CN116993744B - 一种基于阈值分割的焊缝缺陷检测方法 - Google Patents
一种基于阈值分割的焊缝缺陷检测方法 Download PDFInfo
- Publication number
- CN116993744B CN116993744B CN202311266721.2A CN202311266721A CN116993744B CN 116993744 B CN116993744 B CN 116993744B CN 202311266721 A CN202311266721 A CN 202311266721A CN 116993744 B CN116993744 B CN 116993744B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- defect
- ith
- pixel
- characteristic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 210
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 230000011218 segmentation Effects 0.000 title claims abstract description 19
- 239000002184 metal Substances 0.000 claims abstract description 48
- 238000003066 decision tree Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003466 welding Methods 0.000 description 21
- 230000002950 deficient Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 239000002893 slag Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003504 photosensitizing agent Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10116—X-ray 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明涉及焊缝缺陷检测技术领域,具体涉及一种基于阈值分割的焊缝缺陷检测方法。方法包括:获取待检测金属件的X光图像,根据X光图像中各像素点与其邻域内像素点的灰度差异获得疑似缺陷强度;基于各像素点对应的窗口内像素点的位置分布以及灰度差异,确定各像素点对应的不少于两个特征像素点对;根据各像素点和与其对应的特征像素点对中像素点的位置分布以及疑似缺陷强度,得到各像素点的缺陷特征值;基于疑似缺陷强度构建孤立森林决策树,根据孤立森林决策树和缺陷特征值,获得各像素点的异常得分;基于异常得分确定下限阈值和上限阈值,进而筛选焊缝缺陷像素点。本发明提高了焊缝缺陷的检测精度。
Description
技术领域
本发明涉及焊缝缺陷检测技术领域,具体涉及一种基于阈值分割的焊缝缺陷检测方法。
背景技术
焊缝是利用焊接热源的高温将焊条和接缝处的金属融化连接而成的缝,在焊焊接过程中存在的不可控情况导致焊缝存在缺陷,包括气孔、夹渣、裂纹等,这些缺陷分为体积型缺陷、面型缺陷、表面缺陷和埋藏缺陷,不同缺陷对金属件有不同的影响。
目前对于金属件焊缝的检测方式较多,但多是用一种检测方法对某一特定的缺陷进行检测,而对于金属件本身和焊缝本身,其自身环境复杂多变,使得从金属焊缝提取缺陷特征较为困难。现有的基于机器视觉的金属件焊缝缺陷的检测方法往往是通过人为设定固定阈值对其进行缺陷像素点的筛选,根据筛选出的缺陷像素点的数量占比来判断焊缝缺陷程度,但是图像在采集的过程中容易受到环境影响,使得采集到的图像中存在噪声点,因此容易导致缺陷像素点的筛选结果不准确,进而使得焊缝缺陷检测结果的准确性较低。
发明内容
为了解决现有方法在对焊缝缺陷进行检测时存在的准确性较低的问题,本发明的目的在于提供一种基于阈值分割的焊缝缺陷检测方法,所采用的技术方案具体如下:
本发明提供了一种基于阈值分割的焊缝缺陷检测方法,该方法包括以下步骤:
获取待检测金属件的X光图像;
根据所述X光图像中各像素点与其邻域内像素点的灰度差异,获得各像素点的疑似缺陷强度;分别以所述X光图像中各像素点为中心点,构建各像素点对应的窗口,基于各像素点对应的窗口内像素点的位置分布以及灰度差异,确定各像素点对应的不少于两个特征像素点对;根据各像素点和与其对应的特征像素点对中像素点的位置分布以及所述疑似缺陷强度,得到各像素点的缺陷特征值;
基于所有像素点的疑似缺陷强度构建孤立森林决策树,根据所述孤立森林决策树和所述缺陷特征值,获得各像素点的异常得分;
基于所述异常得分确定下限阈值和上限阈值,基于所述下限阈值和上限阈值筛选焊缝缺陷像素点。
优选的,所述根据所述X光图像中各像素点与其邻域内像素点的灰度差异,获得各像素点的疑似缺陷强度,包括:
对于所述X光图像中的第i个像素点:
计算第i个像素点的邻域内所有像素点的平均灰度值;
将第i个像素点的灰度值与所述平均灰度值之间的差值绝对值的归一化结果,确定为第i个像素点的疑似缺陷强度。
优选的,所述基于各像素点对应的窗口内像素点的位置分布以及灰度差异,确定各像素点对应的不少于两个特征像素点对,包括:
对于所述X光图像中的第i个像素点:
以第i个像素点为中心,构建第i个像素点对应的子窗口,所述子窗口的尺寸小于所述窗口的尺寸;将所述子窗口内除第i个像素点外的像素点记为第一邻域点;将每个第一邻域点的灰度值与第i个像素点的灰度值之间的差值绝对值,作为每个第一邻域点对应的灰度差异;根据每个第一邻域点对应的灰度差异选取两个第一邻域像素点,并构成第i个像素点对应的一个特征像素点对;其中,选取的两个第一邻域像素点对应的灰度差异小于未被选取的第一邻域像素点对应的灰度差异;
将每个第二邻域点的灰度值与第i个像素点的灰度值之间的差值绝对值,作为每个第二邻域点对应的灰度差异;根据每个第二邻域点对应的灰度差异选取两个第二邻域像素点,并构成第i个像素点对应的一个特征像素点对;其中,选取的两个第二邻域像素点对应的灰度差异小于未被选取的第二邻域像素点对应的灰度差异。
优选的,所述根据各像素点和与其对应的特征像素点对中像素点的位置分布以及所述疑似缺陷强度,得到各像素点的缺陷特征值,包括:
对于第i个像素点:
根据第i个像素点和与其对应的每个特征像素点对中像素点的位置分布以及所述疑似缺陷强度,得到第i个像素点在每个特征像素点对下对应的缺陷因子;
根据第i个像素点在所有特征像素点对下对应的缺陷因子和第i个像素点的疑似缺陷强度,得到第i个像素点的缺陷特征值。
优选的,采用如下公式计算第i个像素点在第j个特征像素点对下对应的缺陷因子:
;
其中,fi,j为第i个像素点在第j个特征像素点对下对应的缺陷因子,Ci为第i个像素点的疑似缺陷强度,Ci,k,1为第i个像素点对应的第k个特征像素点对中的第1个像素点的疑似缺陷强度,Ci,k,2为第i个像素点对应的第k个特征像素点对中的第2个像素点的疑似缺陷强度,xi,k,1为第i个像素点对应的第k个特征像素点对中的第1个像素点的横坐标,yi,k,1为第i个像素点对应的第k个特征像素点对中的第1个像素点的纵坐标,xi,k,2为第i个像素点对应的第k个特征像素点对中的第2个像素点的横坐标,yi,k,2为第i个像素点对应的第k个特征像素点对中的第2个像素点的纵坐标,xi为第i个像素点的横坐标,yi为第i个像素点的纵坐标,exp{ }为以自然常数为底数的指数函数。
优选的,所述根据第i个像素点在所有特征像素点对下对应的缺陷因子和第i个像素点的疑似缺陷强度,得到第i个像素点的缺陷特征值,包括:
计算第i个像素点在所有特征像素点对下对应的缺陷因子的和值;
将所述缺陷因子的和值与第i个像素点的疑似缺陷强度的乘积,确定为第i个像素点的缺陷特征值。
优选的,所述根据所述孤立森林决策树和所述缺陷特征值,获得各像素点的异常得分,包括:
对于所述X光图像中的第i个像素点:
在所述孤立森林决策树中,获取第i个像素点在每个随机数据子集中的高度;计算所述孤立森林决策树中所有像素点的平均高度;
根据第i个像素点的缺陷特征值、所述第i个像素点在每个随机数据子集中的高度和所述平均高度,得到第i个像素点的异常得分。
优选的,采用如下公式计算第i个像素点的异常得分:
;
其中,Si为第i个像素点的异常得分,Ti为第i个像素点所在的随机数据子集的数量,Pi为第i个像素点的缺陷特征值,Hi,t为第i个像素点在第t个随机数据子集中的高度,H1为孤立森林决策树中所有像素点的平均高度。
优选的,所述基于所述异常得分确定下限阈值和上限阈值,包括:
将异常得分大于预设异常得分阈值的像素点记为候选像素点;
分别计算所有候选像素点的灰度值的均值和标准差,将所述所有候选像素点的灰度值的均值与所述标准差之间的差值作为下限阈值,将所述所有候选像素点的灰度均值与所述标准差的和值作为上限阈值。
优选的,所述基于所述下限阈值和上限阈值筛选焊缝缺陷像素点,包括:
将所述X光图像中灰度值大于所述下限阈值且小于所述上限阈值的像素点,确定为焊缝缺陷像素点。
本发明至少具有如下有益效果:
本发明考虑到在基于待检测金属件的X光图像对待检测金属件焊缝缺陷检测时,图像采集过程中会受到外界因素的影响,导致采集到的图像中存在噪声点,因此会影响检测结果的准确度,本发明首先根据待检测金属件的X光图像中每个像素点与其邻域内像素点的灰度差异,获得每个像素点的疑似缺陷强度,也即通过比较每个像素点与其周围像素点的灰度差异情况,对每个像素点进行了初步判断;考虑到当待检测金属件表面存在裂缝缺陷时,裂缝缺陷往往是连续的,也即多个像素点共同构成一个裂缝缺陷区域,因此本发明又基于每个像素点对应的窗口内像素点的位置分布以及灰度差异,确定了每个像素点对应的多个特征像素点对;根据每个像素点和与其对应的特征像素点对中像素点的位置分布以及所述疑似缺陷强度,得到了每个像素点的缺陷特征值,基于所有像素点的疑似缺陷强度构建了孤立森林决策树,进而结合缺陷特征值确定下限阈值和上限阈值,筛选出焊缝缺陷像素点,本发明综合焊缝缺陷像素点的颜色分布特征和位置分布特征,完成了对待检测金属件的裂缝缺陷的检测,提高了裂缝缺陷的检测精度。
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为本发明一个实施例所提供的一种基于阈值分割的焊缝缺陷检测方法的流程图。
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一种基于阈值分割的焊缝缺陷检测方法进行详细说明如下。
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基于阈值分割的焊缝缺陷检测方法的具体方案。
一种基于阈值分割的焊缝缺陷检测方法实施例:
本实施例所针对的具体场景为:基于机器视觉的缺陷检测方法在对金属件进行焊缝缺陷检测时,采集到的金属件表面图像会受到噪声的干扰,无法简单的确定分割阈值,本实施例首先根据采集到的图像中每个像素点与其邻域内像素点的灰度差异,获得每个像素点的疑似缺陷强度,然后基于每个像素点对应的窗口内像素点的位置分布以及灰度差异,确定各像素点对应的多个特征像素点对;根据各像素点和与其对应的特征像素点对中像素点的位置分布以及疑似缺陷强度,得到各像素点的缺陷特征值,进而确定焊缝缺陷像素点范围,基于焊缝缺陷像素点范围筛选出焊缝缺陷像素点,也即完成对金属件的焊缝缺陷检测。
本实施例提出了一种基于阈值分割的焊缝缺陷检测方法,如图1所示,本实施例的一种基于阈值分割的焊缝缺陷检测方法包括以下步骤:
步骤S1,获取待检测金属件的X光图像。
本实施例是为了对待检测金属件的焊缝缺陷进行检测,因此首先使用射线仪对待检测金属表面使用X光射线或伽马射线,穿透金属件并与底片上的感光剂发生化学反应,形成感光因子,对底片处理形成影像,通过图像采集模块对底片采集,得到X光图像,对获得的X光图像进行加权平均灰度化处理,将加权平均化处理后获得的灰度图像记为待检测金属件的X光图像。
至此,获得了待检测金属件的X光图像。
步骤S2,根据所述X光图像中各像素点与其邻域内像素点的灰度差异,获得各像素点的疑似缺陷强度;分别以所述X光图像中各像素点为中心点,构建各像素点对应的窗口,基于各像素点对应的窗口内像素点的位置分布以及灰度差异,确定各像素点对应的不少于两个特征像素点对;根据各像素点和与其对应的特征像素点对中像素点的位置分布以及所述疑似缺陷强度,得到各像素点的缺陷特征值。
对于采集到的待检测金属件的X光图像,若该图像中存在焊缝区域,则焊缝区域作为前景呈现高亮区域,而金属件作为背景呈现低亮区域,在无缺陷的金属件的X光图像中,前景的高亮区域中仅包含焊缝在焊接过程中产生的焊接痕迹,当焊接存在缺陷时,前景的焊缝区域除焊接痕迹外,还存在裂缝、气泡、孔洞等使得焊接变薄产生低亮区域,或焊瘤使焊缝变厚形成更高亮区。因此需要对待检测金属件的X光图像中的像素点进行区分,提取可能属于焊缝的像素点,根据可能属于焊缝区域的像素点的灰度值设置分割阈值,提取缺陷区域。
由于焊缝区域的灰度值相较于非焊缝区域的灰度值较高,当焊缝区域出现缺陷时,属于缺陷像素点的灰度值较低,与非焊缝区域的灰度值近似,若根据灰度值提取缺陷区域,可能使得非焊缝区域的像素点被提取出来,造成缺陷区域的误差。当X光图像中焊缝出现缺陷时,缺陷邻域内的像素点灰度值正常,而缺陷区域的灰度值相较于邻域的灰度值越高或越低,那么该像素点的灰度值属于缺陷的可能性越大。基于此,本实施例通根据待检测金属件的X光图像中每个像素点与其邻域内像素点的灰度差异,获得每个像素点的疑似缺陷强度。
对于所述X光图像中的第i个像素点:计算第i个像素点的邻域内所有像素点的平均灰度值;将第i个像素点的灰度值与所述平均灰度值之间的差值绝对值的归一化结果,确定为第i个像素点的疑似缺陷强度;本实施例中的邻域大小为八邻域,在具体应用中,实施者可根据具体情况进行设置。第i个像素点的疑似缺陷强度的具体计算公式为:
;
其中,Ci为第i个像素点的疑似缺陷强度,sigmoid( )为线性归一化函数,gi为第i个像素点的灰度值,为第i个像素点的邻域内所有像素点的平均灰度值,| |为取绝对值符号。
当待检测金属件的X光图像中第i个像素点相较于邻域内像素点的灰度值越高或越低时,说明第i个像素点越可能为缺陷像素点,使得灰度值降低或升高,且相较于邻域的灰度值变化越大,则越可能是缺陷像素点,此时第i个像素点的疑似缺陷强度越大。
采用上述方法,能够获得每个像素点的疑似缺陷强度。获取每个像素点的疑似缺陷强度后,由于金属件的焊渣残留会对X光图像产生噪点,以及平滑的焊接痕迹造成部分像素点的疑似缺陷程度较大,其与邻域并不能连接成为一个连通域,但灰度值变化较大,使得疑似缺陷程度较大。因此本实施例通过每个像素点的疑似缺陷强度,结合缺陷的非平滑特征以及焊接痕迹的平滑特征,获得每个像素点的缺陷特征值,用于根据缺陷特征值对缺陷程度构建基于孤立森林的缺陷检测模型,获得焊缝缺陷像素点。
由于裂缝等缺陷相较于噪点干扰,呈现连贯的特征,因此对每个像素点分析以像素点为中心向边缘延伸,延伸的距离越远,则属于缺陷的可能性越大,且延伸的像素点与中心像素点的灰度值近似,而其他非延伸的像素点的灰度值与中心像素点的灰度值差异较大;当缺陷为气泡、空洞时,中心像素点向四周延伸时,延伸范围内每个像素点的灰度值与该像素点的灰度值近似,即延伸越远属于缺陷的可能性越大;但存在焊接痕迹的干扰,焊接痕迹相较于裂缝缺陷边缘平滑,即延伸的方向固定,因此需要去除平滑的延伸。
分别以待检测金属件的X光图像中每个像素点为中心点,构建预设第一大小的窗口,并作为每个像素点对应的窗口,因此获得了待检测金属件的X光图像中每个像素点对应的窗口;本实施例中的预设第一大小为15×15,在具体应用中,实施者可根据具体情况进行设置。
对于所述X光图像中的第i个像素点:
以第i个像素点为中心,构建第i个像素点对应的子窗口,所述子窗口的尺寸小于所述窗口的尺寸;本实施例中子窗口的尺寸为3×3;将所述子窗口内除第i个像素点外的像素点记为第一邻域点;将每个第一邻域点的灰度值与第i个像素点的灰度值之间的差值绝对值,作为每个第一邻域点对应的灰度差异;根据每个第一邻域点对应的灰度差异选取两个第一邻域像素点,并构成第i个像素点对应的一个特征像素点对;其中,选取的两个第一邻域像素点对应的灰度差异小于未被选取的第一邻域像素点对应的灰度差异,也即灰度差异最小的第一邻域像素点和灰度差异次小的第一邻域像素点构成了一个特征像素点对;将每个第二邻域点的灰度值与第i个像素点的灰度值之间的差值绝对值,作为每个第二邻域点对应的灰度差异;根据每个第二邻域点对应的灰度差异选取两个第二邻域像素点,并构成第i个像素点对应的一个特征像素点对;其中,选取的两个第二邻域像素点对应的灰度差异小于未被选取的第二邻域像素点对应的灰度差异,也即灰度差异最小的第二邻域像素点和灰度差异次小的第二邻域像素点构成了一个特征像素点对。需要说明的是:作为其他实施方式,可以分别以待检测金属件的X光图像中每个像素点为中心点,构建每个像素点对应的多个子窗口,例如:对于待检测金属件的X光图像中的第i个像素点:其对应的窗口的大小为15×15,以第i个像素点为中心点,分别构建第一子窗口、第二子窗口、第三子窗口、第四子窗口、第五子窗口、第六子窗口,其中,第一子窗口的大小为3×3,第二子窗口的大小为5×5,第三子窗口的大小为7×7,第四子窗口的大小为9×9,第五子窗口大小为11×11,第六子窗口的大小为13×13;类比上述方法,能够在第一子窗口内获得六个特征像素点对。
以待检测金属件的X光图像左下角顶点处的像素点为坐标原点,以水平向右方向为X轴的正方向,以竖直向上方向为Y轴的正方向,构建直角坐标系,在该直角坐标系中获取每个像素点的坐标。
接下来本实施例根据第i个像素点和与其对应的每个特征像素点对中像素点的位置分布以及所述疑似缺陷强度,得到第i个像素点在每个特征像素点对下对应的缺陷因子;根据第i个像素点在所有特征像素点对下对应的缺陷因子和第i个像素点的疑似缺陷强度,得到第i个像素点的缺陷特征值。第i个像素点在第j个特征像素点对下对应的缺陷因子和缺陷特征值的具体计算公式分别为:
;
;
其中,fi,j为第i个像素点在第j个特征像素点对下对应的缺陷因子,Ci为第i个像素点的疑似缺陷强度,Ci,k,1为第i个像素点对应的第k个特征像素点对中的第1个像素点的疑似缺陷强度,Ci,k,2为第i个像素点对应的第k个特征像素点对中的第2个像素点的疑似缺陷强度,xi,k,1为第i个像素点对应的第k个特征像素点对中的第1个像素点的横坐标,yi,k,1为第i个像素点对应的第k个特征像素点对中的第1个像素点的纵坐标,xi,k,2为第i个像素点对应的第k个特征像素点对中的第2个像素点的横坐标,yi,k,2为第i个像素点对应的第k个特征像素点对中的第2个像素点的纵坐标,xi为第i个像素点的横坐标,yi为第i个像素点的纵坐标,exp{ }为以自然常数为底数的指数函数,Pi为第i个像素点的缺陷特征值,J为第i个像素点对应的特征像素点对的数量。
和/>分别表示第i个像素点在第j个特征像素点对下的可能延伸像素点的横坐标差异和纵坐标差异,当两个可能延伸像素点关于第i个像素点轴对称时,说明第i个像素点的延伸方向平滑,那么第i个像素点越可能是焊缝痕迹中的像素点,即和/>取值越趋近于1,第i个像素点在第j个特征像素点对下对应的缺陷因子的取值越小;若第i个像素点为裂缝缺陷像素点,那么其延伸的可能延伸像素点的缺陷强度与中心像素点的缺陷强度取值越近似,说明越可能属于同一区域、越可能属于同一个缺陷,那么缺陷因子fi,j的取值越大。当第i个像素点在每个特征像素点对下对应的缺陷因子越大、第i个像素点的疑似缺陷强度越大时,说明第i个像素点的缺陷特征值越大;当第i个像素点在每个特征像素点对下对应的缺陷因子越小、第i个像素点的疑似缺陷强度越小时,说明第i个像素点的缺陷特征值越小。
采用上述方法,能够获得待检测金属件的X光图像中每个像素点的缺陷特征值。
步骤S3,基于所有像素点的疑似缺陷强度构建孤立森林决策树,根据所述孤立森林决策树和所述缺陷特征值,获得各像素点的异常得分。
本实施例在上述步骤中已经获得了待检测金属件的X光图像中每个像素点的缺陷特征值,接下来本实施例将根据所有像素点的疑似缺陷强度构建孤立森林决策树,进而结合缺陷特征值确定每个像素点的异常得分。
具体地,根据每个像素点的缺陷强度构建孤立森林决策树,针对所有像素点的疑似缺陷强随机选取数据构成随机数据子集并不放回的构建孤立森林决策树。孤立森林决策树的构建过程为现有技术,此处不再过多赘述。
对于待检测金属件的X光图像中的第i个像素点:
在所述孤立森林决策树中,获取第i个像素点在每个随机数据子集中的高度;计算所述孤立森林决策树中所有像素点的平均高度;根据第i个像素点的缺陷特征值、所述第i个像素点在每个随机数据子集中的高度和所述平均高度,得到第i个像素点的异常得分。第i个像素点的异常得分的具体计算公式为:
;
其中,Si为第i个像素点的异常得分,Ti为第i个像素点所在的随机数据子集的数量,Pi为第i个像素点的缺陷特征值,Hi,t为第i个像素点在第t个随机数据子集中的高度,H1为孤立森林决策树中所有像素点的平均高度。
第i个像素点的缺陷特征值越大,说明第i个像素点越符合缺陷的延伸特征,那么该像素点越可能是缺陷像素点,则异常得分越大。
采用上述方法,能够获得待检测金属件的X光图像中每个像素点的异常得分。
步骤S4,基于所述异常得分确定下限阈值和上限阈值,基于所述下限阈值和上限阈值筛选焊缝缺陷像素点。
本实施例在上述步骤中获得了待检测金属件的X光图像中每个像素点的异常得分,接下来本实施例将基于所有像素点的异常得分确定下限阈值和上限阈值,并基于上限阈值和上限阈值判断待检测金属件的X光图像中是否存在焊缝缺陷像素点,若存在,则获取焊缝缺陷像素点的具体位置,以便进行后续的修补。
具体地,将异常得分大于预设异常得分阈值的像素点记为候选像素点;本实施例中预设异常得分阈值为0.8,在具体应用中,实施者可根据具体情况进行设置;分别计算所有候选像素点的灰度值的均值和标准差,将所述所有候选像素点的灰度值的均值与所述标准差之间的差值作为下限阈值,将所述所有候选像素点的灰度均值与所述标准差的和值作为上限阈值。将所述X光图像中灰度值大于所述下限阈值且小于所述上限阈值的像素点,确定为焊缝缺陷像素点,并对焊缝缺陷像素点进行标记,以便于后续进行修补处理。需要说明的是:若所有候选像素点的灰度值的标准差为0,则上限阈值等于下限阈值,此时待检测金属件的X光图像中不存在焊缝缺陷像素点,说明待检测金属件的焊接质量较好,无需进行后续的修补操作。
至此,采用本实施例提供的方法,完成了对待检测金属件的焊缝缺陷的检测。
本实施例考虑到在基于待检测金属件的X光图像对待检测金属件焊缝缺陷检测时,图像采集过程中会受到外界因素的影响,导致采集到的图像中存在噪声点,因此会影响检测结果的准确度,本实施例首先根据待检测金属件的X光图像中每个像素点与其邻域内像素点的灰度差异,获得每个像素点的疑似缺陷强度,也即通过比较每个像素点与其周围像素点的灰度差异情况,对每个像素点进行了初步判断;考虑到当待检测金属件表面存在裂缝缺陷时,裂缝缺陷往往是连续的,也即多个像素点共同构成一个裂缝缺陷区域,因此本实施例又基于每个像素点对应的窗口内像素点的位置分布以及灰度差异,确定了每个像素点对应的多个特征像素点对;根据每个像素点和与其对应的特征像素点对中像素点的位置分布以及所述疑似缺陷强度,得到了每个像素点的缺陷特征值,基于所有像素点的疑似缺陷强度构建了孤立森林决策树,进而结合缺陷特征值确定下限阈值和上限阈值,筛选出焊缝缺陷像素点,完成对待检测金属件的裂缝缺陷的检测,提高了裂缝缺陷的检测精度。
需要说明的是:以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于阈值分割的焊缝缺陷检测方法,其特征在于,该方法包括以下步骤:
获取待检测金属件的X光图像;
根据所述X光图像中各像素点与其邻域内像素点的灰度差异,获得各像素点的疑似缺陷强度;分别以所述X光图像中各像素点为中心点,构建各像素点对应的窗口,基于各像素点对应的窗口内像素点的位置分布以及灰度差异,确定各像素点对应的不少于两个特征像素点对;根据各像素点和与其对应的特征像素点对中像素点的位置分布以及所述疑似缺陷强度,得到各像素点的缺陷特征值;
基于所有像素点的疑似缺陷强度构建孤立森林决策树,根据所述孤立森林决策树和所述缺陷特征值,获得各像素点的异常得分;
基于所述异常得分确定下限阈值和上限阈值,基于所述下限阈值和上限阈值筛选焊缝缺陷像素点;
所述根据所述X光图像中各像素点与其邻域内像素点的灰度差异,获得各像素点的疑似缺陷强度,包括:
对于所述X光图像中的第i个像素点:
计算第i个像素点的邻域内所有像素点的平均灰度值;
将第i个像素点的灰度值与所述平均灰度值之间的差值绝对值的归一化结果,确定为第i个像素点的疑似缺陷强度;
所述基于各像素点对应的窗口内像素点的位置分布以及灰度差异,确定各像素点对应的不少于两个特征像素点对,包括:
对于所述X光图像中的第i个像素点:
以第i个像素点为中心,构建第i个像素点对应的子窗口,所述子窗口的尺寸小于所述窗口的尺寸;将所述子窗口内除第i个像素点外的像素点记为第一邻域点;将每个第一邻域点的灰度值与第i个像素点的灰度值之间的差值绝对值,作为每个第一邻域点对应的灰度差异;根据每个第一邻域点对应的灰度差异选取两个第一邻域像素点,并构成第i个像素点对应的一个特征像素点对;其中,选取的两个第一邻域像素点对应的灰度差异小于未被选取的第一邻域像素点对应的灰度差异;
将每个第二邻域点的灰度值与第i个像素点的灰度值之间的差值绝对值,作为每个第二邻域点对应的灰度差异;根据每个第二邻域点对应的灰度差异选取两个第二邻域像素点,并构成第i个像素点对应的一个特征像素点对;其中,选取的两个第二邻域像素点对应的灰度差异小于未被选取的第二邻域像素点对应的灰度差异;
所述根据各像素点和与其对应的特征像素点对中像素点的位置分布以及所述疑似缺陷强度,得到各像素点的缺陷特征值,包括:
对于第i个像素点:
根据第i个像素点和与其对应的每个特征像素点对中像素点的位置分布以及所述疑似缺陷强度,得到第i个像素点在每个特征像素点对下对应的缺陷因子;
根据第i个像素点在所有特征像素点对下对应的缺陷因子和第i个像素点的疑似缺陷强度,得到第i个像素点的缺陷特征值;
所述根据所述孤立森林决策树和所述缺陷特征值,获得各像素点的异常得分,包括:
对于所述X光图像中的第i个像素点:
在所述孤立森林决策树中,获取第i个像素点在每个随机数据子集中的高度;计算所述孤立森林决策树中所有像素点的平均高度;
根据第i个像素点的缺陷特征值、所述第i个像素点在每个随机数据子集中的高度和所述平均高度,得到第i个像素点的异常得分;
采用如下公式计算第i个像素点的异常得分:
;
其中,Si为第i个像素点的异常得分,Ti为第i个像素点所在的随机数据子集的数量,Pi为第i个像素点的缺陷特征值,Hi,t为第i个像素点在第t个随机数据子集中的高度,H1为孤立森林决策树中所有像素点的平均高度。
2.根据权利要求1所述的一种基于阈值分割的焊缝缺陷检测方法,其特征在于,采用如下公式计算第i个像素点在第j个特征像素点对下对应的缺陷因子:
;
其中,fi,j为第i个像素点在第j个特征像素点对下对应的缺陷因子,Ci为第i个像素点的疑似缺陷强度,Ci,k,1为第i个像素点对应的第k个特征像素点对中的第1个像素点的疑似缺陷强度,Ci,k,2为第i个像素点对应的第k个特征像素点对中的第2个像素点的疑似缺陷强度,xi,k,1为第i个像素点对应的第k个特征像素点对中的第1个像素点的横坐标,yi,k,1为第i个像素点对应的第k个特征像素点对中的第1个像素点的纵坐标,xi,k,2为第i个像素点对应的第k个特征像素点对中的第2个像素点的横坐标,yi,k,2为第i个像素点对应的第k个特征像素点对中的第2个像素点的纵坐标,xi为第i个像素点的横坐标,yi为第i个像素点的纵坐标,exp{ }为以自然常数为底数的指数函数。
3.根据权利要求1所述的一种基于阈值分割的焊缝缺陷检测方法,其特征在于,所述根据第i个像素点在所有特征像素点对下对应的缺陷因子和第i个像素点的疑似缺陷强度,得到第i个像素点的缺陷特征值,包括:
计算第i个像素点在所有特征像素点对下对应的缺陷因子的和值;
将所述缺陷因子的和值与第i个像素点的疑似缺陷强度的乘积,确定为第i个像素点的缺陷特征值。
4.根据权利要求1所述的一种基于阈值分割的焊缝缺陷检测方法,其特征在于,所述基于所述异常得分确定下限阈值和上限阈值,包括:
将异常得分大于预设异常得分阈值的像素点记为候选像素点;
分别计算所有候选像素点的灰度值的均值和标准差,将所述所有候选像素点的灰度值的均值与所述标准差之间的差值作为下限阈值,将所述所有候选像素点的灰度均值与所述标准差的和值作为上限阈值。
5.根据权利要求1所述的一种基于阈值分割的焊缝缺陷检测方法,其特征在于,所述基于所述下限阈值和上限阈值筛选焊缝缺陷像素点,包括:
将所述X光图像中灰度值大于所述下限阈值且小于所述上限阈值的像素点,确定为焊缝缺陷像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311266721.2A CN116993744B (zh) | 2023-09-28 | 2023-09-28 | 一种基于阈值分割的焊缝缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311266721.2A CN116993744B (zh) | 2023-09-28 | 2023-09-28 | 一种基于阈值分割的焊缝缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116993744A CN116993744A (zh) | 2023-11-03 |
CN116993744B true CN116993744B (zh) | 2024-02-09 |
Family
ID=88528760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311266721.2A Active CN116993744B (zh) | 2023-09-28 | 2023-09-28 | 一种基于阈值分割的焊缝缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116993744B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117407661B (zh) * | 2023-12-14 | 2024-02-27 | 深圳前海慧联科技发展有限公司 | 一种用于设备状态检测的数据增强方法 |
CN117593303B (zh) * | 2024-01-18 | 2024-04-09 | 浙江锦德光电材料有限公司 | 一种量子点光学膜的缺陷检测方法及系统 |
CN117611583B (zh) * | 2024-01-22 | 2024-04-19 | 张家港飞腾复合新材料股份有限公司 | 基于人工智能的铝复合板缺陷检测方法及系统 |
CN117635604B (zh) * | 2024-01-23 | 2024-04-05 | 华航检测认证(青岛)有限公司 | 一种建筑工程钢结构焊接质量检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175700A (zh) * | 2011-01-20 | 2011-09-07 | 山东大学 | 数字x射线图像焊缝分割和缺陷检测方法 |
JP2017181136A (ja) * | 2016-03-29 | 2017-10-05 | 三菱電機株式会社 | 表面欠陥検出方法および表面欠陥検出装置 |
CN115063404A (zh) * | 2022-07-27 | 2022-09-16 | 建首(山东)钢材加工有限公司 | 基于x射线探伤的耐候钢焊缝质量检测方法 |
CN116721106A (zh) * | 2023-08-11 | 2023-09-08 | 山东明达圣昌铝业集团有限公司 | 一种基于图像处理的型材瑕疵视觉检测方法 |
-
2023
- 2023-09-28 CN CN202311266721.2A patent/CN116993744B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175700A (zh) * | 2011-01-20 | 2011-09-07 | 山东大学 | 数字x射线图像焊缝分割和缺陷检测方法 |
JP2017181136A (ja) * | 2016-03-29 | 2017-10-05 | 三菱電機株式会社 | 表面欠陥検出方法および表面欠陥検出装置 |
CN115063404A (zh) * | 2022-07-27 | 2022-09-16 | 建首(山东)钢材加工有限公司 | 基于x射线探伤的耐候钢焊缝质量检测方法 |
CN116721106A (zh) * | 2023-08-11 | 2023-09-08 | 山东明达圣昌铝业集团有限公司 | 一种基于图像处理的型材瑕疵视觉检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116993744A (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116993744B (zh) | 一种基于阈值分割的焊缝缺陷检测方法 | |
CN115601364B (zh) | 基于图像分析的金手指电路板检测方法 | |
CN107543828B (zh) | 一种工件表面缺陷检测方法及系统 | |
CN113570605B (zh) | 一种基于液晶显示面板的缺陷检测方法和系统 | |
CN101995223B (zh) | 一种芯片外观检测方法及系统 | |
CN108827969B (zh) | 金属零件表面缺陷检测与识别方法及装置 | |
CN109472271B (zh) | 印刷电路板图像轮廓提取方法及装置 | |
CN115984284B (zh) | 一种用于船舶维护的x射线船体焊缝图像检测方法 | |
CN113221889B (zh) | 一种芯片字符抗干扰识别方法及装置 | |
CN112053318A (zh) | 基于深度学习的二维pcb缺陷实时自动检测与分类装置 | |
CN106501272B (zh) | 机器视觉焊锡定位检测系统 | |
CN116559183B (zh) | 一种提高缺陷判定效率的方法及系统 | |
CN113850749B (zh) | 训练缺陷侦测器的方法 | |
CN112686920A (zh) | 一种圆形零件几何尺寸参数视觉测量方法及系统 | |
CN113724231A (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 | |
CN104331695A (zh) | 一种鲁棒的圆形标志符形状质量检测方法 | |
CN116645364B (zh) | 一种基于图像数据的合金钢铸件气孔缺陷检测方法 | |
JP2018096908A (ja) | 検査装置及び検査方法 | |
CN112085700A (zh) | X射线图像中焊缝区域的自动化提取方法、系统及介质 | |
CN116168218A (zh) | 一种基于图像识别技术的电路板故障诊断方法 | |
CN110426395B (zh) | 一种太阳能el电池硅片表面检测方法及装置 | |
CN116310424B (zh) | 基于图像识别的设备质量评估方法、装置、终端和介质 | |
CN116523922B (zh) | 一种轴承表面缺陷识别方法 | |
CN117333467A (zh) | 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法及系统 | |
CN113822836A (zh) | 标记图像的方法 |
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 |