CN116309579B - 一种用图像处理的变压器焊缝质量检测方法 - Google Patents
一种用图像处理的变压器焊缝质量检测方法 Download PDFInfo
- Publication number
- CN116309579B CN116309579B CN202310566701.0A CN202310566701A CN116309579B CN 116309579 B CN116309579 B CN 116309579B CN 202310566701 A CN202310566701 A CN 202310566701A CN 116309579 B CN116309579 B CN 116309579B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- acquiring
- gray
- value
- image
- 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.)
- Active
Links
- 238000003466 welding Methods 0.000 title claims abstract description 49
- 238000012545 processing Methods 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 title abstract description 21
- 238000001914 filtration Methods 0.000 claims abstract description 74
- 238000000034 method Methods 0.000 claims abstract description 58
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 12
- 238000013139 quantization Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 9
- 238000004458 analytical method Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
-
- 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
- G06T2207/30168—Image quality inspection
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域，具体涉及一种用图像处理的变压器焊缝质量检测方法。该方法获取变压器焊缝区域的标准灰度图像；根据像素点滤波前后的灰度变化值，获取局部区域；根据目标局部区域内与目标像素点的灰度值相同的像素点的邻域像素点类别，获取边缘点概率；根据目标局部区域内与目标像素点滤波后的灰度值相同的像素点的预设邻域内的灰度值均值，获取噪声概率；根据灰度变化值、边缘点概率和噪声概率获取不可信度；根据不可信度获取最优滤波窗口，进而对标准灰度图像进行去噪，获取去噪图像；对去噪图像进行质量检测。本发明通过不可信度自适应调整对应的滤波窗口，使得去噪效果更好，变压器焊缝区域的质量检测更准确。
Description
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种用图像处理的变压器焊缝质量检测方法。
背景技术
随着科技的发展，电力的使用已经成为日常生活中不可或缺的一部分，在电力的正常使用过程中，电力设备的质量安全是重中之重，尤其是电力设备中变压器的质量更是和电力正常运转息息相关。当变压器在焊接时，因为电弧的高度或者焊条的水含量等问题，会导致变压器焊缝区域内出现气泡，使得变压器焊缝区域的密封性能不好，进而影响变压器的绝缘性能，增加变压器的故障率。此外，气泡还可能导致腐蚀、漏油等问题，从而影响变压器的使用寿命。
为了准确探测到变压器焊缝区域内的气泡，在变压器出厂前利用X光探伤机获取变压器焊缝区域的X光图像，因为X光的自身因素充斥着较多的噪声，导致X光图像中存在噪声点，影响对对变压器焊缝区域内的气泡检测，为了更好的对变压器焊缝质量进行进行，需要对X光图像进行去噪。现有方法中将最小窗口中的每个像素点与中心像素点之间的灰度值进行比较，获取出较暗的像素点和较亮的像素点进行滤波，并不能准确的对每个像素点进行去噪，同时，当气泡过小时，容易被当作噪点进行去除，导致气泡检测不准确，进而使得变压器焊缝质量检测不准确。
发明内容
为了解决去噪不准确，导致变压器焊缝质量检测不准确的技术问题，本发明的目的在于提供一种用图像处理的变压器焊缝质量检测方法，所采用的技术方案具体如下：
本发明实施例中提供了一种用图像处理的变压器焊缝质量检测方法，该方法包括以下：
获取变压器焊缝区域X光图像的标准灰度图像；
将标准灰度图像中每个像素点的灰度值作为第一灰度值，将标准灰度图像中每个像素点滤波后的灰度值作为第二灰度值，获取所述第一灰度值与所述第二灰度值的差异作为灰度变化值，根据所述灰度变化值获取每个像素点的局部区域；
选取目标像素点的所述局部区域作为目标局部区域，获取目标局部区域内与目标像素点的所述第一灰度值相同的像素点作为第一参考点，根据所述第一灰度值获取所有所述第一参考点预设邻域内邻域像素点类别，根据所述邻域像素点类别的分布获取邻域熵；根据所述第一参考点的数量与所述邻域像素点类别的数量获取参考指标，根据所述邻域熵与所述参考指标获取目标像素点的边缘点概率；
获取目标局部区域内与目标像素点的所述第二灰度值相同的像素点作为第二参考点，获取每个所述第二参考点预设邻域内的所述第二灰度值的均值作为邻域均值，根据所述邻域均值和目标像素点的所述第二灰度值获取目标像素点的噪声概率；
根据所述灰度变化值、所述边缘点概率和所述噪声概率获取目标像素点的不可信度；获取每个像素点的不可信度；
根据不可信度获取最优滤波窗口，根据最优滤波窗口对标准灰度图像进行去噪，获取去噪图像；对去噪图像进行质量检测。
进一步地，所述根据所述灰度变化值获取每个像素点的局部区域的方法，包括：
将所述灰度变化值进行负相关映射且归一化的结果作为第一结果；
将第一预设常数与所述第一结果的相加结果作为分母，设定距离限定常数作为分子，将所述分子与所述分母的比值作为第一比值；
将所述第一比值与第二预设常数的相加结果作为量化长度；
以每个像素点为中心，对应像素点的所述量化长度为半径，获取对应像素点的圆形区域作为局部区域。
进一步地，所述参考指标的获取方法，包括：
获取所述第一参考点的数量作为第一数量；
获取所述邻域像素点类别的数量作为类别数量；
将所述类别数量与所述第一数量的比值作为参考指标。
进一步地，所述边缘点概率的获取方法，包括：
将所述邻域熵与所述参考指标的倒数的乘积进行负相关且归一化的结果，作为边缘点概率。
进一步地，所述噪声概率的获取方法，包括：
获取每个像素点局部区域内所述邻域均值的方差作为对应像素点的灰度混乱度；
将每个像素点的所述第二灰度值与所述邻域均值之间的差异均值进行归一化的结果作为对应像素点的灰度波动指标；
将所述灰度混乱度与所述灰度波动指标的乘积做为噪声概率。
进一步地，所述不可信度的获取方法，包括：
将所述噪声概率与所述边缘点概率的相加和进行归一化的结果作为灰度异常值；
根据所述灰度变化值与所述灰度异常值获取不可信度，所述灰度变化值和所述灰度异常值均与所述不可信度为正相关的关系。
进一步地，所述根据不可信度获取最优滤波窗口的方法，包括：
设置不可信度阈值；
当不可信度小于不可信度阈值时，将最小滤波窗口作为最优滤波窗口；
当不可信度大于或等于不可信度阈值时，将最小滤波窗口的边长增加预设步长，获得调整滤波窗口，直至调整滤波窗口的不可信度小于不可信度阈值，将对应的调整滤波窗口作为最优滤波窗口。
进一步地，所述获取变压器焊缝区域X光图像的标准灰度图像的方法，包括：
获取X光图像中每个像素点的灰度值作为初始灰度值；
将所述初始灰度值进行归一化的结果作为灰度权重；
将所述灰度权重与常规最大灰度值区间长度的乘积进行四舍五入的结果，作为对应像素点的第一灰度值；
将第一灰度值对应的图像作为标准灰度图像。
本发明具有如下有益效果：
获取变压器焊缝区域的标准灰度图像，便于统一对X光图像进行分析；根据像素点滤波前后的灰度变化值获取每个像素点的局部区域，便于准确对每个像素点的滤波结果进行分析；获取目标局部区域内与目标像素点滤波前的灰度值相同的像素点作为第一参考点，根据第一参考点的邻域像素点类别的分布获取邻域熵，确定第一参考点预设邻域内灰度值的变化情况，预判目标像素点是否为边缘像素点，为了更准确的判断目标像素点是否为边缘像素点，进而根据第一参考点的数量与邻域像素点类别的数量获取参考指标，更大程度的区分背景像素点与边缘像素点；根据邻域熵与参考指标获取目标像素点的边缘点概率，准确的判断目标像素点滤波前是否为气泡的边缘像素点；获取目标局部区域内与目标像素点滤波后的灰度值相同的像素点作为第二参考点，根据每个第二参考点预设邻域内的灰度值均值获取目标像素点的噪声概率，确定滤波后的目标像素点是否为噪声点；根据灰度变化值、边缘点概率和噪声概率获取不可信度，确定对应像素点的滤波结果是否符合实际情况，进而对滤波窗口进行调整，自适应获取最优滤波窗口，使得对应像素点滤波后的灰度值更准确，去噪后的标准灰度图像即去噪图像的去噪效果更好，边缘信息保留的更准确，进而可以更准确的检测出去噪图像中的气泡，使得变压器焊缝质量检测更准确。
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为本发明一个实施例所提供的一种用图像处理的变压器焊缝质量检测方法的流程示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种用图像处理的变压器焊缝质量检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种用图像处理的变压器焊缝质量检测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种用图像处理的变压器焊缝质量检测方法的流程示意图，该方法包括以下步骤：
步骤S1：获取变压器焊缝区域X光图像的标准灰度图像。
具体的，在对变压器焊缝区域进行质量检测时，有的气泡在变压器焊缝区域的内部，因此，需要获取变压器焊缝区域的内部图像信息，而常规的图像获取方法无法获得变压器焊缝区域内部的图像，所以本发明实施例通过X光探伤机对变压器焊缝区域进行探伤，获取变压器焊缝区域内部的X光图像。其中，X光图像本身就为灰度图像，但是因为X光探伤机的规格和参数不同，导致获取的X光图像中像素点的灰度值分布区间不同，为了方便对X光图像的分析，统一对获取的X光图像进行归一灰度化处理，获得归一灰度化的X光图像的标准灰度图像。
优选地，获取标准灰度图像的方法为：获取X光图像中每个像素点的灰度值作为初始灰度值；将初始灰度值进行归一化的结果作为灰度权重；将灰度权重与常规最大灰度值区间长度的乘积进行四舍五入的结果，作为对应像素点的第一灰度值；将第一灰度值对应的图像作为标准灰度图像。
作为一个示例，以X光图像中第k个像素点为例，获取X光图像中第k个像素点的初始灰度值，将第k个像素点的初始灰度值与X光图像中最大初始灰度值的比值作为第k个像素点的灰度权重，即通过X光图像中最大初始灰度值对X光图像中第k个像素点的初始灰度值进行归一化处理，在本发明另一个实施例中可以使用函数转化、最大最小规范化、Sigmoid函数等归一化的方法对X光图像中第k个像素点的初始灰度值进行归一化处理，在此不做限定。常规灰度值的范围为0-255，因此常规最大灰度值区间长度为256，将第k个像素点的灰度权重与常规最大灰度值区间长度256的乘积进行四舍五入的结果即为第k个像素点的第一灰度值，若第k个像素点的灰度权重与256的乘积进行四舍五入的结果大于255，则强制第k个像素点的第一灰度值为255。因此，获取第k个像素点的第一灰度值的公式为：
式子，为第k个像素点的第一灰度值；为第k个像素点的初始灰度值；
为X光图像中最大初始灰度值；256为常规最大灰度值区间长度；MAX为取最大值函数；为
向下取整符号。
需要说明的是，灰度权重越大，越大，越大；因此，X光图像中的初始灰
度值越大，映射在常规灰度图像中对应像素点的灰度值越大。第k个像素点的灰度权重与常
规最大灰度值区间长度256的乘积加上0.5的目的是为了在向下取整时，保证对第k个像素
点的灰度权重与常规最大灰度值区间长度256的乘积达到四舍五入的效果。
根据获取第k个像素点的第一灰度值的方法，获取X光图像中每个像素点的第一灰度值。
将第一灰度值对应的X光图像即归一灰度化的X光图像作为标准灰度图像。
本发明实施例针对的具体场景为：通过X光图像对变压器焊缝区域进行气泡检测，
因为X光的自身因素，导致标准灰度图像中充斥着较多的噪声点，进而对标准灰度图像中不
明显的气泡边缘有着较为严重的影响，现有的中值滤波算法对标准灰度图像进行去噪时，
存在将气泡的边缘像素点当作噪声点进行滤波处理的情况，或者通过中值滤波算法将原本
正常的像素点经过滤波后变为噪声点的情况，从而使得标准灰度图像去噪效果不太明显，
并且不能较好的保留气泡的完整性。因此，本发明实施例在最小滤波窗口的基础上，
根据滤波前后像素点的灰度值分布特征，获取像素点的滤波不可信度，进而根据不可信度
自适应滤波窗口大小，提高像素点的去噪效果，使得气泡的边缘像素点更明显，进而对标准
灰度图像中的气泡检测更准确，对变压器焊缝质量的检测更准确。其中，中值滤波算法为现
有技术，在此不再赘述。
步骤S2：将标准灰度图像中每个像素点的灰度值作为第一灰度值，将每个像素点滤波后的灰度值作为第二灰度值，获取第一灰度值与第二灰度值的差异作为灰度变化值，根据灰度变化值获取每个像素点的局部区域。
具体的，为了确定标准灰度图像中每个像素点滤波结果的准确性，需要利用每个
像素点周围的像素点进行辅助，更准确的分析对应像素点的滤波结果是否符合实际情况，
但是，每个像素点周围辅助像素点的选取一定要合理。若辅助像素点选取过多时，会导致像
素点本身的特征受到干扰，如较远的辅助像素点与像素点的特征有很大区别时，辅助像素
点反而使得对应像素点的滤波分析结果更不准确，同时，增大了整体的计算量；若辅助像素
点选取过少时，会导致像素点本身的特征不能完全体现出来，进而导致对像素点的滤波分
析结果不准确。本发明实施例为了更好的确定辅助像素点，根据每个像素点滤波前后灰度
值的变化情况，自适应获取每个像素点的辅助像素点即每个像素点对应的局部区域。其中，
本发明实施例使用中值滤波算法对标准灰度图像进行中值滤波处理，滤波窗口越大，标准
灰度图像的细节丢失越多，且整体计算量越大，因此，本发明实施例基于最小滤波窗口对标准灰度图像中每个像素点进行滤波处理，获得每个像素点滤波后的灰度值即第
二灰度值，进而根据标准灰度图像中每个像素点的灰度值即第一灰度值与第二灰度值获取
对应像素点的局部区域的方法如下：
作为一个示例，在标准灰度图像中任选一个像素点作为目标像素点，获取目标像素点的局部区域即目标局部区域的方法如下：
（1）获取第二灰度值。
以标准灰度图像中的目标像素点为中心像素点，获取目标像素点的最小滤波窗口中9个像素点的灰度值即第一灰度值，将9个像素点的第一灰度值按照从小到大的顺
序进行排序，获得窗口灰度值序列。将窗口灰度值序列中的第一个元素和最后一个元素去
除，获取剩余7个元素的中值作为目标像素点滤波后的灰度值即第二灰度值。其中，当目标
像素点在标准灰度图像的边界上时，目标像素点的最小滤波窗口超出标准灰度图像的区域
用0进行补充。
根据获取目标像素点的第二灰度值的方法，获取标准灰度图像中每个像素点的第二灰度值。
（2）获取局部区域。
为了确定第二灰度值是否准确，本发明实施例获取每个像素点的局部区域，根据局部区域内的像素点的灰度特征对对应像素点的第二灰度值进行分析，确定对应像素点的滤波结果。
优选地，获取局部区域的方法为：将灰度变化值进行负相关映射且归一化的结果作为第一结果；将第一预设常数与第一结果的相加结果作为分母，设定距离限定常数作为分子，将分子与分母的比值作为第一比值；将第一比值与第二预设常数的相加结果作为量化长度；以每个像素点为中心，对应像素点的量化长度为半径，获取对应像素点的圆形区域作为局部区域。
获取目标像素点的第一灰度值与第二灰度值的差值绝对值即目标像素点的灰度变化值，计算目标像素点的灰度变化值进行负相关映射且归一化的结果即为目标像素点的第一结果，本发明实施例中设定第一预设常数为1，设定距离限定常数为20，设定第二预设常数为1，实施者均可根据实际进行设定，在此不做限定。根据目标像素点的灰度变化值获取目标像素点的量化长度L的公式为：
式中，L为目标像素点的量化长度；G为目标像素点的第一灰度值；为目标像素点
的第二灰度值；c为距离限定常数，本发明实施例中设定为20；exp为以自然常数e为底数的
指数函数；为绝对值函数。
需要说明的是，灰度变化值越大，说明滤波前后像素点的灰度值差异越
大，目标像素点实际为气泡的边缘像素点在滤波时被误认为噪声点的可能性越大，或者目
标像素点为正常像素点滤波后为噪声点的可能性越大，越小，L越大；因此，
L越大，说明目标像素点越可能发生了误判，需要越多的像素点对目标像素点的实际情况进
行确定。中的1为第一预设常数，是为了避免L无限大。将第二预设常数
设定为1，是为了保证量化长度一定大于1，一定存在像素点。
以目标像素点为中心，L为半径所对应的圆形区域即为目标像素点的局部区域。
根据获取目标像素点的局部区域的方法，获取标准灰度图像中每个像素点的局部区域。
步骤S3：选取目标像素点的局部区域作为目标局部区域，获取目标局部区域内与目标像素点的第一灰度值相同的像素点作为第一参考点，根据第一灰度值获取所有第一参考点预设邻域内邻域像素点类别，根据邻域像素点类别的分布获取邻域熵；根据第一参考点的数量与邻域像素点类别的数量获取参考指标，根据邻域熵与参考指标获取目标像素点的边缘点概率。
具体的，当滤波前的目标像素点为边缘像素点的可能性越大，且目标像素点滤波前后的灰度值差异越大时，则说明目标像素点的滤波结果越不准确即滤波的可信度越低。因此，为了准确分析目标像素点的滤波结果，需要获取目标像素点的边缘点概率。其中，获取边缘点概率的具体方法如下：
作为一个示例，以步骤S2中的目标像素点为例，获取目标像素点对应的局部区域
即目标局部区域，获取目标局部区域内与目标像素点的第一灰度值相同的像素点即第一参
考点，获取所有第一参考点预设邻域内的邻域像素点的第一灰度值，将第一灰度值相同的
邻域像素点作为一个邻域像素点类别。本发明实施例设定预设邻域的大小为，实施者
可根据实际情况进行设定，在此不做限定。本发明实施例基于边缘像素点的分布规律，获取
滤波前的目标像素点为边缘像素点的可能性。其中，边缘像素点的分布规律为：边缘像素点
与同类边缘线上的所有边缘像素点的灰度值相近，与其他像素点的灰度值有明显的变化，
因此，边缘像素点对应的局部区域内的第一参考点预设邻域内的邻域像素点的第一灰度值
分布具有一个明显的灰度剧烈变化特征。本发明实施例根据目标像素点的目标局部区域内
的第一参考点的邻域像素点类别，获取目标像素点的边缘点概率的方法如下：
（1）获取邻域熵。
获取目标像素点的目标局部区域内的第一参考点对应的每个邻域像素点类别中的邻域像素点数量，将每个邻域像素点类别中的邻域像素点数量与第一参考点的邻域像素点类别的邻域像素点总数量的比值，作为对应的邻域像素点类别的概率，进而根据熵的获取方法，获取目标像素点的邻域熵。其中，熵的获取方法为现有技术，在此不再赘述。获取目标像素点的邻域熵E的公式为：
式中，E为目标像素点的邻域熵，为目标像素点的目标局部区域中第一参考点的
邻域像素点类别的数量；为目标像素点的目标局部区域中第一参考点的第个邻域
像素点类别的概率；为以常数2为底数的对数函数。
需要说明的是，E越大，说明目标像素点在滤波前为边缘像素点的可能性越小，E越小，目标像素点在滤波前可能为边缘像素点或者背景像素点。
（2）获取参考指标。
为了提高边缘像素点的特征，更明显的区分背景像素点和边缘像素点，本发明实施例根据邻域像素点类别的数量，获取参考指标。
优选地，获取参考指标的方法为：获取第一参考点的数量作为第一数量；获取邻域像素点类别的数量作为类别数量；将类别数量与第一数量的比值作为参考指标。获取目标像素点的参考指标Y的公式为：
式中，Y为目标像素点的参考指标，I为目标像素点的目标局部区域中第一参考点
的数量即第一数量；为目标像素点的目标局部区域中第一参考点的邻域像素点类别的数
量即类别数量。
需要说明的是，目标像素点的目标局部区域是自适应获取的，I的大小随着目标局
部区域的变化而变化，但对目标局部区域内的类别取决定作用的是，因此，根据对目
标局部区域内的类别进行分析，确定参考指标的大小。越小，说明目标像素点为背景像素
点的可能性越大，Y越小。背景像素点的预设邻域的灰度值一致，对应的类别数量向1趋近；
边缘像素点的预设邻域内的一定存在灰度变化，对应类别数量变大。因此，根据参考指标可
以明显区分背景像素点与边缘像素点。
（3）获取边缘点概率。
当出现邻域熵E越小，参考指标Y越大的情况时，目标像素点为边缘像素点的可能性越大。为了在数值上可以统一的体现出来，本发明实施例将目标像素点的邻域熵与参考指标的倒数的乘积进行负相关且归一化的结果作为目标像素点的边缘点概率。因此，获取目标像素点的边缘点概率A的公式为：
式子，A为目标像素点的边缘点概率；E目标像素点的邻域熵；Y为目标像素点的参考指标；exp为以自然常数e为底数的指数函数。
需要说明的是，E越小，Y越大，越小，A越大，目标像素点越可能为边缘像素点。
根据获取目标像素点的边缘点概率的方法，获取标准灰度图像中每个像素点的边缘点概率。
步骤S4：获取目标局部区域内与目标像素点的第二灰度值相同的像素点作为第二参考点，获取每个第二参考点预设邻域内的第二灰度值的均值作为邻域均值，根据邻域均值和目标像素点的第二灰度值获取目标像素点的噪声概率。
具体的，当滤波后的目标像素点为噪声点的可能性越大，且目标像素点滤波前后的灰度值差异越大时，则说明目标像素点的滤波结果越偏离实际即滤波的可信度越低。因此，为了准确的获取目标像素点滤波的不可信度，需要获取目标像素点的噪声概率。
优选地，获取噪声概率的方法为：获取每个像素点局部区域内邻域均值的方差作为对应像素点的灰度混乱度；将每个像素点的第二灰度值与邻域均值之间的差异均值进行归一化的结果作为对应像素点的灰度波动指标；将灰度混乱度与灰度波动指标的乘积做为噪声概率。
作为一个示例，以步骤S2中的目标像素点为例，获取目标像素点对应的局部区域
即目标局部区域，获取目标局部区域内与目标像素点滤波后的灰度值即第二灰度值相同的
像素点即为第二参考点，获取目标像素点的目标局部区域中每个第二参考点预设邻域内的
第二灰度值的均值即为对应第二参考点的邻域均值。本发明实施例设定预设邻域的大小为，实施者可根据实际情况进行设定，在此不做限定。根据每个第二参考点的邻域均值
获取目标像素点的目标局部区域内邻域均值的方差即为目标像素点的灰度混乱度；计算目
标像素点的第二灰度值与每个第二参考点的邻域均值之间的差值绝对值的均值并进行归
一化的结果即为目标像素点的灰度波动指标。根据灰度混乱度与灰度波动指标获取目标像
素点的噪声概率的公式为：
式中，为目标像素点的噪声概率，J为目标像素点的目标局部区域中第二参考
点的数量；为目标像素点的目标局部区域中第j个第二参考点的邻域均值；为目标像
素点的第二灰度值；为绝对值函数。
需要说明的是，灰度混乱度越大，说明目标像素点的目标局部
区域内第二参考点的预设邻域内灰度值的分布越混乱，符合噪声点的随机性特征，即相同
灰度值的噪声点对应的预设邻域内灰度值的分布也会有明显的差别，目标像素点滤波后越
可能为噪声点，越大；灰度波动指标越大，说明目标像素点的第二灰度值
即滤波后的灰度值与滤波后的预设邻域内的灰度值差异越大，目标像素点滤波后越可能为
噪声点，越大；因此，越大，目标像素点滤波后越可能为噪声点，目标像素点的滤波
结果可信度越低。
根据获取目标像素点的噪声概率的方法，获取标准灰度图像中每个像素点的噪声概率。
步骤S5：根据灰度变化值、边缘点概率和噪声概率获取目标像素点的不可信度；获取每个像素点的不可信度。
具体的，使用最小滤波窗口对变压器焊缝区域的标准灰度图像进行滤波，中
值滤波算法存在一定的可能将标准灰度图像中气泡的边缘像素点当作噪声点进行滤除，或
者将正常的像素点滤波成为噪声点即滤波时所选的中值为噪声点对应的灰度值。像素点具
有明显的局部特征，所以本发明实施例在每个像素点对应的局部区域内分析像素点滤波前
后的灰度值变化情况，获取每个像素点的噪声概率与边缘点概率，进而准确获取每个像素
点的滤波结果对应的不可信度。
优选地，获取不可信度的方法为：将噪声概率与边缘点概率的相加和进行归一化的结果作为灰度异常值；根据灰度变化值与灰度异常值获取不可信度，灰度变化值和灰度异常值均与不可信度为正相关的关系。
作为一个示例，以步骤S2中的目标像素点为例，获取目标像素点滤波前后的灰度值差值绝对值即目标像素点的灰度变化值；将噪声概率与边缘点概率的相加和除以2的结果作为目标像素点的灰度异常值，根据灰度变化值与灰度异常值获取目标像素点的不可信度Be的公式为：
式中，Be为目标像素点的不可信度；G为目标像素点的第一灰度值；为目标像素
点的第二灰度值；为目标像素点的噪声概率；A为目标像素点的边缘点概率；为绝对值
函数。
需要说明的是，灰度变化值越大，说明滤波前后像素点的灰度值差异越
大，目标像素点的滤波结果越不准确，Be越大；灰度异常值越大，目标像素点为气泡
的边缘像素点但被误认为噪声点进行了滤波去噪的可能性越大，或者目标像素点为正常像
素点但滤波后变为噪声点的可能性越大，目标像素点的滤波结果越不准确，Be越大；因此，
Be越大，目标像素点的滤波结果可信度越低。本发明实施例将灰度变化值和灰度异常值的
乘积作为不可信度，与不可信度均构成正相关的关系，在本发明另一个实施例中可以将灰
度变化值和灰度异常值的相加结果作为不可信度，使得灰度变化值和灰度异常值终均与不
可信度构成正相关的关系，在本发明其他实施例中可选择其他基础数学运算构成正相关关
系在此不做限定。
根据获取目标像素点的不可信度的方法，获取标准灰度图像中每个像素点的不可信度。
步骤S6：根据不可信度获取最优滤波窗口，根据最优滤波窗口对标准灰度图像进行去噪，获取去噪图像；对去噪图像进行质量检测。
具体的，不可信度是在最小滤波窗口下进行计算的，不可信度越高，说明对应
像素点在最小滤波窗口下滤波后的灰度值的可信度越低，具体反应在标准灰度图像上，说
明滤波去噪效果不好，气泡的边缘信息保留不好，因此，根据不可信度自适应滤波窗口的大
小，获取每个像素点的最优滤波窗口，根据最优滤波窗口对标准灰度图像进行去噪，提高去
噪效果，使得对气泡的检测更准确，进而对变压器焊缝质量检测更准确。
优选地，根据不可信度获取最优滤波窗口的方法为：设置不可信度阈值；当不可信度小于不可信度阈值时，将最小滤波窗口作为最优滤波窗口；当不可信度大于或等于不可信度阈值时，将最小滤波窗口的边长增加预设步长，获得调整滤波窗口，直至调整滤波窗口的不可信度小于不可信度阈值，将对应的调整滤波窗口作为最优滤波窗口。
本发明实施例设置不可信度阈值为0.75，实施者可根据实际情况进行设定，在此
不做限定。将不可信度进行归一化处理，获得归一化不可信度，当归一化不可信度小于不可
信度阈值时，将最小滤波窗口作为最优滤波窗口；当归一化不可信度大于或等于不可
信度阈值时，说明最小滤波窗口对中心像素点的去噪结果不准确，为了降低中心像素点的
不可信度，本发明实施例对最小滤波窗口的大小进行调整，将最小滤波窗口的边长增加预
设步长，获得调整滤波窗口。本发明实施例设定预设步长为2，实施者可根据实际情况进行
设定，在此不做限定。获取调整滤波窗口的归一化不可信度，直至调整滤波窗口的归一化不
可信度小于不可信度阈值，将对应的调整滤波窗口作为最优滤波窗口。至此，获取标准灰度
图像中每个像素点的最优滤波窗口。
根据最优滤波窗口对标准灰度图像中的每个像素点进行滤波处理，获取去噪后的标准灰度图像即去噪图像。利用自适应阈值分割技术对去噪图像进行阈值分割，获取标准灰度图像中的气泡，完成对变压器焊缝的质量检测。其中，自适应阈值分割技术为现有技术，在此不再赘述。
至此，本发明完成。
综上所述，本发明实施例获取变压器焊缝区域的标准灰度图像；根据像素点滤波前后的灰度变化值，获取局部区域；根据目标局部区域内与目标像素点的灰度值相同的像素点的邻域像素点类别，获取边缘点概率；根据目标局部区域内与目标像素点滤波后的灰度值相同的像素点的预设邻域内的灰度值均值，获取噪声概率；根据灰度变化值、边缘点概率和噪声概率获取不可信度；根据不可信度获取最优滤波窗口，进而对标准灰度图像进行去噪，获取去噪图像；对去噪图像进行质量检测。本发明通过不可信度自适应调整对应的滤波窗口，使得去噪效果更好，变压器焊缝区域的质量检测更准确。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
Claims (8)
1.一种用图像处理的变压器焊缝质量检测方法，其特征在于，该方法包括以下步骤：
获取变压器焊缝区域X光图像的标准灰度图像；
将标准灰度图像中每个像素点的灰度值作为第一灰度值，将标准灰度图像中每个像素点滤波后的灰度值作为第二灰度值，获取所述第一灰度值与所述第二灰度值的差异作为灰度变化值，根据所述灰度变化值获取每个像素点的局部区域；
选取目标像素点的所述局部区域作为目标局部区域，获取目标局部区域内与目标像素点的所述第一灰度值相同的像素点作为第一参考点，根据所述第一灰度值获取所有所述第一参考点预设邻域内邻域像素点类别，根据所述邻域像素点类别的分布获取邻域熵；根据所述第一参考点的数量与所述邻域像素点类别的数量获取参考指标，根据所述邻域熵与所述参考指标获取目标像素点的边缘点概率；
获取目标局部区域内与目标像素点的所述第二灰度值相同的像素点作为第二参考点，获取每个所述第二参考点预设邻域内的所述第二灰度值的均值作为邻域均值，根据所述邻域均值和目标像素点的所述第二灰度值获取目标像素点的噪声概率；
根据所述灰度变化值、所述边缘点概率和所述噪声概率获取目标像素点的不可信度；获取每个像素点的不可信度；
根据不可信度获取最优滤波窗口，根据最优滤波窗口对标准灰度图像进行去噪，获取去噪图像；对去噪图像进行质量检测。
2.如权利要求1所述的一种用图像处理的变压器焊缝质量检测方法，其特征在于，所述根据所述灰度变化值获取每个像素点的局部区域的方法，包括：
将所述灰度变化值进行负相关映射且归一化的结果作为第一结果；
将第一预设常数与所述第一结果的相加结果作为分母，设定距离限定常数作为分子，将所述分子与所述分母的比值作为第一比值；
将所述第一比值与第二预设常数的相加结果作为量化长度；
以每个像素点为中心，对应像素点的所述量化长度为半径，获取对应像素点的圆形区域作为局部区域。
3.如权利要求1所述的一种用图像处理的变压器焊缝质量检测方法，其特征在于，所述参考指标的获取方法，包括：
获取所述第一参考点的数量作为第一数量；
获取所述邻域像素点类别的数量作为类别数量；
将所述类别数量与所述第一数量的比值作为参考指标。
4.如权利要求1所述的一种用图像处理的变压器焊缝质量检测方法，其特征在于，所述边缘点概率的获取方法，包括：
将所述邻域熵与所述参考指标的倒数的乘积进行负相关且归一化的结果，作为边缘点概率。
5.如权利要求1所述的一种用图像处理的变压器焊缝质量检测方法，其特征在于，所述噪声概率的获取方法，包括：
获取每个像素点局部区域内所述邻域均值的方差作为对应像素点的灰度混乱度；
将每个像素点的所述第二灰度值与所述邻域均值之间的差异均值进行归一化的结果作为对应像素点的灰度波动指标；
将所述灰度混乱度与所述灰度波动指标的乘积作为噪声概率。
6.如权利要求1所述的一种用图像处理的变压器焊缝质量检测方法，其特征在于，所述不可信度的获取方法，包括：
将所述噪声概率与所述边缘点概率的相加和进行归一化的结果作为灰度异常值；
根据所述灰度变化值与所述灰度异常值获取不可信度，所述灰度变化值和所述灰度异常值均与所述不可信度为正相关的关系。
7.如权利要求1所述的一种用图像处理的变压器焊缝质量检测方法，其特征在于，所述根据不可信度获取最优滤波窗口的方法，包括：
设置不可信度阈值；
当不可信度小于不可信度阈值时，将最小滤波窗口作为最优滤波窗口；
当不可信度大于或等于不可信度阈值时，将最小滤波窗口的边长增加预设步长，获得调整滤波窗口，直至调整滤波窗口的不可信度小于不可信度阈值，将对应的调整滤波窗口作为最优滤波窗口。
8.如权利要求1所述的一种用图像处理的变压器焊缝质量检测方法，其特征在于，所述获取变压器焊缝区域X光图像的标准灰度图像的方法，包括：
获取X光图像中每个像素点的灰度值作为初始灰度值；
将所述初始灰度值进行归一化的结果作为灰度权重；
将所述灰度权重与常规最大灰度值区间长度的乘积进行四舍五入的结果，作为对应像素点的第一灰度值；
将第一灰度值对应的图像作为标准灰度图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310566701.0A CN116309579B (zh) | 2023-05-19 | 2023-05-19 | 一种用图像处理的变压器焊缝质量检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310566701.0A CN116309579B (zh) | 2023-05-19 | 2023-05-19 | 一种用图像处理的变压器焊缝质量检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116309579A CN116309579A (zh) | 2023-06-23 |
| CN116309579B true CN116309579B (zh) | 2023-08-01 |
Family
ID=86781907
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310566701.0A Active CN116309579B (zh) | 2023-05-19 | 2023-05-19 | 一种用图像处理的变压器焊缝质量检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116309579B (zh) |
Families Citing this family (38)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116485884B (zh) * | 2023-06-28 | 2023-09-12 | 四川君安天源精酿啤酒有限公司 | 基于计算机视觉的精酿啤酒瓶口实时定位方法及系统 |
| CN116883270B (zh) * | 2023-07-04 | 2024-03-22 | 广州医科大学附属第四医院(广州市增城区人民医院) | 一种碎石手术软镜清晰化成像系统 |
| CN116596806B (zh) * | 2023-07-14 | 2023-09-19 | 山东绿洲智能科技有限公司 | 一种用于视觉码垛机器人的组合码垛调控方法 |
| CN116612052B (zh) * | 2023-07-17 | 2023-09-22 | 青岛瑞源工程集团有限公司 | 一种建筑施工安全信息管理方法及系统 |
| CN116883370B (zh) * | 2023-07-18 | 2024-02-20 | 西藏净微检测技术有限公司 | 一种农产品外观质量检测系统 |
| CN116630314B (zh) * | 2023-07-24 | 2024-01-30 | 日照元鼎包装有限公司 | 基于图像处理的保鲜纸箱覆膜检测方法 |
| CN116758057A (zh) * | 2023-08-10 | 2023-09-15 | 山东贺铭电气有限公司 | 基于人工智能的通信设备缺陷检测方法 |
| CN116740059B (zh) * | 2023-08-11 | 2023-10-20 | 济宁金康工贸股份有限公司 | 一种门窗机加工智能调控方法 |
| CN116735612B (zh) * | 2023-08-15 | 2023-11-07 | 山东精亿机械制造有限公司 | 一种精密电子元器件焊接缺陷检测方法 |
| CN116777941B (zh) * | 2023-08-22 | 2023-11-03 | 山东明达圣昌铝业集团有限公司 | 一种基于机器视觉的型材轮廓检测方法及系统 |
| CN116823809B (zh) * | 2023-08-23 | 2023-11-24 | 威海迈尼生物科技有限公司 | 一种微针贴片技术淡斑效果视觉检测方法 |
| CN117239917B (zh) * | 2023-08-28 | 2024-02-23 | 连云港智源电力设计有限公司 | 变电站数据采集与处理装置及方法 |
| CN116843757B (zh) * | 2023-08-29 | 2023-12-01 | 山东千颐科技有限公司 | 基于计算机视觉的贴标机智能定位方法 |
| CN117253144B (zh) * | 2023-09-07 | 2024-04-12 | 建研防火科技有限公司 | 一种火灾风险分级管控方法 |
| CN116883412B (zh) * | 2023-09-08 | 2023-11-17 | 浙江中骏石墨烯科技有限公司 | 一种石墨烯远红外电热设备故障检测方法 |
| CN116958134B (zh) * | 2023-09-19 | 2023-12-19 | 青岛伟东包装有限公司 | 基于图像处理的塑料膜挤出质量评估方法 |
| CN116993726B (zh) * | 2023-09-26 | 2023-12-19 | 山东克莱蒙特新材料科技有限公司 | 一种矿物铸件检测方法及系统 |
| CN116993632B (zh) * | 2023-09-28 | 2023-12-19 | 威海广泰空港设备股份有限公司 | 基于机器视觉的生产火灾预警方法 |
| CN117237368B (zh) * | 2023-11-16 | 2024-01-26 | 临沂市公路事业发展中心兰陵县中心 | 一种桥梁裂缝检测方法及系统 |
| CN117274722B (zh) * | 2023-11-21 | 2024-01-26 | 深圳市咏华宇电子有限公司 | 基于红外图像的配电箱智能检测方法 |
| CN117333484B (zh) * | 2023-11-30 | 2024-02-20 | 山东罗斯夫新材料科技有限公司 | 一种基于图像处理的丙烯酸乳液生产废水检测方法 |
| CN117437219B (zh) * | 2023-12-18 | 2024-04-19 | 惠州市德立电子有限公司 | 基于计算机视觉的磁胶电感不规则外观缺陷检测方法 |
| CN117437600B (zh) * | 2023-12-20 | 2024-03-26 | 山东海纳智能装备科技股份有限公司 | 基于图像识别技术的煤流监测系统 |
| CN117455800B (zh) * | 2023-12-22 | 2024-03-15 | 肥城新查庄地质勘查有限公司 | 基于计算机视觉的煤矿钻探定位方法 |
| CN117455802B (zh) * | 2023-12-25 | 2024-04-05 | 榆林金马巴巴网络科技有限公司 | 一种本安型矿灯采集图像降噪增强方法 |
| CN117474910B (zh) * | 2023-12-27 | 2024-03-12 | 陕西立拓科源科技有限公司 | 一种用于电机质量的视觉检测方法 |
| CN117541484B (zh) * | 2024-01-09 | 2024-05-14 | 巨野县龙祥面粉有限公司 | 一种用于面粉麸星检测的图像增强方法 |
| CN117593214B (zh) * | 2024-01-18 | 2024-04-05 | 宁波海上鲜信息技术股份有限公司 | 一种基于图像特征分析的鱼类类别检测方法 |
| CN117593305B (zh) * | 2024-01-19 | 2024-04-05 | 天津康博轻钢制造有限公司 | 一种面向高频焊接h型钢的视觉定位系统 |
| CN117649357B (zh) * | 2024-01-29 | 2024-04-12 | 深圳市恩普电子技术有限公司 | 一种基于图像增强的超声图像处理方法 |
| CN117831135B (zh) * | 2024-03-04 | 2024-05-10 | 陕西一览科技有限公司 | 一种基于图像处理的人迹检测方法 |
| CN117831744B (zh) * | 2024-03-06 | 2024-05-10 | 大连云间来客科技有限公司 | 一种呼吸重症患者远程监控方法及系统 |
| CN118014881B (zh) * | 2024-04-08 | 2024-06-28 | 山东拓新电气有限公司 | 基于计算机视觉的盾构机导向系统 |
| CN118014887B (zh) * | 2024-04-10 | 2024-06-04 | 佰鸟纵横科技(天津)有限公司 | 一种基于物联网的智能折叠房屋远程监控方法 |
| CN118071636B (zh) * | 2024-04-24 | 2024-07-02 | 大连通翼科技有限公司 | 一种建筑工程施工智能验收方法及系统 |
| CN118134928B (zh) * | 2024-05-08 | 2024-06-28 | 江苏太湖锅炉股份有限公司 | 用于锅炉水冷壁的渣层厚度精确检测方法 |
| CN118154592B (zh) * | 2024-05-09 | 2024-09-27 | 南京阿吉必信息科技有限公司 | 一种pcb板焊点桥接缺陷检测方法 |
| CN118297839B (zh) * | 2024-06-04 | 2024-08-30 | 山东华尚电气有限公司 | 一种基于视觉的变压器绕组状态检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105976373A (zh) * | 2016-05-05 | 2016-09-28 | 江南大学 | 基于邻域信息熵的核模糊c均值图像分割算法 |
| CN110443806A (zh) * | 2019-04-30 | 2019-11-12 | 浙江大学 | 一种基于目标增强处理的水面透明漂浮危化品图像分割方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104217416B (zh) * | 2013-05-31 | 2017-09-15 | 富士通株式会社 | 灰度图像处理方法及其装置 |
-
2023
- 2023-05-19 CN CN202310566701.0A patent/CN116309579B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105976373A (zh) * | 2016-05-05 | 2016-09-28 | 江南大学 | 基于邻域信息熵的核模糊c均值图像分割算法 |
| CN110443806A (zh) * | 2019-04-30 | 2019-11-12 | 浙江大学 | 一种基于目标增强处理的水面透明漂浮危化品图像分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于灰度形态学和邻域熵值的弱小目标检测;顾静良 等;《强激光与粒子束》;第6卷(第12期);第1527-1530页 * |
| 结合图像局部概率和边缘信息的小目标检测方法;曹琦 等;《激光与红外》;第39卷(第5期);第551-554页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116309579A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116309579B (zh) | 一种用图像处理的变压器焊缝质量检测方法 | |
| CN117078672B (zh) | 基于计算机视觉的手机屏幕缺陷智能检测方法 | |
| CN116168026B (zh) | 基于计算机视觉的水质检测方法及系统 | |
| CN115908411B (zh) | 基于视觉检测的混凝土养护质量分析方法 | |
| CN116721106A (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
| CN115829883A (zh) | 一种异性金属结构件表面图像去噪方法 | |
| CN117437219B (zh) | 基于计算机视觉的磁胶电感不规则外观缺陷检测方法 | |
| CN104537650B (zh) | 一种铝电解电容器的极性方向判定方法及装置 | |
| CN115841434B (zh) | 一种用于气体浓度分析的红外图像增强方法 | |
| CN117635604B (zh) | 一种建筑工程钢结构焊接质量检测方法 | |
| CN116735612B (zh) | 一种精密电子元器件焊接缺陷检测方法 | |
| CN116309599B (zh) | 基于污水前置处理的水质视觉监测方法 | |
| CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
| CN117808799B (zh) | 基于人工智能的倒角设备加工质量检测方法 | |
| CN111612773B (zh) | 一种红外热像仪及实时自动盲元检测处理方法 | |
| CN117689662B (zh) | 一种换热器管头焊接质量视觉检测方法及系统 | |
| CN114332081A (zh) | 基于图像处理的纺织品表面异常判定方法 | |
| CN117274293B (zh) | 基于图像特征的细菌菌落精确划分方法 | |
| CN115272737B (zh) | 一种橡胶圈流痕识别方法 | |
| CN113705672B (zh) | 图像目标检测的阈值选取方法、系统、装置及存储介质 | |
| CN114820597B (zh) | 一种基于人工智能的冶炼品缺陷检测方法、装置及系统 | |
| CN109859205B (zh) | 一种斑块检测方法及斑块检测设备 | |
| CN112329674A (zh) | 基于多纹理特征融合的结冰湖泊检测方法和装置 | |
| CN112070710A (zh) | 工业品缺陷图像检测的方法 | |
| CN116883401B (zh) | 一种工业产品生产质量检测系统 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Transformer Weld Quality Detection Method Using Image Processing Granted publication date: 20230801 Pledgee: Bank of Communications Co.,Ltd. Huizhou Branch Pledgor: HUIZHOU BAOHUI ELECTRONIC TECHNOLOGY Co.,Ltd. Registration number: Y2024980016528 |