CN116664569A - 一种焊瘤缺陷检测方法 - Google Patents
一种焊瘤缺陷检测方法 Download PDFInfo
- Publication number
- CN116664569A CN116664569A CN202310942860.6A CN202310942860A CN116664569A CN 116664569 A CN116664569 A CN 116664569A CN 202310942860 A CN202310942860 A CN 202310942860A CN 116664569 A CN116664569 A CN 116664569A
- Authority
- CN
- China
- Prior art keywords
- connected domain
- vector
- gray
- sequence
- obtaining
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 67
- 238000001514 detection method Methods 0.000 title abstract description 25
- 239000013598 vector Substances 0.000 claims abstract description 183
- 238000003466 welding Methods 0.000 claims abstract description 88
- 238000000034 method Methods 0.000 claims abstract description 62
- 238000009826 distribution Methods 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 238000009825 accumulation Methods 0.000 claims abstract description 5
- 230000001186 cumulative effect Effects 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 239000002893 slag Substances 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 8
- 241000251468 Actinopterygii Species 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001816 cooling Methods 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
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000004021 metal welding Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 208000024891 symptom Diseases 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
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像处理领域,具体涉及一种焊瘤缺陷检测方法,采集焊接结束后焊接表面图像,边缘检测得到边缘图像;区域生长获取边缘图像中各连通域;根据各连通域的边缘像素点灰度值及坐标变化得到各连通域的空间灰度向量序列;根据序列中元素变化得到各空间灰度向量序列的平稳度评价指标;对各连通域的所有像素点的空间灰度向量进行统计得到向量累加分布直方图;结合各连通域的平稳度评价指标构建各连通域的区域缺陷指标;根据各连通域的区域缺陷指标中的离群值确定焊瘤缺陷区域,完成焊接质量检测。从而实现焊接表面质量检测,具有较高检测精度。
Description
技术领域
本申请涉及图像处理领域,具体涉及一种焊瘤缺陷检测方法。
背景技术
金属焊接技术是现代工业制造领域不可缺少的一项工艺,通过焊接,可以将金属结构件的组装、连接变得更加可靠、方便。随着现代工业发展,焊接技术已广泛应用于机械制造、金属、管道、船舶、飞机制造等行业。但在焊接过程中,由于焊接环境较差、焊接技术不足等原因,导致焊接结果质量较差,从而产生焊瘤、气孔等焊接缺陷。因此需要对焊接后的器件进行焊接质量检测。
现有技术中可利用计算机视觉技术,通过识别焊接产品图像中的边缘信息进行焊瘤缺陷的检测。但是焊接产品表面具有复杂的信息分布,直接通过边缘信息进行缺陷检测容易受到复杂信息的干扰导致无法获得准确的焊瘤缺陷区域。
发明内容
为了解决现有技术中通过边缘信息进行缺陷检测容易受到复杂信息的干扰导致无法获得准确的焊瘤缺陷区域问题,本发明提供一种焊瘤缺陷检测方法,以解决现有的问题。
本发明的一种焊瘤缺陷检测方法采用如下技术方案:
本发明一个实施例提供了一种焊瘤缺陷检测方法,该方法包括以下步骤:
采集焊接结束后焊接表面图像,进行预处理;
通过形态学闭运算消除焊渣区域得到新的焊接表面图像,记为第一焊接表面图像;
通过边缘检测得到第一焊接表面图像的边缘图像;通过区域生长得到边缘图像中的各连通域;通过各连通域的一阶矩得到各连通域的质心;根据各连通域的质心及边缘像素点的灰度信息得到各连通域边缘像素点的空间灰度向量;通过各连通域边缘像素点的空间灰度向量得到各连通域的空间灰度向量序列;根据各连通域的空间灰度向量序列中元素变化得到各连通域的向量偏差序列;获取各连通域的向量偏差序列的多个自相关系数;根据各连通域的向量偏差序列的各自相关系数变化得到各连通域的平稳度评价指标;
获取各连通域的非边缘像素点的空间灰度向量;根据各连通域中所有像素点的空间灰度向量得到各连通域的向量累加分布直方图;获取各连通域的向量累加分布直方图的信息熵;
根据各连通域的平稳度评价指标及向量累加分布直方图的信息熵得到各连通域的区域缺陷指标;
根据各连通域的区域缺陷指标中的离群值得到各异常连通域;根据各异常连通域在焊接表面图像中的位置确定焊瘤缺陷区域;
所述根据各连通域的质心及边缘像素点的灰度信息得到各连通域边缘像素点的空间灰度向量,表达式为:
式中,为/>连通域中边缘像素点/>的空间灰度向量,/>为/>连通域中边缘像素点/>在第一焊接表面图像中的灰度值,/>的方向为/>连通域中质心指向边缘像素点/>的方向,/>的大小为质心到边缘像素点/>的欧式距离;
所述根据各连通域中所有像素点的空间灰度向量得到各连通域的向量累加分布直方图,具体步骤为:
对所有连通域,统计连通域中所有像素点的空间灰度向量方向得到总方向区间,将总方向区间进行等分得到多个子方向区间;对各连通域中所有像素点的空间灰度向量进行分类统计得到各子方向区间的空间灰度向量集合,根据各子方向区间的空间灰度向量集合得到各子方向区间的长度累积值,表达式为:
式中,为第/>个连通域中第/>个子方向区间的长度累积值,/>为第/>个连通域中第/>个子方向区间的空间灰度向量个数,/>为第/>个连通域中第/>个子方向区间的空间灰度向量集合中第/>个向量的模;以各子方向区间为横坐标、以各子方向区间的长度累积值为纵坐标绘制直方图,归一化得到各连通域的向量累加分布直方图。
优选的,所述通过各连通域边缘像素点的空间灰度向量得到各连通域的空间灰度向量序列,具体步骤为:
以各连通域的任一边缘像素点为起点,沿各连通域的边缘线,顺时针方向记录各边缘像素点的空间灰度向量,得到各连通域的空间灰度向量序列。
优选的,所述根据各连通域的空间灰度向量序列中元素变化得到各连通域的向量偏差序列,具体步骤为:
获取各连通域的空间灰度向量序列中各相邻向量的余弦相似度;根据各相邻向量的余弦相似度及向量模的大小得到各连通域的空间灰度向量序列中各相邻向量的向量偏差值,表达式为:
式中,为第/>个连通域的空间灰度向量序列中第/>对相邻向量的向量偏差值,为第/>个连通域的空间灰度向量序列中第/>个向量的模,/>为第/>个连通域的空间灰度向量序列中第/>个向量的模,/>为第/>个连通域的空间灰度向量序列中第/>对相邻向量的余弦相似度;
根据各连通域的空间灰度向量序列中各相邻向量的向量偏差值得到各连通域的向量偏差序列。
优选的,所述获取各连通域的向量偏差序列的多个自相关系数,具体步骤为:
对各连通域的向量偏差序列,设置多个滞后步数,根据各滞后步数得到各连通域向量偏差序列的各自相关系数。
优选的,所述根据各连通域的向量偏差序列的各自相关系数变化得到各连通域的平稳度评价指标,表达式为:
式中,为第/>个连通域的平稳度评价指标,/>为第/>个连通域的向量偏差序列的第/>个自相关系数,/>为第/>个连通域的向量偏差序列的自相关系数的个数,/>为第/>个连通域的向量偏差序列的第/>个自相关系数的权重,/>为衰减趋势度;/>为第/>个连通域的向量偏差序列的自相关系数经过降序排列后的第1个自相关系数,/>为第/>个连通域的向量偏差序列的自相关系数经过降序排列后的第/>个自相关系数。
优选的,所述根据各连通域的平稳度评价指标及向量累加分布直方图的信息熵得到各连通域的区域缺陷指标,表达式为:
式中,为第/>个连通域的区域缺陷指标,/>为第/>个连通域的平稳度评价指标,/>为第/>个连通域的向量累加分布直方图的信息熵。
优选的,所述滞后步数的设置方法包括:将滞后步数的数量设置为六分之一倍的各连通域内边缘像素点数量。
优选的,所述预处理操作至少包括灰度化和去噪。本发明至少具有如下有益效果:
本发明结合对焊接表面图像进行边缘检测得到边缘图像,根据边缘图像中连通域的内边缘点和非边缘点的灰度信息分别进行分析,利用平稳度指标和信息熵共同构建各连通域的区域缺陷指标,实现了对每个连通域中信息的准确分析,通过两个维度下信息的处理避免了直接利用边缘信息进行缺陷检测导致的误差。进一步分析所有区域缺陷指标中的离散值,根据离散值与缺陷区域的对应关系准确得到焊接表面图像中的焊瘤缺陷区域,提高了焊接缺陷的位置判定速率,具有较高的焊接质量检测精度。
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为本发明提供的一种焊瘤缺陷检测方法的流程图;
图2为焊接表面图像。
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焊瘤缺陷检测方法,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焊瘤缺陷检测方法的具体方案。
本发明一个实施例提供的一种焊瘤缺陷检测方法。
具体的,提供了如下的一种焊瘤缺陷检测方法,请参阅图1,该方法包括以下步骤:
步骤S001,采集焊接结束后焊接表面图像,进行预处理。
采集焊接结束后焊接表面图像,具体采集方法及设备,在此不对其进行具体限定,实施者可自行选取,本实施例采用CCD照相机采集图像。采集过程中,使用LED散射光源照射焊接表面,以消除光照不足产生的图像亮度较低的影响,进一步需要对焊接表面图像进行预处理,预处理操作至少包括灰度化和去噪,在本发明一个实施例中使用灰度化最大值法处理图片,即选择图像中各像素点R、G、B三分量中最大值作为各像素点灰度值,得到焊接表面灰度图像,以增强图像边缘和纹理细节信息。对灰度图像进行去噪处理,具体去噪方法,实施者可自行选取,本实施例采用高斯滤波进行去噪,平滑图像及去除噪声。
步骤S002,获取焊接表面图像的边缘图像,根据边缘图像中各连通域中各像素点的灰度值及各连通域的坐标构建各连通域的区域缺陷指标。
机械化自动焊接产生的焊点在焊接表面呈均匀分布,冷却后在焊接处会形成“鱼鳞”形状的花纹,对于需要焊接的物体,这种焊接方式产生的焊接强度高、密封性好,且具有较高的疲劳寿命。但是这种鱼鳞焊的焊接方式要求的焊接工艺较高,需要精准控制焊点的焊锡熔量,避免焊锡与焊点接触时间过长从而形成焊瘤,焊瘤会降低焊缝的疲劳寿命,影响焊接质量。焊瘤与正常鱼鳞状区域的形状及颜色等特征不同,焊接表面质量检测具体方法如下:
由于焊接表面有微小焊渣存在,如图2所示,这些焊渣对焊接表面的焊接质量影响不大,但会影响图像处理效果,因此采用形态学闭运算,对焊接表面灰度图像进行膨胀及腐蚀操作,从而消除图像中的焊渣,将处理后得到的新的焊接表面图像,记为第一焊接表面图像;
正常鱼鳞边缘与焊瘤边缘形状不同,对第一焊接表面图像进行边缘检测,需要说明的是,边缘检测算法为公知技术,具体检测方法实施者可自行选取,本实施例采用Canny算子进行边缘检测,得到第一焊接表面图像的边缘图像,通过区域生长算法得到边缘图像中的各连通域,具体方法为公知技术,此处不再赘述。
在边缘图像中,通过各连通域的一阶矩获取各连通域的质心坐标;根据第一焊接表面图像中各像素点与边缘图像中各像素点的对应关系,得到连通域中各边缘像素点的在第一焊接表面图像中的灰度值,以第个连通域边缘像素点/>为例,根据各连通域的质心及边缘像素点的灰度信息得到各连通域边缘像素点的空间灰度向量,表达式为:
式中,为/>连通域中边缘像素点/>的空间灰度向量,/>为/>连通域中边缘像素点/>在第一焊接表面图像中的灰度值,/>的方向为/>连通域中质心指向边缘像素点/>的方向,/>的大小为质心到边缘像素点/>的欧式距离。各边缘像素点的边缘像素点的空间灰度向量的方向仅与相对质心的位置有关;边缘像素点越亮,边缘像素点的灰度值越大,边缘像素点的空间灰度向量大小越大。
正常鱼鳞边缘围成的连通域边缘亮度分布较为均匀,各边缘像素点相对置质心的距离变化较为平缓;而焊瘤产生的连通域的边缘亮度分布较为杂乱,各边缘像素点相对质心的距离变化较为混乱。以各连通域任一边缘像素点为起点,需要说明的是,起点的选取实施者可自行设定,本实施例以各连通域最下方边缘点为起点,沿各连通域的边缘线方向,顺时针记录各边缘像素点的空间灰度向量,得到各连通域的边缘像素点的空间灰度向量序列。根据各连通域的空间灰度向量序列中元素变化得到各连通域的向量偏差序列,具体步骤为:
获取各连通域的空间灰度向量序列中各相邻向量的余弦相似度;以第个连通域的空间灰度向量序列中第/>对相邻向量为例,根据各相邻向量的余弦相似度及向量模的大小得到各连通域的空间灰度向量序列中各相邻向量的向量偏差值,表达式为:
式中,为第/>个连通域的空间灰度向量序列中第/>对相邻向量的向量偏差值,为第/>个连通域的空间灰度向量序列中第/>个向量的模,/>为第/>个连通域的空间灰度向量序列中第/>个向量的模,/>为第/>个连通域的空间灰度向量序列中第/>对相邻向量的余弦相似度;根据各连通域的空间灰度向量序列中各相邻向量的向量偏差值得到各连通域的向量偏差序列。
向量偏差序列体现了相邻边缘像素点相对空间位置以及灰度的变化情况,当该序列内数据变化相对稳定时,即各连通域内各相邻边缘像素点对应的空间灰度向量相似度均较高时,说明该连通域为正常区域的可能性较大;反之,当该序列内数据变化较大时,对应的各连通域可能为焊瘤所在区域。
对各连通域的向量偏差序列,设置个滞后步数,本实施例将n的值设定为小于/>的最大整数,其中/>为各连通域的边缘像素点个数,因此滞后步数的具体取值为/>,需要说明的是滞后步数的具体取值实施者可自行设置,此处不做具体限制。根据各滞后步数得到各连通域的向量偏差序列的各自相关系数,具体计算方法为公知技术,此处不在赘述。
自相关系数能反映各连通域的向量偏差序列内数据变化,以第个各连通域的向量偏差序列为例,根据各连通域的向量偏差序列的各自相关系数变化得到各连通域的平稳度评价指标,表达式为:
式中,为第/>个连通域的平稳度评价指标,/>为第/>个连通域的向量偏差序列的第/>个自相关系数,/>为第/>个连通域的向量偏差序列的自相关系数的个数,/>为第/>个连通域的向量偏差序列的第/>个自相关系数的权重,/>为衰减趋势度;/>为第/>个连通域的向量偏差序列的自相关系数经过降序排列后的第1个自相关系数,/>为第/>个连通域的向量偏差序列的自相关系数经过降序排列后的第/>个自相关系数。需要说明的是,的取值实施者可自行选取,本实施例将/>的值设置为/>;/>的取值范围为0到1,越接近0,序列的自相关性越小;越接近1,序列的自相关性越大。当序列中的元素平稳变化时,自相关系数具有较大衰减趋势,即随着滞后步数的增加,自相关系数的数值会越来越小,并在一定的滞后步数之后趋近于零;与之相反,当序列中元素变化较为混乱时,自相关系数的衰减趋势较小,或没用明显的衰减趋势,说明/>越大,第/>个连通域的向量偏差序列中的元素变化越平稳。当序列中元素平稳变化时,滞后步数较大的自相关系数可靠度较小,因此对滞后步数较大的自相关系数取较小权重,即/>越大,/>越小。正常鱼鳞边缘所围连通域的向量偏差序列中元素变化较平稳,滞后步数较小时,自相关系数数值较大。综上,/>越大,第/>个连通域为正常鱼鳞边缘所围连通域的可能性越大。
在第一焊接表面图像中,正常鱼鳞边缘所围连通域内各像素点的灰度值变化较小;焊瘤形成的连通域内各像素点的灰度值变化较大。因此,根据各边缘像素点的空间灰度向量获取方式得到各连通域内各像素点的空间灰度向量;对所有连通域,统计连通域中所有像素点的空间灰度向量方向得到总方向区间,将总方向区间进行等分得到多个子方向区间;对各连通域中所有像素点的空间灰度向量进行分类统计得到各子方向区间的空间灰度向量集合,根据各子方向区间的空间灰度向量集合得到各子方向区间的长度累积值,表达式为:
式中,为第/>个连通域中第/>个子方向区间的长度累积值,/>为第/>个连通域中第/>个子方向区间的空间灰度向量个数,/>为第/>个连通域中第/>个子方向区间的空间灰度向量集合中第/>个向量的模。以各子方向区间为横坐标、以各子方向区间的长度累积值为纵坐标绘制直方图,归一化得到各连通域的向量累加分布直方图。
计算各连通域的向量累加分布直方图的信息熵,表达式为:
式中,为第/>个连通域的向量累加分布直方图的信息熵,/>为子方向区间的个数,/>为归一化的第/>个子方向区间的长度累积值。熵越大,直方图中数据分布越均匀,直方图对应连通域内像素点位置分布及灰度变化越均匀,越可能为正常区域。
根据各连通域的平稳度评价指标及向量累加分布直方图的信息熵得到各连通域的区域缺陷指标,表达式为:
式中,为第/>个连通域的区域缺陷指标,/>为第/>个连通域的平稳度评价指标,/>为第/>个连通域的向量累加分布直方图的信息熵。熵越大、平稳度评价指标越大,说明区域缺陷指标越小,连通域越可能为正常区域。通过上述方法获取各连通域的区域缺陷指标。
步骤S003,根据各连通域的区域缺陷指标中的离群值确定焊瘤缺陷区域。
根据各连通域的区域缺陷指标变化得到区域缺陷指标中的离群值,离群值的计算方法为公知技术,此处不再赘述;根据各连通域的区域缺陷指标中的离群值得到各异常连通域;根据各异常连通域在焊接表面图像中的位置确定焊瘤缺陷区域。
综上所述,本发明实施例通过机器视觉结合焊接结束后焊接表面图像特征,进行焊接表面焊瘤缺陷区域的确定,实现对焊接表面的焊接质量检测。通过对焊接表面图像进行缺陷特征指标构建,解决了焊接结束后焊接表面缺陷检测的问题,降低了机器检测成本,增加了可检测缺陷种类及焊接材料种类,避免了人工检测的漏检、错检问题,提高了焊接表面缺陷检测的速度与可靠性,进而提高了焊接表面的焊接质量检测精度。
本实施例结合对焊接表面图像进行边缘检测得到边缘图像,根据边缘图像中各连通域的边缘变化,构建各连通域的区域缺陷指标,分析所有区域缺陷指标中的离散值,根据离散值与缺陷区域的对应关系准确得到焊接表面图像中的焊瘤缺陷区域,提高了焊接缺陷的位置判定速率,具有较高的焊接质量检测精度。
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。且上述对本说明书特定实施例进行了描述。另外,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或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。
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;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,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范围,均应包含在本申请的保护范围之内。
Claims (8)
1.一种焊瘤缺陷检测方法,其特征在于,该方法包括以下步骤:
采集焊接结束后焊接表面图像,进行预处理,通过形态学闭运算消除焊渣区域得到新的焊接表面图像,记为第一焊接表面图像;
通过边缘检测得到第一焊接表面图像的边缘图像;通过区域生长得到边缘图像中的各连通域;通过各连通域的一阶矩得到各连通域的质心;根据各连通域的质心及边缘像素点的灰度信息得到各连通域边缘像素点的空间灰度向量;通过各连通域边缘像素点的空间灰度向量得到各连通域的空间灰度向量序列;根据各连通域的空间灰度向量序列中元素变化得到各连通域的向量偏差序列;获取各连通域的向量偏差序列的多个自相关系数;根据各连通域的向量偏差序列的各自相关系数变化得到各连通域的平稳度评价指标;
获取各连通域的非边缘像素点的空间灰度向量;根据各连通域中所有像素点的空间灰度向量得到各连通域的向量累加分布直方图;获取各连通域的向量累加分布直方图的信息熵;
根据各连通域的平稳度评价指标及向量累加分布直方图的信息熵得到各连通域的区域缺陷指标;
根据各连通域的区域缺陷指标中的离群值得到各异常连通域;根据各异常连通域在焊接表面图像中的位置确定焊瘤缺陷区域;
所述根据各连通域的质心及边缘像素点的灰度信息得到各连通域边缘像素点的空间灰度向量,表达式为:
式中,为/>连通域中边缘像素点/>的空间灰度向量,/>为/>连通域中边缘像素点在第一焊接表面图像中的灰度值,/>的方向为/>连通域中质心指向边缘像素点/>的方向,/>的模长为质心到边缘像素点/>的欧式距离;
所述根据各连通域中所有像素点的空间灰度向量得到各连通域的向量累加分布直方图,具体步骤为:
对所有连通域,统计连通域中所有像素点的空间灰度向量方向得到总方向区间,将总方向区间进行等分得到多个子方向区间;对各连通域中所有像素点的空间灰度向量进行分类统计得到各子方向区间的空间灰度向量集合,根据各子方向区间的空间灰度向量集合得到各子方向区间的长度累积值,表达式为:
式中,为第/>个连通域中第/>个子方向区间的长度累积值,/>为第/>个连通域中第个子方向区间的空间灰度向量个数,/>为第/>个连通域中第/>个子方向区间的空间灰度向量集合中第/>个向量的模;以各子方向区间为横坐标、以各子方向区间的长度累积值为纵坐标绘制直方图,归一化得到各连通域的向量累加分布直方图。
2.如权利要求1所述的一种焊瘤缺陷检测方法,其特征在于,所述通过各连通域边缘像素点的空间灰度向量得到各连通域的空间灰度向量序列,具体步骤为:
以各连通域的任一边缘像素点为起点,沿各连通域的边缘线,顺时针方向记录各边缘像素点的空间灰度向量,得到各连通域的空间灰度向量序列。
3.如权利要求1所述的一种焊瘤缺陷检测方法,其特征在于,所述根据各连通域的空间灰度向量序列中元素变化得到各连通域的向量偏差序列,具体步骤为:
获取各连通域的空间灰度向量序列中各相邻向量的余弦相似度;根据各相邻向量的余弦相似度及向量模的大小得到各连通域的空间灰度向量序列中各相邻向量的向量偏差值,表达式为:
式中,为第/>个连通域的空间灰度向量序列中第/>对相邻向量的向量偏差值,/>为第/>个连通域的空间灰度向量序列中第/>个向量的模,/>为第/>个连通域的空间灰度向量序列中第/>个向量的模,/>为第/>个连通域的空间灰度向量序列中第/>对相邻向量的余弦相似度;
根据各连通域的空间灰度向量序列中各相邻向量的向量偏差值得到各连通域的向量偏差序列。
4.如权利要求1所述的一种焊瘤缺陷检测方法,其特征在于,所述获取各连通域的向量偏差序列的多个自相关系数,具体步骤为:
对各连通域的向量偏差序列,设置多个滞后步数,根据各滞后步数得到各连通域向量偏差序列的各自相关系数。
5.如权利要求1所述的一种焊瘤缺陷检测方法,其特征在于,所述根据各连通域的向量偏差序列的各自相关系数变化得到各连通域的平稳度评价指标,表达式为:
式中,为第/>个连通域的平稳度评价指标,/>为第/>个连通域的向量偏差序列的第/>个自相关系数,/>为第/>个连通域的向量偏差序列的自相关系数的个数,/>为第/>个连通域的向量偏差序列的第/>个自相关系数的权重,/>为衰减趋势度;/>为第/>个连通域的向量偏差序列的自相关系数经过降序排列后的第1个自相关系数,/>为第/>个连通域的向量偏差序列的自相关系数经过降序排列后的第/>个自相关系数。
6.如权利要求1所述的一种焊瘤缺陷检测方法,其特征在于,所述根据各连通域的平稳度评价指标及向量累加分布直方图的信息熵得到各连通域的区域缺陷指标,表达式为:
式中,为第/>个连通域的区域缺陷指标,/>为第/>个连通域的平稳度评价指标,为第/>个连通域的向量累加分布直方图的信息熵。
7.如权利要求4所述的一种焊瘤缺陷检测方法,其特征在于,所述滞后步数的设置方法包括:将滞后步数的数量设置为六分之一倍的各连通域内边缘像素点数量。
8.如权利要求1所述的一种焊瘤缺陷检测方法,其特征在于,所述预处理操作至少包括灰度化和去噪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310942860.6A CN116664569B (zh) | 2023-07-31 | 2023-07-31 | 一种焊瘤缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310942860.6A CN116664569B (zh) | 2023-07-31 | 2023-07-31 | 一种焊瘤缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116664569A true CN116664569A (zh) | 2023-08-29 |
CN116664569B CN116664569B (zh) | 2023-10-10 |
Family
ID=87710071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310942860.6A Active CN116664569B (zh) | 2023-07-31 | 2023-07-31 | 一种焊瘤缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116664569B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116934744A (zh) * | 2023-09-14 | 2023-10-24 | 深圳市冠禹半导体有限公司 | 基于机器视觉的mosfet蚀刻缺陷检测方法 |
CN116977335A (zh) * | 2023-09-22 | 2023-10-31 | 山东贞元汽车车轮有限公司 | 一种用于机械零件表面点蚀缺陷的智能检测方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180000441A1 (en) * | 2016-06-30 | 2018-01-04 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for extracting blood vessel |
KR20190088089A (ko) * | 2017-12-26 | 2019-07-26 | 세종대학교산학협력단 | 용접 표면 결점 검출 장치 및 방법 |
CN113450307A (zh) * | 2021-05-12 | 2021-09-28 | 西安电子科技大学 | 一种产品边缘缺陷检测方法 |
WO2022088096A1 (zh) * | 2020-10-30 | 2022-05-05 | 京东方科技集团股份有限公司 | 缺陷实际面积的检测方法、显示面板的检测方法及装置 |
US20220292645A1 (en) * | 2021-03-12 | 2022-09-15 | China University Of Mining & Technology, Beijing | Method for restoring video data of drainage pipe based on computer vision |
CN115082464A (zh) * | 2022-08-22 | 2022-09-20 | 南通翡利达液压科技有限公司 | 除尘机焊接过程中焊缝数据的识别方法及系统 |
CN115100171A (zh) * | 2022-07-11 | 2022-09-23 | 常宝云 | 一种基于机器视觉的钢模焊接缺陷检测方法及系统 |
CN115115644A (zh) * | 2022-08-31 | 2022-09-27 | 启东市德立神起重运输机械有限公司 | 一种基于人工智能的车辆焊接缺陷检测方法 |
CN115294137A (zh) * | 2022-10-09 | 2022-11-04 | 南通市通州区欢伴纺织品有限公司 | 一种布料表面渗色的缺陷检测方法 |
CN115311290A (zh) * | 2022-10-12 | 2022-11-08 | 南通市通州区精华电器有限公司 | 一种精密仪器金属零部件缺陷检测方法 |
CN115423813A (zh) * | 2022-11-05 | 2022-12-02 | 江苏惠汕新能源集团有限公司 | 焊管表面焊接缺陷检测方法 |
EP4151948A1 (de) * | 2021-09-17 | 2023-03-22 | HOMAG Plattenaufteiltechnik GmbH | Verfahren und vorrichtung zur qualitätsprüfung einer kante eines plattenförmigen werkstücks |
CN115984272A (zh) * | 2023-03-20 | 2023-04-18 | 山东杨嘉汽车制造有限公司 | 基于计算机视觉的半挂车车桥缺陷识别方法 |
WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
-
2023
- 2023-07-31 CN CN202310942860.6A patent/CN116664569B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180000441A1 (en) * | 2016-06-30 | 2018-01-04 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for extracting blood vessel |
KR20190088089A (ko) * | 2017-12-26 | 2019-07-26 | 세종대학교산학협력단 | 용접 표면 결점 검출 장치 및 방법 |
WO2022088096A1 (zh) * | 2020-10-30 | 2022-05-05 | 京东方科技集团股份有限公司 | 缺陷实际面积的检测方法、显示面板的检测方法及装置 |
US20220292645A1 (en) * | 2021-03-12 | 2022-09-15 | China University Of Mining & Technology, Beijing | Method for restoring video data of drainage pipe based on computer vision |
CN113450307A (zh) * | 2021-05-12 | 2021-09-28 | 西安电子科技大学 | 一种产品边缘缺陷检测方法 |
EP4151948A1 (de) * | 2021-09-17 | 2023-03-22 | HOMAG Plattenaufteiltechnik GmbH | Verfahren und vorrichtung zur qualitätsprüfung einer kante eines plattenförmigen werkstücks |
CN115100171A (zh) * | 2022-07-11 | 2022-09-23 | 常宝云 | 一种基于机器视觉的钢模焊接缺陷检测方法及系统 |
CN115082464A (zh) * | 2022-08-22 | 2022-09-20 | 南通翡利达液压科技有限公司 | 除尘机焊接过程中焊缝数据的识别方法及系统 |
CN115115644A (zh) * | 2022-08-31 | 2022-09-27 | 启东市德立神起重运输机械有限公司 | 一种基于人工智能的车辆焊接缺陷检测方法 |
CN115294137A (zh) * | 2022-10-09 | 2022-11-04 | 南通市通州区欢伴纺织品有限公司 | 一种布料表面渗色的缺陷检测方法 |
CN115311290A (zh) * | 2022-10-12 | 2022-11-08 | 南通市通州区精华电器有限公司 | 一种精密仪器金属零部件缺陷检测方法 |
WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
CN115423813A (zh) * | 2022-11-05 | 2022-12-02 | 江苏惠汕新能源集团有限公司 | 焊管表面焊接缺陷检测方法 |
CN115984272A (zh) * | 2023-03-20 | 2023-04-18 | 山东杨嘉汽车制造有限公司 | 基于计算机视觉的半挂车车桥缺陷识别方法 |
Non-Patent Citations (7)
Title |
---|
SERGEY V. MURAVYOV: "Weld Defects Automatic Visual Recognition by Combined Application of Canny Edge Detector and Interval Fusion with Preference Aggregation", 2022 INTERNATIONAL CONFERENCE ON INFORMATION, CONTROL, AND COMMUNICATION TECHNOLOGIES (ICCT) * |
乔佳亮;李晓阳;: "基于边缘检测和种子自动区域生长算法的铝铸件图像分割", 伺服控制, no. 03 * |
刘建春;林海森;黄勇杰;江骏杰;: "基于机器视觉的金属边缘细微缺陷检测方法的研究", 制造技术与机床, no. 11 * |
刘辉;万文;熊震宇;: "X射线焊缝图像的缺陷检测与识别技术", 电焊机, no. 04 * |
岳贤军;: "基于梯度直方图的产品表面缺陷图像自适应阈值分割方法研究", 南通大学学报(自然科学版), no. 01 * |
王付军;刘兰英;: "基于微焦点X射线的SMT焊点缺陷检测仿真", 计算机仿真, no. 09 * |
马云;王贺;张晓光;胡晓钦;张涛;: "基于形态学的焊接图像缺陷检测方法研究", 计算机测量与控制, no. 05 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116934744A (zh) * | 2023-09-14 | 2023-10-24 | 深圳市冠禹半导体有限公司 | 基于机器视觉的mosfet蚀刻缺陷检测方法 |
CN116934744B (zh) * | 2023-09-14 | 2023-11-17 | 深圳市冠禹半导体有限公司 | 基于机器视觉的mosfet蚀刻缺陷检测方法 |
CN116977335A (zh) * | 2023-09-22 | 2023-10-31 | 山东贞元汽车车轮有限公司 | 一种用于机械零件表面点蚀缺陷的智能检测方法 |
CN116977335B (zh) * | 2023-09-22 | 2023-12-12 | 山东贞元汽车车轮有限公司 | 一种用于机械零件表面点蚀缺陷的智能检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116664569B (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116664569B (zh) | 一种焊瘤缺陷检测方法 | |
CN110286124B (zh) | 基于机器视觉的耐火砖测量系统 | |
CN110163853B (zh) | 一种边缘缺陷的检测方法 | |
CN116758061B (zh) | 基于计算机视觉的铸件表面缺陷检测方法 | |
CN115861291B (zh) | 基于机器视觉的贴片电路板生产缺陷检测方法 | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN115018850B (zh) | 基于图像处理的精密电子零部件冲压孔毛刺检测方法 | |
CN115829883A (zh) | 一种异性金属结构件表面图像去噪方法 | |
WO1997021189A1 (en) | Edge peak boundary tracker | |
CN115100203A (zh) | 一种钢筋打磨除锈质量检测方法 | |
CN116030060B (zh) | 一种塑料颗粒质量检测方法 | |
JP2014228357A (ja) | ひび割れ検出方法 | |
CN113989266B (zh) | 基于图像处理的机械配件表面缺陷检测方法 | |
CN115311629B (zh) | 一种折弯机的异常折弯精度监测系统 | |
CN115100191A (zh) | 基于工业检测的金属铸件缺陷识别方法 | |
CN115775250A (zh) | 基于数字图像分析的金手指电路板缺陷快速检测系统 | |
CN116168025B (zh) | 一种油幕式油炸花生生产系统 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN116385450A (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
CN113222955A (zh) | 一种基于机器视觉的齿轮尺寸参数自动测量方法 | |
CN111539927A (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测过程及算法 | |
CN115311289A (zh) | 一种素色布匹油渍缺陷检测方法 | |
CN115063407A (zh) | 一种用于环形铜垫片的划痕及裂纹识别方法 | |
CN115239661A (zh) | 基于图像处理的机械零件毛刺检测方法及系统 | |
CN117115494B (zh) | 基于人工智能的润滑油杂质污染检测方法、装置 |
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 |