CN116797561A - 一种钢结构焊接质量检测方法 - Google Patents
一种钢结构焊接质量检测方法 Download PDFInfo
- Publication number
- CN116797561A CN116797561A CN202310653393.5A CN202310653393A CN116797561A CN 116797561 A CN116797561 A CN 116797561A CN 202310653393 A CN202310653393 A CN 202310653393A CN 116797561 A CN116797561 A CN 116797561A
- Authority
- CN
- China
- Prior art keywords
- region
- welding
- defect
- defect region
- welding quality
- 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
- 238000003466 welding Methods 0.000 title claims abstract description 118
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 36
- 239000010959 steel Substances 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 230000007547 defect Effects 0.000 claims abstract description 151
- 238000000034 method Methods 0.000 claims abstract description 39
- 239000003973 paint Substances 0.000 claims abstract description 21
- 238000005070 sampling Methods 0.000 claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 238000004040 coloring Methods 0.000 claims abstract description 8
- 238000005507 spraying Methods 0.000 claims abstract description 8
- 230000002950 deficient Effects 0.000 claims description 32
- 101100129500 Caenorhabditis elegans max-2 gene Proteins 0.000 claims description 9
- 101100083446 Danio rerio plekhh1 gene Proteins 0.000 claims description 7
- 238000000926 separation method Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 description 11
- 239000011324 bead Substances 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 239000012752 auxiliary agent Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 239000000758 substrate 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
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
-
- 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)
- 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)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种钢结构焊接质量检测方法，包括以下步骤：S1、采用白色的着色涂料对覆盖焊接位置的取样区域进行喷涂，只有去除多余的涂料；S2、采集覆盖整个取样区域的原始图像I，然后进行灰度处理，得到原始灰度图像Ig；S3、阈值分割得到焊接区域灰度图像P；S4、阈值分割得到缺陷区域R1，然后进行分类；S5、阈值分割得到缺陷区域R2，然后进行分类；S6、计算得到当前取样区域的焊接缺陷评价指标E；S7、对当前取样区域的焊接质量进行评级，完成焊接质量检测。本发明提供的方法通过预先采用白色的着色涂料对焊接区域进行喷涂，使裂纹被白色涂料着色，能够轻易通过灰度图像实现裂纹的识别。
Description
技术领域
本发明涉及钢结构工程领域，特别涉及一种钢结构焊接质量检测方法。
背景技术
钢结构是由钢制材料组成的结构，是主要的建筑结构类型之一，焊接是钢结构之间的连接的主要方式之一，焊接的强度对钢结构牢固性影响重大，所以需要对焊接质量进行检测，以保证钢结构建筑的安全性。通常采用的检测手段包括人工裸眼检测、基于图像处理的方法进行检测、射线检测、超声波检测等。人工裸眼检测准确性低、效率低下，射线检测、超声波检测虽然能够实现焊接内部的检测，但对于钢结构建筑通常处于户外环境，射线检测、超声波检测需要配备成套的设备，难以适应户外钢结构建筑的检测。基于图像处理的检测方法设备要求简单，应用方便，能够很好的适应户外钢结构建筑的检测。例如专利CN113989280B公开的基于图像处理技术的钢结构焊接裂纹缺陷检测方法。裂纹、弧坑、焊瘤均是常见的焊接缺陷，对焊接质量具有较大的危害，尤其是裂纹缺陷。基于图像处理检测裂纹时，裂纹位置通常由于比正常焊接区域偏暗，导致其与钢结构基材之间的灰度值接近，导致基于图像处理的方法不容易检测出裂纹，尤其是细长的裂纹。
所以，现在有必要对现有技术进行改进，以提供更可靠的方案。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种钢结构焊接质量检测方法。
为解决上述技术问题，本发明采用的技术方案是：一种钢结构焊接质量检测方法，包括以下步骤：
S1、采用白色的着色涂料对覆盖焊接位置的取样区域进行喷涂，2-30min后擦拭喷涂区域表面，去除多余的涂料；
S2、采用CCD相机通过俯视视角采集覆盖整个取样区域的原始图像I，然后进行灰度处理，得到原始灰度图像Ig；
S3、采用第一阈值GT1对原始灰度图像Ig进行阈值分割，提取像素值大于或等于GT1的区域，得到焊接区域灰度图像P；
S4、采用第二阈值GT2对焊接区域灰度图像P进行阈值分割，分割像素值大于或等于GT2的区域，作为缺陷区域R1，然后对于每个缺陷区域R1进行裂纹缺陷区域Rw、弧坑缺陷区域Rh的分类；
S5、提取像素值在GT1-GT2之间的区域，作为缺陷区域R2，然后对于每个缺陷区域区域R2进行弧坑缺陷区域Rh和焊瘤缺陷区域Ru的分类；
S6、根据步骤S4和S5分类得到的结果计算得到当前取样区域的焊接缺陷评价指标E；
S7、根据焊接缺陷评价指标E对当前取样区域的焊接质量进行评级，完成焊接质量检测。
优选的是，所述步骤S4中进行焊接缺陷分类的方法为：
S4-1、获取缺陷区域R1的边缘轮廓U1，计算该边缘轮廓U1上任意两个像素点之间的距离，将最大距离对应的两个像素点相连，得到缺陷区域R1的特征线段Lmax1；过特征线段Lmax1的中点的作垂线，取该垂线与边缘轮廓U1相交的两个像素点之间的连线，作为特征垂线D1；
S4-2、计算第一形状特征值X1：
S4-3、若X1＞T1，则将缺陷区域R1判定为裂纹缺陷区域Rw；若X1≤T1，则将缺陷区域R1判定为弧坑缺陷区域Rh；
其中，T1为预先设定的阈值。
优选的是，其中，T1≥3.5。
优选的是，所述步骤S5中进行焊接缺陷分类的方法为：
S5-1、获取缺陷区域R2的边缘轮廓U2，计算该边缘轮廓上任意两个像素点之间的距离，将最大距离对应的两个像素点相连，得到特征线段Lmax2；
过特征线段Lmax2的中点的做垂线，取该垂线与边缘轮廓U2相交的两个像素点之间的连线，作为特征垂线D2；
S5-2、以特征线段Lmax2的中点作为分离圆心O1，以O1为圆心、r1为半径作分类圆1，以O1为圆心、r2为半径作分类圆2；其中，0.1d＜r1＜r2＜0.5d，d为特征垂线D2的长度；
S5-3、计算该分类圆1内部的像素点的平均灰度值Gin，计算该分类圆2和边缘轮廓U2之间的像素点的平均灰度值Gout；
S5-4、计算第二形状特征值X2：
当X2＞T2，判定缺陷区域R2为焊瘤缺陷区域Ru，否则判定缺陷区域R2为弧坑缺陷区域Rh；
其中，T2为预先设定的阈值，且T2≥1。
优选的是，所述步骤S6具体包括：
S6-1、统计步骤S4和S5得到的所有裂纹缺陷区域Rw、焊瘤缺陷区域Ru、弧坑缺陷区域Rh，然后通过以下公式计算裂纹缺陷影响指标ηw、弧坑缺陷影响指标ηh、焊瘤缺陷影响指标ηu：
其中，F为当前焊接区域灰度图像P内的像素点数量，Fw为所有裂纹缺陷区域Rw内的像素点数量，Fmaxw为当前焊接区域灰度图像P内面积最大的裂纹缺陷区域Rw内的像素点数量；
Fh为所有弧坑缺陷区域Rh内的像素点数量，Fmaxh为当前焊接区域灰度图像P内面积最大的弧坑缺陷区域Rh内的像素点数量；
Fu为所有焊瘤缺区域陷Ru内的像素点数量，Fmaxu为当前焊接区域灰度图像P内面积最大的焊瘤缺区域陷Ru内的像素点数量；
其中，l为对应的缺陷区域的特征线段L的长度，dmax为对应的缺陷区域的极长特征垂线Dmax的长度；
S6-2、计算焊接缺陷评价指标E：
E＝A1×ηw+A2×ηh+A3×ηu；
其中，A1、A2、A3均为权重系数。
优选的是，其中，0.4≤A1≤0.8，0.1≤A2≤0.5，0.1≤A3≤0.5，且A1+A2+A3＝1。
优选的是，其中，缺陷区域的特征线段L和极长特征垂线Dmax通过以下方法获取：
对于任意一个缺陷区域R，获取缺陷区域R的边缘轮廓U，计算该边缘轮廓上任意两个像素点之间的距离，将最大距离对应的两个像素点相连，得到特征线段L；
在特征线段L上均匀间隔作N条垂直于特征线段L的直线，取每条直线与边缘轮廓U相交的两个点之间的线段作为候选特征垂线，取长度最长的候选特征垂线作为极长特征垂线Dmax；
其中，N为自然数，缺陷区域R为裂纹缺陷区域Rw、弧坑缺陷区域Rh、焊瘤缺陷区域Ru中的任意一个。
优选的是，其中，0.1FL＜N＜0.5FL，FL表示特征线段L上的像素点数量。
优选的是，所述步骤S7具体为：
根据焊接缺陷评价指标E对当前当前取样区域的焊接质量进行评级：
当E≤E1时，判定当前焊接区域灰度图像P焊接质量为优选等级；
当E1＜E＜E2时，判定当前焊接区域灰度图像P焊接质量为合格等级；
当E≥E2时，判定当前焊接区域灰度图像P焊接质量为不合格等级。
其中，E1、E2均为预先设置的评价阈值。
优选的是，E1＝0.1％-1％，E2＝0.5％-10％，且满足E1＜E2。
本发明的有益效果是：
本发明提供的基于图像处理的焊接质量检测方法，通过预先采用白色的着色涂料对焊接区域进行喷涂，使裂纹被白色涂料着色，可极大提高裂纹与钢结构基材之间的灰度差，从而能够轻易通过灰度图像实现裂纹的识别；
本发明提供的方法中，还能够将被白色涂料着色的裂纹与弧坑缺陷区域进行区分，同时能够实现弧坑缺陷区域Rh和焊瘤缺陷区域Ru的分类，最终可以根据不同焊接缺陷的数量来对焊接质量实现全面的评价，相比于依靠单一的焊接缺陷进行焊接质量的评价，本发明的方法能够提供更具参考价值的焊接质量检测结果。
附图说明
图1为本发明的实施例1的钢结构焊接质量检测方法的流程图；
图2为裂纹缺陷、弧坑缺陷、焊瘤缺陷的示意图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
实施例1
参照图1，本实施例提供了一种钢结构焊接质量检测方法，包括以下步骤：
S1、采用白色的着色涂料对覆盖焊接位置的取样区域进行喷涂，10min后擦拭喷涂区域表面，去除多余的涂料。
裂纹是焊接中最为常见的缺陷之一，且对焊接质量有严重影响，其通常是在焊接应力及其他致脆因素共同作用下，焊接接头中局部地区的金属原子结合力遭到破坏而形成的新界面所产生的缝隙；裂纹通常具有大的长宽比的特征。
通常，由于焊接材料的特性，无缺陷的焊接区域比钢结构基材的亮度高，在灰度图像中，焊接材料比钢结构基材的灰度值大(需要理解的是，本发明的方法是以此作为基础的，即本发明仅应用于无缺陷的焊接区域比钢结构基材的亮度高的焊接材料的焊接质量检测中)，所以能够实现区分。但裂纹位置由于光线折射等原因，会比正常焊接区域偏黑，其灰度值甚至会接近于钢结构基材，导致常规的图像处理方法不容易识别裂纹。
需要说明的是，裂纹、弧坑、焊瘤是常见的焊接缺陷，本发明中主要能够实现此3类缺陷的识别和分类。参照图2，裂纹(图2A)通常是呈线型，是危害最大的缺陷；焊瘤(图2B)通常是熔化金属流淌到焊缝以外未熔化的母材上所形成的局部未熔合凸起，危害包括造成焊缝几何尺寸变化，应力集中等；弧坑(图2C)通常是由于收弧和断弧不当在焊道末端形成的低洼部分，其危害在于减少焊缝的截面积，降低强度。
本发明中，喷涂得白色着色涂料能够渗入到裂纹中，且不会被擦掉，能够使裂纹呈现出白色，可极大提高裂纹与钢结构基材之间的灰度差，从而能够轻易通过灰度图像实现裂纹的识别。需要理解的是，其中，着色涂料采用常规产品即可，本发明不做限制；擦拭时，可采用毛刷或布等工具擦拭，并采用能溶解涂料的助剂辅助擦拭，目的是去除表面多余的涂料。而裂纹内的着色涂料能够被保留。
S2、采用CCD相机通过俯视视角采集覆盖整个取样区域的原始图像I，然后进行灰度处理，得到原始灰度图像Ig。
S3、采用第一阈值GT1对原始灰度图像Ig进行阈值分割，提取像素值大于或等于GT1的区域，得到焊接区域灰度图像P。
在灰度图像中，焊接区域比钢结构基材的灰度值大，而裂纹已经被白色涂料着色，灰度值显著高于其他区域，所以通过选择合适的灰度阈值GT1即可轻易提取出焊接区域以及被白色涂料着色的区域。其中，被白色涂料着色的区域出大部分为裂纹外，当存在弧坑缺陷时，由于弧坑缺陷是向下凹陷，所以弧坑缺陷内部也可能存在近似圆形的白色涂料未被清除，即被白色涂料着色的区域也可能是弧坑缺陷区域Rh。所以在以下步骤中，需要进行裂纹缺陷区域Rw、弧坑缺陷区域Rh两种区域的分类。
S4、采用第二阈值GT2对焊接区域灰度图像P进行阈值分割，分割像素值大于或等于GT2的区域，作为缺陷区域R1，然后对于每个缺陷区域R1进行裂纹缺陷区域Rw、弧坑缺陷区域Rh的分类。
具体如下：
S4-1、获取缺陷区域R1的边缘轮廓U1，计算该边缘轮廓U1上任意两个像素点之间的距离，将最大距离对应的两个像素点相连，得到缺陷区域R1的特征线段Lmax1；过特征线段Lmax1的中点的作垂线，取该垂线与边缘轮廓U1相交的两个像素点之间的连线，作为特征垂线D1；
S4-2、计算第一形状特征值X1：
S4-3、若X1＞T1，则将缺陷区域R1判定为裂纹缺陷区域Rw；
若X1≤T1，则将缺陷区域R1判定为弧坑缺陷区域Rh；其中，T1为预先设定的阈值。在优选的实施例中，T1≥3.5。
本发明中，特征线段Lmax1可认为是缺陷区域R1的长，特征垂线D1可认为是缺陷区域R1的宽，所示第一形状特征值X1越大说明形状越接近线型，越符合裂纹的特征，所以选择合适的阈值T1即可识别裂纹区域。例如，在一种优选的实施例中，T1＝5。
除了裂纹区域的其他白色涂料图形则为弧坑缺陷区域Rh。
S5、提取像素值在GT1-GT2之间的区域，作为缺陷区域R2，然后对于每个缺陷区域区域R2进行弧坑缺陷区域Rh和焊瘤缺陷区域Ru的分类。
具体步骤为：
S5-1、获取缺陷区域R2的边缘轮廓U2，计算该边缘轮廓上任意两个像素点之间的距离，将最大距离对应的两个像素点相连，得到特征线段Lmax2；
过特征线段Lmax2的中点的做垂线，取该垂线与边缘轮廓U2相交的两个像素点之间的连线，作为特征垂线D2；
S5-2、以特征线段Lmax2的中点作为分离圆心O1，以O1为圆心、r1为半径作分类圆1，以O1为圆心、r2为半径作分类圆2；其中，0.1d＜r1＜r2＜0.5d，d为特征垂线D2的长度；例如，在一种优选的实施例中，r1＝0.15d，r2＝0.4d；
S5-3、计算该分类圆1内部的像素点的平均灰度值Gin，计算该分类圆2和边缘轮廓U2之间的像素点的平均灰度值Gout；
S5-4、计算第二形状特征值X2：
当X2＞T2，判定缺陷区域R2为焊瘤缺陷区域Ru，否则判定缺陷区域R2为弧坑缺陷区域Rh；
其中，T2为预先设定的阈值，且T2≥1。
在灰度图中，焊瘤缺陷区域Ru与弧坑缺陷区域Rh的主要区别表现如下：
由于光反射/折射的因素，向上凸起的焊瘤缺陷区域Ru灰度值通常会大于正常焊接区域，且由外向内，灰度值会呈现增大的趋势；而弧坑缺陷区域Rh则与之相反，弧坑缺陷区域Rh中，由外向内，灰度值会呈现减小的趋势；所以通过该特性，结合上述方法能够实现焊瘤缺陷区域Ru和弧坑缺陷区域Rh的区分：
分类圆1内部的所有像素点的平均灰度值Gin1与分类圆2和边缘轮廓U1之间的像素点的平均灰度值Gout1的比值(即X2)即可作为内部与外部的灰度值之比，所以X2越大，则为焊瘤缺陷区域Ru的概率越大，X2越小，则为弧坑缺陷区域Rh的概率越大，所以通过选择合适的阈值T2能够实现两者的有效区分。例如，在一种优选的实施例中，T2＝1.3。
S6、根据步骤S4和S5分类得到的结果计算得到当前取样区域的焊接缺陷评价指标E。
具体包括：
S6-1、统计步骤S4和S5得到的所有裂纹缺陷区域Rw、焊瘤缺陷区域Ru、弧坑缺陷区域Rh，然后通过以下公式计算裂纹缺陷影响指标ηw、弧坑缺陷影响指标ηh、焊瘤缺陷影响指标ηu：
其中，F为当前焊接区域灰度图像P内的像素点数量，Fw为所有裂纹缺陷区域Rw内的像素点数量，Fmaxw为当前焊接区域灰度图像P内面积最大的裂纹缺陷区域Rw内的像素点数量；
Fh为所有弧坑缺陷区域Rh内的像素点数量，Fmaxh为当前焊接区域灰度图像P内面积最大的弧坑缺陷区域Rh内的像素点数量；
Fu为所有焊瘤缺区域陷Ru内的像素点数量，Fmaxu为当前焊接区域灰度图像P内面积最大的焊瘤缺区域陷Ru内的像素点数量；
其中，l为对应的缺陷区域的特征线段L的长度，dmax为对应的缺陷区域的极长特征垂线Dmax的长度，通过以下方法获取：
对于任意一个缺陷区域R，获取缺陷区域R的边缘轮廓U，计算该边缘轮廓上任意两个像素点之间的距离，将最大距离对应的两个像素点相连，得到特征线段L；
在特征线段L上均匀间隔作N条垂直于特征线段L的直线，取每条直线与边缘轮廓U相交的两个点之间的线段作为候选特征垂线，取长度最长的候选特征垂线作为极长特征垂线Dmax；
其中，N为自然数，缺陷区域R为裂纹缺陷区域Rw、弧坑缺陷区域Rh、焊瘤缺陷区域Ru中的任意一个。在优选的实施例中，0.1FL＜N＜0.5FL，FL表示特征线段L上的像素点数量。N可以根据实际情况进行选择，例如，在一种进一步优选的实施例中，N＝0.2FL。
对于以上缺陷影响指标，以焊瘤缺区域陷Ru为例，Fu/F的值越大，说明焊瘤缺陷越多；Fmaxu/F的值越大，说明面积最大的焊瘤缺区域陷Ru的面积值越大，缺陷越严重；的值越大，说明缺陷越细长，越接近裂纹，所以认为其危害越大。所以本发明的缺陷影响指标能够综合缺区域陷的多种特征，能够较好的体现缺陷区域的危害，故缺陷影响指标越大，说明缺陷越严重，焊接质量越低。
S6-2、计算焊接缺陷评价指标E：
E＝A1×ηw+A2×ηh+A3×ηu；
其中，A1、A2、A3均为权重系数，能够体现不同的焊接缺陷所带来的不同危害程度。在优选的实施例中，0.4≤A1≤0.8，0.1≤A2≤0.5，0.1≤A3≤0.5，且A1+A2+A3＝1。进一步优选的实施例中，A1＝0.6，A2＝0.25，A1＝0.15。
S7、根据焊接缺陷评价指标E对当前取样区域的焊接质量进行评级，完成焊接质量检测。
具体为：
根据焊接缺陷评价指标E对当前当前取样区域的焊接质量进行评级：
当E≤E1时，判定当前焊接区域灰度图像P焊接质量为优选等级；
当E1＜E＜E2时，判定当前焊接区域灰度图像P焊接质量为合格等级；
当E≥E2时，判定当前焊接区域灰度图像P焊接质量为不合格等级。
其中，E1、E2均为预先设置的评价阈值。在优选的实施例中，E1＝0.1％-1％，E2＝0.5％-10％，且满足E1＜E2。E1、E2可根据实际情况进行选择，例如，在一种实施例中，E1＝0.5％，E2＝3％。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节。
Claims (10)
1.一种钢结构焊接质量检测方法，其特征在于，包括以下步骤：
S1、采用白色的着色涂料对覆盖焊接位置的取样区域进行喷涂，2-30min后擦拭喷涂区域表面，去除多余的涂料；
S2、采用CCD相机通过俯视视角采集覆盖整个取样区域的原始图像I，然后进行灰度处理，得到原始灰度图像Ig；
S3、采用第一阈值GT1对原始灰度图像Ig进行阈值分割，提取像素值大于或等于GT1的区域，得到焊接区域灰度图像P；
S4、采用第二阈值GT2对焊接区域灰度图像P进行阈值分割，分割像素值大于或等于GT2的区域，作为缺陷区域R1，然后对于每个缺陷区域R1进行裂纹缺陷区域Rw、弧坑缺陷区域Rh的分类；
S5、提取像素值在GT1-GT2之间的区域，作为缺陷区域R2，然后对于每个缺陷区域区域R2进行弧坑缺陷区域Rh和焊瘤缺陷区域Ru的分类；
S6、根据步骤S4和S5分类得到的结果计算得到当前取样区域的焊接缺陷评价指标E；
S7、根据焊接缺陷评价指标E对当前取样区域的焊接质量进行评级，完成焊接质量检测。
2.根据权利要求1所述的钢结构焊接质量检测方法，其特征在于，所述步骤S4中进行焊接缺陷分类的方法为：
S4-1、获取缺陷区域R1的边缘轮廓U1，计算该边缘轮廓U1上任意两个像素点之间的距离，将最大距离对应的两个像素点相连，得到缺陷区域R1的特征线段Lmax1；过特征线段Lmax1的中点的作垂线，取该垂线与边缘轮廓U1相交的两个像素点之间的连线，作为特征垂线D1；
S4-2、计算第一形状特征值X1：
S4-3、若X1＞T1，则将缺陷区域R1判定为裂纹缺陷区域Rw；若X1≤T1，则将缺陷区域R1判定为弧坑缺陷区域Rh；
其中，T1为预先设定的阈值。
3.根据权利要求2所述的钢结构焊接质量检测方法，其特征在于，其中，T1≥3.5。
4.根据权利要求2所述的钢结构焊接质量检测方法，其特征在于，所述步骤S5中进行焊接缺陷分类的方法为：
S5-1、获取缺陷区域R2的边缘轮廓U2，计算该边缘轮廓上任意两个像素点之间的距离，将最大距离对应的两个像素点相连，得到特征线段Lmax2；
过特征线段Lmax2的中点的做垂线，取该垂线与边缘轮廓U2相交的两个像素点之间的连线，作为特征垂线D2；
S5-2、以特征线段Lmax2的中点作为分离圆心O1，以O1为圆心、r1为半径作分类圆1，以O1为圆心、r2为半径作分类圆2；其中，0.1d＜r1＜r2＜0.5d，d为特征垂线D2的长度；
S5-3、计算该分类圆1内部的像素点的平均灰度值Gin，计算该分类圆2和边缘轮廓U2之间的像素点的平均灰度值Gout；
S5-4、计算第二形状特征值X2：
当X2＞T2，判定缺陷区域R2为焊瘤缺陷区域Ru，否则判定缺陷区域R2为弧坑缺陷区域Rh；
其中，T2为预先设定的阈值，且T2≥1。
5.根据权利要求4所述的钢结构焊接质量检测方法，其特征在于，所述步骤S6具体包括：
S6-1、统计步骤S4和S5得到的所有裂纹缺陷区域Rw、焊瘤缺陷区域Ru、弧坑缺陷区域Rh，然后通过以下公式计算裂纹缺陷影响指标ηw、弧坑缺陷影响指标ηh、焊瘤缺陷影响指标ηu：
其中，F为当前焊接区域灰度图像P内的像素点数量，Fw为所有裂纹缺陷区域Rw内的像素点数量，Fmaxw为当前焊接区域灰度图像P内面积最大的裂纹缺陷区域Rw内的像素点数量；
Fh为所有弧坑缺陷区域Rh内的像素点数量，Fmaxh为当前焊接区域灰度图像P内面积最大的弧坑缺陷区域Rh内的像素点数量；
Fu为所有焊瘤缺区域陷Ru内的像素点数量，Fmaxu为当前焊接区域灰度图像P内面积最大的焊瘤缺区域陷Ru内的像素点数量；
其中，l为对应的缺陷区域的特征线段L的长度，dmax为对应的缺陷区域的极长特征垂线Dmax的长度；
S6-2、计算焊接缺陷评价指标E：
E＝A1×ηw+A2×ηh+A3×ηu；
其中，A1、A2、A3均为权重系数。
6.根据权利要求1所述的钢结构焊接质量检测方法，其特征在于，其中，0.4≤A1≤0.8，0.1≤A2≤0.5，0.1≤A3≤0.5，且A1+A2+A3＝1。
7.根据权利要求5所述的钢结构焊接质量检测方法，其特征在于，其中，缺陷区域的特征线段L和极长特征垂线Dmax通过以下方法获取：
对于任意一个缺陷区域R，获取缺陷区域R的边缘轮廓U，计算该边缘轮廓上任意两个像素点之间的距离，将最大距离对应的两个像素点相连，得到特征线段L；
在特征线段L上均匀间隔作N条垂直于特征线段L的直线，取每条直线与边缘轮廓U相交的两个点之间的线段作为候选特征垂线，取长度最长的候选特征垂线作为极长特征垂线Dmax；
其中，N为自然数，缺陷区域R为裂纹缺陷区域Rw、弧坑缺陷区域Rh、焊瘤缺陷区域Ru中的任意一个。
8.根据权利要求7所述的钢结构焊接质量检测方法，其特征在于，其中，0.1FL＜N＜0.5FL，FL表示特征线段L上的像素点数量。
9.根据权利要求7所述的钢结构焊接质量检测方法，其特征在于，所述步骤S7具体为：
根据焊接缺陷评价指标E对当前当前取样区域的焊接质量进行评级：
当E≤E1时，判定当前焊接区域灰度图像P焊接质量为优选等级；
当E1＜E＜E2时，判定当前焊接区域灰度图像P焊接质量为合格等级；
当E≥E2时，判定当前焊接区域灰度图像P焊接质量为不合格等级；
其中，E1、E2均为预先设置的评价阈值。
10.根据权利要求9所述的钢结构焊接质量检测方法，其特征在于，E1＝0.1％-1％，E2＝0.5％-10％，且满足E1＜E2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310653393.5A CN116797561B (zh) | 2023-06-05 | 2023-06-05 | 一种钢结构焊接质量检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310653393.5A CN116797561B (zh) | 2023-06-05 | 2023-06-05 | 一种钢结构焊接质量检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116797561A true CN116797561A (zh) | 2023-09-22 |
| CN116797561B CN116797561B (zh) | 2024-02-09 |
Family
ID=88044601
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310653393.5A Active CN116797561B (zh) | 2023-06-05 | 2023-06-05 | 一种钢结构焊接质量检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116797561B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117576089A (zh) * | 2024-01-15 | 2024-02-20 | 山东恒力源精密机械制造有限公司 | 一种活塞环缺陷检测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018000731A1 (zh) * | 2016-06-28 | 2018-01-04 | 华南理工大学 | 一种曲面表面缺陷自动检测方法及其装置 |
| CN113989280A (zh) * | 2021-12-28 | 2022-01-28 | 武汉市鑫景诚路桥钢模有限公司 | 基于图像处理技术的钢结构焊接裂纹缺陷检测方法 |
| CN115063422A (zh) * | 2022-08-18 | 2022-09-16 | 建首(山东)钢材加工有限公司 | 一种用于集装箱焊接质量智能检测方法 |
| CN115457035A (zh) * | 2022-11-10 | 2022-12-09 | 山东鲁旺机械设备有限公司 | 基于机器视觉的建筑吊篮焊接质量检测方法 |
-
2023
- 2023-06-05 CN CN202310653393.5A patent/CN116797561B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018000731A1 (zh) * | 2016-06-28 | 2018-01-04 | 华南理工大学 | 一种曲面表面缺陷自动检测方法及其装置 |
| CN113989280A (zh) * | 2021-12-28 | 2022-01-28 | 武汉市鑫景诚路桥钢模有限公司 | 基于图像处理技术的钢结构焊接裂纹缺陷检测方法 |
| CN115063422A (zh) * | 2022-08-18 | 2022-09-16 | 建首(山东)钢材加工有限公司 | 一种用于集装箱焊接质量智能检测方法 |
| CN115457035A (zh) * | 2022-11-10 | 2022-12-09 | 山东鲁旺机械设备有限公司 | 基于机器视觉的建筑吊篮焊接质量检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| LINNAN HUANG等: "Research on Detection Mechanism of weld Defects of Carbon steel Plate Based on Orthogonal Axial Eddy Current Probe", 《SENSORS》 * |
| 代树红;王召;张立新;: "钛合金Ⅰ型裂纹应力强度因子测试的实验研究", 兵器材料科学与工程, no. 01 * |
| 樊凌;: "基于图像处理和机器学习的船舶焊接缺陷识别技术", 舰船科学技术, no. 12 * |
| 王玉雄 等: "反差增强剂厚度对磁粉检测缺陷检出率的影响", 《无损检测》, vol. 42, no. 4 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117576089A (zh) * | 2024-01-15 | 2024-02-20 | 山东恒力源精密机械制造有限公司 | 一种活塞环缺陷检测方法及系统 |
| CN117576089B (zh) * | 2024-01-15 | 2024-03-22 | 山东恒力源精密机械制造有限公司 | 一种活塞环缺陷检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116797561B (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116797561B (zh) | 一种钢结构焊接质量检测方法 | |
| CN111696107B (zh) | 一种实现闭合连通域的熔池轮廓图像提取方法 | |
| CN111127402A (zh) | 一种机器人焊接质量的视觉检测方法 | |
| CN113421261B (zh) | 一种基于图像处理的结构件生产过程缺陷检测方法 | |
| CN115330780B (zh) | 一种金属焊接夹渣缺陷快速检测方法 | |
| Rathod et al. | A comparative study of different segmentation techniques for detection of flaws in NDE weld images | |
| CN115063422B (zh) | 一种用于集装箱焊接质量智能检测方法 | |
| CN114549530A (zh) | 一种基于图像处理的pcb板焊接质量评估方法 | |
| JP6950811B2 (ja) | 金属板の表面欠陥検出方法及び装置並びにめっき鋼板の製造方法 | |
| CN115330772A (zh) | 一种在线焊点质量检测方法 | |
| CN117036356A (zh) | 基于人工智能的焊管焊缝质量检测方法 | |
| CN115018827A (zh) | 一种建材焊缝质量自动检测方法 | |
| CN113781458A (zh) | 一种基于人工智能的识别方法 | |
| CN113588663B (zh) | 一种管线缺陷识别与信息提取方法 | |
| CN108375581A (zh) | 基于声光信号监测的双光束激光焊接过程缺陷控制方法 | |
| JP2002365236A (ja) | 欠陥検査方法及び欠陥検査装置 | |
| JP3440569B2 (ja) | 磁粉探傷方法及びその装置 | |
| CN109752391A (zh) | 一种基于机器视觉的胡萝卜表面缺陷识别量化方法 | |
| TWI447606B (zh) | 小鋼胚剝片偵測方法 | |
| CN114332146A (zh) | 一种碎片玻璃轮廓提取方法 | |
| JP2758823B2 (ja) | 溶接部外観検査方法 | |
| JP6249241B2 (ja) | 金属板の表面欠陥検出方法 | |
| JPH09138200A (ja) | 帯状体の表面欠陥判定方法 | |
| JP2005003574A (ja) | 表面疵検査方法及び表面疵検査装置 | |
| CN112700441A (zh) | 基于纹理特征的焊缝自动搜寻方法 |
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 |