CN116228776A - 一种机电设备焊接缺陷识别方法及系统 - Google Patents

一种机电设备焊接缺陷识别方法及系统 Download PDF

Info

Publication number
CN116228776A
CN116228776A CN202310518597.8A CN202310518597A CN116228776A CN 116228776 A CN116228776 A CN 116228776A CN 202310518597 A CN202310518597 A CN 202310518597A CN 116228776 A CN116228776 A CN 116228776A
Authority
CN
China
Prior art keywords
iteration
weld
index
under
cluster
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.)
Granted
Application number
CN202310518597.8A
Other languages
English (en)
Other versions
CN116228776B (zh
Inventor
李红亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Weihai Vocational College
Original Assignee
Weihai Vocational College
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Weihai Vocational College filed Critical Weihai Vocational College
Priority to CN202310518597.8A priority Critical patent/CN116228776B/zh
Publication of CN116228776A publication Critical patent/CN116228776A/zh
Application granted granted Critical
Publication of CN116228776B publication Critical patent/CN116228776B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30152—Solder
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明涉及数据处理技术领域，具体涉及一种机电设备焊接缺陷识别方法及系统。方法包括：对K‑means聚类算法的K值进行迭代，得到各次迭代对应的K值；根据各次迭代对应的K值对待检测焊缝目标图像进行聚类，得到各次迭代下的各聚类簇对应的可能性指标、各次迭代下的变化量指标和各次迭代下的变化量差异指标；根据可能性指标、变化量指标和变化量差异指标，得到各次迭代对应的特征指标；根据所述特征指标，得到待检测焊缝目标图像上的目标焊缝边缘区域；将所述目标焊缝边缘区域去除，对去除后的待检测焊缝目标图像进行聚类，得到各特征聚类簇；根据各特征聚类簇中的像素点数量，得到焊缝缺陷区域。本发明能够提高对焊缝缺陷区域的识别精度。

Description

一种机电设备焊接缺陷识别方法及系统
技术领域
本发明涉及数据处理技术领域，具体涉及一种机电设备焊接缺陷识别方法及系统。
背景技术
在机电设备的生产过程中，焊接是最常用的将设备的两部分连接为一体的方法，因此对生产过程中的机电设备进行焊缝射线检测可以对设备生产质量进行把控，即对焊缝进行缺陷识别至关重要。
现有技术中的焊缝缺陷检测方法一般是基于阈值分割或者聚类算法对焊缝图像进行划分，然后基于分割的结果再去进行焊缝缺陷的识别；但是由于焊缝边缘区域中可能存在与焊缝缺陷区域灰度值较为接近的像素点，进而可能导致得到的焊缝缺陷区域不准确，即对焊缝缺陷进行识别的精度较低。
发明内容
本发明提供一种机电设备焊接缺陷识别方法及系统，用于解决现有方法对焊缝缺陷进行识别时精度较低的问题，所采用的技术方案具体如下：
第一方面，本发明实施例提供了一种机电设备焊接缺陷识别方法，包括以下步骤：
获取待检测焊缝目标图像；
对K-means聚类算法的K值进行迭代，得到各次迭代对应的K值；
根据各次迭代对应的K值对待检测焊缝目标图像进行聚类，得到各次迭代下的各聚类簇对应的可能性指标、各次迭代下的变化量指标和各次迭代下的变化量差异指标；
根据各次迭代下的各聚类簇对应的可能性指标、各次迭代下的变化量指标和各次迭代下的变化量差异指标，得到各次迭代对应的特征指标；
根据所述特征指标，得到待检测焊缝目标图像上的目标焊缝边缘区域；
将所述目标焊缝边缘区域去除，对去除后的待检测焊缝目标图像进行聚类，得到各特征聚类簇；
根据各特征聚类簇中的像素点数量，得到焊缝缺陷区域。
第二方面，本发明提供了一种机电设备焊接缺陷识别系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述一种机电设备焊接缺陷识别方法。
优选的，对K-means聚类算法的K值进行迭代，得到各次迭代对应的K值的方法，包括：
将预设的初始K值记为第1次迭代对应的K值；根据第1次迭代对应的K值，得到第2次迭代对应的K值，以此类推，当迭代次数等于最大迭代次数时，停止迭代，并得到各次迭代对应的K值；并且相邻两次迭代对应的K值差异值为1。
优选的，根据各次迭代对应的K值对待检测焊缝目标图像进行聚类，得到各次迭代下的各聚类簇对应的可能性指标、各次迭代下的变化量指标和各次迭代下的变化量差异指标的方法，包括：
对于任意一次迭代：
获取该次迭代对应的K值对待检测焊缝目标图像进行聚类，得到该次迭代下的各聚类簇；
计算得到每个聚类簇中的各像素点到待检测焊缝目标图像的水平中心线的平均距离；
根据每个聚类簇中的各像素点到待检测焊缝目标图像的水平中心线的平均距离，得到该次迭代下的各聚类簇对应的可能性指标；
根据该次迭代下的各聚类簇中像素点的数量和该次迭代下的各聚类簇对应的可能性指标，得到该次迭代下的变化量指标；
根据该次迭代下的变化量指标以及该次迭代对应的前一次迭代下的变化量指标，得到该次迭代下的变化量差异指标。
优选的，根据如下公式计算该次迭代下的各聚类簇对应的可能性指标：
Figure SMS_1
其中，
Figure SMS_2
为该次迭代下的第i个聚类簇对应的可能性指标，
Figure SMS_3
为该次迭代下的第i个 聚类簇中的各像素点到待检测焊缝目标图像的水平中心线的平均距离的归一化值，
Figure SMS_4
，
Figure SMS_5
为该次迭代下的所有聚类簇中的各像素点到待检测焊缝目标图像的水平中心 线的平均距离的标准差，
Figure SMS_6
为该次迭代下的第i个聚类簇中的各像素点到待检测焊缝目标 图像的水平中心线的平均距离，e为自然常数，
Figure SMS_7
为该次迭代下的所有聚类簇中的各像素点 到待检测焊缝目标图像的水平中心线的平均距离的均值。
优选的，根据如下公式得到该次迭代下的变化量指标：
Figure SMS_8
其中，
Figure SMS_9
为第j次迭代下的变化量指标，
Figure SMS_10
为第j次迭代对应的K值，
Figure SMS_11
为第j-1次 迭代对应的K值，
Figure SMS_12
为第j次迭代下的第a个聚类簇对应的可能性指标，
Figure SMS_13
为第j-1次迭 代下的第a个聚类簇对应的可能性指标，
Figure SMS_14
为第j次迭代下的第a个聚类簇中像素点的数 量，
Figure SMS_15
为第j-1次迭代下的第a个聚类簇中像素点的数量。
优选的，对于任意一次迭代，根据如下公式得到该次迭代下的特征指标：
Figure SMS_16
其中，
Figure SMS_17
为第j次迭代下的特征指标，
Figure SMS_18
为第j次迭代下的变化量差异指标，
Figure SMS_19
为 第j次迭代下的变化量指标，
Figure SMS_20
为第j次迭代对应的K值，
Figure SMS_21
为第j次迭代下的第a个聚类簇 对应的可能性指标。
优选的，根据所述特征指标，得到待检测焊缝目标图像上的目标焊缝边缘区域的方法，包括：
计算各次迭代对应的特征指标与对应前一次迭代对应的特征指标之间的差值，记为各次迭代对应的特征差值，将首次出现小于预设阈值的特征差值对应的迭代记为目标迭代；若没有出现小于预设阈值的特征差值，则将最后一次迭代记为目标迭代；
根据目标迭代下的各聚类簇对应的可能性指标和各聚类簇中的各像素点到待检 测焊缝目标图像的水平中心线的平均距离，构建正态分布模型；将所述正态分布模型上平 均距离在
Figure SMS_22
范围内的聚类簇对应的区域记为目标焊缝边缘区域，
Figure SMS_23
为正态分布 模型的标准差。
优选的，根据各特征聚类簇中的像素点数量，得到焊缝缺陷区域的方法，包括：
将像素点数量最少的特征聚类簇对应区域记为焊缝缺陷区域。
本发明首先获取待检测焊缝目标图像，并对K-means聚类算法的K值进行迭代，得到各次迭代对应的K值；根据各次迭代对应的K值对待检测焊缝目标图像进行聚类，得到各次迭代下的各聚类簇对应的可能性指标、各次迭代下的变化量指标和各次迭代下的变化量差异指标；根据各次迭代下的各聚类簇对应的可能性指标、各次迭代下的变化量指标和各次迭代下的变化量差异指标，得到各次迭代对应的特征指标；根据所述特征指标，得到待检测焊缝目标图像上的目标焊缝边缘区域；将所述目标焊缝边缘区域去除，对去除后的待检测焊缝目标图像进行聚类，得到各特征聚类簇；根据各特征聚类簇中的像素点数量，得到焊缝缺陷区域。本发明能够提高对焊缝缺陷区域的识别精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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它附图。
图1为本发明一种机电设备焊接缺陷识别方法的流程图；
图2为本发明的灰度图像示意图；
图3为本发明的聚类图像示意图。
具体实施方式
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、完整的描述，显然，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，基于本发明实施例，本领域普通技术人员所获得的所有其它实施例，都属于本发明实施例保护的范围。
除非另有定义，本文所使用的所有的技术和科学技术术语与属于本发明的技术人员通常理解的含义相同。
本实施例提供了一种机电设备焊接缺陷识别方法，详细说明如下：
如图1所示，该一种机电设备焊接缺陷识别方法，包括以下步骤：
步骤S001，获取待检测焊缝目标图像。
由于焊缝边缘区域中可能存在与焊缝缺陷区域灰度值较为接近的像素点，因此基于现有的阈值分割或者聚类算法可能导致对焊缝图像进行划分后不能得到较为准确的焊缝缺陷区域，即对焊缝缺陷进行识别的精度较低，因此接下来本实施例本实施例将基于焊缝边缘区域灰度值渐变的特征以及待检测焊缝目标图像的区域特征实现对焊缝缺陷的准确识别，即本实施例能够较可靠且准确的实现对焊缝缺陷的识别提取。
首先在机电设备的生产过程中进行焊接之后，将焊接部位通过焊缝射线检测设备进行射线成像，获取焊缝射线检测图像，然后对其进行灰度化处理，得到对应的灰度图像，所述灰度图像如图2所示；然后利用赫尔莫特仿射变换函数对灰度图像进行校正，将灰度图像校正为焊缝为水平的图像，将校正后的图像记为待检测焊缝目标图像。
步骤S002，对K-means聚类算法的K值进行迭代，得到各次迭代对应的K值；根据各次迭代对应的K值对待检测焊缝目标图像进行聚类，得到各次迭代下的各聚类簇对应的可能性指标、各次迭代下的变化量指标和各次迭代下的变化量差异指标；根据各次迭代下的各聚类簇对应的可能性指标、各次迭代下的变化量指标和各次迭代下的变化量差异指标，得到各次迭代对应的特征指标。
本实施例接下来将对K-means聚类算法的K值进行迭代，并基于各次迭代得到的K值对待检测焊缝目标图像进行聚类，基于聚类的结果得到各次迭代对应的特征指标，后续将基于各次迭代对应的特征指标来确定焊缝边缘区域，并且本实施例中K-means聚类算法是依据像素点灰度值进行聚类，即将灰度相似的像素点聚为一类；具体为：
本实施例首先获取K-means聚类算法对应的预设的初始K值，将预设的初始K值记 为第1次迭代对应的K值，具体应用中可以根据实际情况设置初始K值，但是要求初始K值的 值要设置的较小，本实施例可以将初始K值设置为1；然后基于初始K值进行第2次迭代，得到 第1次迭代对应的K值；根据第2次迭代对应的K值，得到第3次迭代对应的K值，以此类推得到 各次迭代对应的K值；并且为了避免迭代无限进行设置最大迭代次数为
Figure SMS_24
，具体应用中可以 根据实际情况设置最大迭代次数，本实施例设置
Figure SMS_25
为30；并且相邻两次迭代得到的K值差异 为1，即当初始K值为2时，第1次迭代对应的K值则为3，第2次迭代对应的K值则为4；所述K值 为基于K-means聚类算法进行聚类的类别数。
并且随着K值的不断增肌待检测焊缝目标图像中的焊缝边缘区域的簇类也在不断增加，当K值越来越大时出现了焊缝区域与焊缝边缘的部分像素点被分为一个簇类的情况，这个时候也可以理解为K-means聚类将焊缝区域进行了划分；接下来为了分析对比不同K值对应分割区域对焊缝边缘的识别效果，首先需要分析不同簇类属于焊缝边缘区域的可能性，具体计算如下：
由于一个待检测焊缝目标图像上必定会有一个焊缝中心区域，背景区域（也就是进行焊接的两个区域）和焊缝边缘区域。此时因为焊缝边缘区域分布在中心区域与背景区域中间，可以根据不同簇类的位置关系进行焊缝边缘区域的识别。即可以通过计算一个簇类中所有像素点的距水平中心线的平均距离，用以比较每一个簇类的相对位置。
对于任意一次迭代对应的K值：获取该次迭代对应的K值对待检测焊缝目标图像进行聚类，得到该次迭代下的各聚类簇；然后计算得到每个聚类簇中的各像素点到待检测焊缝目标图像的水平中心线的平均距离；并且平均距离越小越，表明越靠近中间，就越有可能是焊缝边缘区域，平均越大属于焊缝边缘区域的可能性就越小，这样就可以通过标准正态分布对所有的簇类进行可能性计算；根据每个聚类簇中的各像素点到待检测焊缝目标图像的水平中心线的平均距离，得到该次迭代下的各聚类簇对应的可能性指标，所述可能性指标能反映聚类簇属于焊缝边缘区域的可能性大小；根据如下公式计算该次迭代下的各聚类簇对应的可能性指标：
Figure SMS_26
Figure SMS_27
其中，
Figure SMS_28
为该次迭代下的第i个聚类簇对应的可能性指标，
Figure SMS_29
为该次迭代下的第i个 聚类簇中的各像素点到待检测焊缝目标图像的水平中心线的平均距离的归一化值（也就是 在正态分布中用于计算可能性数值的横坐标），
Figure SMS_30
为该次迭代下的所有聚类簇中的各像素点 到待检测焊缝目标图像的水平中心线的平均距离的标准差，
Figure SMS_31
为该次迭代下的第i个聚类 簇中的各像素点到待检测焊缝目标图像的水平中心线的平均距离，e为自然常数，
Figure SMS_32
为该次 迭代下的所有聚类簇中的各像素点到待检测焊缝目标图像的水平中心线的平均距离的均 值。
上式通过聚类簇中像素点到水平中心线的距离得到了聚类簇中的各像素点到待 检测焊缝目标图像的水平中心线的平均距离，其中每一个平均距离都代表着对应聚类簇中 所有像素点到水平中心线的平均竖直距离。在焊缝图像中渐变区域的簇类更可能是处于焊 缝图像较为中间的位置，所以在这里对于可能性的量化是通过将平均距离进行
Figure SMS_33
标 准化，之后通过标准正态分布获取数值上的表征。
然后根据该次迭代下的各聚类簇对应的可能性指标，通过正态分布的
Figure SMS_34
原则，若 该次迭代下的第i个聚类簇中的各像素点到待检测焊缝目标图像的水平中心线的平均距离
Figure SMS_35
满足
Figure SMS_36
，则将第i个聚类簇对应的区域记为焊缝边缘区域。
在获取到每个聚类簇的距离数值之后，则可以根据焊缝中各个区域排列顺序从内 至外分别为：焊缝区域，焊缝边缘，背景区域。那么当
Figure SMS_37
时，如果
Figure SMS_41
，其中，
Figure SMS_44
、
Figure SMS_38
和
Figure SMS_40
分别为各聚类簇中像素点到水平中心线的距离得到了聚类簇中的各像素点到待检 测焊缝目标图像的水平中心线的平均距离，则说明
Figure SMS_43
对应的聚类簇区域为焊缝边缘。因为 焊缝边缘区域的灰度渐变性质，当
Figure SMS_45
值变大时，会出现焊缝边缘区域越来越多的情况。而焊 缝区域与背景区域因为灰度值均衡，所以在一定的
Figure SMS_39
值范围内，都会是只有一个背景区域与 一个焊缝区域，也就是各聚类簇中像素点到水平中心线的距离得到了聚类簇中的各像素点 到待检测焊缝目标图像的水平中心线的平均距离构件的平均距离序列中，去掉最大值与最 小值，在
Figure SMS_42
时，将剩下的一个聚类簇认为是迭代初始的焊缝边缘区域。
至此，通过上述过程得到了各次迭代下的各聚类簇对应的可能性指标以及各次迭代下的焊缝边缘区域。
在整个迭代过程中每一次
Figure SMS_46
值变化带来的聚类簇数量变化的同时，聚类簇中的像 素点数量也同时会发生变化。在焊缝边缘区域的像素点数量增加的同时就会有背景区域与 焊缝区域像素点数量的减少。但是每一次的像素点变化量是不同的。这里需要通过数量的 变化得到各次迭代对应的特征指标。如果有一次迭代过程数量变化差异很大就说明这一次 迭代将大部分原来的背景区域与焊缝区域分割为焊缝边缘区域。出现这个情况的时候则说 明迭代过程出现了过度分割的情况。进行变化数量的数值衡量时因为更关注于焊缝边缘区 域，所以将背景区域与焊缝区域进行相同的衡量，因此本实施例根据各次迭代下的各聚类 簇中像素点的数量和各次迭代下的各聚类簇对应的可能性指标，得到各次迭代下的变化量 指标；对于任意一次迭代，根据如下公式得到该次迭代下的变化量指标：
Figure SMS_47
其中，
Figure SMS_48
为第j次迭代下的变化量指标，
Figure SMS_49
为第j次迭代对应的K值，
Figure SMS_50
为第j-1次 迭代对应的K值，
Figure SMS_51
为第j次迭代下的第a个聚类簇对应的可能性指标，
Figure SMS_52
为第j-1次迭代 下的第a个聚类簇对应的可能性指标，
Figure SMS_53
为第j次迭代下的第a个聚类簇中像素点的数量，
Figure SMS_54
为第j-1次迭代下的第a个聚类簇中像素点的数量。
上式中
Figure SMS_55
也为第
Figure SMS_56
次迭代中焊缝边缘区域中像素点数量较第
Figure SMS_57
次迭代的变化情 况；因为对于簇类属于什么区域在迭代过程中是无法确定的，可以确定的信息就是，每个簇 类属于焊缝边缘区域的可能性，在焊缝图像中一个簇类不是焊缝边缘区域，那就一定是背 景区域或焊缝区域。那么对于焊缝边缘区域的像素点数量可以使用每个簇类属于背景区域 与焊缝区域的可能性乘以这个簇类中像素点的数量。这样计算整个图像中所有的簇类则可 以表示在迭代过程中
Figure SMS_58
值发生变化时属于不同区域像素点的数量变化。
对于当前迭代过程中的聚类簇像素点进行变化数量的变化差异的衡量可以作为 迭代过程聚类簇像素点变化合理性的体现，在迭代过程中焊缝边缘区域像素点的数量出现 变化是正常情况，但是在变化数量的变化差异突然变大时迭代过程就出现了不正常的簇类 分割。通过变化数量的变化差异的衡量可以对目标函数进行变化数量的变化差异，则第
Figure SMS_59
次 迭代中与第
Figure SMS_60
次迭代过程中像素点变化数量的变化量；因此根据各次迭代下的变化量指 标，得到各次迭代下的变化量差异指标；对于任意一次迭代，根据如下公式得到该次迭代下 的变化量差异指标：
Figure SMS_61
Figure SMS_62
为第j次迭代下的变化量差异指标，
Figure SMS_63
为第j次迭代下的变化量指标，
Figure SMS_64
为第j- 1次迭代下的变化量指标；上式两次迭代过程中的焊缝边缘区域像素点的变化数量的差异 进行迭代过程中异常分割影响的衡量，在出现异常分割时，
Figure SMS_65
数值上升，表示分割效果不 好，目标函数也随之上升。
接下来根据根据各次迭代下的各聚类簇对应的可能性指标、各次迭代下的变化量指标和各次迭代下的变化量差异指标，得到各次迭代对应的特征指标；对于任意一次迭代，根据如下公式得到该次迭代下的特征指标：
Figure SMS_66
其中，
Figure SMS_67
为第j次迭代下的特征指标，
Figure SMS_68
为第j次迭代下的变化量差异指标，
Figure SMS_69
为 第j次迭代下的变化量指标，
Figure SMS_70
为第j次迭代对应的K值，
Figure SMS_71
为第j次迭代下的第a个聚类簇 对应的可能性指标。
例如当
Figure SMS_72
到
Figure SMS_73
时，会出现新的焊缝边缘区域的簇类，这个过程就是焊缝边 缘区域的像素点数量出现了变化，再无异常分割。接下来就是根据一个聚类簇是焊缝边缘 区域的可能性结合聚类簇中像素点数量与背景区域像素点数量及焊缝区域像素点数量的 变化衡量。如果在迭代过程中焊缝边缘区域的像素点数量在增加的同时背景区域与焊缝区 域的像素点数量变化情况稳定，这个像素点数量增加速率在正常的情况下应该是逐步下降 的，因为边缘区域一定是有限的，当第一次出现焊缝边缘区域这一簇类时，可以将这个像素 点数量视为焊缝边缘区域的像素点数量的基数。如果当这个迭代过程中数量的变化量过大 时，就是因为灰度值划分的原因将背景区域与焊缝区域的大部分像素点划分为了焊缝边缘 区域，这种迭代下的特征指标会增大；如图3所示，此时就是大部分的背景区域与焊缝区域 被划分为了焊缝边缘区域，图3中背景区域中被分为了两个簇类，焊缝区域有一部分像素点 与焊缝边缘连到了一起形成一个簇类，这种情况下特征指标就会出现对应数值上升的情 况。
至此，得到了各次迭代对应的特征指标。并且上述通过完整的聚类迭代过程获取焊缝检测图像中完整的焊缝边缘区域，能够带来的好处：通过完整的迭代过程根据目标函数的变化情况可以根据变化情况获取满足焊缝边缘区域确定条件的区域，根据目标函数还可以掌握边缘区域的获取情况，最后当目标函数到达停止标准即结束迭代，完整的过程中可以根据不同聚类划分情况获取到所有不包含异常信息的焊缝边缘区域，所用先验知识为：焊缝的检测图像包含背景、边缘与焊缝，并且都是从外至内按照这个顺序进行排列，所以在获取到焊缝边缘区域之后向外延伸即为背景区域，可以将其认定为可去除区域。
步骤S003，根据所述特征指标，得到待检测焊缝目标图像上的焊缝边缘区域；将所述焊缝边缘区域去除，对去除后的待检测焊缝目标图像进行聚类，得到各特征聚类簇；根据各特征聚类簇中的像素点数量，得到焊缝缺陷区域。
上述过程完成了K值的迭代，得到了各次迭代对应的特征指标；然后计算各次迭代对应的特征指标与对应前一次迭代对应的特征指标之间的差值，记为各次迭代对应的特征差值，将首次出现小于预设阈值的特征差值对应的迭代记为目标迭代，并将目标迭代下对应的焊缝边缘区域记为目标焊缝边缘区域；若没有出现小于预设阈值的特征差值，则将最后一次迭代记为目标迭代，并将目标迭代下对应的焊缝边缘区域记为目标焊缝边缘区域；具体应用中可以根据实际情况设置预设阈值，本实施例设置为0.003。
然后将待检测焊缝目标图像上的目标焊缝边缘区域去除，利用K-means聚类算法对去除后的待检测焊缝目标图像进行聚类，将得到各聚类簇记为特征聚类簇，此时K为3；将像素点数量最少的特征聚类簇对应区域记为焊缝缺陷区域。
本实施例首先获取待检测焊缝目标图像，并对K-means聚类算法的K值进行迭代，得到各次迭代对应的K值；根据各次迭代对应的K值对待检测焊缝目标图像进行聚类，得到各次迭代下的各聚类簇对应的可能性指标、各次迭代下的变化量指标和各次迭代下的变化量差异指标；根据各次迭代下的各聚类簇对应的可能性指标、各次迭代下的变化量指标和各次迭代下的变化量差异指标，得到各次迭代对应的特征指标；根据所述特征指标，得到待检测焊缝目标图像上的目标焊缝边缘区域；将所述目标焊缝边缘区域去除，对去除后的待检测焊缝目标图像进行聚类，得到各特征聚类簇；根据各特征聚类簇中的像素点数量，得到焊缝缺陷区域。本实施例能够提高对焊缝缺陷区域的识别精度。
本实施例的一种机电设备焊接缺陷识别系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述一种机电设备焊接缺陷识别方法。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (9)

1.一种机电设备焊接缺陷识别方法，其特征在于，该方法包括如下步骤：
获取待检测焊缝目标图像；
对K-means聚类算法的K值进行迭代，得到各次迭代对应的K值；
根据各次迭代对应的K值对待检测焊缝目标图像进行聚类，得到各次迭代下的各聚类簇对应的可能性指标、各次迭代下的变化量指标和各次迭代下的变化量差异指标；
根据各次迭代下的各聚类簇对应的可能性指标、各次迭代下的变化量指标和各次迭代下的变化量差异指标，得到各次迭代对应的特征指标；
根据所述特征指标，得到待检测焊缝目标图像上的目标焊缝边缘区域；
将所述目标焊缝边缘区域去除，对去除后的待检测焊缝目标图像进行聚类，得到各特征聚类簇；
根据各特征聚类簇中的像素点数量，得到焊缝缺陷区域。
2.如权利要求1所述的一种机电设备焊接缺陷识别方法，其特征在于，对K-means聚类算法的K值进行迭代，得到各次迭代对应的K值的方法，包括：
将预设的初始K值记为第1次迭代对应的K值；根据第1次迭代对应的K值，得到第2次迭代对应的K值，以此类推，当迭代次数等于最大迭代次数时，停止迭代，并得到各次迭代对应的K值；并且相邻两次迭代对应的K值差异值为1。
3.如权利要求1所述的一种机电设备焊接缺陷识别方法，其特征在于，根据各次迭代对应的K值对待检测焊缝目标图像进行聚类，得到各次迭代下的各聚类簇对应的可能性指标、各次迭代下的变化量指标和各次迭代下的变化量差异指标的方法，包括：
对于任意一次迭代：
获取该次迭代对应的K值对待检测焊缝目标图像进行聚类，得到该次迭代下的各聚类簇；
计算得到每个聚类簇中的各像素点到待检测焊缝目标图像的水平中心线的平均距离；
根据每个聚类簇中的各像素点到待检测焊缝目标图像的水平中心线的平均距离，得到该次迭代下的各聚类簇对应的可能性指标；
根据该次迭代下的各聚类簇中像素点的数量和该次迭代下的各聚类簇对应的可能性指标，得到该次迭代下的变化量指标；
根据该次迭代下的变化量指标以及该次迭代对应的前一次迭代下的变化量指标之间的差值，得到该次迭代下的变化量差异指标。
4.如权利要求3所述的一种机电设备焊接缺陷识别方法，其特征在于，根据如下公式计算该次迭代下的各聚类簇对应的可能性指标：
Figure QLYQS_1
其中，
Figure QLYQS_2
为该次迭代下的第i个聚类簇对应的可能性指标，/>
Figure QLYQS_3
为该次迭代下的第i个聚类簇中的各像素点到待检测焊缝目标图像的水平中心线的平均距离的归一化值，/>
Figure QLYQS_4
，
Figure QLYQS_5
为该次迭代下的所有聚类簇中的各像素点到待检测焊缝目标图像的水平中心线的平均距离的标准差，/>
Figure QLYQS_6
为该次迭代下的第i个聚类簇中的各像素点到待检测焊缝目标图像的水平中心线的平均距离，e为自然常数，/>
Figure QLYQS_7
为该次迭代下的所有聚类簇中的各像素点到待检测焊缝目标图像的水平中心线的平均距离的均值。
5.如权利要求3所述的一种机电设备焊接缺陷识别方法，其特征在于，根据如下公式得到该次迭代下的变化量指标：
Figure QLYQS_8
其中，
Figure QLYQS_9
为第j次迭代下的变化量指标，/>
Figure QLYQS_10
为第j次迭代对应的K值，/>
Figure QLYQS_11
为第j-1次迭代对应的K值，/>
Figure QLYQS_12
为第j次迭代下的第a个聚类簇对应的可能性指标，/>
Figure QLYQS_13
为第j-1次迭代下的第a个聚类簇对应的可能性指标，/>
Figure QLYQS_14
为第j次迭代下的第a个聚类簇中像素点的数量，/>
Figure QLYQS_15
为第j-1次迭代下的第a个聚类簇中像素点的数量。
6.如权利要求1所述的一种机电设备焊接缺陷识别方法，其特征在于，对于任意一次迭代，根据如下公式得到该次迭代下的特征指标：
Figure QLYQS_16
其中，
Figure QLYQS_17
为第j次迭代下的特征指标，/>
Figure QLYQS_18
为第j次迭代下的变化量差异指标，/>
Figure QLYQS_19
为第j次迭代下的变化量指标，/>
Figure QLYQS_20
为第j次迭代对应的K值，/>
Figure QLYQS_21
为第j次迭代下的第a个聚类簇对应的可能性指标。
7.如权利要求3所述的一种机电设备焊接缺陷识别方法，其特征在于，根据所述特征指标，得到待检测焊缝目标图像上的目标焊缝边缘区域的方法，包括：
计算各次迭代对应的特征指标与对应前一次迭代对应的特征指标之间的差值，记为各次迭代对应的特征差值，将首次出现小于预设阈值的特征差值对应的迭代记为目标迭代；若没有出现小于预设阈值的特征差值，则将最后一次迭代记为目标迭代；
根据目标迭代下的各聚类簇对应的可能性指标和各聚类簇中的各像素点到待检测焊缝目标图像的水平中心线的平均距离，构建正态分布模型；将所述正态分布模型上平均距离在
Figure QLYQS_22
范围内的聚类簇对应的区域记为目标焊缝边缘区域，/>
Figure QLYQS_23
为正态分布模型的标准差。
8.如权利要求1所述的一种机电设备焊接缺陷识别方法，其特征在于，根据各特征聚类簇中的像素点数量，得到焊缝缺陷区域的方法，包括：
将像素点数量最少的特征聚类簇对应区域记为焊缝缺陷区域。
9.一种机电设备焊接缺陷识别系统，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如权利要求1-8任一项所述的一种机电设备焊接缺陷识别方法。
CN202310518597.8A 2023-05-10 2023-05-10 一种机电设备焊接缺陷识别方法及系统 Active CN116228776B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310518597.8A CN116228776B (zh) 2023-05-10 2023-05-10 一种机电设备焊接缺陷识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310518597.8A CN116228776B (zh) 2023-05-10 2023-05-10 一种机电设备焊接缺陷识别方法及系统

Publications (2)

Publication Number Publication Date
CN116228776A true CN116228776A (zh) 2023-06-06
CN116228776B CN116228776B (zh) 2023-07-21

Family

ID=86570059

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310518597.8A Active CN116228776B (zh) 2023-05-10 2023-05-10 一种机电设备焊接缺陷识别方法及系统

Country Status (1)

Country Link
CN (1) CN116228776B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116705180A (zh) * 2023-08-08 2023-09-05 山东北国发展集团有限公司 基于多维数据分析的n2o催化分解监测方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106203521A (zh) * 2016-07-15 2016-12-07 西安电子科技大学 基于差异图自步学习的sar图像变化检测方法
CN106408571A (zh) * 2016-09-20 2017-02-15 辽宁工程技术大学 一种基于最优模糊因子选择的可变类遥感图像分割方法
CN108008006A (zh) * 2017-12-07 2018-05-08 广东工业大学 一种焊缝缺陷检测方法、装置、设备及系统
WO2019103772A1 (en) * 2017-11-22 2019-05-31 Siemens Aktiengesellschaft Detection and root cause analysis of welding defects
DE102019005331A1 (de) * 2019-07-29 2021-02-04 Daimler Ag Verfahren zum Prüfen einer Schweißnaht
CN113192045A (zh) * 2021-05-13 2021-07-30 西安数合信息科技有限公司 一种焊缝图像的缺陷尺寸分析方法
CN113658132A (zh) * 2021-08-16 2021-11-16 沭阳九鼎钢铁有限公司 基于计算机视觉的结构件焊缝检测方法
CN115311484A (zh) * 2022-10-12 2022-11-08 南通虎神金属制品有限公司 一种焊缝数据的优化聚类分割方法
CN115345894A (zh) * 2022-10-17 2022-11-15 南通通力油泵有限公司 一种焊缝射线检测图像分割方法
CN115511889A (zh) * 2022-11-23 2022-12-23 江苏惠汕新能源集团有限公司 一种太阳能电池板支架表面焊接缺陷检测方法
CN115601362A (zh) * 2022-12-14 2023-01-13 临沂农业科技职业学院（筹）（Cn） 一种基于图像处理的焊接质量评估方法
CN116030034A (zh) * 2023-02-21 2023-04-28 青岛精锐机械制造有限公司 阀门表面缺陷的视觉识别方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106203521A (zh) * 2016-07-15 2016-12-07 西安电子科技大学 基于差异图自步学习的sar图像变化检测方法
CN106408571A (zh) * 2016-09-20 2017-02-15 辽宁工程技术大学 一种基于最优模糊因子选择的可变类遥感图像分割方法
WO2019103772A1 (en) * 2017-11-22 2019-05-31 Siemens Aktiengesellschaft Detection and root cause analysis of welding defects
CN108008006A (zh) * 2017-12-07 2018-05-08 广东工业大学 一种焊缝缺陷检测方法、装置、设备及系统
DE102019005331A1 (de) * 2019-07-29 2021-02-04 Daimler Ag Verfahren zum Prüfen einer Schweißnaht
CN113192045A (zh) * 2021-05-13 2021-07-30 西安数合信息科技有限公司 一种焊缝图像的缺陷尺寸分析方法
CN113658132A (zh) * 2021-08-16 2021-11-16 沭阳九鼎钢铁有限公司 基于计算机视觉的结构件焊缝检测方法
CN115311484A (zh) * 2022-10-12 2022-11-08 南通虎神金属制品有限公司 一种焊缝数据的优化聚类分割方法
CN115345894A (zh) * 2022-10-17 2022-11-15 南通通力油泵有限公司 一种焊缝射线检测图像分割方法
CN115511889A (zh) * 2022-11-23 2022-12-23 江苏惠汕新能源集团有限公司 一种太阳能电池板支架表面焊接缺陷检测方法
CN115601362A (zh) * 2022-12-14 2023-01-13 临沂农业科技职业学院（筹）（Cn） 一种基于图像处理的焊接质量评估方法
CN116030034A (zh) * 2023-02-21 2023-04-28 青岛精锐机械制造有限公司 阀门表面缺陷的视觉识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CUI CHAO; HE SHENGZONG; ZHAO YUN; WANG HAOLIN; CAI ZIWEN; HE LIANG: "An algorithm based on K-means for calculating void ratio of solder joint from X-ray image", IEEE, pages 1 - 4 *
李晔, 吴志生, 李砚峰, 朱彦军: "基于X 射线图像的焊接接头缺陷提取和识别方法综述", 热加工工艺, pages 6 - 10 *
陈滔: "基于改进粒子群优化的K-means 聚类的焊接缺陷图像识别", 遵义师范学院学报, pages 85 - 88 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116705180A (zh) * 2023-08-08 2023-09-05 山东北国发展集团有限公司 基于多维数据分析的n2o催化分解监测方法及系统
CN116705180B (zh) * 2023-08-08 2023-10-31 山东北国发展集团有限公司 基于多维数据分析的n2o催化分解监测方法及系统

Also Published As

Publication number Publication date
CN116228776B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
US11961227B2 (en) Method and device for detecting and locating lesion in medical image, equipment and storage medium
CN110648322B (zh) 一种子宫颈异常细胞检测方法及系统
CN109118473B (zh) 基于神经网络的角点检测方法、存储介质与图像处理系统
CN110399927B (zh) 识别模型训练方法、目标识别方法及装置
CN110276763B (zh) 一种基于可信度和深度学习的视网膜血管分割图生成方法
CN116228776B (zh) 一种机电设备焊接缺陷识别方法及系统
CN110349199B (zh) 一种物体圆度测量方法
CN112819821B (zh) 一种细胞核图像检测方法
CN113763340A (zh) 基于多任务深度学习强直性脊柱炎的自动分级方法
US11132790B2 (en) Wafer map identification method and computer-readable recording medium
CN114359288A (zh) 基于人工智能的医学影像脑动脉瘤检测和定位方法
CN115409879A (zh) 图像配准的数据处理方法及装置、存储介质、电子设备
US20220292317A1 (en) Defect classification apparatus, method and program
KR101782364B1 (ko) 케이평균군집화를 통한 학습기반의 비전검사 방법
CN114972194A (zh) 一种从不一致标签中检测缺陷的方法
CN112396580B (zh) 一种圆形零件缺陷检测方法
JP5298552B2 (ja) 判別装置、判別方法及びプログラム
CN113128518A (zh) 基于孪生卷积网络和特征混合的sift误匹配检测方法
CN105809657A (zh) 一种角点检测方法和装置
US11645827B2 (en) Detection method and device for assembly body multi-view change based on feature matching
CN114445419A (zh) 一种基于支气管拓扑结构的肺段分割方法、装置及系统
CN116109543A (zh) 一种数据快速识别读取方法及装置、计算机可读存储介质
CN112862804B (zh) 一种眼底视网膜血管图像处理系统及方法
CN111368792A (zh) 特征点标注模型训练方法、装置、电子设备及存储介质
CN117523324B (zh) 图像处理方法和图像样本分类方法、装置和存储介质

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
GR01 Patent grant
GR01 Patent grant