CN116433669A - 基于机器视觉的抗震结构钢架焊缝质量检测方法 - Google Patents
基于机器视觉的抗震结构钢架焊缝质量检测方法 Download PDFInfo
- Publication number
- CN116433669A CN116433669A CN202310700553.7A CN202310700553A CN116433669A CN 116433669 A CN116433669 A CN 116433669A CN 202310700553 A CN202310700553 A CN 202310700553A CN 116433669 A CN116433669 A CN 116433669A
- Authority
- CN
- China
- Prior art keywords
- initial
- pixel point
- initial pixel
- target
- group
- 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
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 53
- 239000010959 steel Substances 0.000 title claims abstract description 53
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 230000007547 defect Effects 0.000 claims abstract description 139
- 238000003466 welding Methods 0.000 claims abstract description 52
- 238000005520 cutting process Methods 0.000 claims abstract description 32
- 238000009826 distribution Methods 0.000 claims abstract description 28
- 230000002159 abnormal effect Effects 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000001502 supplementing effect Effects 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 230000000875 corresponding effect Effects 0.000 claims description 309
- 230000005856 abnormality Effects 0.000 claims description 42
- 230000008859 change Effects 0.000 claims description 40
- 230000007704 transition Effects 0.000 claims description 39
- 230000002596 correlated effect Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 10
- 230000000153 supplemental effect Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 3
- 230000001965 increasing effect Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 230000002950 deficient Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000003247 decreasing effect Effects 0.000 description 4
- 229910000746 Structural steel Inorganic materials 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 101100391172 Dictyostelium discoideum forA gene Proteins 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 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
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及直方图图像增强技术领域,具体涉及基于机器视觉的抗震结构钢架焊缝质量检测方法,该方法包括:获取待检测抗震结构钢架对应的初始焊缝图像,对初始焊缝图像中的初始像素点进行分组处理;对每个初始像素点组进行异常分布分析处理;确定标准灰度值组;确定初始像素点对应的疑似缺陷指标和重要程度;确定目标裁减系数;对初始焊缝图像对应的灰度直方图进行裁减补充处理;根据裁减补充后得到的目标灰度直方图,对初始焊缝图像进行直方图均衡化;对待检测抗震结构钢架进行质量检测。本发明通过对初始焊缝图像进行增强,实现了对待检测抗震结构钢架进行质量检测,提高了对焊缝质量进行检测的准确度,应用于焊缝质量检测。
Description
技术领域
本发明涉及直方图图像增强技术领域,具体涉及基于机器视觉的抗震结构钢架焊缝质量检测方法。
背景技术
随着我国钢材生产工艺的发展,抗震结构钢架已经成为建筑行业中重要的建筑材料之一,其可以有效的加强建筑工程的抗震性能,保护人民生命安全与财产安全。由于抗震结构钢架的安全性和使用性往往与其焊接质量有直接关系,因此对抗震结构钢架的焊缝质量的检测至关重要。
目前,对抗震结构钢架的焊缝质量进行检测时,通常采用的方式为:采集焊缝图像,并对焊缝图像进行增强,基于增强后的焊缝图像,对焊缝质量进行检测。由于成像技术和焊接环境等因素,采集的焊缝图像普遍存在对比度低的问题,因此对焊缝质量进行检测时往往需要对焊缝图像进行增强。现有对图像进行增强的方式通常为:根据图像的灰度直方图,对图像进行直方图均衡化,得到增强图像。
然而,当根据焊缝图像的灰度直方图,对焊缝图像进行直方图均衡化时,经常会存在如下技术问题:
由于灰度直方图均衡化往往是按照图像的灰度值分布进行统计学上的图像增强,因此,直接根据焊缝图像的灰度直方图,对焊缝图像进行直方图均衡化时,可能导致像素点较少的重要信息丢失,从而导致对焊缝图像进行增强的效果低下,进而导致对焊缝质量进行检测的准确度低下。
发明内容
本发明的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
为了解决对焊缝质量进行检测的准确度低下的技术问题,本发明提出了基于机器视觉的抗震结构钢架焊缝质量检测方法。
本发明提供了基于机器视觉的抗震结构钢架焊缝质量检测方法,该方法包括:
获取待检测抗震结构钢架对应的初始焊缝图像,并对所述初始焊缝图像中的初始像素点进行分组处理,得到初始像素点组集合;
对所述初始像素点组集合中的每个初始像素点组进行异常分布分析处理,得到所述初始像素点组对应的目标异常程度;
根据所述初始像素点组集合中的各个初始像素点组对应的目标异常程度和灰度值,确定标准灰度值组;
根据所述初始焊缝图像中的每个初始像素点所属初始像素点组对应的目标异常程度和所述标准灰度值组,确定所述初始像素点对应的疑似缺陷指标;
根据所述初始焊缝图像中的每个初始像素点对应的疑似缺陷指标和梯度方向,确定所述初始像素点对应的重要程度;
根据所述初始焊缝图像中灰度值不同的各种初始像素点数量和各个初始像素点对应的重要程度,确定目标裁减系数;
根据所述目标裁减系数,对所述初始焊缝图像对应的灰度直方图进行裁减补充处理,得到目标灰度直方图;
根据所述目标灰度直方图,对所述初始焊缝图像进行直方图均衡化,得到目标增强图像;
根据所述目标增强图像,对所述待检测抗震结构钢架进行质量检测。
可选地,所述对所述初始像素点组集合中的每个初始像素点组进行异常分布分析处理,得到所述初始像素点组对应的目标异常程度,包括:
对所述初始像素点组中的初始像素点对应的灰度值进行正态分布拟合,得到所述初始像素点组中的每个初始像素点对应的拟合值;
将每个初始像素点对应的灰度值和拟合值的差值的绝对值,确定为所述初始像素点对应的第一差异;
根据所述初始像素点组中的各个初始像素点对应的第一差异,确定所述初始像素点组对应的拟合异常指标,其中,初始像素点对应的第一差异与该初始像素点所属初始像素点组对应的拟合异常指标呈正相关;
根据所述初始像素点组中的初始像素点对应的灰度值,确定所述初始像素点组对应的目标变化指标;
根据所述初始像素点组对应的拟合异常指标和目标变化指标,确定所述初始像素点组对应的目标异常程度,其中,拟合异常指标和目标变化指标均与目标异常程度呈正相关。
可选地,所述根据所述初始像素点组中的初始像素点对应的灰度值,确定所述初始像素点组对应的目标变化指标,包括:
将所述初始像素点组中每相邻两个初始像素点对应的灰度值的差值,确定为这相邻两个初始像素点之间的第二差异,得到所述初始像素点组对应的第二差异组;
当第二差异组中的第二差异大于预设差异值时,将第一预设值确定为第二差异对应的转变指标;
当第二差异组中的第二差异等于预设差异值时,将第二预设值确定为第二差异对应的转变指标;
当第二差异组中的第二差异小于预设差异值时,将第三预设值确定为第二差异对应的转变指标;
将第二差异组中的各个第二差异对应的转变指标,组合为转变指标组;
将转变指标组中除了第二预设值之外的预设值,组合为目标转变值组;
将目标转变值组中每相邻两个目标转变值的差值,确定为这相邻两个目标转变值之间的第三差异,得到第三差异组;
将第三差异组中不等于预设差异值的第三差异的数量,确定为第一变化指标;
根据第一变化指标,确定所述初始像素点组对应的目标变化指标,其中,第一变化指标与目标变化指标呈正相关。
可选地,所述根据所述初始像素点组集合中的各个初始像素点组对应的目标异常程度和灰度值,确定标准灰度值组,包括:
将所述初始像素点组集合中预设百分比的初始像素点组的数量,确定为目标数量;
从所述初始像素点组集合中筛选出目标异常程度最小的目标数量个初始像素点组,作为参考像素点组,得到参考像素点组集合;
将所述参考像素点组集合中的各个参考像素点组中相同位置处的所有参考像素点对应的灰度值的均值,确定为参考灰度值,得到参考灰度值组;
对所述参考灰度值组中的参考灰度值进行正态分布拟合,得到标准灰度值组。
可选地,所述根据所述初始焊缝图像中的每个初始像素点所属初始像素点组对应的目标异常程度和所述标准灰度值组,确定所述初始像素点对应的疑似缺陷指标,包括:
将所述初始像素点所属初始像素点组中的各个初始像素点对应的灰度值,确定为初始灰度值,得到初始灰度值组;
将初始灰度值组和所述标准灰度值组中相同位置处的灰度值的差值的绝对值,确定为第四差异,得到第四差异组;
将第四差异组的方差,确定为所述初始像素点所属初始像素点组对应的第一缺陷指标;
将所述初始像素点对应的灰度值与所述标准灰度值组中相同位置处的标准灰度值的差值的绝对值,确定为所述初始像素点对应的第二缺陷指标;
根据所述初始像素点对应的第二缺陷指标、所述初始像素点所属初始像素点组对应的目标异常程度和第一缺陷指标,确定所述初始像素点对应的疑似缺陷指标,其中,目标异常程度、第一缺陷指标和第二缺陷指标均与疑似缺陷指标呈正相关。
可选地,所述根据所述初始焊缝图像中的每个初始像素点对应的疑似缺陷指标和梯度方向,确定所述初始像素点对应的重要程度,包括:
将所述初始像素点对应的预设邻域中的每个邻域像素点对应的梯度方向,确定为所述邻域像素点对应的参考直线的方向,得到所述初始像素点对应的参考直线集合;
将所述初始像素点对应的梯度方向,确定为所述初始像素点对应的目标直线的方向;
将所述初始像素点对应的目标直线和参考直线集合中的每个参考直线之间的夹角,确定为所述参考直线对应的参考夹角,得到所述初始像素点对应的参考夹角集合;
根据所述初始像素点对应的参考夹角集合,确定所述初始像素点对应的第一重要指标,其中,参考夹角集合中的参考夹角与第一重要指标呈正相关;
根据所述初始像素点对应的第一重要指标和疑似缺陷指标,确定所述初始像素点对应的重要程度,其中,第一重要指标和疑似缺陷指标均与重要程度呈正相关。
可选地,所述根据所述初始焊缝图像中灰度值不同的各种初始像素点数量和各个初始像素点对应的重要程度,确定目标裁减系数,包括:
将所述初始焊缝图像中灰度值不同的每种初始像素点的数量,确定为该种初始像素点对应的第一数量,得到第一数量集合;
将所述第一数量集合中所有第一数量的均值,确定为初始裁减值;
将所述第一数量集合中最大的第一数量,确定为第二数量;
将所述初始焊缝图像中灰度值不同的每种初始像素点中所有初始像素点对应的重要程度的均值,确定为该种初始像素点对应的目标重要指标;
根据所述初始裁减值、所述第二数量、所述初始焊缝图像中灰度值不同的各种初始像素点对应的目标重要指标和数量,确定所述目标裁减系数。
可选地,所述目标裁减系数对应的公式为:
其中,r是所述目标裁减系数,N是所述初始焊缝图像中灰度值不同的初始像素点
的种数,是所述初始焊缝图像中灰度值不同的第x种初始像素点对应的裁剪指标,是所
述初始焊缝图像中灰度值不同的第x种初始像素点对应的目标重要指标,是所述初始焊
缝图像中灰度值不同的第x种初始像素点的数量,T是所述初始裁减值,是所述第二数
量,是的归一化值,x是所述初始焊缝图像中灰度值不同的初始像
素点的种类序号。
可选地,所述根据所述目标裁减系数,对所述初始焊缝图像对应的灰度直方图进行裁减补充处理,得到目标灰度直方图,包括:
根据所述目标裁减系数和所述初始裁减值,确定目标裁减值,其中,所述目标裁减系数和所述初始裁减值均与目标裁减值呈正相关;
将所述初始焊缝图像对应的灰度直方图,确定为初始直方图,其中,初始直方图的横坐标为灰度值,纵坐标为所述初始焊缝图像中灰度值等于对应横坐标的初始像素点的数量;
在所述初始直方图中,将纵截距为所述目标裁减值,并且与横轴平行的直线,确定为裁剪直线;
裁剪所述初始直方图中高于所述裁剪直线的初始像素点数量,并将裁剪的初始像素点数量确定为目标裁剪数量,将裁剪后的初始直方图确定为参考直方图;
根据所述目标裁剪数量,确定目标补充量,其中,目标裁剪数量与目标补充量呈正相关;
将所述参考直方图中的纵坐标向上平移目标补充量个单位,得到目标灰度直方图。
可选地,所述根据所述目标裁剪数量,确定目标补充量,包括:
将所述初始焊缝图像中灰度值不同的初始像素点的种数,确定为目标类别数量;
将所述目标裁剪数量与所述目标类别数量的比值,确定为所述目标补充量。
本发明具有如下有益效果:
本发明的基于机器视觉的抗震结构钢架焊缝质量检测方法,本发明通过对初始焊缝图像进行增强,实现了对待检测抗震结构钢架进行质量检测,解决了对焊缝质量进行检测的准确度低下的技术问题,提高了对焊缝质量进行检测的准确度。首先,由于初始焊缝图像上往往包含了待检测抗震结构钢架上的焊缝信息,因此获取初始焊缝图像,可以便于后续对初始焊缝图像进行精确增强,从而可以便于后续对待检测抗震结构钢架的焊缝质量进行检测。其次,对初始焊缝图像中的初始像素点进行分组处理,可以便于后续对初始像素点组集合中的每个初始像素点组进行分析处理。接着,对初始焊缝图像进行增强,主要是为了使初始焊缝图像中的缺陷更加明显,在图像增强过程中缺陷区域相较于正常区域往往更加重要,因此对初始像素点组集合中的每个初始像素点组进行异常分布分析处理,可以量化每个初始像素点组的异常程度,从而可以便于后续判断初始像素点是否为焊缝缺陷像素点,进而可以便于后续判断初始像素点的重要程度。其中,焊缝缺陷像素点可以是发生了焊缝缺陷的像素点。然后,综合考虑各个初始像素点组对应的目标异常程度和灰度值,可以提高标准灰度值组确定的准确度。继续,综合考虑目标异常程度和标准灰度值组,可以提高疑似缺陷指标确定的准确度。其次,疑似缺陷指标可以表征初始像素点是缺陷像素点的可能性,因此确定初始像素点对应的疑似缺陷指标,可以便于后续判断初始像素点是否为焊缝缺陷像素点。再者,当焊缝区域内的像素点发生缺陷时,可能导致其梯度方向发生变化,因此综合考虑疑似缺陷指标和梯度方向,可以提高初始像素点对应的重要程度确定的准确度。其次,综合考虑灰度值不同的各种初始像素点数量和各个初始像素点对应的重要程度,可以提高目标裁减系数确定的准确度。之后,基于目标裁减系数,对初始焊缝图像对应的灰度直方图进行裁减补充处理,可以提高目标灰度直方图确定的准确度。而后,基于目标灰度直方图,对初始焊缝图像进行直方图均衡化,可以得到更加可以突出缺陷区域的目标增强图像。最后,基于目标增强图像,可以实现对待检测抗震结构钢架的质量检测。因此,本发明量化了多个与焊缝缺陷有关的指标,用于判断初始像素点的重要程度,并根据灰度值不同的各种初始像素点数量和各个初始像素点对应的重要程度,对初始焊缝图像对应的灰度直方图进行裁减补充处理,从而自适应调整了灰度值不同的各种初始像素点的数量,得到目标灰度直方图,基于目标灰度直方图,对初始焊缝图像进行直方图均衡化,相较于直接基于初始焊缝图像的灰度直方图,对初始焊缝图像进行直方图均衡化,在一定程度上可以避免像素点较少的重要信息丢失和防止像素点较多的重要区域的过增强,从而提高了对初始焊缝图像进行增强的效果,进而提高了对焊缝质量进行检测的准确度。
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为本发明的基于机器视觉的抗震结构钢架焊缝质量检测方法的流程图;
图2为本发明的初始直方图示意图;
图3为本发明的目标灰度直方图示意图。
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技术方案的具体实施方式、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”指的不一定是同一个实施例。此外,一个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。
本发明提供了基于机器视觉的抗震结构钢架焊缝质量检测方法,该方法包括以下步骤:
获取待检测抗震结构钢架对应的初始焊缝图像,并对初始焊缝图像中的初始像素点进行分组处理,得到初始像素点组集合;
对初始像素点组集合中的每个初始像素点组进行异常分布分析处理,得到初始像素点组对应的目标异常程度;
根据初始像素点组集合中的各个初始像素点组对应的目标异常程度和灰度值,确定标准灰度值组;
根据初始焊缝图像中的每个初始像素点所属初始像素点组对应的目标异常程度和标准灰度值组,确定初始像素点对应的疑似缺陷指标;
根据初始焊缝图像中的每个初始像素点对应的疑似缺陷指标和梯度方向,确定初始像素点对应的重要程度;
根据初始焊缝图像中灰度值不同的各种初始像素点数量和各个初始像素点对应的重要程度,确定目标裁减系数;
根据目标裁减系数,对初始焊缝图像对应的灰度直方图进行裁减补充处理,得到目标灰度直方图;
根据目标灰度直方图,对初始焊缝图像进行直方图均衡化,得到目标增强图像;
根据目标增强图像,对待检测抗震结构钢架进行质量检测。
下面对上述各个步骤进行详细展开:
参考图1,示出了根据本发明的基于机器视觉的抗震结构钢架焊缝质量检测方法的一些实施例的流程。该基于机器视觉的抗震结构钢架焊缝质量检测方法,包括以下步骤:
步骤S1,获取待检测抗震结构钢架对应的初始焊缝图像,并对初始焊缝图像中的初始像素点进行分组处理,得到初始像素点组集合。
在一些实施例中,可以获取待检测抗震结构钢架对应的初始焊缝图像,并对上述初始焊缝图像中的初始像素点进行分组处理,得到初始像素点组集合。
其中,待检测抗震结构钢架可以是待进行焊缝缺陷检测的抗震结构钢架。焊缝缺陷可以是进行焊接时产生的缺陷。焊缝缺陷可以包括:气孔缺陷和弧坑缺陷。弧坑缺陷又叫凹坑缺陷。抗震结构钢架可以是含有抗震结构的钢架。初始焊缝图像可以是待检测焊缝区域的图像。待检测焊缝区域可以是待检测抗震结构钢架包括的待进行焊缝缺陷检测的焊缝区域。初始像素点可以是初始焊缝图像中的像素点。初始像素点组集合可以包括:初始焊缝图像中的各个像素点。
需要说明的是,由于初始焊缝图像上往往包含了待检测抗震结构钢架上的焊缝信息,因此获取初始焊缝图像,可以便于后续对初始焊缝图像进行精确增强,从而可以便于后续对待检测抗震结构钢架的焊缝质量进行检测。其次,对初始焊缝图像中的初始像素点进行分组处理,可以便于后续对初始像素点组集合中的每个初始像素点组进行分析处理。
作为示例,本步骤可以包括以下步骤:
第一步,通过相机,采集待检测焊缝区域的表面图像,并对采集的表面图像进行灰度化,将灰度化后的表面图像,作为初始焊缝图像。
其中,在采集待检测焊缝区域的表面图像的过程中,可以对待检测焊缝区域进行俯视照明。待检测焊缝区域的焊缝方向可以为初始焊缝图像的水平方向。初始焊缝图像的水平方向也就是初始焊缝图像的行所在的方向。
第二步,当初始焊缝图像的水平方向为待检测焊缝区域的焊缝方向时,可以将初始焊缝图像中的每列初始像素点,按照从上到下的顺序,组成初始像素点组。
其中,初始像素点组集合可以包括:组成的各个初始像素点组。初始像素点组集合中的初始像素点组可以与初始焊缝图像的列一一对应。初始像素点组所在的方向可以与待检测焊缝区域的焊缝方向垂直。
步骤S2,对初始像素点组集合中的每个初始像素点组进行异常分布分析处理,得到初始像素点组对应的目标异常程度。
在一些实施例中,可以对上述初始像素点组集合中的每个初始像素点组进行异常分布分析处理,得到上述初始像素点组对应的目标异常程度。
需要说明的是,对初始焊缝图像进行增强,主要是为了使初始焊缝图像中的缺陷更加明显,在图像增强过程中缺陷区域相较于正常区域往往更加重要,因此对初始像素点组集合中的每个初始像素点组进行异常分布分析处理,可以量化每个初始像素点组的异常程度,从而可以便于后续判断初始像素点是否为焊缝缺陷像素点,进而可以便于后续判断初始像素点的重要程度。其中,焊缝缺陷像素点可以是发生了焊缝缺陷的像素点。
作为示例,本步骤可以包括以下步骤:
第一步,对上述初始像素点组中的初始像素点对应的灰度值进行正态分布拟合,得到上述初始像素点组中的每个初始像素点对应的拟合值。
其中,初始像素点对应的拟合值可以是该初始像素点对应的灰度值进行正态分布拟合后,得到的灰度值。
例如,可以对初始像素点组中所有初始像素点对应的灰度值进行正态分布拟合,将正态分布拟合后的每个灰度值,确定为拟合值。
第二步,将每个初始像素点对应的灰度值和拟合值的差值的绝对值,确定为上述初始像素点对应的第一差异。
第三步,根据上述初始像素点组中的各个初始像素点对应的第一差异,确定上述初始像素点组对应的拟合异常指标。
其中,初始像素点对应的第一差异可以与该初始像素点所属初始像素点组对应的拟合异常指标呈正相关。
第四步,根据上述初始像素点组中的初始像素点对应的灰度值,确定上述初始像素点组对应的目标变化指标。
例如,根据上述初始像素点组中的初始像素点对应的灰度值,确定上述初始像素点组对应的目标变化指标可以包括以下子步骤:
第一子步骤,将上述初始像素点组中每相邻两个初始像素点对应的灰度值的差值,确定为这相邻两个初始像素点之间的第二差异,得到上述初始像素点组对应的第二差异组。
比如,若初始像素点组为{第一初始像素点,第二初始像素点,第三初始像素点},则该初始像素点组对应的第二差异组可以包括:第一初始像素点和第二初始像素点之间的第二差异、第二初始像素点和第三初始像素点之间的第二差异。第一初始像素点和第二初始像素点之间的第二差异可以为:第一初始像素点和第二初始像素点对应的灰度值的差值。第二初始像素点和第三初始像素点之间的第二差异可以为:第二初始像素点和第三初始像素点对应的灰度值的差值。
第二子步骤,当第二差异组中的第二差异大于预设差异值时,将第一预设值确定为第二差异对应的转变指标。
其中,预设差异值可以是预先设置的差异值。比如,预设差异值可以为0。第一预设值可以是预先设置的数值。比如,第一预设值可以是1。
第三子步骤,当第二差异组中的第二差异等于预设差异值时,将第二预设值确定为第二差异对应的转变指标。
其中,第二预设值可以是预先设置的数值。第二预设值可以不等于第一预设值。比如,第二预设值可以是0。
第四子步骤,当第二差异组中的第二差异小于预设差异值时,将第三预设值确定为第二差异对应的转变指标。
其中,第三预设值可以是预先设置的数值。第一预设值、第二预设值和第三预设值可以不相等。比如,第三预设值可以是-1。
第五子步骤,将第二差异组中的各个第二差异对应的转变指标,组合为转变指标组。
比如,若第二差异组为{2,3,0,-2,-3,1},第一预设值为1,第二预设值为0,并且第三预设值为-1,则转变指标组可以为{1,1,0,-1,-1,1}。
第六子步骤,将转变指标组中除了第二预设值之外的预设值,组合为目标转变值组。
比如,若转变指标组为{1,1,0,-1,0,1,1,-1},并且第二预设值为0,则目标转变值组可以为{1,1,-1,1,1,-1}。
第七子步骤,将目标转变值组中每相邻两个目标转变值的差值,确定为这相邻两个目标转变值之间的第三差异,得到第三差异组。
第八子步骤,将第三差异组中不等于预设差异值的第三差异的数量,确定为第一变化指标。
比如,若目标转变值组可以为{1,1,-1,1,-1,-1},并且预设差异值为0,则第三差异组可以为{0,2,-2,2,0},该第三差异组中不等于0的第三差异的数量可以为3,第一变化指标可以为3,代表该第一变化指标对应的初始像素点组中初始像素点对应的灰度值在递增和递减之间转变次数为3。
第九子步骤,根据第一变化指标,确定上述初始像素点组对应的目标变化指标。
其中,第一变化指标可以与目标变化指标呈正相关。
第五步,根据上述初始像素点组对应的拟合异常指标和目标变化指标,确定上述初始像素点组对应的目标异常程度。
其中,拟合异常指标和目标变化指标均可以与目标异常程度呈正相关。
例如,确定初始像素点组对应的目标异常程度对应的公式可以为:
其中,是初始像素点组集合中第i个初始像素点组对应的目标异常程度。是第
i个初始像素点组对应的第一变化指标。是第i个初始像素点组中初始像素点的数量。是
第i个初始像素点组对应的目标变化指标。与呈正相关。是第i个初始像素点组对应的
拟合异常指标。是第i个初始像素点组中第j个初始像素点对应的灰度值。是第i个初
始像素点组中第j个初始像素点对应的拟合值。是第i个初始像素点组中第j个初始
像素点对应的第一差异。是的绝对值。与呈正相关。
是的归一化值。i是初始像素点组集合中初始像素点组的序号。j是第i个初始像素点
组中初始像素点的序号。初始像素点组中初始像素点的序号可以是初始焊缝图像的行号。
需要说明的是,正常(不存在焊缝缺陷)焊缝图像的焊缝方向的垂直方向的灰度变
化往往是从两侧向中心的灰度逐渐增高,所以正常焊缝图像的焊缝方向的垂直方向上的灰
度变化往往符合正态分布。由于初始像素点组所在的方向与待检测焊缝区域的焊缝方向垂
直,因此若初始像素点组是正常的像素点组,则初始像素点组中的初始像素点对应的灰度
变化往往比较符合正态分布。当越小时,往往说明第j个初始像素点越接近对应
的正态分布的拟合值,往往说明第j个初始像素点越可能是正常的像素点。因此当越小
时,往往说明第i个初始像素点组中的初始像素点对应的灰度变化越符合正态分布,往往说
明第i个初始像素点组越可能是正常的像素点组,往往说明第i个初始像素点组越可能未发
生焊缝缺陷。可以表征第i个初始像素点组中初始像素点对应的灰度值在递增和递减之
间转变次数。若初始像素点组是正常的像素点组,则初始像素点组中的初始像素点对应的
灰度变化往往是先递增再递减,递增和递减之间转变次数可能为1,然而发生焊缝缺陷后往
往会改变初始像素点组的灰度变化,从而导致递增和递减之间转变次数增加。所以越大,
往往说明第i个初始像素点组越可能发生了焊缝缺陷。当越大时,往往说明第i个初始像
素点组中初始像素点对应的灰度值在递增和递减之间转变次数相对越多,往往说明第i个
初始像素点组越可能发生了焊缝缺陷。可以作为的调整值。因此越大,往往说明第i个
初始像素点组越可能发生了焊缝缺陷。其次是进行归一化后的值,可以便于后续处理。
步骤S3,根据初始像素点组集合中的各个初始像素点组对应的目标异常程度和灰度值,确定标准灰度值组。
在一些实施例中,可以根据上述初始像素点组集合中的各个初始像素点组对应的目标异常程度和灰度值,确定标准灰度值组。
其中,标准灰度值组中的标准灰度值可以表征对应行处正常的灰度值。
需要说明的是,综合考虑各个初始像素点组对应的目标异常程度和灰度值,可以提高标准灰度值组确定的准确度。
作为示例,本步骤可以包括以下步骤:
第一步,将上述初始像素点组集合中预设百分比的初始像素点组的数量,确定为目标数量。
其中,预设百分比可以是预先设置的百分比。比如,预设百分比可以是5%。
例如,若初始像素点组集合中初始像素点组的数量为100,并且预设百分比为5%,则目标数量可以为5。
第二步,从上述初始像素点组集合中筛选出目标异常程度最小的目标数量个初始像素点组,作为参考像素点组,得到参考像素点组集合。
其中,参考像素点组集合可以包括:初始像素点组集合中目标异常程度最小的目标数量个初始像素点组。
第三步,将上述参考像素点组集合中的各个参考像素点组中相同位置处的所有参考像素点对应的灰度值的均值,确定为参考灰度值,得到参考灰度值组。
其中,各个参考像素点组中相同位置处的参考像素点可以是各个参考像素点组中相同序号处的参考像素点。各个参考像素点组中相同位置处的参考像素点还可以是初始焊缝图像中相同行号处的参考像素点。
例如,若参考像素点组集合为{第一参考像素点组,第二参考像素点组},第一参考像素点组为{第一像素点,第二像素点},并且第二参考像素点组为{第三像素点,第四像素点},则参考灰度值组为{第一像素点与第三像素点对应的灰度值的均值,第二像素点与第四像素点对应的灰度值的均值}。
第四步,对上述参考灰度值组中的参考灰度值进行正态分布拟合,得到标准灰度值组。
其中,标准灰度值组中的标准灰度值可以是进行正态分布拟合后的参考灰度值。
需要说明的是,由于待检测焊缝区域往往不会完全被焊缝缺陷覆盖,并且目标异常程度越小,初始像素点组往往越可能是未发生焊缝缺陷的像素点组,以及若初始像素点组是正常的像素点组,则初始像素点组中的初始像素点对应的灰度变化往往比较符合正态分布,所以选取的目标异常程度最小的目标数量个初始像素点组往往是未发生焊缝缺陷的像素点组,并将参考像素点组集合中的各个参考像素点组中相同位置处的所有参考像素点对应的灰度值的均值,确定为参考灰度值,以及对得到的参考灰度值组进行正态分布拟合,得到的标准灰度值组可以表征正常的灰度值组,即标准灰度值组可以表征初始焊缝图像中未发生焊缝缺陷的一列灰度值。其次,为了标准灰度值组确定的准确度,预设百分比不易过大。
步骤S4,根据初始焊缝图像中的每个初始像素点所属初始像素点组对应的目标异常程度和标准灰度值组,确定初始像素点对应的疑似缺陷指标。
在一些实施例中,可以根据上述初始焊缝图像中的每个初始像素点所属初始像素点组对应的目标异常程度和上述标准灰度值组,确定上述初始像素点对应的疑似缺陷指标。
需要说明的是,综合考虑目标异常程度和标准灰度值组,可以提高疑似缺陷指标确定的准确度。其次,疑似缺陷指标可以表征初始像素点是缺陷像素点的可能性,因此确定初始像素点对应的疑似缺陷指标,可以便于后续判断初始像素点是否为焊缝缺陷像素点。
作为示例,本步骤可以包括以下步骤:
第一步,将上述初始像素点所属初始像素点组中的各个初始像素点对应的灰度值,确定为初始灰度值,得到初始灰度值组。
其中,初始灰度值组可以包括:初始像素点组中的各个初始像素点对应的灰度值。
例如,对于每个初始像素点,可以将该初始像素点所属初始像素点组中的各个初始像素点对应的灰度值,确定为初始灰度值,得到该初始像素点所属初始像素点组对应的初始灰度值组。
可选地,对于初始像素点组集合中的每个初始像素点组,可以将该初始像素点组中的各个初始像素点对应的灰度值,确定为初始灰度值,得到该初始像素点组对应的初始灰度值组。
第二步,将初始灰度值组和上述标准灰度值组中相同位置处的灰度值的差值的绝对值,确定为第四差异,得到第四差异组。
其中,初始灰度值组和标准灰度值组中相同位置处的灰度值可以是两个组中相同序号处的灰度值。
例如,若初始灰度值组为{第一初始灰度值,第二初始灰度值},标准灰度值组为{第一标准灰度值,第二标准灰度值},则第四差异组为{第一初始灰度值与第一标准灰度值的差值的绝对值,第二初始灰度值与第二标准灰度值的差值的绝对值}。
第三步,将第四差异组的方差,确定为上述初始像素点所属初始像素点组对应的第一缺陷指标。
需要说明的是,若初始像素点组是未发生焊缝缺陷的像素点组,则初始灰度值组和标准灰度值组往往比较相近,所以第四差异组中的第四差异往往比较接近于0,从而导致第四差异组的方差往往比较小。焊缝缺陷(如,弧坑缺陷和气孔缺陷)处的像素点灰度变化往往是从四周向中心逐渐减小,即存在焊缝缺陷的列中的像素点对应的灰度值发生了不同的变化,因此存在焊缝缺陷的列对应的第四差异组中的第四差异往往是变化的,所以存在焊缝缺陷的列相较于正常的列,对应的第四差异组的方差往往比较大,因此当初始像素点组对应的第一缺陷指标越大时,往往说明第四差异组中的各个第四差异越不相近,往往说明初始像素点组越可能发生了焊缝缺陷。
第四步,将上述初始像素点对应的灰度值与上述标准灰度值组中相同位置处的灰度值的差值的绝对值,确定为上述初始像素点对应的第二缺陷指标。
例如,若初始像素点是所属初始像素点组中第2个初始像素点,则该初始像素点对应的第二缺陷指标可以为:该初始像素点对应的灰度值与标准灰度值组中第2个标准灰度值的差值的绝对值。
第五步,根据上述初始像素点对应的第二缺陷指标、上述初始像素点所属初始像素点组对应的目标异常程度和第一缺陷指标,确定上述初始像素点对应的疑似缺陷指标。
其中,目标异常程度、第一缺陷指标和第二缺陷指标均可以与疑似缺陷指标呈正相关。
例如,确定初始像素点对应的疑似缺陷指标对应的公式可以为:
其中,是初始像素点组集合中第i个初始像素点组中第j个初始像素点对应的疑
似缺陷指标。是第i个初始像素点组对应的目标异常程度。k是预先设置的调整系数。比
如,k可以为0.1。是第i个初始像素点组对应的第一缺陷指标。是自然常数的次方。是第i个初始像素点组中第j个初始像素点对应的灰度值。是标准灰度值
组中第j个标准灰度值。是的绝对值。是第i个初始像素点组中第j
个初始像素点对应的第二缺陷指标。、和均与呈正相关。
是的归一化值。i是初始像素点组集合中初始像素点组的序号。j是第i个初始像素点
组中初始像素点的序号。j还可以是标准灰度值组中标准灰度值的序号。第j个标准灰度值
和第j个初始像素点在对应组中位置相同。
需要说明的是,当越大时,往往说明第i个初始像素点组越可能发生了焊缝缺
陷,往往说明第i个初始像素点组中的初始像素点是焊缝缺陷像素点的可能性越大。当越
大时,往往说明初始像素点组越可能发生了焊缝缺陷,往往说明第i个初始像素点组中的初
始像素点是焊缝缺陷像素点的可能性越大。当越大时,往往说明第i个初始像素点
组中第j个初始像素点对应的灰度值与对应的标准灰度值之间的差异越大,往往说明第i个
初始像素点组中第j个初始像素点越可能是焊缝缺陷像素点。因此越大,往往说明第i个
初始像素点组中第j个初始像素点越可能是焊缝缺陷像素点。其次可以实
现对的归一化,可以作为的调整值,可以便于后续的处理,并且调整系数k可
以防止自然对数过早趋于0。可以作为的调整值。
步骤S5,根据初始焊缝图像中的每个初始像素点对应的疑似缺陷指标和梯度方向,确定初始像素点对应的重要程度。
在一些实施例中,可以根据上述初始焊缝图像中的每个初始像素点对应的疑似缺陷指标和梯度方向,确定上述初始像素点对应的重要程度。
需要说明的是,当焊缝区域内的像素点发生缺陷时,可能导致其梯度方向发生变化,因此综合考虑疑似缺陷指标和梯度方向,可以提高初始像素点对应的重要程度确定的准确度。
作为示例,本步骤可以包括以下步骤:
第一步,将上述初始像素点对应的预设邻域中的每个邻域像素点对应的梯度方向,确定为上述邻域像素点对应的参考直线的方向,得到上述初始像素点对应的参考直线集合。
其中,预设邻域可以是预先设置的邻域。例如,预设邻域可以是八邻域。初始像素点对应的参考直线集合可以包括:该初始像素点对应的预设邻域中的各个邻域像素点对应的参考直线。邻域像素点对应的参考直线可以是以该邻域像素点对应的梯度方向为直线方向的直线。
第二步,将上述初始像素点对应的梯度方向,确定为上述初始像素点对应的目标直线的方向。
其中,初始像素点对应的目标直线可以是以该初始像素点对应的梯度方向为直线方向的直线。
第三步,将上述初始像素点对应的目标直线和参考直线集合中的每个参考直线之间的夹角,确定为上述参考直线对应的参考夹角,得到上述初始像素点对应的参考夹角集合。
其中,初始像素点对应的参考夹角集合可以包括:初始像素点对应的目标直线和参考直线集合中的各个参考直线之间的夹角。
需要说明的是,若初始像素点是未发生焊缝缺陷的像素点,则初始像素点与各个邻域像素点对应的梯度方向所在的直线往往平行,参考夹角集合中的参考夹角往往为0。因此参考夹角集合中的参考夹角越大,往往说明初始像素点越可能是发生了焊缝缺陷的像素点。
第四步,根据上述初始像素点对应的参考夹角集合,确定上述初始像素点对应的第一重要指标。
其中,参考夹角集合中的参考夹角可以与第一重要指标呈正相关。
第五步,根据上述初始像素点对应的第一重要指标和疑似缺陷指标,确定上述初始像素点对应的重要程度。
其中,第一重要指标和疑似缺陷指标均可以与重要程度呈正相关。
例如,确定初始像素点对应的重要程度对应的公式可以为:
其中,是初始像素点组集合中第i个初始像素点组中第j个初始像素点对应的重
要程度。是第i个初始像素点组中第j个初始像素点对应的疑似缺陷指标。是第i个初
始像素点组中第j个初始像素点对应的第一重要指标。是第i个初始像素点组中第j个初
始像素点对应的参考夹角集合中参考夹角的数量。是第i个初始像素点组中第j个初始
像素点对应的参考夹角集合中第t个参考夹角对应的数值。比如,若第t个参考夹角为20°,
则可以为20。i是初始像素点组集合中初始像素点组的序号。j是第i个初始像素点组中
初始像素点的序号。t是第j个初始像素点对应的参考夹角集合中参考夹角的序号。
需要说明的是,当越大时,往往说明第j个初始像素点对应的参考夹角集合中的
参考夹角越大,往往说明第j个初始像素点越可能是发生了焊缝缺陷的像素点。越大,往
往说明第i个初始像素点组中第j个初始像素点越可能是发生了焊缝缺陷的像素点。由于两
个直线之间的夹角的最大值对应的数值为90,因此可以实现对的归一化,可以作为
的校正系数,可以便于后续的处理。因此越大,往往说明第j个初始像素点越可能是发生
了焊缝缺陷的像素点,往往说明第j个初始像素点越重要。
步骤S6,根据初始焊缝图像中灰度值不同的各种初始像素点数量和各个初始像素点对应的重要程度,确定目标裁减系数。
在一些实施例中,可以根据上述初始焊缝图像中灰度值不同的各种初始像素点数量和各个初始像素点对应的重要程度,确定目标裁减系数。
需要说明的是,综合考虑灰度值不同的各种初始像素点数量和各个初始像素点对应的重要程度,可以提高目标裁减系数确定的准确度。
作为示例,本步骤可以包括以下步骤:
第一步,将上述初始焊缝图像中灰度值不同的每种初始像素点的数量,确定为该种初始像素点对应的第一数量,得到第一数量集合。
其中,第一数量集合可以包括:初始焊缝图像中灰度值不同的各种初始像素点的数量。
第二步,将上述第一数量集合中所有第一数量的均值,确定为初始裁减值。
第三步,将上述第一数量集合中最大的第一数量,确定为第二数量。
第四步,将上述初始焊缝图像中灰度值不同的每种初始像素点中所有初始像素点对应的重要程度的均值,确定为该种初始像素点对应的目标重要指标。
第五步,根据上述初始裁减值、上述第二数量、上述初始焊缝图像中灰度值不同的各种初始像素点对应的目标重要指标和数量,确定上述目标裁减系数。
例如,确定目标裁减系数对应的公式可以为:
其中,r是上述目标裁减系数。N是上述初始焊缝图像中灰度值不同的初始像素点
的种数。是上述初始焊缝图像中灰度值不同的第x种初始像素点对应的裁剪指标。是上
述初始焊缝图像中灰度值不同的第x种初始像素点对应的目标重要指标。是上述初始焊
缝图像中灰度值不同的第x种初始像素点的数量。T是上述初始裁减值。是上述第二数
量。是的归一化值。x是上述初始焊缝图像中灰度值不同的初始像
素点的种类序号。
需要说明的是,当时,往往说明灰度值不同的第x种初始像素点的数量比较
多,采用直方图均衡化时可能会造成对比度过增强,此时越大,往往需要越小的裁减系
数,往往需要较大的减少第x种初始像素点的数量。故时可以将作为的调整
值,因此可以表征时,第x种初始像素点对应的灰度值所需的裁减系数。当时,往往说明灰度值不同的第x种初始像素点的数量比较少,采用直方图均衡化时可
能会造成灰度值合并,导致图像细节丢失,此时越大,往往需要越小的裁减系数,往往需
要较大的增加第x种初始像素点的数量。故时可以将作为的调整值,所以可以表征时,第x种初始像素点对应的灰度值所需的裁减系数。因此目
标裁减系数r可以表征初始焊缝图像对应的灰度直方图的裁剪系数。目标裁减系数r的取值
范围为[0,1],可以便于后续的处理。
步骤S7,根据目标裁减系数,对初始焊缝图像对应的灰度直方图进行裁减补充处理,得到目标灰度直方图。
在一些实施例中,可以根据上述目标裁减系数,对上述初始焊缝图像对应的灰度直方图进行裁减补充处理,得到目标灰度直方图。
需要说明的是,基于目标裁减系数,对初始焊缝图像对应的灰度直方图进行裁减补充处理,可以提高目标灰度直方图确定的准确度。
作为示例,本步骤可以包括以下步骤:
第一步,根据上述目标裁减系数和上述初始裁减值,确定目标裁减值。
其中,上述目标裁减系数和上述初始裁减值均可以与目标裁减值呈正相关。
例如,确定目标裁减值对应的公式可以为:
需要说明的是,调控因子可以调节的取值范围,当设置为0.5,目标裁减系数
r的取值范围为[0,1]时,的取值范围可以为[0.5,1.5],可以代表裁减系数。
可以表征初始焊缝图像对应的灰度直方图的裁减值。
第二步,将上述初始焊缝图像对应的灰度直方图,确定为初始直方图。
其中,初始直方图的横坐标可以为灰度值。纵坐标可以为上述初始焊缝图像中灰度值等于对应横坐标的初始像素点的数量。
例如,若初始直方图的某个横坐标为200,则对应的纵坐标可以为初始焊缝图像中灰度值等于200的初始像素点的数量。
第三步,在上述初始直方图中,将纵截距为上述目标裁减值,并且与横轴平行的直线,确定为裁剪直线。
第四步,裁剪上述初始直方图中高于上述裁剪直线的初始像素点数量,并将裁剪的初始像素点数量确定为目标裁剪数量,将裁剪后的初始直方图确定为参考直方图。
其中,参考直方图中的各个横坐标对应的纵坐标均小于或等于目标裁减值。即参考直方图中的各个灰度值对应的纵坐标均小于或等于目标裁减值。
第五步,根据上述目标裁剪数量,确定目标补充量。
其中,目标裁剪数量可以与目标补充量呈正相关。
例如,根据上述目标裁剪数量,确定目标补充量可以包括以下子步骤:
第一子步骤,将上述初始焊缝图像中灰度值不同的初始像素点的种数,确定为目标类别数量。
第二子步骤,将上述目标裁剪数量与上述目标类别数量的比值,确定为上述目标补充量。
第六步,将上述参考直方图中的纵坐标向上平移目标补充量个单位,得到目标灰度直方图。
例如,初始直方图可以如图2所示,目标灰度直方图可以如图3所示,是目标裁减
值,Q是目标补充量,纵截距为,并且与横轴平行的虚线可以表征裁剪直线。图2中用斜线
填充的区域可以表征目标裁剪数量。图3中用斜线填充的区域可以等于图2中用斜线填充的
区域。
需要说明的是,根据灰度值不同的各种初始像素点数量和各个初始像素点对应的重要程度,对初始焊缝图像对应的灰度直方图进行裁减补充处理,从而自适应调整了灰度值不同的各种初始像素点的数量,得到目标灰度直方图,后续基于目标灰度直方图,对初始焊缝图像进行直方图均衡化,在一定程度上可以适当的增加重要程度较大并且初始像素点数量较少的灰度值上的初始像素点数量,防止此类灰度值合并,保护图像重要区域的细节,适当的减少重要程度较大并且初始像素点数量较多的灰度值上的初始像素点数量,防止图像重要区域对比度过增强,由此可以提高初始焊缝图像对比度的增强效果。
步骤S8,根据目标灰度直方图,对初始焊缝图像进行直方图均衡化,得到目标增强图像。
在一些实施例中,可以根据上述目标灰度直方图,对上述初始焊缝图像进行直方图均衡化,得到目标增强图像。
需要说明的是,基于目标灰度直方图,对初始焊缝图像进行直方图均衡化,可以得到更加可以突出缺陷区域的目标增强图像。
作为示例,可以将目标灰度直方图作为初始焊缝图像的灰度直方图,并对初始焊缝图像进行直方图均衡化,将直方图均衡化后的初始焊缝图像,确定为目标增强图像。
步骤S9,根据目标增强图像,对待检测抗震结构钢架进行质量检测。
在一些实施例中,可以根据上述目标增强图像,对上述待检测抗震结构钢架进行质量检测。
需要说明的是,基于目标增强图像,可以实现对待检测抗震结构钢架的质量检测。
作为示例,本步骤可以包括以下步骤:
第一步,通过预先训练完成的缺陷识别网络,判断待检测抗震结构钢架包括的待检测焊缝区域是否存在焊缝缺陷。
其中,缺陷识别网络可以用于判断是否存在焊缝缺陷。比如,缺陷识别网络可以是DNN(Deep Neural Networks,深度神经网络)。
例如,缺陷识别网络的训练过程可以包括以下子步骤:
第一子步骤,获取样本焊缝图像集合。
其中,样本焊缝图像集合中的样本焊缝图像可以是已知是否存在焊缝缺陷的焊缝图像。
第二子步骤,构建缺陷识别网络。
比如,可以构建DNN,并将构建的DNN作为训练前的缺陷识别网络。
第三子步骤,基于样本焊缝图像集合,对构建的缺陷识别网络进行训练,得到训练完成的缺陷识别网络。
其中,缺陷识别网络的训练过程使用的loss函数可以为交叉熵损失函数。
比如,可以将样本焊缝图像集合作为训练集,将样本焊缝图像集合中的各个样本焊缝图像是否存在焊缝缺陷作为训练标签,对构建的缺陷识别网络进行训练,得到训练完成的缺陷识别网络。
又如,样本焊缝图像对应的训练标签的标注过程可以为:将样本焊缝图像中的焊缝缺陷区域中的像素点对应的灰度值标注为1,将将样本焊缝图像中除了焊缝缺陷区域之外的像素点对应的灰度值标注为0。
第二步,当待检测焊缝区域存在焊缝缺陷时,判定待检测抗震结构钢架质量不合格。
第三步,当待检测焊缝区域不存在焊缝缺陷时,判定待检测抗震结构钢架质量合格。
综上,首先对初始焊缝图像中的初始像素点进行分组处理,可以便于后续对初始像素点组集合中的每个初始像素点组进行分析处理。接着,对初始焊缝图像进行增强,主要是为了使初始焊缝图像中的缺陷更加明显,在图像增强过程中缺陷区域相较于正常区域往往更加重要,因此对初始像素点组集合中的每个初始像素点组进行异常分布分析处理,可以量化每个初始像素点组的异常程度,从而可以便于后续判断初始像素点是否为焊缝缺陷像素点,进而可以便于后续判断初始像素点的重要程度。然后,综合考虑各个初始像素点组对应的目标异常程度和灰度值,可以提高标准灰度值组确定的准确度。之后,综合考虑目标异常程度和标准灰度值组,可以提高疑似缺陷指标确定的准确度。其次,疑似缺陷指标可以表征初始像素点是缺陷像素点的可能性,因此确定初始像素点对应的疑似缺陷指标,可以便于后续判断初始像素点是否为焊缝缺陷像素点。继续,当焊缝区域内的像素点发生缺陷时,可能导致其梯度方向发生变化,因此综合考虑疑似缺陷指标和梯度方向,可以提高初始像素点对应的重要程度确定的准确度。而后,综合考虑灰度值不同的各种初始像素点数量和各个初始像素点对应的重要程度,可以提高目标裁减系数确定的准确度。再者,根据灰度值不同的各种初始像素点数量和各个初始像素点对应的重要程度,对初始焊缝图像对应的灰度直方图进行裁减补充处理,从而自适应调整了灰度值不同的各种初始像素点的数量,得到目标灰度直方图,基于目标灰度直方图,对初始焊缝图像进行直方图均衡化,在一定程度上可以适当的增加重要程度较大的初始像素点数量较少的灰度值上的初始像素点数量,防止此类灰度值合并,保护图像重要区域的细节,适当的减少重要程度较大的初始像素点数量较多的灰度值上的初始像素点数量,防止图像重要区域对比度过增强,由此可以提高初始焊缝图像对比度的增强效果。最后,基于目标增强图像,可以实现对待检测抗震结构钢架的质量检测。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于机器视觉的抗震结构钢架焊缝质量检测方法,其特征在于,包括以下步骤:
获取待检测抗震结构钢架对应的初始焊缝图像,并对所述初始焊缝图像中的初始像素点进行分组处理,得到初始像素点组集合;
对所述初始像素点组集合中的每个初始像素点组进行异常分布分析处理,得到所述初始像素点组对应的目标异常程度;
根据所述初始像素点组集合中的各个初始像素点组对应的目标异常程度和灰度值,确定标准灰度值组;
根据所述初始焊缝图像中的每个初始像素点所属初始像素点组对应的目标异常程度和所述标准灰度值组,确定所述初始像素点对应的疑似缺陷指标;
根据所述初始焊缝图像中的每个初始像素点对应的疑似缺陷指标和梯度方向,确定所述初始像素点对应的重要程度;
根据所述初始焊缝图像中灰度值不同的各种初始像素点数量和各个初始像素点对应的重要程度,确定目标裁减系数;
根据所述目标裁减系数,对所述初始焊缝图像对应的灰度直方图进行裁减补充处理,得到目标灰度直方图;
根据所述目标灰度直方图,对所述初始焊缝图像进行直方图均衡化,得到目标增强图像;
根据所述目标增强图像,对所述待检测抗震结构钢架进行质量检测。
2.根据权利要求1所述的一种基于机器视觉的抗震结构钢架焊缝质量检测方法,其特征在于,所述对所述初始像素点组集合中的每个初始像素点组进行异常分布分析处理,得到所述初始像素点组对应的目标异常程度,包括:
对所述初始像素点组中的初始像素点对应的灰度值进行正态分布拟合,得到所述初始像素点组中的每个初始像素点对应的拟合值;
将每个初始像素点对应的灰度值和拟合值的差值的绝对值,确定为所述初始像素点对应的第一差异;
根据所述初始像素点组中的各个初始像素点对应的第一差异,确定所述初始像素点组对应的拟合异常指标,其中,初始像素点对应的第一差异与该初始像素点所属初始像素点组对应的拟合异常指标呈正相关;
根据所述初始像素点组中的初始像素点对应的灰度值,确定所述初始像素点组对应的目标变化指标;
根据所述初始像素点组对应的拟合异常指标和目标变化指标,确定所述初始像素点组对应的目标异常程度,其中,拟合异常指标和目标变化指标均与目标异常程度呈正相关。
3.根据权利要求2所述的一种基于机器视觉的抗震结构钢架焊缝质量检测方法,其特征在于,所述根据所述初始像素点组中的初始像素点对应的灰度值,确定所述初始像素点组对应的目标变化指标,包括:
将所述初始像素点组中每相邻两个初始像素点对应的灰度值的差值,确定为这相邻两个初始像素点之间的第二差异,得到所述初始像素点组对应的第二差异组;
当第二差异组中的第二差异大于预设差异值时,将第一预设值确定为第二差异对应的转变指标;
当第二差异组中的第二差异等于预设差异值时,将第二预设值确定为第二差异对应的转变指标;
当第二差异组中的第二差异小于预设差异值时,将第三预设值确定为第二差异对应的转变指标;
将第二差异组中的各个第二差异对应的转变指标,组合为转变指标组;
将转变指标组中除了第二预设值之外的预设值,组合为目标转变值组;
将目标转变值组中每相邻两个目标转变值的差值,确定为这相邻两个目标转变值之间的第三差异,得到第三差异组;
将第三差异组中不等于预设差异值的第三差异的数量,确定为第一变化指标;
根据第一变化指标,确定所述初始像素点组对应的目标变化指标,其中,第一变化指标与目标变化指标呈正相关。
4.根据权利要求1所述的一种基于机器视觉的抗震结构钢架焊缝质量检测方法,其特征在于,所述根据所述初始像素点组集合中的各个初始像素点组对应的目标异常程度和灰度值,确定标准灰度值组,包括:
将所述初始像素点组集合中预设百分比的初始像素点组的数量,确定为目标数量;
从所述初始像素点组集合中筛选出目标异常程度最小的目标数量个初始像素点组,作为参考像素点组,得到参考像素点组集合;
将所述参考像素点组集合中的各个参考像素点组中相同位置处的所有参考像素点对应的灰度值的均值,确定为参考灰度值,得到参考灰度值组;
对所述参考灰度值组中的参考灰度值进行正态分布拟合,得到标准灰度值组。
5.根据权利要求1所述的一种基于机器视觉的抗震结构钢架焊缝质量检测方法,其特征在于,所述根据所述初始焊缝图像中的每个初始像素点所属初始像素点组对应的目标异常程度和所述标准灰度值组,确定所述初始像素点对应的疑似缺陷指标,包括:
将所述初始像素点所属初始像素点组中的各个初始像素点对应的灰度值,确定为初始灰度值,得到初始灰度值组;
将初始灰度值组和所述标准灰度值组中相同位置处的灰度值的差值的绝对值,确定为第四差异,得到第四差异组;
将第四差异组的方差,确定为所述初始像素点所属初始像素点组对应的第一缺陷指标;
将所述初始像素点对应的灰度值与所述标准灰度值组中相同位置处的标准灰度值的差值的绝对值,确定为所述初始像素点对应的第二缺陷指标;
根据所述初始像素点对应的第二缺陷指标、所述初始像素点所属初始像素点组对应的目标异常程度和第一缺陷指标,确定所述初始像素点对应的疑似缺陷指标,其中,目标异常程度、第一缺陷指标和第二缺陷指标均与疑似缺陷指标呈正相关。
6.根据权利要求1所述的一种基于机器视觉的抗震结构钢架焊缝质量检测方法,其特征在于,所述根据所述初始焊缝图像中的每个初始像素点对应的疑似缺陷指标和梯度方向,确定所述初始像素点对应的重要程度,包括:
将所述初始像素点对应的预设邻域中的每个邻域像素点对应的梯度方向,确定为所述邻域像素点对应的参考直线的方向,得到所述初始像素点对应的参考直线集合;
将所述初始像素点对应的梯度方向,确定为所述初始像素点对应的目标直线的方向;
将所述初始像素点对应的目标直线和参考直线集合中的每个参考直线之间的夹角,确定为所述参考直线对应的参考夹角,得到所述初始像素点对应的参考夹角集合;
根据所述初始像素点对应的参考夹角集合,确定所述初始像素点对应的第一重要指标,其中,参考夹角集合中的参考夹角与第一重要指标呈正相关;
根据所述初始像素点对应的第一重要指标和疑似缺陷指标,确定所述初始像素点对应的重要程度,其中,第一重要指标和疑似缺陷指标均与重要程度呈正相关。
7.根据权利要求1所述的一种基于机器视觉的抗震结构钢架焊缝质量检测方法,其特征在于,所述根据所述初始焊缝图像中灰度值不同的各种初始像素点数量和各个初始像素点对应的重要程度,确定目标裁减系数,包括:
将所述初始焊缝图像中灰度值不同的每种初始像素点的数量,确定为该种初始像素点对应的第一数量,得到第一数量集合;
将所述第一数量集合中所有第一数量的均值,确定为初始裁减值;
将所述第一数量集合中最大的第一数量,确定为第二数量;
将所述初始焊缝图像中灰度值不同的每种初始像素点中所有初始像素点对应的重要程度的均值,确定为该种初始像素点对应的目标重要指标;
根据所述初始裁减值、所述第二数量、所述初始焊缝图像中灰度值不同的各种初始像素点对应的目标重要指标和数量,确定所述目标裁减系数。
9.根据权利要求7所述的一种基于机器视觉的抗震结构钢架焊缝质量检测方法,其特征在于,所述根据所述目标裁减系数,对所述初始焊缝图像对应的灰度直方图进行裁减补充处理,得到目标灰度直方图,包括:
根据所述目标裁减系数和所述初始裁减值,确定目标裁减值,其中,所述目标裁减系数和所述初始裁减值均与目标裁减值呈正相关;
将所述初始焊缝图像对应的灰度直方图,确定为初始直方图,其中,初始直方图的横坐标为灰度值,纵坐标为所述初始焊缝图像中灰度值等于对应横坐标的初始像素点的数量;
在所述初始直方图中,将纵截距为所述目标裁减值,并且与横轴平行的直线,确定为裁剪直线;
裁剪所述初始直方图中高于所述裁剪直线的初始像素点数量,并将裁剪的初始像素点数量确定为目标裁剪数量,将裁剪后的初始直方图确定为参考直方图;
根据所述目标裁剪数量,确定目标补充量,其中,目标裁剪数量与目标补充量呈正相关;
将所述参考直方图中的纵坐标向上平移目标补充量个单位,得到目标灰度直方图。
10.根据权利要求9所述的一种基于机器视觉的抗震结构钢架焊缝质量检测方法,其特征在于,所述根据所述目标裁剪数量,确定目标补充量,包括:
将所述初始焊缝图像中灰度值不同的初始像素点的种数,确定为目标类别数量;
将所述目标裁剪数量与所述目标类别数量的比值,确定为所述目标补充量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310700553.7A CN116433669B (zh) | 2023-06-14 | 2023-06-14 | 基于机器视觉的抗震结构钢架焊缝质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310700553.7A CN116433669B (zh) | 2023-06-14 | 2023-06-14 | 基于机器视觉的抗震结构钢架焊缝质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116433669A true CN116433669A (zh) | 2023-07-14 |
CN116433669B CN116433669B (zh) | 2023-08-18 |
Family
ID=87087655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310700553.7A Active CN116433669B (zh) | 2023-06-14 | 2023-06-14 | 基于机器视觉的抗震结构钢架焊缝质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116433669B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116740098A (zh) * | 2023-08-11 | 2023-09-12 | 中色(天津)新材料科技有限公司 | 一种铝合金氩弧焊焊接图像分割方法及系统 |
CN116740653A (zh) * | 2023-08-14 | 2023-09-12 | 山东创亿智慧信息科技发展有限责任公司 | 一种配电箱运行状态监测方法及系统 |
CN117830300A (zh) * | 2024-03-04 | 2024-04-05 | 新奥新能源工程技术有限公司 | 一种基于视觉的燃气管道外观质量检测方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5182775A (en) * | 1990-01-12 | 1993-01-26 | Kawasaki Jukogyo Kabushiki Kaisha | Method of processing radiographic image data for detecting a welding defect |
WO2014139273A1 (zh) * | 2013-03-14 | 2014-09-18 | 苏州华源包装股份有限公司 | 焊缝缺陷检测方法 |
US20180137612A1 (en) * | 2015-04-27 | 2018-05-17 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | A stepwise refinement detection method for pavement cracks |
CN111127402A (zh) * | 2019-12-06 | 2020-05-08 | 东莞理工学院 | 一种机器人焊接质量的视觉检测方法 |
US20200269340A1 (en) * | 2018-07-25 | 2020-08-27 | Tonggao Advanced Manufacturing Technology Co., Ltd. | Active Laser Vision Robust Weld Tracking System and Weld Position Detection Method |
US20200364849A1 (en) * | 2018-01-03 | 2020-11-19 | Southeast University | Method and device for automatically drawing structural cracks and precisely measuring widths thereof |
WO2021000524A1 (zh) * | 2019-07-03 | 2021-01-07 | 研祥智能科技股份有限公司 | 孔位保护门检测方法、装置、计算机设备和存储介质 |
CN113436168A (zh) * | 2021-06-25 | 2021-09-24 | 重庆邮电大学 | 一种用于工业焊缝x光图中的裂纹缺陷检测方法 |
WO2022062812A1 (zh) * | 2020-09-28 | 2022-03-31 | 歌尔股份有限公司 | 屏幕缺陷检测方法、装置和电子设备 |
CN115032944A (zh) * | 2022-08-12 | 2022-09-09 | 山东睿鑫激光科技有限公司 | 基于机器视觉的激光焊接控制方法 |
CN115439481A (zh) * | 2022-11-09 | 2022-12-06 | 青岛平电锅炉辅机有限公司 | 基于图像处理的除氧器焊接质量检测方法 |
CN115511819A (zh) * | 2022-09-21 | 2022-12-23 | 武汉理工大学 | 一种x射线焊缝边界识别方法、装置、设备及存储介质 |
CN115797352A (zh) * | 2023-02-08 | 2023-03-14 | 长春中医药大学 | 一种用于中医保健体质检测的舌象图像处理系统 |
CN115861317A (zh) * | 2023-02-27 | 2023-03-28 | 深圳市伟利达精密塑胶模具有限公司 | 基于机器视觉的塑胶模具生产缺陷检测方法 |
CN115880302A (zh) * | 2023-03-08 | 2023-03-31 | 杭州智源电子有限公司 | 基于图像分析的仪表盘焊接质量检测方法 |
CN116152158A (zh) * | 2022-11-28 | 2023-05-23 | 重庆长安汽车股份有限公司 | 焊缝检测方法、装置、电子设备及存储介质 |
-
2023
- 2023-06-14 CN CN202310700553.7A patent/CN116433669B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5182775A (en) * | 1990-01-12 | 1993-01-26 | Kawasaki Jukogyo Kabushiki Kaisha | Method of processing radiographic image data for detecting a welding defect |
WO2014139273A1 (zh) * | 2013-03-14 | 2014-09-18 | 苏州华源包装股份有限公司 | 焊缝缺陷检测方法 |
US20180137612A1 (en) * | 2015-04-27 | 2018-05-17 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | A stepwise refinement detection method for pavement cracks |
US20200364849A1 (en) * | 2018-01-03 | 2020-11-19 | Southeast University | Method and device for automatically drawing structural cracks and precisely measuring widths thereof |
US20200269340A1 (en) * | 2018-07-25 | 2020-08-27 | Tonggao Advanced Manufacturing Technology Co., Ltd. | Active Laser Vision Robust Weld Tracking System and Weld Position Detection Method |
WO2021000524A1 (zh) * | 2019-07-03 | 2021-01-07 | 研祥智能科技股份有限公司 | 孔位保护门检测方法、装置、计算机设备和存储介质 |
CN111127402A (zh) * | 2019-12-06 | 2020-05-08 | 东莞理工学院 | 一种机器人焊接质量的视觉检测方法 |
WO2022062812A1 (zh) * | 2020-09-28 | 2022-03-31 | 歌尔股份有限公司 | 屏幕缺陷检测方法、装置和电子设备 |
CN113436168A (zh) * | 2021-06-25 | 2021-09-24 | 重庆邮电大学 | 一种用于工业焊缝x光图中的裂纹缺陷检测方法 |
CN115032944A (zh) * | 2022-08-12 | 2022-09-09 | 山东睿鑫激光科技有限公司 | 基于机器视觉的激光焊接控制方法 |
CN115511819A (zh) * | 2022-09-21 | 2022-12-23 | 武汉理工大学 | 一种x射线焊缝边界识别方法、装置、设备及存储介质 |
CN115439481A (zh) * | 2022-11-09 | 2022-12-06 | 青岛平电锅炉辅机有限公司 | 基于图像处理的除氧器焊接质量检测方法 |
CN116152158A (zh) * | 2022-11-28 | 2023-05-23 | 重庆长安汽车股份有限公司 | 焊缝检测方法、装置、电子设备及存储介质 |
CN115797352A (zh) * | 2023-02-08 | 2023-03-14 | 长春中医药大学 | 一种用于中医保健体质检测的舌象图像处理系统 |
CN115861317A (zh) * | 2023-02-27 | 2023-03-28 | 深圳市伟利达精密塑胶模具有限公司 | 基于机器视觉的塑胶模具生产缺陷检测方法 |
CN115880302A (zh) * | 2023-03-08 | 2023-03-31 | 杭州智源电子有限公司 | 基于图像分析的仪表盘焊接质量检测方法 |
Non-Patent Citations (4)
Title |
---|
刘承林;叶建雄;程群;张志伟;钱江昆;: "基于边缘信息融合的水下焊缝图像增强算法", 南昌工程学院学报, no. 03 * |
孙大为;蔡艳;华学明;吴毅雄;: "基于边界方向直方图的激光环焊焊缝表面缺陷检测", 热加工工艺, no. 23 * |
邵家鑫;都东;王力;王晨;高志凌;: "焊缝X射线胶片数字化图像低对比度细长线缺陷的检测", 无损检测, no. 12 * |
魏大慧;: "无损检测焊缝图像的缺陷分割算法研究", 科技信息, no. 31 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116740098A (zh) * | 2023-08-11 | 2023-09-12 | 中色(天津)新材料科技有限公司 | 一种铝合金氩弧焊焊接图像分割方法及系统 |
CN116740098B (zh) * | 2023-08-11 | 2023-10-27 | 中色(天津)新材料科技有限公司 | 一种铝合金氩弧焊焊接图像分割方法及系统 |
CN116740653A (zh) * | 2023-08-14 | 2023-09-12 | 山东创亿智慧信息科技发展有限责任公司 | 一种配电箱运行状态监测方法及系统 |
CN117830300A (zh) * | 2024-03-04 | 2024-04-05 | 新奥新能源工程技术有限公司 | 一种基于视觉的燃气管道外观质量检测方法 |
CN117830300B (zh) * | 2024-03-04 | 2024-05-14 | 新奥新能源工程技术有限公司 | 一种基于视觉的燃气管道外观质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116433669B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116433669B (zh) | 基于机器视觉的抗震结构钢架焊缝质量检测方法 | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
CN108827969B (zh) | 金属零件表面缺陷检测与识别方法及装置 | |
CN115063404B (zh) | 基于x射线探伤的耐候钢焊缝质量检测方法 | |
CN113724231B (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
CN109683360B (zh) | 液晶面板缺陷检测方法及装置 | |
CN115511889A (zh) | 一种太阳能电池板支架表面焊接缺陷检测方法 | |
CN112258470B (zh) | 基于缺陷检测的工业图像临界压缩率智能分析系统及方法 | |
CN116990323B (zh) | 一种高精密印刷版视觉检测系统 | |
CN111696021B (zh) | 一种基于显著性检测的图像自适应隐写分析系统及方法 | |
CN115689948B (zh) | 用于检测建筑供水管道裂痕的图像增强方法 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
CN116309559A (zh) | 一种中硼硅玻璃生产瑕疵智能识别方法 | |
CN115953373B (zh) | 玻璃缺陷检测方法、装置、电子设备及存储介质 | |
CN116245880A (zh) | 基于红外识别的电动车充电桩火灾风险检测方法 | |
CN116363126B (zh) | 一种数据线usb插头焊接质量检测方法 | |
CN111612773B (zh) | 一种红外热像仪及实时自动盲元检测处理方法 | |
CN115797314A (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
CN115100068A (zh) | 一种红外图像校正方法 | |
CN116363136B (zh) | 一种机动车部件自动化生产在线筛选方法及系统 | |
CN116934737A (zh) | 一种焊缝组合缺陷识别及分类方法 | |
CN111192261A (zh) | 一种镜片疵病类型识别的方法 | |
CN113870262A (zh) | 基于图像处理的印刷电路板分类方法、装置及储存介质 | |
CN113506259A (zh) | 一种基于融合网络的图像模糊判别方法及系统 | |
CN117094912B (zh) | 一种低压配电柜焊接图像增强方法及系统 |
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 |
Denomination of invention: Machine vision based quality inspection method for welds in seismic resistant structural steel frames Effective date of registration: 20231113 Granted publication date: 20230818 Pledgee: Bank of China Limited Liangshan sub branch Pledgor: Shandong Xinghua Steel Structure Co.,Ltd. Registration number: Y2023980065229 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |