CN117058144A - 一种焊缝图像的缺陷识别方法及系统 - Google Patents
一种焊缝图像的缺陷识别方法及系统 Download PDFInfo
- Publication number
- CN117058144A CN117058144A CN202311315876.0A CN202311315876A CN117058144A CN 117058144 A CN117058144 A CN 117058144A CN 202311315876 A CN202311315876 A CN 202311315876A CN 117058144 A CN117058144 A CN 117058144A
- Authority
- CN
- China
- Prior art keywords
- defect
- image
- weld
- area
- length
- 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 501
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000003466 welding Methods 0.000 claims abstract description 45
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000002950 deficient Effects 0.000 claims description 30
- 230000009467 reduction Effects 0.000 claims description 22
- 239000002893 slag Substances 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 13
- 230000035515 penetration Effects 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 6
- 239000002184 metal Substances 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical 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
- 239000006002 Pepper Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000003068 static effect 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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- 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 by the use of histogram techniques
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06T2207/10—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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
-
- 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
本发明涉及图像处理技术领域，尤其涉及一种焊缝图像的缺陷识别方法及系统，方法包括：获取X射线焊缝图像，对焊缝图像进行预处理；基于自适应直方图对经预处理的焊缝图像进行图像增强处理，得到待识别焊缝图像；对待识别焊缝图像进行二值化处理，并基于自适应阈值分割得到多块缺陷区域；获取缺陷区域的基础参数，并根据基础参数得到缺陷区域的特征参数，其中，特征参数包括缺陷长宽比、缺陷绝对灰度均差、缺陷锐度、缺陷绝对距离、缺陷圆形度；将特征参数输入SVM分类器并进行多层分类，从而确定缺陷区域的缺陷类别。在本发明中，特征参数的选用以及多层分类的方法有效提高了缺陷识别率，为工作人员对缺陷的产生做更深入的研究提供数据支持。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种焊缝图像的缺陷识别方法及系统。
背景技术
在焊接缺陷检测领域，X射线检测是常规无损检测常用的重要方法之一。目前实际生产中，主要采取的方式是人工分析焊缝图像，凭经验确定有无缺陷及缺陷的类型、位置、尺寸等，由此评定焊接质量并给出相应的评级。人工评定方式受个人技术水平、经验、疲劳程度、情绪等人为因素及外界条件的影响，效率低、不可靠、一致性差，且读片的强光容易灼伤人的眼睛。现代机械制造对精度的要求越来越高，人工操作越来越不能满足生产发展的需要。采用计算机图像处理技术，对X射线缺陷检测图像进行分析、检测和识别，可以较好的解决人工评定的上述问题，有效克服由于个人技术素质、经验差异等引起的对焊件缺陷的误判和漏判等可靠性和稳定性问题，使焊接质量评定更科学、客观和规范。
现有的焊缝缺陷检测方法，在确定焊缝缺陷之后，通常不能做到对缺陷类别进行精确划分，只能做到初步判断焊缝图像的一定区域是否为焊缝缺陷，对焊缝缺陷类型的识别度不高，无法为后续焊缝缺陷的研究提供更多的数据支持。
发明内容
为了解决上述技术问题，本发明提供了一种焊缝图像的缺陷识别方法及系统。
本发明采用以下技术方案：一种焊缝图像的缺陷识别方法，所述方法包括：
获取X射线焊缝图像，对所述焊缝图像进行预处理；
基于自适应直方图对经预处理的所述焊缝图像进行图像增强处理，得到待识别焊缝图像；
对所述待识别焊缝图像进行二值化处理，并基于自适应阈值分割得到多块缺陷区域；
获取所述缺陷区域的基础参数，并根据所述基础参数得到所述缺陷区域的特征参数，其中，所述特征参数包括缺陷长宽比、缺陷绝对灰度均差、缺陷锐度、缺陷绝对距离、缺陷圆形度；
将所述特征参数输入SVM分类器并进行多层分类，从而确定所述缺陷区域的缺陷类别；
所述基于自适应直方图对经预处理的所述焊缝图像进行图像增强处理的步骤具体为：
获取经预处理的所述焊缝图像，对其进行CLAHE算法增强处理，将所述焊缝图像切割成预设尺寸的多个子区域；
基于空间滤波器掩模遍历每个所述子区域，得到所述子区域对应的低频信息R；
对每个所述子区域直方图进行裁剪、均衡化、插值处理，得到增强后的图像信息G；
将所述低频信息R与所述图像信息G进行线性做差，得到高频特征信息Q；
将所述图像信息G与高频特征信息Q进行线性叠加运算，完成对所述焊缝图像的增强处理。
本发明一实施例的焊缝图像的缺陷识别方法，通过对焊缝图像进行降噪预处理，能够有效降低噪声对焊缝图像的影响；采用自适应直方图对焊缝图像进行增强处理，使得到的待识别焊缝图像具有良好的空间分辨率、灰度平均值及信噪比，其边缘特征信息清晰，提高了经二值化处理和自适应阈值分割得到缺陷区域的准确性，并为获取缺陷区域的基础参数提供了有效的基础支撑；最后基于特征参数利用SVM分类器进行多层分类，实现对缺陷区域的缺陷类型的识别，特征参数的选用以及多层分类的方法有效提高了缺陷识别率，准确的缺陷类型可以为工作人员对缺陷的产生做更深入的研究提供数据支持。
进一步的，所述获取X射线焊缝图像，对所述焊缝图像进行预处理的步骤具体为：
获取X射线焊缝图像，采用中值滤波对所述焊缝图像进行初步降噪处理；
采用高斯滤波对经初步降噪处理后的所述焊缝图像进行二次降噪处理，完成对所述焊缝图像的预处理。
进一步的，所述获取所述缺陷区域的基础参数，并根据所述基础参数得到所述缺陷区域的特征参数的步骤具体为：
获取所述缺陷区域的基础参数，所述基础参数包括所述缺陷区域最小外接矩形的长度和宽度、焊缝母材区域的灰度均值、所述缺陷区域的灰度均值、所述缺陷区域的面积、所述缺陷区域的中心坐标、焊缝的中心坐标、焊缝的平均宽度、所述缺陷区域的周长；
根据所述基础参数得到所述缺陷区域的特征参数，其中，所述特征参数包括缺陷长宽比、缺陷绝对灰度均差、缺陷锐度、缺陷绝对距离、缺陷圆形度；
所述缺陷长宽比为：
其中，和/>分别为所述缺陷区域最小外接矩形的长度和宽度；
所述缺陷绝对灰度均差为：
其中，为焊缝母材区域的灰度均值，/>为所述缺陷区域的灰度均值；
所述缺陷锐度为：
其中，为所述缺陷区域的面积，/>为所述缺陷区域的一端到其长度四分之一的面积，/>为所述缺陷区域的另一端到其长度四分之一的面积；
所述缺陷绝对距离为：
其中，为所述缺陷区域的中心坐标，/>为焊缝的中心坐标，/>为焊缝的平均宽度；
所述缺陷圆形度为：
其中，为所述缺陷区域的周长。
进一步的，所述将所述特征参数输入SVM分类器并进行多层分类，从而确定所述缺陷区域的缺陷类别的步骤具体为：
将所述缺陷长宽比输入所述SVM分类器进行第一层分类，当所述缺陷长宽比大于等于预设的长宽比阈值时，将所述缺陷区域定义为条状缺陷，当所述缺陷长宽比小于预设的长宽比阈值时，将所述缺陷区域定义为圆状缺陷；
将所述圆状缺陷的所述缺陷绝对灰度均差输入所述SVM分类器进行第二层圆状分类，当所述缺陷绝对灰度均差为负值时，将所述圆状缺陷定义为圆状含渣缺陷，当所述缺陷绝对灰度均差为正值时，将所述圆状缺陷定义为气孔缺陷；
将所述条状缺陷的所述缺陷锐度输入所述SVM分类器进行第二层条状分类，当所述缺陷锐度大于等于预设的锐度阈值时，将所述条状缺陷定义为裂纹缺陷，当所述缺陷锐度小于预设的锐度阈值时，将所述条状缺陷定义为非裂纹缺陷；
将所述非裂纹缺陷的所述缺陷绝对距离输入所述SVM分类器进行第三层分类，当所述缺陷绝对距离小于预设的绝对距离阈值时，将所述非裂纹缺陷定义为未焊透缺陷，当所述缺陷绝对距离大于等于预设的绝对距离阈值时，将所述非裂纹缺陷定义为非未焊透缺陷；
将所述非未焊透缺陷的所述缺陷圆形度输入所述SVM分类器进行第四层分类，当所述缺陷圆形度大于等于预设的圆形度阈值时，将所述非未焊透缺陷定义为未熔合缺陷，当所述缺陷圆形度小于预设的圆形度阈值时，将所述非未焊透缺陷定义为条状含渣缺陷。
本发明还提出一种焊缝图像的缺陷识别系统，所述系统包括：
第一获取模块，用于获取X射线焊缝图像，对所述焊缝图像进行预处理；
图像增强模块，用于基于自适应直方图对经预处理的所述焊缝图像进行图像增强处理，得到待识别焊缝图像；
缺陷检测模块，用于对所述待识别焊缝图像进行二值化处理，并基于自适应阈值分割得到多块缺陷区域；
第二获取模块，用于获取所述缺陷区域的基础参数，并根据所述基础参数得到所述缺陷区域的特征参数，其中，所述特征参数包括缺陷长宽比、缺陷绝对灰度均差、缺陷锐度、缺陷绝对距离、缺陷圆形度；
分类识别模块，用于将所述特征参数输入SVM分类器并进行多层分类，从而确定所述缺陷区域的缺陷类别；
所述图像增强模块具体用于：
获取经预处理的所述焊缝图像，对其进行CLAHE算法增强处理，将所述焊缝图像切割成预设尺寸的多个子区域；
基于空间滤波器掩模遍历每个所述子区域，得到所述子区域对应的低频信息R；
对每个所述子区域直方图进行裁剪、均衡化、插值处理，得到增强后的图像信息G；
将所述低频信息R与所述图像信息G进行线性做差，得到高频特征信息Q；
将所述图像信息G与高频特征信息Q进行线性叠加运算，完成对所述焊缝图像的增强处理。
本发明一实施例的焊缝图像的缺陷识别系统，通过对焊缝图像进行降噪预处理，能够有效降低噪声对焊缝图像的影响；采用自适应直方图对焊缝图像进行增强处理，使得到的待识别焊缝图像具有良好的空间分辨率、灰度平均值及信噪比，其边缘特征信息清晰，提高了经二值化处理和自适应阈值分割得到缺陷区域的准确性，并为获取缺陷区域的基础参数提供了有效的基础支撑；最后基于特征参数利用SVM分类器进行多层分类，实现对缺陷区域的缺陷类型的识别，特征参数的选用以及多层分类的方法有效提高了缺陷识别率，准确的缺陷类型可以为工作人员对缺陷的产生做更深入的研究提供数据支持。
进一步的，所述第一获取模块具体用于：
获取X射线焊缝图像，采用中值滤波对所述焊缝图像进行初步降噪处理；
采用高斯滤波对经初步降噪处理后的所述焊缝图像进行二次降噪处理，完成对所述焊缝图像的预处理。
进一步的，所述第二获取模块具体用于：
获取所述缺陷区域的基础参数，所述基础参数包括所述缺陷区域最小外接矩形的长度和宽度、焊缝母材区域的灰度均值、所述缺陷区域的灰度均值、所述缺陷区域的面积、所述缺陷区域的中心坐标、焊缝的中心坐标、焊缝的平均宽度、所述缺陷区域的周长；
根据所述基础参数得到所述缺陷区域的特征参数，其中，所述特征参数包括缺陷长宽比、缺陷绝对灰度均差、缺陷锐度、缺陷绝对距离、缺陷圆形度；
所述缺陷长宽比为：
其中，和/>分别为所述缺陷区域最小外接矩形的长度和宽度；
所述缺陷绝对灰度均差为：
其中，为焊缝母材区域的灰度均值，/>为所述缺陷区域的灰度均值；
所述缺陷锐度为：
其中，为所述缺陷区域的面积，/>为所述缺陷区域的一端到其长度四分之一的面积，/>为所述缺陷区域的另一端到其长度四分之一的面积；
所述缺陷绝对距离为：
其中，为所述缺陷区域的中心坐标，/>为焊缝的中心坐标，/>为焊缝的平均宽度；
所述缺陷圆形度为：
其中，为所述缺陷区域的周长。
进一步的，所述分类识别模块具体用于：
将所述缺陷长宽比输入所述SVM分类器进行第一层分类，当所述缺陷长宽比大于等于预设的长宽比阈值时，将所述缺陷区域定义为条状缺陷，当所述缺陷长宽比小于预设的长宽比阈值时，将所述缺陷区域定义为圆状缺陷；
将所述圆状缺陷的所述缺陷绝对灰度均差输入所述SVM分类器进行第二层圆状分类，当所述缺陷绝对灰度均差为负值时，将所述圆状缺陷定义为圆状含渣缺陷，当所述缺陷绝对灰度均差为正值时，将所述圆状缺陷定义为气孔缺陷；
将所述条状缺陷的所述缺陷锐度输入所述SVM分类器进行第二层条状分类，当所述缺陷锐度大于等于预设的锐度阈值时，将所述条状缺陷定义为裂纹缺陷，当所述缺陷锐度小于预设的锐度阈值时，将所述条状缺陷定义为非裂纹缺陷；
将所述非裂纹缺陷的所述缺陷绝对距离输入所述SVM分类器进行第三层分类，当所述缺陷绝对距离小于预设的绝对距离阈值时，将所述非裂纹缺陷定义为未焊透缺陷，当所述缺陷绝对距离大于等于预设的绝对距离阈值时，将所述非裂纹缺陷定义为非未焊透缺陷；
将所述非未焊透缺陷的所述缺陷圆形度输入所述SVM分类器进行第四层分类，当所述缺陷圆形度大于等于预设的圆形度阈值时，将所述非未焊透缺陷定义为未熔合缺陷，当所述缺陷圆形度小于预设的圆形度阈值时，将所述非未焊透缺陷定义为条状含渣缺陷。
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为本发明的焊缝图像的缺陷识别方法的流程图；
图2为本发明的焊缝图像的缺陷识别方法中步骤S2的流程图；
图3为本发明的焊缝图像的缺陷识别方法中步骤S5的流程图；
图4为本发明的焊缝图像的缺陷识别系统的结构框图。
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。
在本发明实施例中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明实施例中的具体含义。
参照图1至图3，本发明第一实施例，一种焊缝图像的缺陷识别方法，方法包括：
S1：获取X射线焊缝图像，对焊缝图像进行预处理；具体的：
获取X射线焊缝图像，采用中值滤波对焊缝图像进行初步降噪处理；
采用高斯滤波对经初步降噪处理后的焊缝图像进行二次降噪处理，完成对焊缝图像的预处理。
中值滤波与高斯滤波配合，不仅能消除噪声，而且能够保护图像边缘，同时在过滤椒盐噪声及高斯白噪声等方面具有很好的效果。
S2：基于自适应直方图对经预处理的焊缝图像进行图像增强处理，得到待识别焊缝图像；具体的：
S21：获取经预处理的焊缝图像，对其进行CLAHE算法增强处理，将焊缝图像切割成预设尺寸的多个子区域；
S22：基于空间滤波器掩模遍历每个子区域，得到子区域对应的低频信息R；
S23：对每个子区域直方图进行裁剪、均衡化、插值处理，得到增强后的图像信息G；
S24：将低频信息R与图像信息G进行线性做差，得到高频特征信息Q；
S25：将图像信息G与高频特征信息Q进行线性叠加运算，完成对焊缝图像的增强处理；使得到的待识别焊缝图像具有良好的空间分辨率、灰度平均值及信噪比，而且其边缘特征信息清晰，为后续缺陷检测及缺陷识别提供良好的条件支撑。
S3：对待识别焊缝图像进行二值化处理，并基于自适应阈值分割得到多块缺陷区域；采用这种特征转换的方式会保留缺陷基本特征，同时能够直接计算出缺陷基础参数，从而提高了整个识别过程的计算效率；本实施例中，二值化处理及自适应阈值分割的方法已为本领域技术人员所熟知，故在此不另作详述。
S4：获取缺陷区域的基础参数，并根据基础参数得到缺陷区域的特征参数，其中，特征参数包括缺陷长宽比、缺陷绝对灰度均差、缺陷锐度、缺陷绝对距离、缺陷圆形度；具体的：
获取缺陷区域的基础参数，基础参数包括缺陷区域最小外接矩形的长度和宽度、焊缝母材区域的灰度均值、缺陷区域的灰度均值、缺陷区域的面积、缺陷区域的中心坐标、焊缝的中心坐标、焊缝的平均宽度、缺陷区域的周长；
根据基础参数得到缺陷区域的特征参数，其中，特征参数包括缺陷长宽比、缺陷绝对灰度均差、缺陷锐度、缺陷绝对距离、缺陷圆形度；
缺陷长宽比为：
其中，和/>分别为缺陷区域最小外接矩形的长度和宽度；
缺陷绝对灰度均差为：
其中，为焊缝母材区域的灰度均值，/>为缺陷区域的灰度均值；
缺陷锐度为：
其中，为缺陷区域的面积，/>为缺陷区域的一端到其长度四分之一的面积，/>为缺陷区域的另一端到其长度四分之一的面积；
缺陷绝对距离为：
其中，为缺陷区域的中心坐标，/>为焊缝的中心坐标，/>为焊缝的平均宽度；
缺陷圆形度为：
其中，为缺陷区域的周长。
S5：将特征参数输入SVM分类器并进行多层分类，从而确定缺陷区域的缺陷类别；具体的：
S51：将缺陷长宽比输入SVM分类器进行第一层分类，当缺陷长宽比大于等于预设的长宽比阈值时，将缺陷区域定义为条状缺陷，当缺陷长宽比小于预设的长宽比阈值时，将缺陷区域定义为圆状缺陷；
S52：将圆状缺陷的缺陷绝对灰度均差输入SVM分类器进行第二层圆状分类，当缺陷绝对灰度均差为负值时，将圆状缺陷定义为圆状含渣缺陷，当缺陷绝对灰度均差为正值时，将圆状缺陷定义为气孔缺陷；
S53：将条状缺陷的缺陷锐度输入SVM分类器进行第二层条状分类，当缺陷锐度大于等于预设的锐度阈值时，将条状缺陷定义为裂纹缺陷，当缺陷锐度小于预设的锐度阈值时，将条状缺陷定义为非裂纹缺陷；
S54：将非裂纹缺陷的缺陷绝对距离输入SVM分类器进行第三层分类，当缺陷绝对距离小于预设的绝对距离阈值时，将非裂纹缺陷定义为未焊透缺陷，当缺陷绝对距离大于等于预设的绝对距离阈值时，将非裂纹缺陷定义为非未焊透缺陷；
S55：将非未焊透缺陷的缺陷圆形度输入SVM分类器进行第四层分类，当缺陷圆形度大于等于预设的圆形度阈值时，将非未焊透缺陷定义为未熔合缺陷，当缺陷圆形度小于预设的圆形度阈值时，将非未焊透缺陷定义为条状含渣缺陷。
本实施例中，将焊缝缺陷最终分为气孔缺陷、圆状含渣缺陷、裂纹缺陷、未焊透缺陷、未熔合缺陷及条状含渣缺陷。
本发明一实施例的焊缝图像的缺陷识别方法，通过对焊缝图像进行降噪预处理，能够有效降低噪声对焊缝图像的影响；采用自适应直方图对焊缝图像进行增强处理，使得到的待识别焊缝图像具有良好的空间分辨率、灰度平均值及信噪比，其边缘特征信息清晰，提高了经二值化处理和自适应阈值分割得到缺陷区域的准确性，并为获取缺陷区域的基础参数提供了有效的基础支撑；最后基于特征参数利用SVM分类器进行多层分类，实现对缺陷区域的缺陷类型的识别，特征参数的选用以及多层分类的方法有效提高了缺陷识别率，准确的缺陷类型可以为工作人员对缺陷的产生做更深入的研究提供数据支持。
实施例二
参照图4，本发明第二实施例，提出一种焊缝图像的缺陷识别系统，系统包括：
第一获取模块，用于获取X射线焊缝图像，对焊缝图像进行预处理；
图像增强模块，用于基于自适应直方图对经预处理的焊缝图像进行图像增强处理，得到待识别焊缝图像；
缺陷检测模块，用于对待识别焊缝图像进行二值化处理，并基于自适应阈值分割得到多块缺陷区域；
第二获取模块，用于获取缺陷区域的基础参数，并根据基础参数得到缺陷区域的特征参数，其中，特征参数包括缺陷长宽比、缺陷绝对灰度均差、缺陷锐度、缺陷绝对距离、缺陷圆形度；
分类识别模块，用于将特征参数输入SVM分类器并进行多层分类，从而确定缺陷区域的缺陷类别。
本发明一实施例的焊缝图像的缺陷识别系统，通过对焊缝图像进行降噪预处理，能够有效降低噪声对焊缝图像的影响；采用自适应直方图对焊缝图像进行增强处理，使得到的待识别焊缝图像具有良好的空间分辨率、灰度平均值及信噪比，其边缘特征信息清晰，提高了经二值化处理和自适应阈值分割得到缺陷区域的准确性，并为获取缺陷区域的基础参数提供了有效的基础支撑；最后基于特征参数利用SVM分类器进行多层分类，实现对缺陷区域的缺陷类型的识别，特征参数的选用以及多层分类的方法有效提高了缺陷识别率，准确的缺陷类型可以为工作人员对缺陷的产生做更深入的研究提供数据支持。
进一步的，第一获取模块具体用于：
获取X射线焊缝图像，采用中值滤波对焊缝图像进行初步降噪处理；
采用高斯滤波对经初步降噪处理后的焊缝图像进行二次降噪处理，完成对焊缝图像的预处理。
进一步的，图像增强模块具体用于：
获取经预处理的焊缝图像，对其进行CLAHE算法增强处理，将焊缝图像切割成预设尺寸的多个子区域；
基于空间滤波器掩模遍历每个子区域，得到子区域对应的低频信息R；
对每个子区域直方图进行裁剪、均衡化、插值处理，得到增强后的图像信息G；
将低频信息R与图像信息G进行线性做差，得到高频特征信息Q；
将图像信息G与高频特征信息Q进行线性叠加运算，完成对焊缝图像的增强处理。
进一步的，第二获取模块具体用于：
获取缺陷区域的基础参数；基础参数包括缺陷区域最小外接矩形的长度和宽度、焊缝母材区域的灰度均值、缺陷区域的灰度均值、缺陷区域的面积、缺陷区域的中心坐标、焊缝的中心坐标、焊缝的平均宽度、缺陷区域的周长；
根据基础参数得到缺陷区域的特征参数，其中，特征参数包括缺陷长宽比、缺陷绝对灰度均差、缺陷锐度、缺陷绝对距离、缺陷圆形度；
缺陷长宽比为：
其中，和/>分别为缺陷区域最小外接矩形的长度和宽度；
缺陷绝对灰度均差为：
其中，为焊缝母材区域的灰度均值，/>为缺陷区域的灰度均值；
缺陷锐度为：
其中，为缺陷区域的面积，/>为缺陷区域的一端到其长度四分之一的面积，/>为缺陷区域的另一端到其长度四分之一的面积；
缺陷绝对距离为：
其中，为缺陷区域的中心坐标，/>为焊缝的中心坐标，/>为焊缝的平均宽度；
缺陷圆形度为：
其中，为缺陷区域的周长。
进一步的，分类识别模块具体用于：
将缺陷长宽比输入SVM分类器进行第一层分类，当缺陷长宽比大于等于预设的长宽比阈值时，将缺陷区域定义为条状缺陷，当缺陷长宽比小于预设的长宽比阈值时，将缺陷区域定义为圆状缺陷；
将圆状缺陷的缺陷绝对灰度均差输入SVM分类器进行第二层圆状分类，当缺陷绝对灰度均差为负值时，将圆状缺陷定义为圆状含渣缺陷，当缺陷绝对灰度均差为正值时，将圆状缺陷定义为气孔缺陷；
将条状缺陷的缺陷锐度输入SVM分类器进行第二层条状分类，当缺陷锐度大于等于预设的锐度阈值时，将条状缺陷定义为裂纹缺陷，当缺陷锐度小于预设的锐度阈值时，将条状缺陷定义为非裂纹缺陷；
将非裂纹缺陷的缺陷绝对距离输入SVM分类器进行第三层分类，当缺陷绝对距离小于预设的绝对距离阈值时，将非裂纹缺陷定义为未焊透缺陷，当缺陷绝对距离大于等于预设的绝对距离阈值时，将非裂纹缺陷定义为非未焊透缺陷；
将非未焊透缺陷的缺陷圆形度输入SVM分类器进行第四层分类，当缺陷圆形度大于等于预设的圆形度阈值时，将非未焊透缺陷定义为未熔合缺陷，当缺陷圆形度小于预设的圆形度阈值时，将非未焊透缺陷定义为条状含渣缺陷。
实施例三
本发明第三实施例，基于同一发明构思，本发明提出的一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述实施例的焊缝图像的缺陷识别方法的步骤。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何包含存储、通讯、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
其中，存储器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（SolidState Drive，简称为SSD）、闪存、光盘、磁光盘、磁带或通用串行总线（Universal SerialBus，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，存储器可在数据处理装置的内部或外部。在特定实施例中，存储器是非易失性（Non-Volatile）存储器。在特定实施例中，存储器包括只读存储器（Read-Only Memory，简称为ROM）和随机存取存储器（Random AccessMemory，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（Erasable ProgrammableRead-Only Memory，简称为EPROM）、电可擦除PROM（Electrically Erasable ProgrammableRead-Only Memory，简称为EEPROM）、电可改写ROM（Electrically Alterable Read-OnlyMemory，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-Access Memory，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 Dynamic Random Access Memory，简称为FPMDRAM）、扩展数据输出动态随机存取存储器（Extended Date Out Dynamic RandomAccess Memory，简称为EDODRAM）、同步动态随机存取内存（Synchronous Dynamic Random-Access Memory，简称SDRAM）等。
实施例四
本发明第四实施例，基于同一发明构思，本发明提出的一种终端，终端包括：处理器，存储器；所述处理器、所述存储器进行相互的通信；存储器用于存储指令；处理器用于执行存储器中的指令，执行上述实施例的焊缝图像的缺陷识别方法。
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他们的组合来实现：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。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
在不出现冲突的前提下，本领域技术人员可以将上述附加技术特征自由组合以及叠加使用。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种焊缝图像的缺陷识别方法，其特征在于，所述方法包括：
获取X射线焊缝图像，对所述焊缝图像进行预处理；
基于自适应直方图对经预处理的所述焊缝图像进行图像增强处理，得到待识别焊缝图像；
对所述待识别焊缝图像进行二值化处理，并基于自适应阈值分割得到多块缺陷区域；
获取所述缺陷区域的基础参数，并根据所述基础参数得到所述缺陷区域的特征参数，其中，所述特征参数包括缺陷长宽比、缺陷绝对灰度均差、缺陷锐度、缺陷绝对距离、缺陷圆形度；
将所述特征参数输入SVM分类器并进行多层分类，从而确定所述缺陷区域的缺陷类别；
所述基于自适应直方图对经预处理的所述焊缝图像进行图像增强处理的步骤具体为：
获取经预处理的所述焊缝图像，对其进行CLAHE算法增强处理，将所述焊缝图像切割成预设尺寸的多个子区域；
基于空间滤波器掩模遍历每个所述子区域，得到所述子区域对应的低频信息R；
对每个所述子区域直方图进行裁剪、均衡化、插值处理，得到增强后的图像信息G；
将所述低频信息R与所述图像信息G进行线性做差，得到高频特征信息Q；
将所述图像信息G与高频特征信息Q进行线性叠加运算，完成对所述焊缝图像的增强处理。
2.根据权利要求1所述的焊缝图像的缺陷识别方法，其特征在于，所述获取X射线焊缝图像，对所述焊缝图像进行预处理的步骤具体为：
获取X射线焊缝图像，采用中值滤波对所述焊缝图像进行初步降噪处理；
采用高斯滤波对经初步降噪处理后的所述焊缝图像进行二次降噪处理，完成对所述焊缝图像的预处理。
3.根据权利要求1所述的焊缝图像的缺陷识别方法，其特征在于，所述获取所述缺陷区域的基础参数，并根据所述基础参数得到所述缺陷区域的特征参数的步骤具体为：
获取所述缺陷区域的基础参数，所述基础参数包括所述缺陷区域最小外接矩形的长度和宽度、焊缝母材区域的灰度均值、所述缺陷区域的灰度均值、所述缺陷区域的面积、所述缺陷区域的中心坐标、焊缝的中心坐标、焊缝的平均宽度、所述缺陷区域的周长；
根据所述基础参数得到所述缺陷区域的特征参数，其中，所述特征参数包括缺陷长宽比、缺陷绝对灰度均差、缺陷锐度、缺陷绝对距离、缺陷圆形度；
所述缺陷长宽比为：
其中，和/>分别为所述缺陷区域最小外接矩形的长度和宽度；
所述缺陷绝对灰度均差为：
其中，为焊缝母材区域的灰度均值，/>为所述缺陷区域的灰度均值；
所述缺陷锐度为：
其中，为所述缺陷区域的面积，/>为所述缺陷区域的一端到其长度四分之一的面积，为所述缺陷区域的另一端到其长度四分之一的面积；
所述缺陷绝对距离为：
其中，为所述缺陷区域的中心坐标，/>为焊缝的中心坐标，/>为焊缝的平均宽度；
所述缺陷圆形度为：
其中，为所述缺陷区域的周长。
4.根据权利要求1所述的焊缝图像的缺陷识别方法，其特征在于，所述将所述特征参数输入SVM分类器并进行多层分类，从而确定所述缺陷区域的缺陷类别的步骤具体为：
将所述缺陷长宽比输入所述SVM分类器进行第一层分类，当所述缺陷长宽比大于等于预设的长宽比阈值时，将所述缺陷区域定义为条状缺陷，当所述缺陷长宽比小于预设的长宽比阈值时，将所述缺陷区域定义为圆状缺陷；
将所述圆状缺陷的所述缺陷绝对灰度均差输入所述SVM分类器进行第二层圆状分类，当所述缺陷绝对灰度均差为负值时，将所述圆状缺陷定义为圆状含渣缺陷，当所述缺陷绝对灰度均差为正值时，将所述圆状缺陷定义为气孔缺陷；
将所述条状缺陷的所述缺陷锐度输入所述SVM分类器进行第二层条状分类，当所述缺陷锐度大于等于预设的锐度阈值时，将所述条状缺陷定义为裂纹缺陷，当所述缺陷锐度小于预设的锐度阈值时，将所述条状缺陷定义为非裂纹缺陷；
将所述非裂纹缺陷的所述缺陷绝对距离输入所述SVM分类器进行第三层分类，当所述缺陷绝对距离小于预设的绝对距离阈值时，将所述非裂纹缺陷定义为未焊透缺陷，当所述缺陷绝对距离大于等于预设的绝对距离阈值时，将所述非裂纹缺陷定义为非未焊透缺陷；
将所述非未焊透缺陷的所述缺陷圆形度输入所述SVM分类器进行第四层分类，当所述缺陷圆形度大于等于预设的圆形度阈值时，将所述非未焊透缺陷定义为未熔合缺陷，当所述缺陷圆形度小于预设的圆形度阈值时，将所述非未焊透缺陷定义为条状含渣缺陷。
5.一种焊缝图像的缺陷识别系统，其特征在于，所述系统包括：
第一获取模块，用于获取X射线焊缝图像，对所述焊缝图像进行预处理；
图像增强模块，用于基于自适应直方图对经预处理的所述焊缝图像进行图像增强处理，得到待识别焊缝图像；
缺陷检测模块，用于对所述待识别焊缝图像进行二值化处理，并基于自适应阈值分割得到多块缺陷区域；
第二获取模块，用于获取所述缺陷区域的基础参数，并根据所述基础参数得到所述缺陷区域的特征参数，其中，所述特征参数包括缺陷长宽比、缺陷绝对灰度均差、缺陷锐度、缺陷绝对距离、缺陷圆形度；
分类识别模块，用于将所述特征参数输入SVM分类器并进行多层分类，从而确定所述缺陷区域的缺陷类别；
所述图像增强模块具体用于：
获取经预处理的所述焊缝图像，对其进行CLAHE算法增强处理，将所述焊缝图像切割成预设尺寸的多个子区域；
基于空间滤波器掩模遍历每个所述子区域，得到所述子区域对应的低频信息R；
对每个所述子区域直方图进行裁剪、均衡化、插值处理，得到增强后的图像信息G；
将所述低频信息R与所述图像信息G进行线性做差，得到高频特征信息Q；
将所述图像信息G与高频特征信息Q进行线性叠加运算，完成对所述焊缝图像的增强处理。
6.根据权利要求5所述的焊缝图像的缺陷识别系统，其特征在于，所述第一获取模块具体用于：
获取X射线焊缝图像，采用中值滤波对所述焊缝图像进行初步降噪处理；
采用高斯滤波对经初步降噪处理后的所述焊缝图像进行二次降噪处理，完成对所述焊缝图像的预处理。
7.根据权利要求5所述的焊缝图像的缺陷识别系统，其特征在于，所述第二获取模块具体用于：
获取所述缺陷区域的基础参数，所述基础参数包括所述缺陷区域最小外接矩形的长度和宽度、焊缝母材区域的灰度均值、所述缺陷区域的灰度均值、所述缺陷区域的面积、所述缺陷区域的中心坐标、焊缝的中心坐标、焊缝的平均宽度、所述缺陷区域的周长；
根据所述基础参数得到所述缺陷区域的特征参数，其中，所述特征参数包括缺陷长宽比、缺陷绝对灰度均差、缺陷锐度、缺陷绝对距离、缺陷圆形度；
所述缺陷长宽比为：
其中，和/>分别为所述缺陷区域最小外接矩形的长度和宽度；
所述缺陷绝对灰度均差为：
其中，为焊缝母材区域的灰度均值，/>为所述缺陷区域的灰度均值；
所述缺陷锐度为：
其中，为所述缺陷区域的面积，/>为所述缺陷区域的一端到其长度四分之一的面积，为所述缺陷区域的另一端到其长度四分之一的面积；
所述缺陷绝对距离为：
其中，为所述缺陷区域的中心坐标，/>为焊缝的中心坐标，/>为焊缝的平均宽度；
所述缺陷圆形度为：
其中，为所述缺陷区域的周长。
8.根据权利要求5所述的焊缝图像的缺陷识别系统，其特征在于，所述分类识别模块具体用于：
将所述缺陷长宽比输入所述SVM分类器进行第一层分类，当所述缺陷长宽比大于等于预设的长宽比阈值时，将所述缺陷区域定义为条状缺陷，当所述缺陷长宽比小于预设的长宽比阈值时，将所述缺陷区域定义为圆状缺陷；
将所述圆状缺陷的所述缺陷绝对灰度均差输入所述SVM分类器进行第二层圆状分类，当所述缺陷绝对灰度均差为负值时，将所述圆状缺陷定义为圆状含渣缺陷，当所述缺陷绝对灰度均差为正值时，将所述圆状缺陷定义为气孔缺陷；
将所述条状缺陷的所述缺陷锐度输入所述SVM分类器进行第二层条状分类，当所述缺陷锐度大于等于预设的锐度阈值时，将所述条状缺陷定义为裂纹缺陷，当所述缺陷锐度小于预设的锐度阈值时，将所述条状缺陷定义为非裂纹缺陷；
将所述非裂纹缺陷的所述缺陷绝对距离输入所述SVM分类器进行第三层分类，当所述缺陷绝对距离小于预设的绝对距离阈值时，将所述非裂纹缺陷定义为未焊透缺陷，当所述缺陷绝对距离大于等于预设的绝对距离阈值时，将所述非裂纹缺陷定义为非未焊透缺陷；
将所述非未焊透缺陷的所述缺陷圆形度输入所述SVM分类器进行第四层分类，当所述缺陷圆形度大于等于预设的圆形度阈值时，将所述非未焊透缺陷定义为未熔合缺陷，当所述缺陷圆形度小于预设的圆形度阈值时，将所述非未焊透缺陷定义为条状含渣缺陷。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311315876.0A CN117058144B (zh) | 2023-10-12 | 2023-10-12 | 一种焊缝图像的缺陷识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311315876.0A CN117058144B (zh) | 2023-10-12 | 2023-10-12 | 一种焊缝图像的缺陷识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117058144A true CN117058144A (zh) | 2023-11-14 |
| CN117058144B CN117058144B (zh) | 2023-12-19 |
Family
ID=88655837
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311315876.0A Active CN117058144B (zh) | 2023-10-12 | 2023-10-12 | 一种焊缝图像的缺陷识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117058144B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2074435A1 (en) * | 1991-07-23 | 1993-01-24 | Yuji Ishizaka | High frequency electronic welding system |
| US20020105325A1 (en) * | 2000-06-26 | 2002-08-08 | Jentek Sensors, Inc. | High resolution inductive sensor arrays for material and defect characterization of welds |
| CN109115812A (zh) * | 2018-08-23 | 2019-01-01 | 中国石油大学(北京) | 一种焊缝底片缺陷识别方法及系统 |
| CN110648349A (zh) * | 2019-09-05 | 2020-01-03 | 南开大学 | 基于背景减除和连通区域算法的焊缝缺陷分割方法 |
| CN111292303A (zh) * | 2020-01-21 | 2020-06-16 | 湖北文理学院 | 焊缝缺陷类别检测方法、装置、电子设备及存储介质 |
| CN114062490A (zh) * | 2021-06-29 | 2022-02-18 | 北京交通大学 | 基于GAN的钢轨焊缝Lamb波模态分解与裂纹损伤监测方法 |
| CN114693610A (zh) * | 2022-03-15 | 2022-07-01 | 中南大学 | 一种基于机器视觉的焊缝表面缺陷检测方法、设备及介质 |
-
2023
- 2023-10-12 CN CN202311315876.0A patent/CN117058144B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2074435A1 (en) * | 1991-07-23 | 1993-01-24 | Yuji Ishizaka | High frequency electronic welding system |
| US20020105325A1 (en) * | 2000-06-26 | 2002-08-08 | Jentek Sensors, Inc. | High resolution inductive sensor arrays for material and defect characterization of welds |
| CN109115812A (zh) * | 2018-08-23 | 2019-01-01 | 中国石油大学(北京) | 一种焊缝底片缺陷识别方法及系统 |
| CN110648349A (zh) * | 2019-09-05 | 2020-01-03 | 南开大学 | 基于背景减除和连通区域算法的焊缝缺陷分割方法 |
| CN111292303A (zh) * | 2020-01-21 | 2020-06-16 | 湖北文理学院 | 焊缝缺陷类别检测方法、装置、电子设备及存储介质 |
| CN114062490A (zh) * | 2021-06-29 | 2022-02-18 | 北京交通大学 | 基于GAN的钢轨焊缝Lamb波模态分解与裂纹损伤监测方法 |
| CN114693610A (zh) * | 2022-03-15 | 2022-07-01 | 中南大学 | 一种基于机器视觉的焊缝表面缺陷检测方法、设备及介质 |
Non-Patent Citations (7)
| Title |
|---|
| 刘涵;郭润元;: "基于X射线图像和卷积神经网络的石油钢管焊缝缺陷检测与识别", 仪器仪表学报, no. 04 * |
| 李力;王耀南;陈铁健;: "大尺寸LCD玻璃基板多视觉缺陷检测系统研究", 控制工程, no. 02 * |
| 李晔;吴志生;李砚峰;朱彦军;: "基于X射线图像的焊接接头缺陷提取和识别方法综述", 热加工工艺, no. 19 * |
| 王鹏;王婧;杜卫东;: "基于模糊理论的焊缝缺陷图像识别算法研究", 科学技术与工程, no. 19 * |
| 郭延龙;郭慧;蔡剑;郝美琴;: "焊缝X射线图像缺陷检测技术", 东华大学学报(自然科学版), no. 04 * |
| 陈明;马跃洲;陈光;: "X射线线阵实时成像焊缝缺陷检测方法", 焊接学报, no. 06 * |
| 马跃洲;陈光;何山林;: "基于高频加强变换的焊接缺陷检测方法", 兰州理工大学学报, no. 03 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117058144B (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021169335A1 (zh) | 一种锂电池极耳激光焊点视觉在线检测方法 | |
| CN113362326B (zh) | 一种电池焊点缺陷的检测方法及装置 | |
| CN110047073B (zh) | 一种x射线焊缝图像缺陷定级方法及系统 | |
| CN111179243A (zh) | 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统 | |
| CN109859177A (zh) | 基于深度学习的工业射线影像评定方法及装置 | |
| CN115984284A (zh) | 一种用于船舶维护的x射线船体焊缝图像检测方法 | |
| CN115797358B (zh) | 基于机器视觉的金属壳体自动化焊接缺陷检测方法 | |
| CN112150410A (zh) | 一种焊缝缺陷的自动检测方法及其系统 | |
| CN110751628B (zh) | 一种基于超声图像的焊缝缺陷自动识别方法 | |
| CN115908415B (zh) | 基于边缘的缺陷检测方法、装置、设备及存储介质 | |
| CN110660072B (zh) | 一种直线边缘的识别方法、装置、存储介质及电子设备 | |
| CN111275659B (zh) | 一种焊缝图像处理方法、装置、终端设备及存储介质 | |
| CN115601369B (zh) | 一种输变电工程用变电设备支架质量评估方法 | |
| CN115049916A (zh) | 一种指针式仪表读数识别方法及识别装置 | |
| CN111390439A (zh) | 一种焊缝检测方法、装置、焊接机器人及储存介质 | |
| CN113837204A (zh) | 一种孔洞形状识别方法、计算机设备及存储介质 | |
| CN117058144B (zh) | 一种焊缝图像的缺陷识别方法及系统 | |
| CN115601359A (zh) | 一种焊缝检测方法及装置 | |
| CN109741295B (zh) | 产品质量检测方法及装置 | |
| CN117252883B (zh) | 焊接缺陷检测方法、装置和存储介质 | |
| CN112733855B (zh) | 表格结构化方法、表格恢复设备及具有存储功能的装置 | |
| WO2024016686A1 (zh) | 角点检测的方法和装置 | |
| CN110148172B (zh) | 一种焊缝定位方法、装置、设备及计算机可读存储介质 | |
| CN117173090A (zh) | 焊接缺陷类型识别方法、装置、存储介质及电子设备 | |
| CN115880285A (zh) | 一种铝电解电容器引出线异常识别方法 |
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 |