图像上,在缺陷可能出现的区域中,采用深度学习算法对缺陷进行二次搜索、确认、复判,复判结果作为最终结果;
如果该区域存在凹坑缺陷,对应的2D图像中,像素值会产生明显的变化,2D算法就是根据这个凹坑造成图像灰度值变暗的原理判断该处是否存在缺陷。
3.根据权利要求1所述的复杂环境下密封钉焊缝质量检测方法,其特征在于,步骤S3之后,还包括去除机械抖动的步骤,具体包括如下步骤:
在计算密封钉平面度时,把密封钉平面平均分成若干个区域,分别计算每个区域内的平均高度值,用这些区域的最大值和最小值作为密封钉平面度,用平均值方法进行滤波处理;
在定位好焊缝的情况下,基准选择在焊缝的剖面轮廓线上,通过计算与焊缝外某段剖面轮廓线相对平坦的轮廓线的平均高度值作为该轮廓线的基准;用这个基准值来计算焊缝的特征参量,包括焊缝两侧位置点、焊缝最高点和焊缝最低点;
搜索焊缝密封钉台阶侧焊缝点,根据焊接工艺,确定熔深范围,在熔深范围内找焊缝与母材交接点;在每条剖面轮廓线上,根据基准与焊缝边缘高度差来确定可能的边缘点,把焊缝区域图像每个可能的边缘点保存在一个数组中,然后对这些可能的边缘点进行滤波处理;选取前若干个点位置,计算这些点位置x的均值,然后逐条轮廓线相邻边缘点比较,如果前后位置差值符合要求,则当前点为该轮廓线实际边缘点;如果超出范围,该点在前N个点内,则取前N个点的平均值作为当前边缘点值;否则,取该点前后N/2个值的平均值作为该点边缘值;
在搜索焊缝其它关键特征点时,考虑去除一些离群点的影响,从而得到接近实际的值。
4.根据权利要求1所述的复杂环境下密封钉焊缝质量检测方法,其特征在于,步骤S7之前,还包括处理算法带来的干扰信号的步骤,具体包括如下步骤:
通过软件搜索后,得到焊缝缺陷分布位置,由于各种原因,缺陷之间会出现一些相互断开的情况,对这些离散分别的缺陷进行连通性分析和计算,以某个缺陷为中心,计算它与周边相邻缺陷之间的距离,通过这些距离值判断缺陷的连通性,从而把从算法分开的小缺陷进行连通性分析和计算,得到缺陷的实际边缘。
5.一种电子设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1-4任一所述的复杂环境下密封钉焊缝质量检测方法的步骤。
6.一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如权利要求1-4任一所述的复杂环境下密封钉焊缝质量检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310066309.XA CN116109587A (zh) | 2023-01-12 | 2023-01-12 | 一种复杂环境下密封钉焊缝质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310066309.XA CN116109587A (zh) | 2023-01-12 | 2023-01-12 | 一种复杂环境下密封钉焊缝质量检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116109587A true CN116109587A (zh) | 2023-05-12 |
Family
ID=86257694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310066309.XA Pending CN116109587A (zh) | 2023-01-12 | 2023-01-12 | 一种复杂环境下密封钉焊缝质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116109587A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116258718A (zh) * | 2023-05-15 | 2023-06-13 | 超音速人工智能科技股份有限公司 | 基于3d相机的焊接质量检测方法、系统、设备及介质 |
-
2023
- 2023-01-12 CN CN202310066309.XA patent/CN116109587A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116258718A (zh) * | 2023-05-15 | 2023-06-13 | 超音速人工智能科技股份有限公司 | 基于3d相机的焊接质量检测方法、系统、设备及介质 |
CN116258718B (zh) * | 2023-05-15 | 2023-10-31 | 超音速人工智能科技股份有限公司 | 基于3d相机的焊接质量检测方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110675346B (zh) | 适用于Kinect的图像采集与深度图增强方法及装置 | |
US9762881B2 (en) | Reducing disparity and depth ambiguity in three-dimensional (3D) images | |
CN102175700B (zh) | 数字x射线图像焊缝分割和缺陷检测方法 | |
CN100571335C (zh) | 基于像素空间相关性的图像融合效果实时评价方法及装置 | |
WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
CN104410830A (zh) | 一种基于视频烟雾检测的装置与方法 | |
CN111412842B (zh) | 墙面的截面尺寸的测量方法及装置、系统 | |
EP3016076A1 (en) | Method and apparatus for removing outliers from a main view of a scene during 3D scene reconstruction | |
CN116109587A (zh) | 一种复杂环境下密封钉焊缝质量检测方法 | |
CN116503388B (zh) | 缺陷检测方法、装置及存储介质 | |
CN115797872A (zh) | 基于机器视觉的包装缺陷识别方法、系统、设备及介质 | |
CN113484867B (zh) | 一种基于成像声呐封闭空间下鱼群密度探测方法 | |
CN113763273B (zh) | 人脸补全方法、电子设备和计算机可读存储介质 | |
CN114820394A (zh) | 一种基于稳健参数估计的图像噪点滤波方法及装置 | |
CN114212452A (zh) | 基于激光辅助和图像处理的煤流检测方法及节能控制系统 | |
CN113888509A (zh) | 一种图像清晰度的评价方法、装置、设备及存储介质 | |
CN115880365A (zh) | 一种双工位自动螺丝拧装检测方法、系统及装置 | |
CN107831921B (zh) | 一种手柄空间位置与编码对应关系的确定方法、装置及系统 | |
CN115195357A (zh) | 轮胎磨损的监测方法、系统及存储介质 | |
CN116125489A (zh) | 一种室内物体三维检测方法、计算机设备及存储介质 | |
CN111062887B (zh) | 基于改进的Retinex算法的图像清晰度判定方法 | |
JPH08329110A (ja) | 画像処理方法 | |
CN116433581A (zh) | 一种基于多通道数据融合检测焊锡缺陷的混合检测方法及系统 | |
CN108827594A (zh) | 一种结构光投影器的解析力检测方法和检测系统 | |
CN117408963B (zh) | 一种管壳自动分选方法、系统和可存储介质 |
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 |