CN117011290B - 缺陷诊断方法、系统及计算机设备 - Google Patents
缺陷诊断方法、系统及计算机设备 Download PDFInfo
- Publication number
- CN117011290B CN117011290B CN202311255485.4A CN202311255485A CN117011290B CN 117011290 B CN117011290 B CN 117011290B CN 202311255485 A CN202311255485 A CN 202311255485A CN 117011290 B CN117011290 B CN 117011290B
- Authority
- CN
- China
- Prior art keywords
- defect
- image
- threshold value
- projection
- traversing
- 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 149
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000003745 diagnosis Methods 0.000 title claims abstract description 56
- 238000003466 welding Methods 0.000 claims abstract description 59
- 238000004364 calculation method Methods 0.000 claims abstract description 44
- 238000013135 deep learning Methods 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 230000002950 deficient Effects 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 20
- 230000009467 reduction Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 230000001154 acute effect Effects 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000026676 system process Effects 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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
Abstract
本发明提供了一种缺陷诊断方法、系统及计算机设备，所述方法包括获取焊接部位的三维模型，通过预设的角度获取所述三维模型的投影图；利用图像预处理流程对所述投影图进行预处理以优化所述投影图的质量，利用基于深度学习的目标检测法对优化后的所述投影图进行焊缝区域的识别；将所述焊缝区域输入基于深度学习的语义分割法中进行缺陷的诊断，输出缺陷的诊断结果；若输出缺陷的诊断结果为所述焊缝区域有缺陷，则利用链码遍历所述缺陷的边缘得到多个遍历区域，利用第一计算公式得到所述遍历区域的面积，提高了缺陷识别诊断准确性。
Description
技术领域
本发明属于图像处理技术领域，具体地涉及缺陷诊断方法、系统及计算机设备。
背景技术
根据焊接方式，可以将焊接分为手工焊接、自动焊接和半自动焊接。根据焊接工艺，可以将焊接分为电阻焊、气焊、激光焊接、感应焊接和弧焊等。由于焊接环境和工艺的影响，且焊接过程本身属于典型的不确定性、非线性系统过程，焊接过程会发生复杂的物理化学反应，焊接质量受到各种因素的影响，焊接工艺的复杂性导致不可避免的会出现焊接缺陷，进而影响焊接产品的质量，极大地影响了结构的性能。
常见的焊缝缺陷主要包括气孔、凹坑、焊瘤等焊接缺陷，由于焊缝数量多，依赖人工完成焊缝缺陷识别大大影响了工作效率，无法保证检测精度，更不能满足现代化生产要求。现有技术中，有开发出自动化的焊接缺陷识别模型用于焊接缺陷的自动化识别，但目前的焊接缺陷识别模型还存在诊断准确性不高的问题。
发明内容
为了解决上述技术问题，本发明提供了缺陷诊断方法及系统，用于解决目前的焊接缺陷识别模型还存在诊断准确性不高的技术问题。
一方面，该发明提供以下技术方案，一种缺陷诊断方法，包括：获取焊接部位的三维模型，通过预设的角度获取所述三维模型的投影图；
利用图像预处理流程对所述投影图进行预处理以优化所述投影图的质量，利用基于深度学习的目标检测法对优化后的所述投影图进行焊缝区域的识别；
将所述焊缝区域输入基于深度学习的语义分割法中进行缺陷的诊断，输出缺陷的诊断结果；
若输出缺陷的诊断结果为所述焊缝区域有缺陷，则获取缺陷的边缘，并利用链码遍历所述缺陷的边缘；
建立坐标系并以所述缺陷的边缘内的任一点作为所述坐标系的原点，以遍历后的所述缺陷的边缘相邻的两个拐点与所述原点的连线形成遍历区域，同时标记所述拐点的坐标，利用第一计算公式根据所述坐标得到所述遍历区域的面积。
相比现有技术，本申请的有益效果为：通过事先定位识别焊缝区域，再识别诊断气孔和凹坑，从而提高了缺陷识别诊断准确性。进而通过第一计算公式，可以确定缺陷的面积。通过先获取焊接部位的三维模型，在将三维模型转化为三张投影图，相对于现有的直接拍摄二维的缺陷来说，能够将焊缝缺陷更好的在图像上展现出来，提高了缺陷诊断的准确性。
进一步的，在通过预设的角度获取所述三维模型的投影图的步骤包括：
与所述三维模型的上侧面呈九十度投影获得第一投影图，与所述三维模型的下侧面呈九十度投影获得第二投影图，与所述三维模型的侧面呈锐角投影获得第三投影图。
进一步的，所述图像预处理流程包括：依次对所述投影图的图像填充、图像降噪及图像增强；
所述图像填充包括双线性插值法来对图像进行填充，所述图像增强采用Sin 函数进行图像增强，所述图像降噪包括中值滤波、均值滤波、高斯滤波中的任意一种对降噪处理。
进一步的，所述第一计算公式为
；
式中，表示为遍历区域的总面积，/>表示为遍历区域的数量，/>，/>分别表示为第k个遍历区域的其一坐标的X轴与Y轴的数值，/>，/>分别表示为第k个遍历区域的另一坐标的X轴与Y轴的数值。
进一步的，在利用第一计算公式根据所述坐标得到所述遍历区域的面积的步骤之后，所述方法还包括：
利用第二计算公式根据所述坐标定位所述缺陷的位置；
其中，所述第二计算公式：；
式中，，/>分别表示缺陷的位置，/>，/>分别表示缺陷在 x 和 y 方向上的最大值，/>，/>分别表示缺陷在 x 和 y 方向上的最小值。
进一步的，所述目标检测法和所述语义分割法的工作流程均包括：采集图像、网络模型建立、及模型验证；
在所述语义分割法中的所述网络模型建立完成后；
利用第三计算公式和第四计算公式分别根据所述焊缝区域的像素计算出第一阈值和第二阈值，判断所述第一阈值和所述第二阈值是否大于预设阈值；
若所述第一阈值和所述第二阈值均大于所述预设阈值，则所述网络模型建立完成后合格。
进一步的，所述第三计算公式为：
；
所述第四计算公式为：
；
式中， ，/>分别表示为第一阈值和第二阈值，/>表示本属于类a但被预测为类b的像素数量，/>为预测正确的像素数量，/>表示本属于类b但被预测为类a的像素数量，表示为2。
进一步的，在利用基于深度学习的目标检测法对优化后的所述投影图进行焊缝区域的识别的步骤包括：
利用基于深度学习的目标检测法对优化后的所述投影图进行焊缝区域的识别，同时对焊瘤及存在预设尺寸的缺陷进行判定；
若判定所述投影图有焊瘤或预设尺寸的缺陷，则输出所述投影图为带有缺陷的图像。
第二方面，该发明提供以下技术方案，一种缺陷诊断系统，包括：
获取模块，用于获取焊接部位的三维模型，通过预设的角度获取所述三维模型的投影图；
识别模块，用于利用图像预处理流程对所述投影图进行预处理以优化所述投影图的质量，利用基于深度学习的目标检测法对优化后的所述投影图进行焊缝区域的识别；
链码模块，用于若输出缺陷的诊断结果为所述焊缝区域有缺陷，则获取缺陷的边缘，并利用链码遍历所述缺陷的边缘；
计算模块，用于建立坐标系并以所述缺陷的边缘内的任一点作为所述坐标系的原点，以遍历后的所述缺陷的边缘相邻的两个拐点与所述原点的连线形成遍历区域，同时标记所述拐点的坐标，利用第一计算公式根据所述坐标得到所述遍历区域的面积。
第三方面，该发明提供以下技术方案，一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机设备程序，所述处理器执行所述计算机设备程序时实现如上述的缺陷诊断方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明第一实施例提供的缺陷诊断方法的流程图；
图2为本发明第一实施例提供的缺陷诊断方法缺陷形成多个遍历区域后的示意图；
图3为图2中单个遍历区域坐标示意图；
图4为本发明第二实施例提供的缺陷诊断方法的流程图；
图5为本发明第三实施例提供的缺陷诊断系统的结构框图；
图6为本发明第四实施例提供的计算机设备的硬件结构示意图。
以下将结合附图对本发明实施例作进一步说明。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号数据表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明的实施例，而不能理解为对本发明的限制。
在本发明实施例的描述中，需要理解的是，术语“长度”、“宽度”、“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发明实施例和简化描述，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发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例一
在本发明的第一个实施例中，如图1至图3所示，一种缺陷诊断方法，包括以下步骤S01至步骤S06：
S01，获取焊接部位的三维模型，通过预设的角度获取所述三维模型的投影图；
其中，在通过预设的角度获取所述三维模型的投影图的步骤包括：
与所述三维模型的上侧面呈九十度投影获得第一投影图，与所述三维模型的下侧面呈九十度投影获得第二投影图，与所述三维模型的侧面呈锐角投影获得第三投影图；
在具体实施时，在焊接工件的一侧设置一三维激光扫描仪，以获取焊接工件焊接部位处的三维模型，然后与所述三维模型的上侧面呈九十度投影获得第一投影图，与所述三维模型的下侧面呈九十度投影获得第二投影图，与所述三维模型的侧面呈锐角投影获得第三投影图，以获得三张投影的投影图。
在本实施例中，锐角为四十五度。在其一焊接工件与另一焊接工件焊接时，是两者的两个平面的交界处进行焊接，所以上侧面代表其一焊接工件的侧面，下侧面代表另一焊接工件的侧面。
值得说明的是，通过先获取焊接部位的三维模型，在将三维模型转化为三张投影图，相对于现有的直接拍摄二维的缺陷来说，能够将焊缝缺陷更好的在图像上展现出来，提高了缺陷诊断的准确性。
S02，利用图像预处理流程对所述投影图进行预处理以优化所述投影图的质量，利用基于深度学习的目标检测法对优化后的所述投影图进行焊缝区域的识别；
具体的，图像预处理流程包括依次执行的图像填充、图像降噪及图像增强；
可选择的，可采用中值滤波、均值滤波、高斯滤波进行图像降噪处理；
为了验证中值滤波、均值滤波、高斯滤波进行图像降噪处理的效果，从图像样本中随机采集4张未经过滤波处理的原图像，然后用以上三种滤波方式进行处理，选用峰值信噪比作为指标对滤波效果进行评价，进而得到中值滤波的峰值信噪比大于其他两种，说明图像失真少，即有较好的去噪修改。
在本实施例中，采用双线性插值法来对图像进行填充，中值滤波算法进行图像降噪，Sin 函数进行图像增强，采集到的投影图经过一系列图像预处理操作后，图像清晰度、色彩对比度都有所提高，以便于后续工作。
具体的，基于深度学习的目标检测法的工作流程包括：采集图像、网络模型建立、及模型验证，所述采集图像包括采集焊缝图像、图像中焊缝标注，采集的焊缝图像包括不同形状的焊缝图像、不同尺寸的焊缝图像、在不同光照环境下的的焊缝图像，网络模型建立包括选取网络框架并创建网络模型，模型验证指的是用新图像集应用在训练好的网络模型上进行验证。其中，采集的焊缝图像分为三个部分，三个部分分别作为训练集、验证集及测试集，值得说明的是，采集的焊缝图像作为训练集的数量越大越好，在本实施例中，训练集、验证集及测试集分别占采集的焊缝图像总数量的82％、9％和9％。
具体实施时，首先依次对投影图进行双线性插值法对图像进行填充、中值滤波算法进行图像降噪及Sin 函数进行图像增强，使图像得到优化处理，然后将优化后的投影图，输入至基于深度学习的目标检测法的网络模型中，对优化后的投影图进行焊缝区域的定位识别。
S03，将所述焊缝区域输入基于深度学习的语义分割法中进行缺陷的诊断，输出缺陷的诊断结果；
具体的，语义分割法同样包括采集图像、网络模型建立、及模型验证，其中采集图像包括采集焊缝图像、图像中气孔及图像中凹坑的标注。语义分割法基于FPN网络结构创建和训练网络模型。
在所述语义分割法中的所述网络模型建立完成后；
利用第三计算公式和第四计算公式分别根据所述焊缝区域的像素计算出第一阈值和第二阈值，判断所述第一阈值和所述第二阈值是否大于预设阈值；
若所述第一阈值和所述第二阈值均大于所述预设阈值，则所述网络模型建立完成后合格。其中预设阈值为0.5。
所述第三计算公式为：
；
所述第四计算公式为：
；
式中， ，/>分别表示为第一阈值和第二阈值，/>表示本属于类a但被预测为类b的像素数量，/>为预测正确的像素数量，/>表示本属于类b但被预测为类a的像素数量，表示为2。
其中，第三计算公式是将焊缝中背景、气孔、及凹坑的交并比求平均值。交并比是属于该类的实际像素集合与预测像素集合的交集和并集之比。焊缝图像分为背景、气孔、凹坑3类。第四计算公式是分别计算背景、气孔、凹坑3类中每个类别分类正确的像素数和该类所有像素数的比例然后求平均。
具体实施时，将定位到所述焊缝区域优化后的投影图输入基于深度学习的语义分割法的网络模型中并进行缺陷的诊断，如果发现有缺陷（气孔或者凹坑），则输出有缺陷（气孔或者凹坑）的诊断结果，如果发现没有缺陷（气孔或者凹坑），则输出没有有缺陷（气孔或者凹坑）的诊断结果。值得说明的是，因为深度学习语义分割法可以细化每个像素的分类，较适用于边缘不规则缺陷（气孔和凹坑）的识别诊断，所以通过事先定位识别焊缝区域，再识别诊断气孔和凹坑，从而提高了缺陷识别诊断准确性。
S04，若输出缺陷的诊断结果为所述焊缝区域有缺陷，则获取缺陷的边缘，并利用链码遍历所述缺陷的边缘；
具体实施时，首先获取缺陷（气孔或者凹坑）的边缘，利用8-链码遍历所述缺陷的边缘得到一个闭合的区域。
S05，建立坐标系并以所述缺陷的边缘内的任一点作为所述坐标系的原点，以遍历后的所述缺陷的边缘相邻的两个拐点与所述原点的连线形成遍历区域，同时标记所述拐点的坐标，利用第一计算公式根据所述坐标得到所述遍历区域的面积；
具体的，在利用链码遍历所述缺陷的边缘得到多个遍历区域的步骤包括：
获取缺陷的边缘，利用链码遍历所述缺陷的边缘，其中链码为8-链码；
建立坐标系并以所述缺陷的边缘内的任一点作为所述坐标系的原点，以遍历后的所述缺陷的边缘相邻的两个拐点与所述原点的连线形成遍历区域，同时标记所述拐点的坐标。
具体的，所述第一计算公式为
；
式中，表示为遍历区域的总面积，/>表示为遍历区域的数量，/>，/>分别表示为第k个遍历区域的其一坐标的X轴与Y轴的数值，/>，/>分别表示为第k个遍历区域的另一坐标的X轴与Y轴的数值。
具体实施时，首先获取缺陷（气孔或者凹坑）的边缘，利用8-链码遍历所述缺陷的边缘得到一个闭合的区域，然后闭合区域（所述缺陷的边缘）内建议坐标系，然后分别标记出闭合区域边界点的坐标，即（X1，Y1），（X2，Y2）…（Xn，Yn），然后将闭合区域边缘相邻的两个拐点与所述坐标系的原点进行连接形成遍历区域，进而形成多个遍历区域，此时通过两个拐点及原点的连线形成的遍历区域为三角形，此时通过计算多个三角形的面积可以得到缺陷（气孔或者凹坑）的面积。
值得说明的是，请参阅图2和图3，单个遍历区域（三角形）的计算公式为： ；
整理上述公式可得，；
其中，、/>、/>及/>分别对应附图3中坐标系的数值；
多个单个遍历区域（三角形）的计算公式为：
；
S06，利用第二计算公式根据所述坐标定位所述缺陷的位置；
其中，所述第二计算公式：；
式中，，/>分别表示缺陷的位置，/>，/>分别表示缺陷在 x 和 y 方向上的最大值，/>，/>分别表示缺陷在 x 和 y 方向上的最小值。
具体的，通过第二计算公式可以清楚的知道，缺陷中心的位置坐标，进而可以确定缺陷的位置。
综上，通过事先定位识别焊缝区域，再识别诊断气孔和凹坑，从而提高了缺陷识别诊断准确性。进而通过第一计算公式，可以确定缺陷的面积。通过先获取焊接部位的三维模型，在将三维模型转化为三张投影图，相对于现有的直接拍摄二维的缺陷来说，能够将焊缝缺陷更好的在图像上展现出来，提高了缺陷诊断的准确性。
实施例二
如图4所示，在本发明的第二个实施例提供了一种缺陷诊断方法，本实施例二提供的缺陷诊断方法与实施例一提供的缺陷诊断方法的不同之处在于：包括步骤S21~ 步骤S24；
S21，获取焊接部位的三维模型，通过预设的角度获取所述三维模型的投影图。
S22，利用图像预处理流程对所述投影图进行预处理以优化所述投影图的质量，利用基于深度学习的目标检测法对优化后的所述投影图进行焊缝区域的识别，同时对焊瘤及存在预设尺寸的缺陷进行判定；
具体实施时，首先依次对投影图进行双线性插值法对图像进行填充、中值滤波算法进行图像降噪及Sin 函数进行图像增强，使图像得到优化处理，然后将优化后的投影图，输入至基于深度学习的目标检测法的网络模型中，对优化后的投影图进行焊缝区域的定位，同时对焊瘤及存在预设尺寸（大尺寸）的缺陷进行判定，其中大尺寸的缺陷可以理解为，存在严重缺陷（断焊）。
S23，若判定所述投影图有焊瘤或预设尺寸的缺陷，则输出所述投影图为带有缺陷的图像。
具体实施时，若存在焊瘤或大尺寸的缺陷，则可以将严重缺陷和焊瘤的投影图进行判断出来，从而不需要后续的工作，提高工作效率。
S24，若判定所述投影图没有焊瘤或预设尺寸的缺陷，则输出所述投影图焊缝区域。
具体实施时，若不存在焊瘤或大尺寸的缺陷，则可能存在小的缺陷，则可以将投影图进行放入语义分割法中进行缺陷的诊断。
综上，通过同时对焊瘤及存在预设尺寸（大尺寸）的缺陷进行判定，其中大尺寸的缺陷可以理解为，存在严重缺陷（断焊），此时就可以将严重缺陷和焊瘤的投影图进行判断出来，从而不需要后续的工作，提高工作效率。
实施例三
如图5所示，在本发明的第三个实施例提供了缺陷诊断系统，所述系统包括：
获取模块10，用于获取焊接部位的三维模型，通过预设的角度获取所述三维模型的投影图；
识别模块20，用于利用图像预处理流程对所述投影图进行预处理以优化所述投影图的质量，利用基于深度学习的目标检测法对优化后的所述投影图进行焊缝区域的识别；
诊断模块30，用于将所述焊缝区域输入基于深度学习的语义分割法中进行缺陷的诊断，输出缺陷的诊断结果；
链码模块40，用于若输出缺陷的诊断结果为所述焊缝区域有缺陷，则获取缺陷的边缘，并利用链码遍历所述缺陷的边缘；
计算模块50，用于建立坐标系并以所述缺陷的边缘内的任一点作为所述坐标系的原点，以遍历后的所述缺陷的边缘相邻的两个拐点与所述原点的连线形成遍历区域，同时标记所述拐点的坐标，利用第一计算公式根据所述坐标得到所述遍历区域的面积。
在一些可选实施例中，所述获取模块10包括：
投影单元，用于与所述三维模型的上侧面呈九十度投影获得第一投影图，与所述三维模型的下侧面呈九十度投影获得第二投影图，与所述三维模型的侧面呈锐角投影获得第三投影图。
在一些可选实施例中，所述识别模块20包括：
处理单元，用于依次对所述投影图的图像填充、图像降噪及图像增强；所述图像填充包括双线性插值法来对图像进行填充，所述图像增强采用Sin 函数进行图像增强，所述图像降噪包括中值滤波、均值滤波、高斯滤波中的任意一种对降噪处理。
在一些可选实施例中，所述计算模块50还包括：
计算单元，用于所述第一计算公式为：
；
式中，表示为遍历区域的总面积，/>表示为遍历区域的数量，/>，/>分别表示为第k个遍历区域的其一坐标的X轴与Y轴的数值，/>，/>分别表示为第k个遍历区域的另一坐标的X轴与Y轴的数值。
在一些可选实施例中，所述系统还包括：
定位模块，用于利用第二计算公式根据所述坐标定位所述缺陷的位置；
其中，所述第二计算公式：；
式中，，/>分别表示缺陷的位置，/>，/>分别表示缺陷在 x 和 y 方向上的最大值，/>，/>分别表示缺陷在x和y方向上的最小值。
在一些可选实施例中，所述系统还包括：
判断模块，用于所述目标检测法和所述语义分割法的工作流程均包括：采集图像、网络模型建立、及模型验证；在所述语义分割法中的所述网络模型建立完成后；利用第三计算公式和第四计算公式分别根据所述焊缝区域的像素计算出第一阈值和第二阈值，判断所述第一阈值和所述第二阈值是否大于预设阈值；若所述第一阈值和所述第二阈值均大于所述预设阈值，则所述网络模型建立完成后合格。
在一些可选实施例中，所述判断模块包括：
第一判断单元，用于所述第三计算公式为：
；
所述第四计算公式为：
；
式中， ，/>分别表示为第一阈值和第二阈值，/>表示本属于类a但被预测为类b的像素数量，/>为预测正确的像素数量，/>表示本属于类b但被预测为类a的像素数量，表示为2。
在一些可选实施例中，所述识别模块20包括：
判定单元，用于利用基于深度学习的目标检测法对优化后的所述投影图进行焊缝区域的识别，同时对焊瘤及存在预设尺寸的缺陷进行判定；若判定所述投影图有焊瘤或预设尺寸的缺陷，则输出所述投影图为带有缺陷的图像。
本发明实施例所提供的缺陷诊断系统，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，系统实施例部分未提及之处，可参考前述方法实施例中相应内容。
实施例四
如图6所示，在本发明的第四实施例中，本发明实施例提供以下技术方案，一种计算机设备，包括存储器202、处理器201以及存储在所述存储器202上并可在所述处理器201上运行的计算机设备程序，所述处理器201执行所述计算机设备程序时实现如上所述的缺陷诊断方法。
具体的，上述处理器201可以包括中央处理器（CPU），或者特定集成电路（Application Specific Integrated Circuit，简称为ASIC），或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器202可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器202可包括硬盘驱动器（Hard Disk Drive，简称为HDD）、软盘驱动器、固态驱动器（Solid State Drive，简称为SSD）、闪存、光盘、磁光盘、磁带或通用串行总线（UniversalSerial Bus，简称为USB）驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器202可包括可移除或不可移除（或固定）的介质。在合适的情况下，存储器202可在数据处理装置的内部或外部。在特定实施例中，存储器202是非易失性（Non-Volatile）存储器。在特定实施例中，存储器202包括只读存储器（Read-Only Memory，简称为ROM）和随机存取存储器（Random Access Memory，简称为RAM）。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM（Programmable Read-Only Memory，简称为PROM）、可擦除PROM（ErasableProgrammable Read-Only Memory，简称为EPROM）、电可擦除PROM（Electrically ErasableProgrammable Read-Only Memory，简称为EEPROM）、电可改写ROM（ElectricallyAlterable Read-Only Memory，简称为EAROM）或闪存（FLASH）或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器（Static Random-AccessMemory，简称为SRAM）或动态随机存取存储器（Dynamic Random Access Memory，简称为DRAM），其中，DRAM可以是快速页模式动态随机存取存储器（Fast Page Mode DynamicRandom Access Memory，简称为FPMDRAM）、扩展数据输出动态随机存取存储器（ExtendedDate Out Dynamic Random Access Memory，简称为EDODRAM）、同步动态随机存取内存（Synchronous Dynamic Random-Access Memory，简称SDRAM）等。
存储器202可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器201所执行的可能的计算机设备程序指令。
处理器201通过读取并执行存储器202中存储的计算机设备程序指令，以实现上述缺陷诊断方法。
在其中一些实施例中，计算机设备还可包括通信接口203和总线200。其中，如图6所示，处理器201、存储器202、通信接口203通过总线200连接并完成相互间的通信。
通信接口203用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信接口203还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线200包括硬件、软件或两者，将计算机设备的部件彼此耦接在一起。总线200包括但不限于以下至少之一：数据总线（Data Bus）、地址总线（Address Bus）、控制总线（Control Bus）、扩展总线（Expansion Bus）、局部总线（Local Bus）。举例来说而非限制，总线200可包括图形加速接口（Accelerated Graphics Port，简称为AGP）或其他图形总线、增强工业标准架构（Extended Industry Standard Architecture，简称为EISA）总线、前端总线（Front Side Bus，简称为FSB）、超传输（Hyper Transport，简称为HT）互连、工业标准架构（Industry Standard Architecture，简称为ISA）总线、无线带宽（InfiniBand）互连、低引脚数（Low Pin Count，简称为LPC）总线、存储器总线、微信道架构（Micro ChannelArchitecture，简称为MCA）总线、外围组件互连（Peripheral Component Interconnect，简称为PCI）总线、PCI-Express（PCI-X）总线、串行高级技术附件（Serial AdvancedTechnology Attachment，简称为SATA）总线、视频电子标准协会局部（Video ElectronicsStandards Association Local Bus，简称为VLB）总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线200可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
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发明专利范围的限制。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。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种缺陷诊断方法，其特征在于，包括：
获取焊接部位的三维模型，通过预设的角度获取所述三维模型的投影图；
利用图像预处理流程对所述投影图进行预处理以优化所述投影图的质量，利用基于深度学习的目标检测法对优化后的所述投影图进行焊缝区域的识别；
将所述焊缝区域输入基于深度学习的语义分割法中进行缺陷的诊断，输出缺陷的诊断结果；
若输出缺陷的诊断结果为所述焊缝区域有缺陷，则获取缺陷的边缘，并利用链码遍历所述缺陷的边缘；
建立坐标系并以所述缺陷的边缘内的任一点作为所述坐标系的原点，以遍历后的所述缺陷的边缘相邻的两个拐点与所述原点的连线形成遍历区域，同时标记所述拐点的坐标，利用第一计算公式根据所述坐标得到所述遍历区域的面积；
所述第一计算公式为：
；
式中，表示为遍历区域的总面积，/>表示为遍历区域的数量，/>，/>分别表示为第k个遍历区域的其一坐标的X轴与Y轴的数值，/>，/>分别表示为第k个遍历区域的另一坐标的X轴与Y轴的数值；
所述目标检测法和所述语义分割法的工作流程均包括：采集图像、网络模型建立、及模型验证；
在所述语义分割法中的所述网络模型建立完成后；
利用第三计算公式和第四计算公式分别根据所述焊缝区域的像素计算出第一阈值和第二阈值，判断所述第一阈值和所述第二阈值是否大于预设阈值；
若所述第一阈值和所述第二阈值均大于所述预设阈值，则所述网络模型建立完成后合格；
所述第三计算公式为：
；
所述第四计算公式为：
；
式中， ，/>分别表示为第一阈值和第二阈值，/> 表示本属于类 a 但被预测为类b的像素数量，/>为预测正确的像素数量，/> 表示本属于类b但被预测为类 a的像素数量，表示为2；
在利用基于深度学习的目标检测法对优化后的所述投影图进行焊缝区域的识别的步骤包括：
利用基于深度学习的目标检测法对优化后的所述投影图进行焊缝区域的识别，同时对焊瘤及存在预设尺寸的缺陷进行判定；
若判定所述投影图有焊瘤或预设尺寸的缺陷，则输出所述投影图为带有缺陷的图像。
2.根据权利要求1所述的缺陷诊断方法，其特征在于，在通过预设的角度获取所述三维模型的投影图的步骤包括：
与所述三维模型的上侧面呈九十度投影获得第一投影图，与所述三维模型的下侧面呈九十度投影获得第二投影图，与所述三维模型的侧面呈锐角投影获得第三投影图。
3.根据权利要求1所述的缺陷诊断方法，其特征在于，所述图像预处理流程包括：依次对所述投影图的图像填充、图像降噪及图像增强；
所述图像填充包括双线性插值法来对图像进行填充，所述图像增强采用Sin 函数进行图像增强，所述图像降噪包括中值滤波、均值滤波、高斯滤波中的任意一种对降噪处理。
4.根据权利要求1所述的缺陷诊断方法，其特征在于，在利用第一计算公式根据所述坐标得到所述遍历区域的面积的步骤之后，所述方法还包括：
利用第二计算公式根据所述坐标定位所述缺陷的位置；
其中，所述第二计算公式：；
式中，，/>分别表示缺陷的位置，/>，/>分别表示缺陷在 x 和 y 方向上的最大值，/>，/>分别表示缺陷在 x 和 y 方向上的最小值。
5.一种缺陷诊断系统，其特征在于，所述系统包括：
获取模块，用于获取焊接部位的三维模型，通过预设的角度获取所述三维模型的投影图；
识别模块，用于利用图像预处理流程对所述投影图进行预处理以优化所述投影图的质量，利用基于深度学习的目标检测法对优化后的所述投影图进行焊缝区域的识别；
诊断模块，用于将所述焊缝区域输入基于深度学习的语义分割法中进行缺陷的诊断，输出缺陷的诊断结果；
链码模块，用于若输出缺陷的诊断结果为所述焊缝区域有缺陷，则获取缺陷的边缘，并利用链码遍历所述缺陷的边缘；
计算模块，用于建立坐标系并以所述缺陷的边缘内的任一点作为所述坐标系的原点，以遍历后的所述缺陷的边缘相邻的两个拐点与所述原点的连线形成遍历区域，同时标记所述拐点的坐标，利用第一计算公式根据所述坐标得到所述遍历区域的面积；
所述计算模块包括：
计算单元，用于所述第一计算公式为：
；
式中，表示为遍历区域的总面积，/>表示为遍历区域的数量，/>，/>分别表示为第k个遍历区域的其一坐标的X轴与Y轴的数值，/>，/>分别表示为第k个遍历区域的另一坐标的X轴与Y轴的数值；
判断模块，用于所述目标检测法和所述语义分割法的工作流程均包括：采集图像、网络模型建立、及模型验证；在所述语义分割法中的所述网络模型建立完成后；利用第三计算公式和第四计算公式分别根据所述焊缝区域的像素计算出第一阈值和第二阈值，判断所述第一阈值和所述第二阈值是否大于预设阈值；若所述第一阈值和所述第二阈值均大于所述预设阈值，则所述网络模型建立完成后合格；
所述判断模块包括：
第一判断单元，用于所述第三计算公式为：
；
所述第四计算公式为：
；
式中， ，/>分别表示为第一阈值和第二阈值，/> 表示本属于类 a 但被预测为类b的像素数量，/>为预测正确的像素数量，/> 表示本属于类b但被预测为类 a的像素数量，表示为2；
所述识别模块包括：
判定单元，用于利用基于深度学习的目标检测法对优化后的所述投影图进行焊缝区域的识别，同时对焊瘤及存在预设尺寸的缺陷进行判定；若判定所述投影图有焊瘤或预设尺寸的缺陷，则输出所述投影图为带有缺陷的图像。
6.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机设备程序，其特征在于，所述处理器执行所述计算机设备程序时实现如权利要求1至4任一项所述的缺陷诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311255485.4A CN117011290B (zh) | 2023-09-27 | 2023-09-27 | 缺陷诊断方法、系统及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311255485.4A CN117011290B (zh) | 2023-09-27 | 2023-09-27 | 缺陷诊断方法、系统及计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117011290A CN117011290A (zh) | 2023-11-07 |
| CN117011290B true CN117011290B (zh) | 2023-12-15 |
Family
ID=88562086
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311255485.4A Active CN117011290B (zh) | 2023-09-27 | 2023-09-27 | 缺陷诊断方法、系统及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117011290B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117291914B (zh) * | 2023-11-24 | 2024-02-09 | 南昌江铃华翔汽车零部件有限公司 | 汽车零部件缺陷检测方法、系统、计算机及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115239719A (zh) * | 2022-09-22 | 2022-10-25 | 南昌昂坤半导体设备有限公司 | 缺陷检测方法、系统、电子设备及存储介质 |
| CN116721058A (zh) * | 2023-05-06 | 2023-09-08 | 新化凯尔影印科技有限公司 | Opc鼓表面缺陷检测方法、系统、电子设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR3109325B1 (fr) * | 2020-04-20 | 2022-03-18 | Air Liquide | Procédé et dispositif de détermination de la performance d’un procédé de soudage |
-
2023
- 2023-09-27 CN CN202311255485.4A patent/CN117011290B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115239719A (zh) * | 2022-09-22 | 2022-10-25 | 南昌昂坤半导体设备有限公司 | 缺陷检测方法、系统、电子设备及存储介质 |
| CN116721058A (zh) * | 2023-05-06 | 2023-09-08 | 新化凯尔影印科技有限公司 | Opc鼓表面缺陷检测方法、系统、电子设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 焊缝缺陷图像特征提取的研究;李金燕;李春祥;王锡岭;;焊接技术(11);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117011290A (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113362326B (zh) | 一种电池焊点缺陷的检测方法及装置 | |
| CN117011290B (zh) | 缺陷诊断方法、系统及计算机设备 | |
| CN111292305A (zh) | 一种改进型yolo-v3的金属加工表面缺陷检测方法 | |
| CN110969620A (zh) | 一种磁瓦波纹类缺陷的检测方法及装置 | |
| CN112365461A (zh) | 紧固件松动识别方法、系统、终端及存储介质 | |
| CN113781391A (zh) | 图像缺陷检测方法以及相关设备 | |
| CN115880520A (zh) | 一种基于模板匹配和缺陷分割的缺陷等级分类方法及系统 | |
| CN113240623A (zh) | 一种路面病害检测方法及装置 | |
| CN103177426B (zh) | 一种基于形态学的强干扰激光边缘图像修复方法 | |
| CN117058411B (zh) | 电池棱边外形瑕疵识别方法、装置、介质和设备 | |
| CN109767426B (zh) | 一种基于图像特征识别的盾构隧道渗漏水检测方法 | |
| CN115170501A (zh) | 缺陷检测方法、系统、电子设备及存储介质 | |
| CN113066051A (zh) | 一种坡口缺陷检测方法、计算设备及可读存储介质 | |
| JP3749726B1 (ja) | 周期性ノイズ下での低コントラスト欠陥検査方法、繰返しパターン下での低コントラスト欠陥検査方法 | |
| CN117173090A (zh) | 焊接缺陷类型识别方法、装置、存储介质及电子设备 | |
| CN116452826A (zh) | 基于机器视觉的遮挡情况下煤矸石轮廓估计方法 | |
| CN114627113B (zh) | 一种印制电路板缺陷检测方法及系统及装置及介质 | |
| CN114037701B (zh) | 一种基于图像处理的机械零件氢损伤检测方法 | |
| CN116381053A (zh) | 一种用于金属材料焊接的超声波检测方法及系统 | |
| CN116152158A (zh) | 焊缝检测方法、装置、电子设备及存储介质 | |
| CN112819070A (zh) | 隧道管片环缝直线化识别及里程环号标记方法 | |
| CN117495846B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
| CN117557563B (zh) | 一种焊接缺陷识别检测方法及系统 | |
| US20240020846A1 (en) | Corner point detection method and apparatus | |
| CN114972338A (zh) | 一种高铁动车组走行部故障机器视觉测量方法 |
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 |