CN116342610B - 一种钢结构装配式建筑焊接异常检测方法 - Google Patents
一种钢结构装配式建筑焊接异常检测方法 Download PDFInfo
- Publication number
- CN116342610B CN116342610B CN202310626066.0A CN202310626066A CN116342610B CN 116342610 B CN116342610 B CN 116342610B CN 202310626066 A CN202310626066 A CN 202310626066A CN 116342610 B CN116342610 B CN 116342610B
- Authority
- CN
- China
- Prior art keywords
- noise pixel
- initial noise
- pixel point
- initial
- area
- 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 46
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 14
- 239000010959 steel Substances 0.000 title claims abstract description 14
- 230000005856 abnormality Effects 0.000 title claims abstract description 12
- 230000007547 defect Effects 0.000 claims abstract description 65
- 238000001914 filtration Methods 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000012216 screening Methods 0.000 claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims abstract description 18
- 230000003044 adaptive effect Effects 0.000 claims abstract description 9
- 238000009826 distribution Methods 0.000 claims description 50
- 238000012545 processing Methods 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 230000002950 deficient Effects 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000003860 storage Methods 0.000 description 7
- 239000006002 Pepper Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 235000002566 Capsicum Nutrition 0.000 description 3
- 241000722363 Piper Species 0.000 description 3
- 235000016761 Piper aduncum Nutrition 0.000 description 3
- 235000017804 Piper guineense Nutrition 0.000 description 3
- 235000008184 Piper nigrum Nutrition 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 235000019580 granularity Nutrition 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 150000003839 salts Chemical class 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002893 slag Substances 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
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (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 Processing (AREA)
Abstract
本申请涉及一种钢结构装配式建筑焊接异常检测方法。方法包括:获取焊缝图像,并识别焊缝图像的缺陷区域;提取缺陷区域中的初始噪声像素点,并基于自适应滤波策略,对各初始噪声像素点进行划分处理,得到多个初始噪声像素区域;针对每个初始噪声像素区域,计算初始噪声像素区域的各初始噪声像素点的噪声概率,并筛选大于预设噪声概率预阈值的初始噪声像素点,作为目标噪声像素点;基于各目标噪声像素点的滤波窗口尺寸,对各目标噪声像素点进行加权均值滤波去噪处理,得到已除噪的缺陷区域,并对已除噪的缺陷区域进行分割异常检测处理,得到焊缝图像的异常检测值。采用本方法能够提升了对焊接异常的检测精准度。
Description
技术领域
本申请涉及图像数据处理技术领域,特别是涉及一种钢结构装配式建筑焊接异常检测方法。
背景技术
钢结构之间需要利用焊接进行连接,即焊接质量决定着建筑的安全性,传统的人工检测方法需要大量的劳动力,而将机器视觉运用到焊接质量检测上能够提高生产效率,并保证检测的精度。然而焊缝图像在拍摄和传输过程中,往往受到椒盐噪声的干扰,其会影响图像的分割和识别,降低检测的精度。因此如何去除椒盐噪声是当前研究的重点。
传统除噪方式是通过均值滤波算法对整个焊缝图像进行滤波处理,但是传统均值滤波算法中较大的滤波窗口会严重的破坏图像细节,较小的滤波窗口能保护图像细节但是无法完全去除噪声,使得去除噪声的效果较低,从而导致对焊接异常的检测精准度较低。
发明内容
基于此,有必要针对上述技术问题,提供一种钢结构装配式建筑焊接异常检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种钢结构装配式建筑焊接异常检测方法。所述方法包括:
获取焊缝图像,并识别所述焊缝图像的缺陷区域;
提取所述缺陷区域中的初始噪声像素点,并基于自适应滤波策略,对各初始噪声像素点进行划分处理,得到多个初始噪声像素区域;所述初始噪声像素区域中包括多个确定滤波窗口尺寸的初始噪声像素点;
针对每个初始噪声像素区域,计算所述初始噪声像素区域的各初始噪声像素点的噪声概率,并筛选大于预设噪声概率预阈值的初始噪声像素点,作为目标噪声像素点;
基于各所述目标噪声像素点的滤波窗口尺寸,对各所述目标噪声像素点进行加权均值滤波去噪处理,得到已除噪的缺陷区域,并对所述已除噪的缺陷区域进行分割异常检测处理,得到所述焊缝图像的异常检测值。
可选的,所述提取所述缺陷区域中的初始噪声像素点,包括:
获取所述焊缝图像的缺陷区域中每个像素点的位置信息,并对所述焊缝图像的缺陷区域进行形态学运算处理,得到第一焊缝图像;
计算所述焊缝图像的缺陷区域与所述第一焊缝图像的相同位置信息的各像素点之间的灰度差值的绝对值,并将包含所述焊缝图像与所述第一焊缝图像的相同位置信息的各像素点之间的灰度差值的绝对值的第一焊缝图像,作为第二焊缝图像;
基于所述第二焊缝图像的各像素点的位置信息、以及所述第二焊缝图像的灰度差值的绝对值,计算所述第二焊缝图像的最佳灰度值阈值,并在所述第二焊缝图像的各像素点中,筛选大于所述最佳灰度值阈值的像素点,作为初始噪声像素点。
可选的,所述基于自适应滤波策略,对各初始噪声像素点进行划分处理,得到多个初始噪声像素区域,包括:
基于预设图像划分策略,将各初始噪声像素点划分为多个图像区域;
识别每个图像区域中包含的初始噪声像素点数目、以及每个图像区域中的各初始噪声像素点的位置信息;
针对每个图像区域,基于所述图像区域中包含的初始噪声像素点数目、以及所述图像区域中的各初始噪声像素点的位置信息,通过噪声像素失误概率算法,计算所述图像区域中的各初始噪声像素点的噪声识别失误率;
基于每个图像区域中的各初始噪声像素点的噪声识别失误率、以及预设滤波窗口尺寸筛选条件,确定所述图像区域中的各初始噪声像素点对应的滤波窗口尺寸,并将已确定所有初始噪声像素点的滤波窗口尺寸的图像区域,作为初始噪声像素区域。
可选的,所述基于每个图像区域中的各初始噪声像素点的噪声识别失误率、以及预设滤波窗口尺寸筛选条件,确定所述图像区域中的各初始噪声像素点对应的滤波窗口尺寸,包括:
针对每个图像区域,对所述图像区域中的各初始噪声像素点的噪声识别失误率进行归一化处理,得到所述图像区域中的各初始噪声像素点的滤波值;
基于预设滤波窗口尺寸对应的滤波值范围、以及所述图像区域中的各初始噪声像素点的滤波值,确定所述图像区域中的各初始噪声像素点对应的滤波窗口尺寸。
可选的,所述针对每个图像区域,基于所述图像区域中包含的初始噪声像素点数目、以及所述图像区域中的各初始噪声像素点的位置信息,通过噪声像素失误概率算法,计算所述图像区域中的各初始噪声像素点的噪声识别失误率,包括:
基于所述图像区域中的各初始噪声像素点的位置信息,计算所述图像区域中的每两个相邻初始噪声像素点之间的欧氏距离的方差;
根据所述图像区域中的每两个相邻初始噪声像素点之间的欧氏距离的方差、以及所述图像区域中包含的初始噪声像素点数目,通过噪声像素失误概率算法,计算所述图像区域中的各初始噪声像素点的噪声识别失误率。
可选的,所述针对每个初始噪声像素区域,计算所述初始噪声像素区域的各初始噪声像素点的噪声概率,包括:
获取每个初始噪声像素区域中的各初始噪声像素点的位置信息,并基于每个初始噪声像素区域中的各初始噪声像素点的位置信息,确定每个初始噪声像素区域中的各初始噪声像素点的分布特征;
针对每个初始噪声像素区域,基于所述初始噪声像素区域中的各初始噪声像素点的分布特征,计算初始噪声像素区域的各初始噪声像素点的噪声概率。
可选的,所述基于每个初始噪声像素区域中的各初始噪声像素点的位置信息,确定每个初始噪声像素区域中的各初始噪声像素点的分布特征,包括:
计算所述焊缝图像的各像素点的梯度分布信息,并基于每个初始噪声像素区域中的各初始噪声像素点的位置信息,计算每个初始噪声像素区域中的各初始噪声像素点的像素分布信息;
将所述梯度分布信息、以及每个初始噪声像素区域中的各初始噪声像素点的像素分布信息,作为每个初始噪声像素区域中的各初始噪声像素点的分布特征。
可选的,所述基于所述初始噪声像素区域中的各初始噪声像素点的分布特征,计算初始噪声像素区域的各初始噪声像素点的噪声概率,包括:
基于所述初始噪声像素区域中的各初始噪声像素点的像素分布信息、以及所述初始噪声像素区域中的各初始噪声像素点所属的缺陷像素点区域的灰度值,计算所述初始噪声像素区域中的各初始噪声像素点的初始噪声概率;
通过所述焊缝图像的各像素点的梯度分布信息,对所述初始噪声像素区域中的各初始噪声像素点的初始噪声概率进行调整处理,得到所述初始噪声像素区域中的各初始噪声像素点的噪声概率。
可选的,所述基于各所述目标噪声像素点的滤波窗口尺寸,对各所述目标噪声像素点进行加权均值滤波去噪处理,得到已除噪的缺陷区域,包括:
对每个目标噪声像素点的噪声概率进行归一化处理,得到所述目标噪声像素点的权值,并基于每个目标噪声像素点的灰度值、每个目标噪声像素点所属的初始噪声像素区域中各初始噪声像素点的数目、每个目标噪声像素点的权值、以及每个目标噪声像素点所属的初始噪声像素区域的滤波窗口尺寸,通过滤波函数,对每个目标噪声像素点进行加权均值滤波去噪处理,得到已除噪的目标噪声像素点;
将包含所有已除噪的目标噪声像素点的缺陷区域,作为已除噪的缺陷区域。
可选的,所述对所述已除噪的缺陷区域进行分割异常检测处理,得到所述焊缝图像的异常检测值,包括:
通过分割算法,对已除噪的缺陷区域进行分割处理,得到多个子目标裂纹区域,并分别识别每个子目标裂纹区域的子异常检测值,得到所述焊缝图像的异常检测值。
上述钢结构装配式建筑焊接异常检测方法、装置、计算机设备、存储介质和计算机程序产品,通过获取焊缝图像,并识别所述焊缝图像的缺陷区域;提取所述缺陷区域中的初始噪声像素点,并基于自适应滤波策略,对各初始噪声像素点进行划分处理,得到多个初始噪声像素区域;所述初始噪声像素区域中包括多个确定滤波窗口尺寸的初始噪声像素点;针对每个初始噪声像素区域,计算所述初始噪声像素区域的各初始噪声像素点的噪声概率,并筛选大于预设噪声概率预阈值的初始噪声像素点,作为目标噪声像素点;对各所述目标噪声像素点进行加权均值滤波去噪处理,得到已除噪的缺陷区域;基于各所述目标噪声像素点的滤波窗口尺寸,对所述已除噪的缺陷区域进行分割异常检测处理,得到所述焊缝图像的异常检测值。通过识别焊缝图像中的初始噪声像素点,并识别每个初始噪声像素点的滤波窗口尺寸,然后基于每个初始噪声像素点的噪声概率值,确定目标噪声像素点,并基于每个目标噪声像素点的滤波窗口尺寸,对各目标噪声像素点进行加权均值滤波去噪处理,从而去除焊缝异常检查中的噪声像素点,使得不同目标噪声像素点进行不同颗粒度的除噪处理方式,提升了对不同目标噪声像素点的除噪效果,从而提升了对焊接异常的检测精准度。
附图说明
图1为一个实施例中钢结构装配式建筑焊接异常检测方法的流程示意图;
图2为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的钢结构装配式建筑焊接异常检测方法,可以应用于终端,也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。其中,终端通过识别焊缝图像中的初始噪声像素点,并识别每个初始噪声像素点的滤波窗口尺寸,然后基于每个初始噪声像素点的噪声概率值,确定目标噪声像素点,并基于每个目标噪声像素点的滤波窗口尺寸,对各目标噪声像素点进行加权均值滤波去噪处理,从而去除焊缝异常检查中的噪声像素点,使得不同目标噪声像素点进行不同颗粒度的除噪处理方式,提升了对不同目标噪声像素点的除噪效果,从而提升了对焊接异常的检测精准度。
在一个实施例中,如图1所示,提供了一种钢结构装配式建筑焊接异常检测方法,以该方法应用于终端为例进行说明,包括以下步骤:
步骤S101,获取焊缝图像,并识别焊缝图像的缺陷区域。
本实施例中,终端通过外置摄像设备,获取焊缝图像。终端通过图像特征识别策略,获取该焊缝图像对应的缺陷区域。其中图像特征识别策略可以但不限于是形态学开、闭运算方式。其中缺陷区域为所有疑似缺陷像素点的组成的图像区域。其中缺陷像素点可以是该焊缝图像对应的异常焊缝的缺陷像素点,也可以是椒盐噪声对应的噪声像素点。其中缺陷区域对应的缺陷像素点包括但不限于弧坑、气孔、夹渣、咬边、裂纹等对应的像素点。
步骤S102,提取缺陷区域中的初始噪声像素点,并基于自适应滤波策略,对各初始噪声像素点进行划分处理,得到多个初始噪声像素区域;初始噪声像素区域中包括多个确定滤波窗口尺寸的初始噪声像素点。
本实施例中,终端识别该缺陷区域中的疑似椒盐噪声对应的噪声像素点,并将该
疑似椒盐噪声对应的噪声像素点作为初始噪声像素点。终端将所有初始噪声像素点进行均
等划分处理,得到多个图像区域,并基于自适应滤波策略,确定每个初始噪声像素点的滤波
窗口尺寸,从而得到多个初始噪声像素区域。具体的提取缺陷区域中的初始噪声像素点的
过程、以及确定每个初始噪声像素点的滤波窗口尺寸的过程的内容后续将详细说明,图像
区域的均等划分标准可以但不限于是,其中n和m分别表示焊缝图像的纵向宽度和横
向长度。
步骤S103,针对每个初始噪声像素区域,计算初始噪声像素区域的各初始噪声像素点的噪声概率,并筛选大于预设噪声概率预阈值的初始噪声像素点,作为目标噪声像素点。
本实施例中,终端针对每个初始噪声像素区域,基于该初始噪声像素区域中的各初始噪声像素点的位置信息,计算该初始噪声像素区域的各初始噪声像素点的噪声概率。终端预设噪声概率预阈值,并在该初始噪声像素区域的各初始噪声像素点中,筛选大于预设噪声概率预阈值的初始噪声像素点,作为目标噪声像素点。具体的计算过程后续将详细说明。
步骤S104,基于各目标噪声像素点的滤波窗口尺寸,对各目标噪声像素点进行加权均值滤波去噪处理,得到已除噪的缺陷区域,并对已除噪的缺陷区域进行分割异常检测处理,得到焊缝图像的异常检测值。
本实施例中,终端针对每个目标噪声像素点的滤波窗口尺寸,通过滤波算法,对目标噪声像素点进行加权均值滤波去噪处理,得到各已除噪的目标噪声像素点,终端将包含所有已除噪的目标噪声像素点的缺陷区域,作为已除噪的缺陷区域。终端对已除噪的缺陷区域进行分割异常检测处理,得到焊缝图像的异常检测值。
基于上述方案,通过识别焊缝图像中的初始噪声像素点,并识别每个初始噪声像素点的滤波窗口尺寸,然后基于每个初始噪声像素点的噪声概率值,确定目标噪声像素点,并基于每个目标噪声像素点的滤波窗口尺寸,对各目标噪声像素点进行加权均值滤波去噪处理,从而去除焊缝异常检查中的噪声像素点,使得不同目标噪声像素点进行不同颗粒度的除噪处理方式,提升了对不同目标噪声像素点的除噪效果,从而提升了对焊接异常的检测精准度。
可选的,提取缺陷区域中的初始噪声像素点,包括:获取焊缝图像的缺陷区域中每个像素点的位置信息,并对焊缝图像的缺陷区域进行形态学运算处理,得到第一焊缝图像;计算焊缝图像的缺陷区域与第一焊缝图像的相同位置信息的各像素点之间的灰度差值的绝对值,并将包含焊缝图像与第一焊缝图像的相同位置信息的各像素点之间的灰度差值的绝对值的第一焊缝图像,作为第二焊缝图像;基于第二焊缝图像的各像素点的位置信息、以及第二焊缝图像的灰度差值的绝对值,计算第二焊缝图像的最佳灰度值阈值,并在第二焊缝图像的各像素点中,筛选大于最佳灰度值阈值的像素点,作为初始噪声像素点。
本实施例中,终端获取该焊缝图像的缺陷区域的每个像素点的位置信息,终端对该焊缝图像的缺陷区域进行形态学开运算,再进行形态学闭运算,得到已初步除噪的第一焊缝图像。终端计算焊缝图像与第二焊缝图像之间相同坐标位置上的两个像素点灰度差值的绝对值,得到包含各像素点灰度差值的绝对值的第二焊缝图像。终端通过大津算法,计算第二焊缝图像的最佳灰度值阈值,并在该第二焊缝图像的各像素点中,筛选大于该最佳灰度值阈值的灰度值绝对值的像素点,作为初始噪声像素点。
基于上述方案,通过计算焊缝图像的各像素点的灰度差值的绝对值,确定焊缝图像的最佳灰度值阈值,从而筛选初始噪声像素点,提升了初始噪声像素点的筛选精准度。
可选的,基于自适应滤波策略,对各初始噪声像素点进行划分处理,得到多个初始噪声像素区域,包括:基于预设图像划分策略,将各初始噪声像素点划分为多个图像区域;识别每个图像区域中包含的初始噪声像素点数目、以及每个图像区域中的各初始噪声像素点的位置信息;针对每个图像区域,基于图像区域中包含的初始噪声像素点数目、以及图像区域中的各初始噪声像素点的位置信息,通过噪声像素失误概率算法,计算图像区域中的各初始噪声像素点的噪声识别失误率;基于每个图像区域中的各初始噪声像素点的噪声识别失误率、以及预设滤波窗口尺寸筛选条件,确定图像区域中的各初始噪声像素点对应的滤波窗口尺寸,并将已确定所有初始噪声像素点的滤波窗口尺寸的图像区域,作为初始噪声像素区域。
本实施例中,终端预设图像区域的大小,并基于预设图像区域的大小,将各初始噪
声像素点划分为多个图像区域。终端识别每个图像区域中包含的初始噪声像素点数目、以
及每个图像区域中的各初始噪声像素点的位置信息。终端针对每个图像区域,基于图像区
域中包含的初始噪声像素点数目、以及图像区域中的各初始噪声像素点的位置信息,通过
噪声像素失误概率算法,计算图像区域中的各初始噪声像素点的噪声识别失误率。其中噪
声像素失误概率算法具体公式如下:
。
其中表示分割的第i个图像区域内初始噪声像素点的数量,为分割的一个
图像区域内的像素点数量,即为归一化处理,表示分割的第i个图像区域内各初始噪
声像素点与其最近的初始噪声像素点欧式距离的方差,k为图像区域的数量。
终端预设多个滤波窗口尺寸以及每个滤波窗口尺寸对应的筛选条件。终端针对每个图像区域,基于该图像区域的所有初始噪声像素点的噪声识别失误率以及预设滤波窗口尺寸筛选条件,确定图像区域中的各初始噪声像素点对应的滤波窗口尺寸,并将已确定所有初始噪声像素点的滤波窗口尺寸的图像区域,作为初始噪声像素区域。具体的确定每个初始噪声像素点对应的滤波窗口尺寸的过程后续将详细说明。
基于上述方案,通过噪声像素失误概率算法计算每个初始噪声像素点对应的滤波窗口尺寸,提升了对不同初始噪声像素点的滤波处理的精准度,并确保提升该焊缝图像中的裂纹缺陷的保护程度。
可选的,基于每个图像区域中的各初始噪声像素点的噪声识别失误率、以及预设滤波窗口尺寸筛选条件,确定图像区域中的各初始噪声像素点对应的滤波窗口尺寸,包括:针对每个图像区域,对图像区域中的各初始噪声像素点的噪声识别失误率进行归一化处理,得到图像区域中的各初始噪声像素点的滤波值;基于预设滤波窗口尺寸对应的滤波值范围、以及图像区域中的各初始噪声像素点的滤波值,确定图像区域中的各初始噪声像素点对应的滤波窗口尺寸。
本实施例中,终端针对每个图像区域,对该图像区域中的各初始噪声像素点的噪
声识别失误率进行归一化处理,得到该图像区域中的各初始噪声像素点的滤波值。终端预
设每个滤波窗口对应的滤波值范围,并基于预设滤波窗口尺寸对应的滤波值范围、以及图
像区域中的各初始噪声像素点的滤波值,确定图像区域中的各初始噪声像素点对应的滤波
窗口尺寸。例如,集合中的每一个数据值除以集合中的最大值,获得集合。终端预设滤波窗口尺寸对应的滤波范围,滤波窗口尺寸为7时
对应的滤波值范围为[0,0.3]、滤波窗口尺寸为5时对应的滤波值范围(0.3,0.7)、滤波窗口
尺寸为3时对应的滤波值范围为[0.7,1]。则终端将集合中处于区间[0,0.3]内的数据值
对应的图像区域内各初始噪声像素点所需滤波窗口尺寸为,令集合中处于区间(0.3,
0.7)内的数据值对应的图像区域内各初始噪声像素点所需滤波窗口尺寸为令集合中
处于区间[0.7,1]内的数据值对应的图像区域内各初始噪声像素点所需滤波窗口尺寸为。
基于上述方案, 通过对各初始噪声像素点的噪声识别失误率进行归一化处理,从而确定每个初始噪声像素点对应的滤波窗口尺寸,提升了对不同初始噪声像素点的滤波处理的精准度,并确保提升该焊缝图像中的裂纹缺陷的保护程度。
可选的,针对每个图像区域,基于图像区域中包含的初始噪声像素点数目、以及图像区域中的各初始噪声像素点的位置信息,通过噪声像素失误概率算法,计算图像区域中的各初始噪声像素点的噪声识别失误率,包括:基于图像区域中的各初始噪声像素点的位置信息,计算图像区域中的每两个相邻初始噪声像素点之间的欧氏距离的方差;根据图像区域中的每两个相邻初始噪声像素点之间的欧氏距离的方差、以及图像区域中包含的初始噪声像素点数目,通过噪声像素失误概率算法,计算图像区域中的各初始噪声像素点的噪声识别失误率。
本实施例中,终端基于图像区域中的各初始噪声像素点的位置信息,该计算图像区域中的每两个相邻初始噪声像素点之间的欧氏距离的方差。终端根据图像区域中的每两个相邻初始噪声像素点之间的欧氏距离的方差、以及图像区域中包含的初始噪声像素点数目,通过噪声像素失误概率算法,计算图像区域中的各初始噪声像素点的噪声识别失误率。
基于上述方案,通过计算图像区域中的每两个相邻初始噪声像素点之间的欧氏距离的方差,确定图像区域中的各初始噪声像素点的噪声识别失误率,提升了初始噪声像素点的噪声识别失误率的计算精准度。
可选的,针对每个初始噪声像素区域,计算初始噪声像素区域的各初始噪声像素点的噪声概率,包括:获取每个初始噪声像素区域中的各初始噪声像素点的位置信息,并基于每个初始噪声像素区域中的各初始噪声像素点的位置信息,确定每个初始噪声像素区域中的各初始噪声像素点的分布特征;针对每个初始噪声像素区域,基于初始噪声像素区域中的各初始噪声像素点的分布特征,计算初始噪声像素区域的各初始噪声像素点的噪声概率。
本实施例中,终端针对每个初始噪声像素区域,获取该初始噪声像素区域中的各初始噪声像素点的位置信息。终端计算该初始噪声像素区域中的初始噪声像素点的像素分布信息、以及该焊缝图像的梯度分布信息,得到该初始噪声像素区域中的各初始噪声像素点的分布特征。终端基于该初始噪声像素区域中的各初始噪声像素点的分布特征,计算该初始噪声像素区域的各初始噪声像素点的噪声概率。其中噪声概率为该初始噪声像素点为目标噪声像素点的概率。具体的计算过程后续将详细说明。
基于上述方案,通过基于初始噪声像素区域中的各初始噪声像素点的分布特征,计算初始噪声像素区域的各初始噪声像素点的噪声概率。提升了计算各初始噪声像素点的噪声概率的精确度。
可选的,基于每个初始噪声像素区域中的各初始噪声像素点的位置信息,确定每个初始噪声像素区域中的各初始噪声像素点的分布特征,包括:计算焊缝图像的各像素点的梯度分布信息,并基于每个初始噪声像素区域中的各初始噪声像素点的位置信息,计算每个初始噪声像素区域中的各初始噪声像素点的像素分布信息;将梯度分布信息、以及每个初始噪声像素区域中的各初始噪声像素点的像素分布信息,作为每个初始噪声像素区域中的各初始噪声像素点的分布特征。
本实施例中,终端基于焊缝图像的各像素点中的所有缺陷像素点的位置信息,计算焊缝图像的各像素点的梯度分布信息。其中该梯度分布信息为该焊缝图像的所有缺陷像素点的分布方向信息。终端基于每个初始噪声像素区域中的各初始噪声像素点的位置信息,计算每个初始噪声像素区域中的各初始噪声像素点的像素分布信息;将梯度分布信息、以及每个初始噪声像素区域中的各初始噪声像素点的像素分布信息,作为每个初始噪声像素区域中的各初始噪声像素点的分布特征。
基于上述方案,在计算每个初始噪声像素区域中的各初始噪声像素点的分布特征时考虑了焊缝图像中的所有缺陷像素点的形状特征,提升了计算后续初始噪声像素点的噪声概率的精确度。
可选的,基于初始噪声像素区域中的各初始噪声像素点的分布特征,计算初始噪声像素区域的各初始噪声像素点的噪声概率,包括:基于初始噪声像素区域中的各初始噪声像素点的像素分布信息、以及初始噪声像素区域中的各初始噪声像素点所属的缺陷像素点区域的灰度值,计算初始噪声像素区域中的各初始噪声像素点的初始噪声概率;通过焊缝图像的各像素点的梯度分布信息,对初始噪声像素区域中的各初始噪声像素点的初始噪声概率进行调整处理,得到初始噪声像素区域中的各初始噪声像素点的噪声概率。
本实施例中,终端基于初始噪声像素区域中的各初始噪声像素点的像素分布信息、以及初始噪声像素区域中的各初始噪声像素点所属的缺陷像素点区域的灰度值,计算初始噪声像素区域中的各初始噪声像素点的初始噪声概率。
具体的计算初始噪声概率的计算公式为:
。
其中H表示该初始噪声像素点在图像B中的灰度值,即形态学开、闭运算前后该初
始噪声像素点的灰度变化。表示该初始噪声像素点所处的第z个图像区域中裂纹缺陷像
素点被误识为初始噪声像素点的程度的归一化值。表示该初始噪声像素点与其最近
的初始噪声像素点的欧式距离。表示焊缝图像内各初始噪声像素点与其最近的初始
噪声像素点欧式距离的众数,若存在多个众数,则取这些众数的均值。e为自然对数。
终端通过焊缝图像的各像素点的梯度分布信息,对初始噪声像素区域中的各初始噪声像素点的初始噪声概率进行调整处理,得到初始噪声像素区域中的各初始噪声像素点的噪声概率。其中调整公式为,
。
其中表示该初始噪声像素点梯度方向所处直线与横向直线的夹角值,即为归
一化处理,的求取过程为:从该初始噪声像素点开始,沿其梯度方向逐像素点遍历,分别
计算该初始噪声像素点与遍历的前3个像素点的梯度方向所处直线的夹角值,取这3个夹角
值的均值为。再从该初始噪声像素点开始,沿其梯度方向的反方向逐像素点遍历,分别
计算该初始噪声像素点与遍历的前3个像素点的梯度方向所处直线的夹角值,取这3个夹角
值的均值为。令和中的较小值为,实施者可根据实际需求自行选取像素点数量。
F表示该初始噪声像素点在分布特征上为噪声点的机率。
基于上述方案,通过考虑焊缝图像的中的所有缺陷像素点的形状特征、以及每个初始噪声像素区域中的各初始噪声像素点的像素分布信息,从而确定各初始噪声像素点的噪声概率,提升了噪声概率的确定精准度。
可选的,基于各目标噪声像素点的滤波窗口尺寸,对各目标噪声像素点进行加权均值滤波去噪处理,得到已除噪的缺陷区域,包括:对每个目标噪声像素点的噪声概率进行归一化处理,得到目标噪声像素点的权值,并基于每个目标噪声像素点的灰度值、每个目标噪声像素点所属的初始噪声像素区域中各初始噪声像素点的数目、每个目标噪声像素点的权值、以及每个目标噪声像素点所属的初始噪声像素区域的滤波窗口尺寸,通过滤波函数,对每个目标噪声像素点进行加权均值滤波去噪处理,得到已除噪的目标噪声像素点;将包含所有已除噪的目标噪声像素点的缺陷区域,作为已除噪的缺陷区域。
本实施例中,终端对每个目标噪声像素点的噪声概率进行归一化处理,得到目标
噪声像素点的权值。终端将每个目标噪声像素点的灰度值、每个目标噪声像素点所属的初
始噪声像素区域中各初始噪声像素点的数目、每个目标噪声像素点的权值、以及每个目标
噪声像素点所属的初始噪声像素区域的滤波窗口尺寸,输入滤波函数,对每个目标噪声像
素点进行加权均值滤波去噪处理,得到已除噪的目标噪声像素点,终端将包含所有已除噪
的目标噪声像素点的缺陷区域,作为已除噪的缺陷区域。其中,滤波去噪后,各像素点的灰
度值为值为:
。
其中表示焊缝图像内第j个像素点的滤波窗口内第d个像素点的灰度值,表
示焊缝图像内第j个像素点的滤波窗口内第d个像素点的权值,表示焊缝图像内第j个像
素点的滤波窗口内的像素点数量。q表示焊缝内的像素点数量。
基于上述方案,通过对不同滤波窗口尺寸的目标噪声像素点进行加权均值滤波去噪处理,提升了滤波除噪后的焊缝图像的缺陷细节的保留度。
可选的,对已除噪的缺陷区域进行分割异常检测处理,得到焊缝图像的异常检测值,包括:通过分割算法,对已除噪的缺陷区域进行分割处理,得到多个子目标裂纹区域,并分别识别每个子目标裂纹区域的子异常检测值,得到焊缝图像的异常检测值。
本实施例中,终端通过分水岭算法,对已除噪的缺陷区域进行分割处理,得到多个子目标裂纹区域。终端识别每个子目标裂纹区域的子异常检测值,并将所有子目标裂纹区域的子异常检测值,作为焊缝图像的异常检测值。
基于上述方案,通过一种钢结构装配式建筑焊接异常检测方法,提升了检测的焊缝图像的异常检测值的精准度。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图2所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种钢结构装配式建筑焊接异常检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图2中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现第一方面时的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现第一方面时的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现第一方面时的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
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,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (6)
1.一种钢结构装配式建筑焊接异常检测方法,其特征在于,所述方法包括:
获取焊缝图像,并识别所述焊缝图像的缺陷区域;
提取所述缺陷区域中的初始噪声像素点,并基于自适应滤波策略,对各初始噪声像素点进行划分处理,得到多个初始噪声像素区域;所述初始噪声像素区域中包括多个确定滤波窗口尺寸的初始噪声像素点;
针对每个初始噪声像素区域,计算所述初始噪声像素区域的各初始噪声像素点的噪声概率,并筛选大于预设噪声概率预阈值的初始噪声像素点,作为目标噪声像素点;
基于各所述目标噪声像素点的滤波窗口尺寸,对各所述目标噪声像素点进行加权均值滤波去噪处理,得到已除噪的缺陷区域,并对所述已除噪的缺陷区域进行分割异常检测处理,得到所述焊缝图像的异常检测值;
所述提取所述缺陷区域中的初始噪声像素点,包括:
获取所述焊缝图像的缺陷区域中每个像素点的位置信息,并对所述焊缝图像的缺陷区域进行形态学运算处理,得到第一焊缝图像;
计算所述焊缝图像的缺陷区域与所述第一焊缝图像的相同位置信息的各像素点之间的灰度差值的绝对值,并将包含所述焊缝图像与所述第一焊缝图像的相同位置信息的各像素点之间的灰度差值的绝对值的第一焊缝图像,作为第二焊缝图像;
基于所述第二焊缝图像的各像素点的位置信息、以及所述第二焊缝图像的灰度差值的绝对值,计算所述第二焊缝图像的最佳灰度值阈值,并在所述第二焊缝图像的各像素点中,筛选大于所述最佳灰度值阈值的像素点,作为初始噪声像素点;
所述基于自适应滤波策略,对各初始噪声像素点进行划分处理,得到多个初始噪声像素区域,包括:
基于预设图像划分策略,将各初始噪声像素点划分为多个图像区域;
识别每个图像区域中包含的初始噪声像素点数目、以及每个图像区域中的各初始噪声像素点的位置信息;
针对每个图像区域,基于所述图像区域中包含的初始噪声像素点数目、以及所述图像区域中的各初始噪声像素点的位置信息,通过噪声像素失误概率算法,计算所述图像区域中的各初始噪声像素点的噪声识别失误率;
基于每个图像区域中的各初始噪声像素点的噪声识别失误率、以及预设滤波窗口尺寸筛选条件,确定所述图像区域中的各初始噪声像素点对应的滤波窗口尺寸,并将已确定所有初始噪声像素点的滤波窗口尺寸的图像区域,作为初始噪声像素区域;
所述基于每个图像区域中的各初始噪声像素点的噪声识别失误率、以及预设滤波窗口尺寸筛选条件,确定所述图像区域中的各初始噪声像素点对应的滤波窗口尺寸,包括:
针对每个图像区域,对所述图像区域中的各初始噪声像素点的噪声识别失误率进行归一化处理,得到所述图像区域中的各初始噪声像素点的滤波值;
基于预设滤波窗口尺寸对应的滤波值范围、以及所述图像区域中的各初始噪声像素点的滤波值,确定所述图像区域中的各初始噪声像素点对应的滤波窗口尺寸;
所述基于各所述目标噪声像素点的滤波窗口尺寸,对各所述目标噪声像素点进行加权均值滤波去噪处理,得到已除噪的缺陷区域,包括:
对每个目标噪声像素点的噪声概率进行归一化处理,得到所述目标噪声像素点的权值,并基于每个目标噪声像素点的灰度值、每个目标噪声像素点所属的初始噪声像素区域中各初始噪声像素点的数目、每个目标噪声像素点的权值、以及每个目标噪声像素点所属的初始噪声像素区域的滤波窗口尺寸,通过滤波函数,对每个目标噪声像素点进行加权均值滤波去噪处理,得到已除噪的目标噪声像素点;
将包含所有已除噪的目标噪声像素点的缺陷区域,作为已除噪的缺陷区域。
2.根据权利要求1所述的方法,其特征在于,所述针对每个图像区域,基于所述图像区域中包含的初始噪声像素点数目、以及所述图像区域中的各初始噪声像素点的位置信息,通过噪声像素失误概率算法,计算所述图像区域中的各初始噪声像素点的噪声识别失误率,包括:
基于所述图像区域中的各初始噪声像素点的位置信息,计算所述图像区域中的每两个相邻初始噪声像素点之间的欧氏距离的方差;
根据所述图像区域中的每两个相邻初始噪声像素点之间的欧氏距离的方差、以及所述图像区域中包含的初始噪声像素点数目,通过噪声像素失误概率算法,计算所述图像区域中的各初始噪声像素点的噪声识别失误率。
3.根据权利要求1所述的方法,其特征在于,所述针对每个初始噪声像素区域,计算所述初始噪声像素区域的各初始噪声像素点的噪声概率,包括:
获取每个初始噪声像素区域中的各初始噪声像素点的位置信息,并基于每个初始噪声像素区域中的各初始噪声像素点的位置信息,确定每个初始噪声像素区域中的各初始噪声像素点的分布特征;
针对每个初始噪声像素区域,基于所述初始噪声像素区域中的各初始噪声像素点的分布特征,计算初始噪声像素区域的各初始噪声像素点的噪声概率。
4.根据权利要求3所述的方法,其特征在于,所述基于每个初始噪声像素区域中的各初始噪声像素点的位置信息,确定每个初始噪声像素区域中的各初始噪声像素点的分布特征,包括:
计算所述焊缝图像的各像素点的梯度分布信息,并基于每个初始噪声像素区域中的各初始噪声像素点的位置信息,计算每个初始噪声像素区域中的各初始噪声像素点的像素分布信息;
将所述梯度分布信息、以及每个初始噪声像素区域中的各初始噪声像素点的像素分布信息,作为每个初始噪声像素区域中的各初始噪声像素点的分布特征。
5.根据权利要求3所述的方法,其特征在于,所述基于所述初始噪声像素区域中的各初始噪声像素点的分布特征,计算初始噪声像素区域的各初始噪声像素点的噪声概率,包括:
基于所述初始噪声像素区域中的各初始噪声像素点的像素分布信息、以及所述初始噪声像素区域中的各初始噪声像素点所属的缺陷像素点区域的灰度值,计算所述初始噪声像素区域中的各初始噪声像素点的初始噪声概率;
通过所述焊缝图像的各像素点的梯度分布信息,对所述初始噪声像素区域中的各初始噪声像素点的初始噪声概率进行调整处理,得到所述初始噪声像素区域中的各初始噪声像素点的噪声概率。
6.根据权利要求1所述的方法,其特征在于,所述对所述已除噪的缺陷区域进行分割异常检测处理,得到所述焊缝图像的异常检测值,包括:
通过分割算法,对已除噪的缺陷区域进行分割处理,得到多个子目标裂纹区域,并分别识别每个子目标裂纹区域的子异常检测值,得到所述焊缝图像的异常检测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310626066.0A CN116342610B (zh) | 2023-05-31 | 2023-05-31 | 一种钢结构装配式建筑焊接异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310626066.0A CN116342610B (zh) | 2023-05-31 | 2023-05-31 | 一种钢结构装配式建筑焊接异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116342610A CN116342610A (zh) | 2023-06-27 |
CN116342610B true CN116342610B (zh) | 2023-08-15 |
Family
ID=86879131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310626066.0A Active CN116342610B (zh) | 2023-05-31 | 2023-05-31 | 一种钢结构装配式建筑焊接异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116342610B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117455915B (zh) * | 2023-12-25 | 2024-03-08 | 陕西福坤顺科技有限公司 | 基于机器视觉的三轴转台缺陷检测方法 |
CN117635604B (zh) * | 2024-01-23 | 2024-04-05 | 华航检测认证(青岛)有限公司 | 一种建筑工程钢结构焊接质量检测方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6011430A (en) * | 1996-04-17 | 2000-01-04 | Samsung Electronics Co., Ltd. | Method and circuit for reducing noise |
JP2016181098A (ja) * | 2015-03-24 | 2016-10-13 | 株式会社Screenホールディングス | 領域検出装置および領域検出方法 |
CN107655404A (zh) * | 2017-08-03 | 2018-02-02 | 刘素兰 | 一种凹陷程度的测量方法 |
CN113034452A (zh) * | 2021-03-15 | 2021-06-25 | 南京理工大学 | 一种焊件轮廓检测方法 |
WO2022110804A1 (zh) * | 2020-11-24 | 2022-06-02 | 海南大学 | 一种基于局部统计信息的图像噪声检测方法、装置 |
CN115018853A (zh) * | 2022-08-10 | 2022-09-06 | 南通市立新机械制造有限公司 | 基于图像处理的机械组件缺陷检测方法 |
CN115222741A (zh) * | 2022-09-20 | 2022-10-21 | 江苏昱恒电气有限公司 | 一种电缆表面缺陷检测方法 |
CN115330784A (zh) * | 2022-10-13 | 2022-11-11 | 南通金百福纺织品有限公司 | 一种布匹表面缺陷检测方法 |
CN115330758A (zh) * | 2022-10-11 | 2022-11-11 | 精技电子(南通)有限公司 | 基于去噪处理的焊接质量检测方法 |
WO2022252442A1 (zh) * | 2021-05-31 | 2022-12-08 | 齐鲁工业大学 | 一种针对皮革纤维mct断层扫描图像的智能去噪方法及应用 |
CN115471503A (zh) * | 2022-11-03 | 2022-12-13 | 江西捷锐机电设备有限公司 | 用于数控剖锭机的设备异常检测方法 |
CN115661135A (zh) * | 2022-12-09 | 2023-01-31 | 山东第一医科大学附属省立医院(山东省立医院) | 一种心脑血管造影的病灶区域分割方法 |
CN115713487A (zh) * | 2022-10-26 | 2023-02-24 | 上海船舶工艺研究所(中国船舶集团有限公司第十一研究所) | 用于x射线焊缝图像的缺陷识别方法、设备和存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6891967B2 (en) * | 1999-05-04 | 2005-05-10 | Speedline Technologies, Inc. | Systems and methods for detecting defects in printed solder paste |
WO2010073251A2 (en) * | 2008-12-25 | 2010-07-01 | Medic Vision - Brain Technologies Ltd. | Denoising medical images |
CN111242137B (zh) * | 2020-01-13 | 2023-05-26 | 江西理工大学 | 一种基于形态成分分析的椒盐噪声滤波方法、装置 |
JP2022100693A (ja) * | 2020-12-24 | 2022-07-06 | 京セラドキュメントソリューションズ株式会社 | 画像処理方法、画像処理装置 |
-
2023
- 2023-05-31 CN CN202310626066.0A patent/CN116342610B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6011430A (en) * | 1996-04-17 | 2000-01-04 | Samsung Electronics Co., Ltd. | Method and circuit for reducing noise |
JP2016181098A (ja) * | 2015-03-24 | 2016-10-13 | 株式会社Screenホールディングス | 領域検出装置および領域検出方法 |
CN107655404A (zh) * | 2017-08-03 | 2018-02-02 | 刘素兰 | 一种凹陷程度的测量方法 |
WO2022110804A1 (zh) * | 2020-11-24 | 2022-06-02 | 海南大学 | 一种基于局部统计信息的图像噪声检测方法、装置 |
CN113034452A (zh) * | 2021-03-15 | 2021-06-25 | 南京理工大学 | 一种焊件轮廓检测方法 |
WO2022252442A1 (zh) * | 2021-05-31 | 2022-12-08 | 齐鲁工业大学 | 一种针对皮革纤维mct断层扫描图像的智能去噪方法及应用 |
CN115018853A (zh) * | 2022-08-10 | 2022-09-06 | 南通市立新机械制造有限公司 | 基于图像处理的机械组件缺陷检测方法 |
CN115222741A (zh) * | 2022-09-20 | 2022-10-21 | 江苏昱恒电气有限公司 | 一种电缆表面缺陷检测方法 |
CN115330758A (zh) * | 2022-10-11 | 2022-11-11 | 精技电子(南通)有限公司 | 基于去噪处理的焊接质量检测方法 |
CN115330784A (zh) * | 2022-10-13 | 2022-11-11 | 南通金百福纺织品有限公司 | 一种布匹表面缺陷检测方法 |
CN115713487A (zh) * | 2022-10-26 | 2023-02-24 | 上海船舶工艺研究所(中国船舶集团有限公司第十一研究所) | 用于x射线焊缝图像的缺陷识别方法、设备和存储介质 |
CN115471503A (zh) * | 2022-11-03 | 2022-12-13 | 江西捷锐机电设备有限公司 | 用于数控剖锭机的设备异常检测方法 |
CN115661135A (zh) * | 2022-12-09 | 2023-01-31 | 山东第一医科大学附属省立医院(山东省立医院) | 一种心脑血管造影的病灶区域分割方法 |
Non-Patent Citations (1)
Title |
---|
基于方向中值的图像椒盐噪声检测算法;陈健;郑绍华;;计算机应用(10);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116342610A (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116342610B (zh) | 一种钢结构装配式建筑焊接异常检测方法 | |
CN111241947B (zh) | 目标检测模型的训练方法、装置、存储介质和计算机设备 | |
Chen et al. | A texture‐based video processing methodology using Bayesian data fusion for autonomous crack detection on metallic surfaces | |
Tan et al. | Automatic detection of sewer defects based on improved you only look once algorithm | |
CN104504669B (zh) | 一种基于局部二值模式的中值滤波检测方法 | |
CN113109368B (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
CN114299066B (zh) | 基于显著性特征预提取与图像分割的缺陷检测方法和装置 | |
CN113781406B (zh) | 电子元器件的划痕检测方法、装置及计算机设备 | |
CN115239644B (zh) | 混凝土缺陷识别方法、装置、计算机设备和存储介质 | |
CN111932510A (zh) | 一种图像清晰度的确定方法及装置 | |
CN112597928B (zh) | 一种事件检测方法及相关装置 | |
CN117094916B (zh) | 一种市政桥梁支座视觉检测方法 | |
CN113240623A (zh) | 一种路面病害检测方法及装置 | |
CN116485779B (zh) | 自适应晶圆缺陷检测方法、装置、电子设备及存储介质 | |
Shen et al. | Blind detection of median filtering using linear and nonlinear descriptors | |
CN115439454A (zh) | 泡罩药品质量检测方法、装置、计算机设备、介质和产品 | |
CN114241370A (zh) | 基于数字孪生变电站的入侵识别方法、装置和计算机设备 | |
Liu et al. | Identification of smartphone-image source and manipulation | |
CN115239705A (zh) | 子宫内膜浆细胞数量的统计方法、装置、设备和存储介质 | |
CN115564710A (zh) | 基于lk光流法的火灾烟雾检测方法、装置及存储介质 | |
CN112560864B (zh) | 图像语义分割方法、装置及图像语义分割模型的训练方法 | |
JP5137805B2 (ja) | 検査システム及びその制御方法、コンピュータプログラム | |
CN113852629B (zh) | 基于自然邻的自适应加权核密度的网络连接异常识别方法及计算机存储介质 | |
CN113553953B (zh) | 车辆抛物检测方法、装置、电子装置及可读存储介质 | |
WO2013038225A1 (en) | Methods and apparatus for image analysis and modification using fast sliding parabola erosion |
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 |
Denomination of invention: A welding anomaly detection method for steel structure prefabricated buildings Granted publication date: 20230815 Pledgee: Postal Savings Bank of China Co.,Ltd. Linyi Hedong District Sub branch Pledgor: Shandong Henghai Steel Structure Co.,Ltd. Registration number: Y2024980000886 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |