CN116681669A - 智能的同口底片评价管理方法 - Google Patents
智能的同口底片评价管理方法 Download PDFInfo
- Publication number
- CN116681669A CN116681669A CN202310647395.3A CN202310647395A CN116681669A CN 116681669 A CN116681669 A CN 116681669A CN 202310647395 A CN202310647395 A CN 202310647395A CN 116681669 A CN116681669 A CN 116681669A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- film
- judging
- mouth
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 45
- 238000007726 management method Methods 0.000 title claims abstract description 32
- 230000007547 defect Effects 0.000 claims abstract description 104
- 238000010586 diagram Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000003466 welding Methods 0.000 claims description 14
- 102220352372 c.148T>G Human genes 0.000 claims description 8
- 102220477667 Mitochondrial inner membrane protease subunit 2_S40T_mutation Human genes 0.000 claims description 3
- 102220479871 Protein FAM180A_S53A_mutation Human genes 0.000 claims description 3
- 102220536518 THAP domain-containing protein 1_S51A_mutation Human genes 0.000 claims description 3
- 102220536512 THAP domain-containing protein 1_S52A_mutation Human genes 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 102220313179 rs1553259785 Human genes 0.000 claims description 3
- 238000000034 method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/1444—Selective acquisition, locating or processing of specific regions, e.g. highlighted text, fiducial marks or predetermined fields
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/18—Extraction of features or characteristics of the image
- G06V30/1801—Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes or intersections
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本申请所述的智能的同口底片评价管理方法包括步骤:S10、连续扫描,分别得到第一图像和第二图像;S20、得到该图像的正向图像;S30、对正向图像进行图像亮度处理;S40、分别识别第一正向图和第二正向图中的缺陷轮廓、焊缝轮廓线;S50、比较面积的比值;S51、若比值大于2或者小于0.5,则将第一图像和第二图像判断为异口底片;S52、若比值介于0.5到2之间,则截取以该缺陷轮廓为基准的图像片段;S60、比较第一正向图的图像片段与第二正向图的图像片段的一致性。本申请所述的智能的同口底片评价管理方法,具有能够实现同口底片的统一管理,方便管理和后续评价的优点。
Description
技术领域
本申请涉及无损检测技术领域,特别是涉及智能的同口底片评价管理方法。
背景技术
在无损检测工作中,缺陷是否能够通过射线照相而被检出,取决于若干环节。首先,必须使缺陷在底片上留下足以识别的影象,这涉及到照相质量方面的问题。其次,底片上的影象应在适当条件下得以充分显示,以利于评片人员观察和识别,这与观片设备和环境条件有关。第三,评片人员对观察到的影象应能作出正确的分析与判断,这取决于评片人员的知识、经验、技术水平和责任心。按以上所述,对评片工作的基本要求可归纳为三个方面:即底片质量要求、设备环境条件要求、人员条件要求。
无损检测中的底片评定,是指利用观片灯﹑黑度计等仪器和工具进行评片,包括底片质量的评定﹑缺陷的定性和定量﹑焊缝质量的评级等内容。
常规的底片评定或评价工作中,有时需要对同一个焊口进行多次拍片,并形成多个底片,从而能够从多个底片上进行观察和评定,以保证评价工作的准确性。而随着自动评片的技术的发展,多张同口底片经过自动扫描后所成的像,会存在各种各样的差异,包括底片上的折痕、色差、亮度差、对比度差等等,现有技术的做法,通过自动扫描后,经过人工识别和归档。这种做法需要对识别人员的经验有要求,而且识别较慢,用于识别的工作量较大。
发明内容
基于此,本申请的目的在于,提供智能的同口底片评价管理方法,其具有提高同口片的整理效率,以利于评片的开展的优点。
本申请的一方面,提供一种智能的同口底片评价管理方法,包括步骤:
S10、连续扫描,分别得到第一图像和第二图像;
S20、分别识别第一图像和第二图像中的编号,判断编号是否为反向,若编号为反向,则翻转该图像,并得到该图像的正向图像;
S30、对正向图像进行图像亮度处理,以得到亮度一致的第一正向图和第二正向图;
S40、分别识别第一正向图和第二正向图中的缺陷轮廓,以及分别识别第一正向图和第二正向图中的焊缝轮廓线;
S50、比较第一正向图中的缺陷轮廓的面积,与第二正向图中的缺陷轮廓的面积的比值;
S51、若比值大于2或者小于0.5,则将第一图像和第二图像判断为异口底片;
S52、若比值介于0.5到2之间,则截取以该缺陷轮廓为基准的图像片段;
S60、比较第一正向图的图像片段与第二正向图的图像片段的一致性;
S61、若一致,则将第一图像和第二图像判断为同口底片;
S62、若不一致,则将第一图像和第二图像判断为异口底片。
本申请所述的智能的同口底片评价管理方法,主要用于同口底片的整理和归纳。通常情况下,同口底片上的缺陷数量一致,且缺陷形态一致,但是由于每一次无损探伤形成的底片会存在一些差异,例如拍片的角度不同,拍片的位置有少许差异,使得每一次成像的图像会存在少量的差异。通过本申请的管理方法,能够将这些底片的差异尽可能的避免,以达到自动归类或者自动归档的效果。在本申请中,通过对图像亮度的统一调节,使得在计算机存储的每一个图像的亮度一致,从而保证了后续自动评片的统一性。因为亮度一致,所以后续在评片时,对缺陷轮廓的提取就会一致,不会因为图像亮度不同而使得同一个缺陷产生不同轮廓的现象。由于对轮廓的提取的一致,就使得评片和比对的时候,可以通过轮廓的识别来判断是否是同口底片,进而方便了评片,也提高了评片的准确性,最终达到同口底片自动归档的效果。
进一步地,步骤S60中,图像片段的一致性判断,包括:
基于第一正向图中的该缺陷轮廓,分别找到第一正向图中的缺陷轮廓至两侧的焊缝轮廓线的最短直线段,分别标记为L1和T1;
基于第二正向图中的该缺陷轮廓,分别找到第二正向图中的缺陷轮廓至两侧的焊缝轮廓线的最短直线段,分别标记为L2和T2;
其中,L1和L2分别位于缺陷轮廓的同方向的一侧,T1和T2分别位于缺陷轮廓的另一侧;
计算L1/L2的比值,以该比值对T2的值进行缩放,得到T2a,计算T1/T2a的比值;
若该比值介于0.96~1.04之间,则判断为一致;
若该比值小于0.96或者大于1.04,则判断为不一致。
进一步地,步骤S30中,所述图像亮度处理,包括:设定亮度值的统一参数,并按照该统一参数对每一个图像进行亮度值的统一处理,以得到亮度值一致的多张图像。
进一步地,还包括步骤:S70、将同口底片按照相同前缀命名,将异口底片进行前缀差异化命名。
进一步地,在步骤S60之前,还包括步骤:S50A、进行缺陷轮廓的一致性判断;
若两个缺陷轮廓的像素点重合率大于或等于93%,则判断为缺陷一致;
若两个缺陷轮廓的像素点重合率小于93%,则判断为缺陷不一致。
进一步地,步骤S50A中,所述缺陷轮廓的一致性判断,包括:
S51A、将两个图像的缺陷轮廓进行堆叠,找到两个图像的缺陷轮廓的其中一个重合点,分别在两个图像上标记该点,分别标记为M1和M2;
S52A、找到与M1最近的焊缝轮廓线Q1,并作一条经过M1的竖线,得到该竖线与该焊缝轮廓线的交点N1;
找到与M2最近的焊缝轮廓线Q2,并作一条经过M2的竖线,得到该竖线与该焊缝轮廓线的交点N2;
S53A、将两个图像重叠,并使得M1与M2重合,以M2为圆心,对第二正向图进行第一角度旋转,使得M2的一侧的Q2与Q1的重合点大于5,判断M2的另一侧的Q2与Q1的重合点是否大于3;
若是,则以第一角度旋转后的第二正向图中的缺陷轮廓,与第一正向图中的缺陷轮廓进行一致性判断;
若否,则判断为异口底片;
S54A、进行一致性判断时,比较两个缺陷轮廓内的范围的重合面积,若重合面积大于90%,则判断为同口底片;若重合面积小于或等于90%,则判断为异口底片。
进一步地,在步骤S40之后,还包括步骤S40A、判断第一正向图中的缺陷轮廓数量,与第二正向图中的缺陷轮廓数量是否一致,若一致,则逐一按照步骤S50继续执行判断;若不一致,则判断为异口底片。
进一步地,步骤S10中,使用自动扫描仪对底片进行自动扫描,并将图像传输到计算机中。
进一步地,通过计算机实现该智能的同口底片评价管理方法。
为了更好地理解和实施,下面结合附图详细说明本申请。
附图说明
图1为本申请示例性的智能的同口底片评价管理方法的流程图;
图2为本申请示例性的第一图像的示意图;
图3为本申请示例性的第二图像的示意图;
图4为本申请示例性的对第一图像提取轮廓线后得到的轮廓线图;
图5为本申请示例性的另一张(区别于第一图像和第二图像)的示意图。
具体实施方式
在本申请的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
虽然对于同一焊缝处拍摄的得到的底片,其拍摄时间不同,拍摄的角度不同,拍摄的位置有差异,等等的细微差异;但是,同一缺陷位置(也叫同一焊口,或者同一焊接点)上的缺陷是既定的,并且经过统一亮度处理之后,得到的缺陷轮廓也是一致的,只是轮廓的角度、在底片上的具体位置会有差异。基于此,本申请提供了如下的评片方法和同口底片的管理方法。
需要说明的是,图2和图3演示的是同口图像的可能表现样式,图5演示的是另一种图像的样式,图5与图2和图3均不是同口底片。因为在图2和图3中,轮廓的角度有差异,缺陷在底片上的坐标位置有差异,但是缺陷数量相同,位置缺陷与轮廓的相对位置相同,将图3的轮廓线转动一个角度,即可得到与图2重合度极高的图像,所以判定为同口图像。但是在图5中,与图2的缺陷类型不同,缺陷数量也不同,缺陷位置差异较大,所以明显的不是同口底片。
此外,附图2-5中的刨面线的区域,表示黑色的钢材,白色的区域表示焊缝,白色区域中的轮廓线表示缺陷的轮廓。
请参阅图1-图5,本申请示例性的一种智能的同口底片评价管理方法,包括步骤:
S10、扫描成像。连续扫描,分别得到第一图像和第二图像。
在一些优选实施例中,步骤S10中,使用自动扫描仪对底片进行自动扫描,并将图像传输到计算机中。
在一些优选示例中,连续扫描多张图像,在进行后续的比较和处理时,两两单独比较并得到结论。当比较完成两张之后,对其中一张进行分类或者重命名处理,用另一张对下一张进行比较。
S20、识图并翻转反向图。分别识别第一图像和第二图像中的编号,判断编号是否为反向,若编号为反向,则翻转该图像,并得到该图像的正向图像。
图像翻转是在图像放置进入扫描仪时,底片放置反向,识别出来的底片编号翻转了。例如编号为3,反向图像呈现出来的是“ε”。
S30、亮度统一化处理。对正向图像进行图像亮度处理,以得到亮度一致的第一正向图和第二正向图。
在一些优选实施例中,步骤S30中,所述图像亮度处理,包括:设定亮度值的统一参数,并按照该统一参数对每一个图像进行亮度值的统一处理,以得到亮度值一致的多张图像。
S40、识别轮廓线。分别识别第一正向图和第二正向图中的缺陷轮廓,以及分别识别第一正向图和第二正向图中的焊缝轮廓线。
在一些优选实施例中,在步骤S40之后,在步骤S50之前,还包括步骤S40A、判断第一正向图中的缺陷轮廓数量,与第二正向图中的缺陷轮廓数量是否一致,若一致,则逐一按照步骤S50继续执行判断;若不一致,则判断为异口底片。
S50、判断是否同口底片。比较第一正向图中的缺陷轮廓的面积,与第二正向图中的缺陷轮廓的面积的比值;
S51、若比值大于2或者小于0.5,则将第一图像和第二图像判断为异口底片;
S52、若比值介于0.5到2之间,则截取以该缺陷轮廓为基准的图像片段,并继续进行步骤S60的判断。
在一些优选实施例中,在步骤S50之后,在步骤S60之前,还包括步骤:S50A、进行缺陷轮廓的一致性判断;
若两个缺陷轮廓的像素点重合率大于或等于93%,则判断为缺陷一致;
若两个缺陷轮廓的像素点重合率小于93%,则判断为缺陷不一致。
在一些优选实施例中,步骤S50A中,所述缺陷轮廓的一致性判断,包括:
S51A、将两个图像的缺陷轮廓进行堆叠,找到两个图像的缺陷轮廓的其中一个重合点,分别在两个图像上标记该点,分别标记为M1和M2;
S52A、找到与M1最近的焊缝轮廓线Q1,并作一条经过M1的竖线,得到该竖线与该焊缝轮廓线的交点N1;
找到与M2最近的焊缝轮廓线Q2,并作一条经过M2的竖线,得到该竖线与该焊缝轮廓线的交点N2;
S53A、将两个图像重叠,并使得M1与M2重合,以M2为圆心,对第二正向图进行第一角度旋转,使得M2的一侧的Q2与Q1的重合点大于5,判断M2的另一侧的Q2与Q1的重合点是否大于3;
若是,则以第一角度旋转后的第二正向图中的缺陷轮廓,与第一正向图中的缺陷轮廓进行一致性判断;
若否,则判断为异口底片;
S54A、进行一致性判断时,比较两个缺陷轮廓内的范围的重合面积,若重合面积大于90%,则判断为同口底片;若重合面积小于或等于90%,则判断为异口底片。
步骤S50A中,是为了判断两个图像中的缺陷轮廓是否一致,以及焊缝轮廓是否一致。因为通常两次拍摄同一个焊口时,缺陷的位置和角度会有差异,所以,需要对第二张图像进行旋转,旋转后再判断两张图像的重合度,若重合度大于90%,则说明是同口底片,若不是,则说明不是同口底片,而是异口底片。因为不同口的底片,缺陷位置会差异很大,而且缺陷的形状也会差异很大,甚至缺陷的数量也完全不同,所以,通过步骤S50A可以更好的保证同口底片的准确识别。
S60、再次判断是否同口底片。比较第一正向图的图像片段与第二正向图的图像片段的一致性;
S61、若一致,则将第一图像和第二图像判断为同口底片;
S62、若不一致,则将第一图像和第二图像判断为异口底片。
在一些优选实施例中,步骤S60中,图像片段的一致性判断,包括:
基于第一正向图中的该缺陷轮廓,分别找到第一正向图中的缺陷轮廓至两侧的焊缝轮廓线的最短直线段,分别标记为L1和T1;
基于第二正向图中的该缺陷轮廓,分别找到第二正向图中的缺陷轮廓至两侧的焊缝轮廓线的最短直线段,分别标记为L2和T2;
其中,L1和L2分别位于缺陷轮廓的同方向的一侧,T1和T2分别位于缺陷轮廓的另一侧;
计算L1/L2的比值,以该比值对T2的值进行缩放,得到T2a,计算T1/T2a的比值;
若该比值介于0.96~1.04之间,则判断为一致;
若该比值小于0.96或者大于1.04,则判断为不一致。
在一些优选实施例中,还包括步骤:S70、将同口底片按照相同前缀命名,将异口底片进行前缀差异化命名。
本申请还提供一种智能的同口底片评价管理装置,该装置包括:
扫描成像模块,用于连续扫描,分别得到第一图像和第二图像;
识图并翻转反向图模块,用于分别识别第一图像和第二图像中的编号,判断编号是否为反向,若编号为反向,则翻转该图像,并得到该图像的正向图像;
亮度统一化处理模块,用于对正向图像进行图像亮度处理,以得到亮度一致的第一正向图和第二正向图;
识别轮廓线模块,用于分别识别第一正向图和第二正向图中的缺陷轮廓,以及分别识别第一正向图和第二正向图中的焊缝轮廓线;
判断是否同口底片模块,用于比较第一正向图中的缺陷轮廓的面积,与第二正向图中的缺陷轮廓的面积的比值;
若比值大于2或者小于0.5,则将第一图像和第二图像判断为异口底片;
若比值介于0.5到2之间,则截取以该缺陷轮廓为基准的图像片段;
再次判断是否同口底片模块,用于比较第一正向图的图像片段与第二正向图的图像片段的一致性;
若一致,则将第一图像和第二图像判断为同口底片;
若不一致,则将第一图像和第二图像判断为异口底片。
本申请还提供一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述电子设备实现上述任一实施例所述的智能的同口底片评价管理方法。
本申请还提供一种计算机可读存储介质,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行上述任一实施例所述的智能的同口底片评价管理方法。
在一些优选实施例中,通过计算机实现该智能的同口底片评价管理方法。
本申请的评价管理方法中,连续多张底片的管理流程如下:
按照图像识别的顺序,从第一张和第二张开始评价和管理。若最终判断的结论是同口底片,则将两张图像重命名或者归到同一个文件夹下;再任意选出其中一张,和第三张图像进行比较和判断。若第三张也是同口底片,则将第三张按照前两张的前缀进行重命名,或者放入前两张同一个文件夹下。依照与第三张同样的原理,对第四张图像进行比较判断,若第四张图像的判断结果为异口底片,则前三张图像判断和管理结束,将前三张图像归为一类。然后,利用第四张图像与第五张图像进行比较判断。如此依次进行。
也就是说,在同口底片连续的情况下,当连续多张都判断为同口底片时,可以任选其中一张作为比较的基础图像,利用该基础图像与下一张图像进行比较判断。当判断结果为异口底片时,则利用该次被比较的图像作为下一次的基础图像。如此,完成了一组图像的判断,就停止再用这一组图像作为基础,而是识别判断出有异口图像时,采用新的图像作为基础。
在同口底片不连续的情况下,需要将被挑选的底片与其他所有的底片进行比较,以判断哪些是同口底片,哪些不是。例如存在10张底片的情况下,将第一张图像与其他9张图像进行比较判断,以得到哪些与第一张图像是同口底片。再在剩下的图像中,挑出一张与其他图像比较,以得到另一组的同口底片,直到全部10张完成分析判断。
不管是同口底片连续还是不连续,都采用本申请的智能的同口底片评价管理方法进行。
本申请所述的智能的同口底片评价管理方法,主要用于同口底片的整理和归纳。通常情况下,同口底片上的缺陷数量一致,且缺陷形态一致,但是由于每一次无损探伤形成的底片会存在一些差异,例如拍片的角度不同,拍片的位置有少许差异,使得每一次成像的图像会存在少量的差异。通过本申请的管理方法,能够将这些底片的差异尽可能的避免,以达到自动归类或者自动归档的效果。在本申请中,通过对图像亮度的统一调节,使得在计算机存储的每一个图像的亮度一致,从而保证了后续自动评片的统一性。因为亮度一致,所以后续在评片时,对缺陷轮廓的提取就会一致,不会因为图像亮度不同而使得同一个缺陷产生不同轮廓的现象。由于对轮廓的提取的一致,就使得评片和比对的时候,可以通过轮廓的识别来判断是否是同口底片,进而方便了评片,也提高了评片的准确性,最终达到同口底片自动归档的效果。
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。
Claims (9)
1.一种智能的同口底片评价管理方法,其特征在于,包括步骤:
S10、连续扫描,分别得到第一图像和第二图像;
S20、分别识别第一图像和第二图像中的编号,判断编号是否为反向,若编号为反向,则翻转该图像,并得到该图像的正向图像;
S30、对正向图像进行图像亮度处理,以得到亮度一致的第一正向图和第二正向图;
S40、分别识别第一正向图和第二正向图中的缺陷轮廓,以及分别识别第一正向图和第二正向图中的焊缝轮廓线;
S50、比较第一正向图中的缺陷轮廓的面积,与第二正向图中的缺陷轮廓的面积的比值;
S51、若比值大于2或者小于0.5,则将第一图像和第二图像判断为异口底片;
S52、若比值介于0.5到2之间,则截取以该缺陷轮廓为基准的图像片段;
S60、比较第一正向图的图像片段与第二正向图的图像片段的一致性;
S61、若一致,则将第一图像和第二图像判断为同口底片;
S62、若不一致,则将第一图像和第二图像判断为异口底片。
2.根据权利要求1所述的智能的同口底片评价管理方法,其特征在于,步骤S60中,图像片段的一致性判断,包括:
基于第一正向图中的该缺陷轮廓,分别找到第一正向图中的缺陷轮廓至两侧的焊缝轮廓线的最短直线段,分别标记为L1和T1;
基于第二正向图中的该缺陷轮廓,分别找到第二正向图中的缺陷轮廓至两侧的焊缝轮廓线的最短直线段,分别标记为L2和T2;
其中,L1和L2分别位于缺陷轮廓的同方向的一侧,T1和T2分别位于缺陷轮廓的另一侧;
计算L1/L2的比值,以该比值对T2的值进行缩放,得到T2a,计算T1/T2a的比值;
若该比值介于0.96~1.04之间,则判断为一致;
若该比值小于0.96或者大于1.04,则判断为不一致。
3.根据权利要求2所述的智能的同口底片评价管理方法,其特征在于,步骤S30中,所述图像亮度处理,包括:设定亮度值的统一参数,并按照该统一参数对每一个图像进行亮度值的统一处理,以得到亮度值一致的多张图像。
4.根据权利要求2所述的智能的同口底片评价管理方法,其特征在于,还包括步骤:S70、将同口底片按照相同前缀命名,将异口底片进行前缀差异化命名。
5.根据权利要求2所述的智能的同口底片评价管理方法,其特征在于,在步骤S60之前,还包括步骤:S50A、进行缺陷轮廓的一致性判断;
若两个缺陷轮廓的像素点重合率大于或等于93%,则判断为缺陷一致;
若两个缺陷轮廓的像素点重合率小于93%,则判断为缺陷不一致。
6.根据权利要求5所述的智能的同口底片评价管理方法,其特征在于,步骤S50A中,所述缺陷轮廓的一致性判断,包括:
S51A、将两个图像的缺陷轮廓进行堆叠,找到两个图像的缺陷轮廓的其中一个重合点,分别在两个图像上标记该点,分别标记为M1和M2;
S52A、找到与M1最近的焊缝轮廓线Q1,并作一条经过M1的竖线,得到该竖线与该焊缝轮廓线的交点N1;
找到与M2最近的焊缝轮廓线Q2,并作一条经过M2的竖线,得到该竖线与该焊缝轮廓线的交点N2;
S53A、将两个图像重叠,并使得M1与M2重合,以M2为圆心,对第二正向图进行第一角度旋转,使得M2的一侧的Q2与Q1的重合点大于5,判断M2的另一侧的Q2与Q1的重合点是否大于3;
若是,则以第一角度旋转后的第二正向图中的缺陷轮廓,与第一正向图中的缺陷轮廓进行一致性判断;
若否,则判断为异口底片;
S54A、进行一致性判断时,比较两个缺陷轮廓内的范围的重合面积,若重合面积大于90%,则判断为同口底片;若重合面积小于或等于90%,则判断为异口底片。
7.根据权利要求1-6任一项所述的智能的同口底片评价管理方法,其特征在于,在步骤S40之后,还包括步骤S40A、判断第一正向图中的缺陷轮廓数量,与第二正向图中的缺陷轮廓数量是否一致,若一致,则逐一按照步骤S50继续执行判断;若不一致,则判断为异口底片。
8.根据权利要求7所述的智能的同口底片评价管理方法,其特征在于,步骤S10中,使用自动扫描仪对底片进行自动扫描,并将图像传输到计算机中。
9.根据权利要求7所述的智能的同口底片评价管理方法,其特征在于,通过计算机实现该智能的同口底片评价管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310647395.3A CN116681669A (zh) | 2023-06-01 | 2023-06-01 | 智能的同口底片评价管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310647395.3A CN116681669A (zh) | 2023-06-01 | 2023-06-01 | 智能的同口底片评价管理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116681669A true CN116681669A (zh) | 2023-09-01 |
Family
ID=87784893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310647395.3A Pending CN116681669A (zh) | 2023-06-01 | 2023-06-01 | 智能的同口底片评价管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116681669A (zh) |
-
2023
- 2023-06-01 CN CN202310647395.3A patent/CN116681669A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3524853B2 (ja) | パターン検査装置、パターン検査方法および記録媒体 | |
US8995749B2 (en) | Enhanced edge detection tool for edges of irregular surfaces | |
JP2005331274A (ja) | タイヤ凹凸図形の検査方法、および、タイヤ凹凸図形検査装置 | |
EP1770356A2 (en) | Three-dimensional measurement system with projection device | |
WO2007062563A1 (fr) | Procede d'examen automatique en ligne pour des detections de defauts de surface d'acier pendant le pretraitement de toles d'acier | |
US7869643B2 (en) | Advanced cell-to-cell inspection | |
CN113146073B (zh) | 基于视觉的激光切割方法及装置、电子设备、存储介质 | |
DE102018208449A1 (de) | Bildprüfvorrichtung und Bildprüfverfahren | |
CN113393464B (zh) | 一种平板玻璃缺陷的三维检测方法 | |
CN107192716A (zh) | 一种基于轮廓特征的工件缺陷快速检测方法 | |
US20100104216A1 (en) | Combining feature boundaries | |
CN116309409A (zh) | 一种焊缝缺陷检测方法、系统和存储介质 | |
CN108447081A (zh) | 视觉系统中对彩色图像中色彩候选姿态评分的系统和方法 | |
CN113870295B (zh) | 一种孔洞直径检测方法、计算机设备及存储介质 | |
CN115861351A (zh) | 边缘检测方法、缺陷检测方法及检测装置 | |
CN117058411B (zh) | 电池棱边外形瑕疵识别方法、装置、介质和设备 | |
CN110084807B (zh) | 一种焊缝探伤底片图像造假的检测方法 | |
JP2019194549A (ja) | タイヤ金型サイドプレートの検査方法 | |
CN115375610A (zh) | 检测方法及装置、检测设备和存储介质 | |
CN116681669A (zh) | 智能的同口底片评价管理方法 | |
CN110031471B (zh) | 大口径光学元件表面缺陷增长分析方法、系统、装置 | |
CN115452844B (zh) | 一种基于机器视觉的注塑件检测方法及系统 | |
CA2731385C (en) | Image analysis system and method | |
JP2004185019A (ja) | パターン検査装置、パターン検査方法および記録媒体 | |
CN112837285B (zh) | 一种板面图像的边缘检测方法及装置 |
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 |