CN117078661B - 一种高空作业车结构件生产质量智能检测方法 - Google Patents
一种高空作业车结构件生产质量智能检测方法 Download PDFInfo
- Publication number
- CN117078661B CN117078661B CN202311316427.8A CN202311316427A CN117078661B CN 117078661 B CN117078661 B CN 117078661B CN 202311316427 A CN202311316427 A CN 202311316427A CN 117078661 B CN117078661 B CN 117078661B
- Authority
- CN
- China
- Prior art keywords
- point
- crack
- defect
- suspected
- straight line
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 20
- 230000007547 defect Effects 0.000 claims abstract description 120
- 238000003466 welding Methods 0.000 claims abstract description 45
- 238000003708 edge detection Methods 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 241000287828 Gallus gallus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/30164—Workpiece; Machine component
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及质量缺陷检测技术领域,具体涉及一种高空作业车结构件生产质量智能检测方法,包括:获取高空作业车结构件的焊缝图像,对焊缝图像进行边缘检测以及霍夫直线检测,获得霍夫空间的高亮点以及高亮点对应的边缘直线;获取在霍夫空间中每个高亮点分别被曲线穿过的数量作为每个高亮点的灰度表征值;根据霍夫空间中高亮点的极坐标以及高亮点的灰度表征值,分别对高亮点对应的边缘直线进行筛选,分别获得主裂纹边缘直线,分叉裂纹边缘直线和间断裂纹边缘直线;根据主裂纹边缘直线、分叉裂纹边缘直线和间断裂纹边缘直线,获得高空作业车结构件的质量检测结果。本发明对裂纹缺陷检测的结果较为准确,结构件的质量检测结果也较为准确。
Description
技术领域
本发明涉及质量缺陷检测技术领域,具体涉及一种高空作业车结构件生产质量智能检测方法。
背景技术
高空作业车作为一种辅助工人进行室外工作的重要工具,不仅为工人劳动提供了方便,而且极大的保证了工人的安全性。高空作业车的升降功能主要是利用液压系统和剪刀式臂架,其构造都离不开结构件。在结构件的生产过程中,通常需要对多个不同材料进行焊接,以获得满足需求的结构件。焊接过程中可能会由于焊接技术问题或者材料质量问题,导致焊接部位出现问题。而焊接部分的质量决定了结构件连接处的强度,当焊缝出现问题时,整个结构件都会失效。因此对结构件的焊缝质量进行检测就显得尤为重要。现有常通过阈值分割的方法对焊缝部分的裂纹缺陷进行检测,但是阈值选取的较不准确使得裂纹缺陷检测结果较不准确,使得焊缝质量检测结果较不准确,最终导致结构件的质量检测结果较不准确。
发明内容
为了解决现有的裂纹缺陷检测结果较不准确,最终导致结构件的质量检测结果较不准确的技术问题,本发明的目的在于提供一种高空作业车结构件生产质量智能检测方法,所采用的技术方案具体如下:
获取高空作业车结构件的焊缝图像,对焊缝图像进行边缘检测以及霍夫直线检测,获得霍夫空间的高亮点以及高亮点对应的边缘直线;获取在霍夫空间中每个高亮点分别被曲线穿过的数量作为每个高亮点的灰度表征值;
根据霍夫空间中高亮点的极坐标以及高亮点的灰度表征值的分布情况,对高亮点对应的边缘直线进行筛选,得到主裂纹边缘直线;
根据霍夫空间中高亮点的极坐标之间的差异情况和高亮点的灰度表征值之间的差异情况以及分布情况,对高亮点对应的边缘直线进行筛选,得到分叉裂纹边缘直线;
根据霍夫空间中高亮点的距离特征和高亮点的灰度表征值,对高亮点对应的边缘直线进行筛选,得到间断裂纹边缘直线;
根据所述主裂纹边缘直线、分叉裂纹边缘直线和间断裂纹边缘直线,对焊缝裂纹进行检测,获得高空作业车结构件的质量检测结果。
优选地,所述根据霍夫空间中高亮点的极坐标之间的差异情况和高亮点的灰度表征值之间的差异情况以及分布情况,对高亮点对应的边缘直线进行筛选,得到分叉裂纹边缘直线,具体包括:
将霍夫空间中高亮点的极坐标中角度为第一预设数值的点记为疑似缺陷点,将主裂纹边缘直线在霍夫空间中对应的高亮点记为主裂纹特征点;
根据每个疑似缺陷点与主裂纹特征点的极坐标中极径之间的差异情况、灰度表征值之间的差异情况,得到每个疑似缺陷点的目标程度;
根据每个疑似缺陷点的目标程度对疑似缺陷点进行筛选得到缺陷特征点,将缺陷特征点对应的边缘直线作为分叉裂纹边缘直线。
优选地,所述疑似缺陷点的目标程度的计算公式具体为:
;
其中,表示第i个疑似缺陷点的目标程度,表示第i个疑似缺陷点的灰度表征
值,表示裂纹特征点的灰度表征值,表示第i个疑似缺陷点的极径,表示裂纹特征点
的极径,exp( )表示以自然常数e为底的指数函数。
优选地,所述根据每个疑似缺陷点的目标程度对疑似缺陷点进行筛选得到缺陷特征点,具体包括:
对每个疑似缺陷点的目标程度进行归一化处理,将归一化后的目标程度大于或等于预设的缺陷阈值对应的疑似缺陷点作为缺陷特征点。
优选地,所述根据霍夫空间中高亮点的距离特征和高亮点的灰度表征值,对高亮点对应的边缘直线进行筛选,得到间断裂纹边缘直线,具体包括:
获取预设范围内的所有角度对应的霍夫空间中的高亮点记为疑似间断特征点,将预设极坐标对应的高亮点记为预设特征点;
根据每个疑似间断特征点与预设特征点之间的距离、角度之间的差异以及疑似间断特征点的灰度表征值,得到每个疑似间断特征点的缺陷程度;
根据每个疑似间断特征点的缺陷程度对疑似间断特征点进行筛选得到间断缺陷点;将间断缺陷点对应的边缘直线作为间断裂纹边缘直线。
优选地,所述疑似间断特征点的缺陷程度的计算公式具体为:
;
其中,表示第t个疑似间断特征点的缺陷程度,表示第t个疑似间断特征点的
极坐标中的角度,表示预设特征点的极坐标中的角度,表示第t个疑似间断特征点在
霍夫空间中与预设特征点之间的距离,表示第t个疑似间断特征点的灰度表征值,Norm
( )为归一化函数。
优选地,所述根据每个疑似间断特征点的缺陷程度对疑似间断特征点进行筛选得到间断缺陷点,具体包括:
利用最大类间方差法获取所有疑似间断特征点的缺陷程度对应的分类阈值,将缺陷程度大于或等于分类阈值对应的疑似间断特征点作为间断缺陷点。
优选地,所述根据霍夫空间中高亮点的极坐标以及高亮点的灰度表征值的分布情况,对高亮点对应的边缘直线进行筛选,得到主裂纹边缘直线,具体包括:
获取霍夫空间中高亮点的极坐标中角度为第二预设数值的高亮点作为初始特征点,将灰度表征值大于预设的灰度阈值对应的初始特征点记为全局特征点,将全局特征点对应的边缘直线中不属于焊缝边缘的最长边缘直线记为主裂纹边缘直线。
优选地,所述根据所述主裂纹边缘直线、分叉裂纹边缘直线和间断裂纹边缘直线,对焊缝裂纹进行检测,获得高空作业车结构件的质量检测结果,具体包括:
将主裂纹边缘直线、所有分叉裂纹边缘直线和间断裂纹边缘直线进行合并,获得全局裂纹直线,根据全局裂纹直线的长度获得高空作业车结构件的质量检测结果。
优选地,所述根据全局裂纹直线的长度获得高空作业车结构件的质量检测结果,具体包括:
获取全局裂纹直线的总长度,若总长度大于或等于预设的长度阈值,则高空作业车结构件的质量检测结果为不合格;若总长度小于预设的长度阈值,则高空作业车结构件的质量检测结果为合格。
本发明实施例至少具有如下有益效果:
本发明首先获取焊缝图像的边缘检测结果和直线检测结果在霍夫空间的高亮点,以及在焊缝图像中高亮点对应的边缘直线,裂纹缺陷在图像中的表现呈直线状或者是分叉状,先提取焊缝图像中的边缘直线,以便后续针对裂纹缺陷的不同表现特征进行分析。获取在霍夫空间中每个高亮点分别被曲线穿过的数量作为每个高亮点的灰度表征值,灰度表征值反映了每个高亮点对应的边缘直线的长度特征以及高亮点在霍夫空间的灰度特征。然后,对霍夫空间中高亮点的极坐标以及高亮点的灰度表征值的分布情况进行分析,筛选边缘直线获得主裂纹边缘直线,结合主裂纹的表现特征对高亮点的信息进行分析确定主裂纹。进一步的,对霍夫空间中高亮点的极坐标之间的差异情况和高亮点的灰度表征值之间的差异情况以及分布情况进行分析,筛选边缘直线获得分叉裂纹边缘直线,结合裂纹部分的分叉特征对高亮点进行特征性分析确定分叉裂纹。其次,对霍夫空间中高亮点的距离特征和高亮点的灰度表征值进行分析,考虑到裂纹缺陷之间存在距离较近的间断裂纹,获得间断裂纹部分。最终,结合裂纹在三个不同方面的表现特征,将提取到的裂纹直线进行合并,可以获得完整的裂纹缺陷部分。裂纹缺陷检测结果较为准确,使得焊缝质量检测结果较为准确,获得的结构件的质量检测结果也较为准确。
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是本发明的一种高空作业车结构件生产质量智能检测方法的方法流程图;
图2是本发明实施例中焊缝图像转换至霍夫空间的图像。
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高空作业车结构件生产质量智能检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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高空作业车结构件生产质量智能检测方法的具体方案。
本发明的主要目的是:通过对获取的高空作业车结构件连接词图像进行语义分割,获得焊缝图像,然后对焊缝图像进行边缘检测后,将其转换至霍夫空间,基于霍夫空间中每个高亮点的分布特征,结合裂纹缺陷表现出的特征信息,对霍夫空间的高亮点进行筛选,获得完整的焊缝裂纹部分,以获得准确的高空作业车结构件的质量检测结果。
请参阅图1,其示出了本发明一个实施例提供的一种高空作业车结构件生产质量智能检测方法的方法流程图,该方法包括以下步骤:
步骤一,获取高空作业车结构件的焊缝图像,对焊缝图像进行边缘检测以及霍夫直线检测,获得霍夫空间的高亮点以及高亮点对应的边缘直线;获取在霍夫空间中每个高亮点分别被曲线穿过的数量作为每个高亮点的灰度表征值。
首先,采集高空作业车结构件的连接部分图像,为了减少焊缝之外的环境因素带来的不必要的计算与干扰,需要提取结构件连接部分图像中的焊缝区域,即在本实施例中,利用语义分割的方法对结构件的连接部分图像进行处理获得焊缝图像。
具体地,语义分割网络为DNN神经网络,DNN神经网络的相关内容包括:使用的数据集为采集到的结构件的连接部分图像构成的数据集,连接部分图像为多种多样的;需要分割的像素点为两类,即训练集对应标签标注过程为:单通道语义标签,对应位置像素点属于背景类的标注为0,属于焊缝部分的标注为1;网络的任务是分类,使用的损失函数为交叉熵损失函数。网络的输出为语义分割图像,记为焊缝图像。
由于结构件中焊接过程为将两个板件焊接拼接在一起,焊接部分为平行于连接缝具有一定纹理的窄带,焊接部分的裂纹缺陷通常出现在焊缝内部,呈现出直线状或者是分叉状,平行于焊缝边缘,因此可以通过对结构件的焊缝图像进行直线分析,提取结构件焊缝内的焊缝裂纹。
基于此,对焊缝图像进行边缘检测得到边缘检测图像,在本实施例中,采用canny边缘检测算法进行处理,其为公知技术,在此不再过多介绍。边缘检测结果中可以反映焊缝部分的边缘纹理信息,其中包括焊缝内可能存在的裂纹以及焊缝边缘。进而对边缘检测结果进行霍夫直线检测,即将检测到的直线转换至霍夫空间,获得霍夫空间的高亮点以及高亮点对应的边缘直线。
在焊缝图像中存在的一个像素点,在霍夫空间中对应一条曲线;在焊缝图像中检测到的直线,在霍夫空间中对应一个点。在霍夫空间中最多曲线相交的点,对应焊缝图像中最长的直线,即在霍夫空间中,重叠在任意一个交集点上的霍夫曲线数量,表征了该交集点在焊缝图像中对应的直线所包含的像素点数量,同时在交集点位置处的霍夫曲线数量越多,表现在获取空间中的图像上高亮点的灰度越大,如图2所示,为本发明实施例中焊缝图像转换至霍夫空间的图像,图中横坐标为点的极坐标中的角度,纵坐标为点的极坐标中的极径。
基于此,将焊缝图像变换到霍夫空间中的每一个点记为高亮点,进而能够获得每个高亮点在焊缝图像中对应的边缘直线。获取在霍夫空间中每个高亮点分别被曲线穿过的数量作为每个高亮点的灰度表征值。灰度表征值反映了高亮点对应的边缘直线的长度,其取值越大,说明高亮点在焊缝图像中对应的边缘直线的长度越长。其取值越小,说明高亮点在焊缝图像中对应的边缘直线的长度越短。
步骤二,根据霍夫空间中高亮点的极坐标以及高亮点的灰度表征值的分布情况,对高亮点对应的边缘直线进行筛选,得到主裂纹边缘直线。
焊缝部分内的裂纹缺陷通常表现为一条较长的主纹理以及较多的分叉纹理,一条较长的主纹理裂纹通常呈直线状,与焊缝边缘近似平行,进而可以通过平行线的特征对霍夫空间中的高亮点进行筛选,也即是对检测到的边缘直线进行筛选。即根据霍夫空间中高亮点的极坐标以及高亮点的灰度表征值的分布情况,对高亮点对应的边缘直线进行筛选,得到主裂纹边缘直线。
具体地,获取霍夫空间中高亮点的极坐标中角度为第二预设数值的高亮点作为初始特征点,将灰度表征值大于预设的灰度阈值对应的初始特征点记为全局特征点,将全局特征点对应的边缘直线中不属于焊缝边缘的最长边缘直线记为主裂纹边缘直线。
需要说明的是,在霍夫空间中每个高亮点均存在对应的极坐标,可以表示为,ρ为极径,θ为极角对应的角度。越远离坐标原点的直线,其对应的高亮点的极径取
值越大,该直线越长,其对应的灰度表征值取值越大。由于裂纹缺陷通常分布在焊缝内部,
其长度与焊缝边缘相比较短,但是在裂纹缺陷中主裂纹长度最长。
同时,由于本发明实施例中,结构件的连接处部分的边缘是水平的,也即是焊缝边缘是水平的,进而焊缝内部的裂纹缺陷中主裂纹也呈现出近似水平的情况。故本实施例中,第二预设数值的取值为90°,即高亮点的极坐标角度为90°时,该高亮点对应的边缘直线在焊缝图像中呈现出近似水平的状态。
基于此,在本实施例中通过阈值筛选所有呈现出水平状态的边缘直线,即将灰度阈值的取值设置为80,实施者可根据具体实施场景进行设置。可以理解的是,对于灰度表征值大于灰度阈值的这部分全局特征点,其中全局特征点对应的长度最长的两条边缘直线应当是焊缝边缘,即除焊缝边缘之外的长度最长的边缘直线应当是主裂纹部分。
步骤三,根据霍夫空间中高亮点的极坐标之间的差异情况和高亮点的灰度表征值之间的差异情况以及分布情况,对高亮点对应的边缘直线进行筛选,得到分叉裂纹边缘直线。
在霍夫空间的图像是根据焊缝图像的边缘检测结果进行投票获得的,霍夫空间中每个高亮点的灰度表征值反映了在高亮点处曲线的交集数量,不同高亮点的灰度表征值可能不同,其反映了高亮点在焊缝图像中对应的边缘直线的长度。
对于焊缝内部的裂纹缺陷,其呈现为直线状或者是分叉状,在主裂纹周围分布一些可能存在分叉的纹理,这些分叉的纹理一般长度较短,在获得裂纹缺陷的主裂纹部分后,可以通过对比疑似为分叉纹理与主裂纹之间的差异情况,能够获得具有分叉特征的裂纹部分。即根据霍夫空间中高亮点的极坐标之间的差异情况和高亮点的灰度表征值之间的差异情况以及分布情况,对高亮点对应的边缘直线进行筛选,得到分叉裂纹边缘直线。
具体地,将霍夫空间中高亮点的极坐标中角度为第一预设数值的点记为疑似缺陷点,将主裂纹边缘直线在霍夫空间中对应的高亮点记为主裂纹特征点。其中,在本实施例中,焊缝树枝状裂纹是由于裂纹延伸和分支的动力学过程,受到焊接应力和热梯度等因素的影响,是在位于中央位置的主裂纹行进方向上出现的,故第一预设数值的取值为90°。
分叉裂纹相比于中央部分的主裂纹,其长度较短,在霍夫空间中表现为灰度较低,且距离中央部分的主裂纹较近,基于此,根据每个疑似缺陷点与主裂纹特征点的极坐标中极径之间的差异情况、灰度表征值之间的差异情况,得到每个疑似缺陷点的目标程度。
在本实施例中,以第i个疑似缺陷点为例进行说明,则第i个疑似缺陷点的目标程度的计算公式可以表示为:
;
其中,表示第i个疑似缺陷点的目标程度,表示第i个疑似缺陷点的灰度表征
值,表示裂纹特征点的灰度表征值,表示第i个疑似缺陷点的极径,表示裂纹特征点
的极径,exp( )表示以自然常数e为底的指数函数。
表示第i个疑似缺陷点与主裂纹特征点的灰度表征值之间的差异,反映
了待分析的疑似分叉裂纹与主裂纹之间的长度差异情况,其取值越大,说明两者之间的长
度差异越大,对应的目标程度的取值越大。
表示第i个疑似缺陷点与主裂纹特征点的极坐标中对应的极径之间的差
异,反映了待分析的疑似分叉裂纹与主裂纹之间的距离分布远近的情况,其取值越小,说明
两者之间的距离越近,对应的目标程度的取值越大。
疑似缺陷点的目标程度表征了疑似缺陷点对应的边缘直线为分叉裂纹的可能性程度,其取值越大,说明疑似缺陷点对应的边缘直线为分叉裂纹的可能性程度越大。其取值越小,说明疑似缺陷点对应的边缘直线为分叉裂纹的可能性程度越小。基于此,根据每个疑似缺陷点的目标程度对疑似缺陷点进行筛选得到缺陷特征点,将缺陷特征点对应的边缘直线作为分叉裂纹边缘直线。
具体地,对每个疑似缺陷点的目标程度进行归一化处理,将归一化后的目标程度大于或等于预设的缺陷阈值对应的疑似缺陷点作为缺陷特征点。在本实施例中,缺陷阈值的取值为0.7,实施者可根据具体实施场景进行设置。筛选到的缺陷特征点对应的边缘直线为分叉裂纹缺陷的可能性更大。
步骤四,根据霍夫空间中高亮点的距离特征和高亮点的灰度表征值,对高亮点对应的边缘直线进行筛选,得到间断裂纹边缘直线。
在上述步骤中已经基于焊缝边缘平行的直线进行部分裂纹的提取,但是实际中裂纹特征往往不全为平行焊缝边缘的边缘,会存在一些非平行直线的间断部位,而这些部分的纹理与边缘检测结果可能重合,为了提取到的裂纹缺陷的完整性,故需要对这部分边缘直线进行筛选。
在焊缝内部位于互相平行的裂纹线段之间连接线段,表现为线段长度较短,和主裂纹的角度差距较小,在霍夫空间中的表现虽然为高亮点,但是其灰度特征低于主裂纹和焊缝边缘,同时高亮点和ρ=0距离较近。基于此,根据霍夫空间中高亮点的距离特征和高亮点的灰度表征值,对高亮点对应的边缘直线进行筛选,得到间断裂纹边缘直线。
具体地,获取预设范围内的所有角度对应的霍夫空间中的高亮点记为疑似间断特征点,将预设极坐标对应的高亮点记为预设特征点。其中,由于位于互相平行的裂纹线段之间的连接线段表现为和主裂纹的角度差异较小,故在本实施例中,首先基于高亮点对应的角度进行初步筛选,获取疑似为连接线段部分对应的高亮点,即将预设范围设置为为[60°,90°),实施者可根据具体实施场景进行设置,需保证该预设范围较为接近90°。
同时高亮点和ρ=0距离较近,故在本实施例中,将预设特征点的预设极坐标设置为ρ=0,θ=90°,实施者可根据具体实施场景进行设置。疑似间断特征点距离该点的距离越近,越可能为裂纹线段之间的连接线段。
基于此,根据每个疑似间断特征点与预设特征点之间的距离、角度之间的差异以及疑似间断特征点的灰度表征值,得到每个疑似间断特征点的缺陷程度。在本实施例中,以第t个疑似间断特征点为例进行说明,则第t个疑似间断特征点的缺陷程度的计算公式可以表示为:
;
其中,表示第t个疑似间断特征点的缺陷程度,表示第t个疑似间断特征点的
极坐标中的角度,表示预设特征点的极坐标中的角度,表示第t个疑似间断特征点在
霍夫空间中与预设特征点之间的距离,表示第t个疑似间断特征点的灰度表征值,Norm
( )为归一化函数。
表示疑似间断特征点与预设特征点之间的角度的差异,反映了疑似为
间断特征的连接线段与主裂纹对应的角度之间的差异,疑似为间断特征的连接线段与主裂
纹的角度应当较小,故利用该差异的负相关映射值作为权重,对距离以及灰度表征值进行
加权。
的取值越小,说明疑似为间断特征的连接线段与主裂纹对应的距离越小,
的取值越小,说明疑似为间断的连接线段的长度较短,对应的缺陷程度取值越大,说明疑似
为间断特征的连接线段越可能为间断线段。
缺陷程度反映了疑似间断特征点对应的边缘直线为连接各个平行裂纹之间的间断线段的可能性程度。其取值越大,说明疑似间断特征点对应的边缘直线为连接各个平行裂纹之间的间断线段的可能性程度越大。其取值越小,说明疑似间断特征点对应的边缘直线为连接各个平行裂纹之间的间断线段的可能性程度越小。
基于此,根据每个疑似间断特征点的缺陷程度对疑似间断特征点进行筛选得到间断缺陷点;将间断缺陷点对应的边缘直线作为间断裂纹边缘直线。具体地,在本实施例中,利用最大类间方差法获取所有疑似间断特征点的缺陷程度对应的分类阈值,将缺陷程度大于或等于分类阈值对应的疑似间断特征点作为间断缺陷点。
步骤五,根据所述主裂纹边缘直线、分叉裂纹边缘直线和间断裂纹边缘直线,对焊缝裂纹进行检测,获得高空作业车结构件的质量检测结果。
通过对霍夫空间中焊缝裂纹可能存在的高亮点特征进行分析,获得平行主裂纹的部分。鸡儿基于分叉裂纹平行于主裂纹且长度较短的特征在霍夫空间的表现,对高亮点对应的边缘直线进行筛选,获得裂纹可能存在的分叉裂纹部分。最终对平行裂纹之间的间断连接线段进行特征提取。结合裂纹在三个不同方面的表现特征,将提取到的裂纹直线进行合并,可以获得完整的裂纹缺陷部分。
根据所述主裂纹边缘直线、分叉裂纹边缘直线和间断裂纹边缘直线,对焊缝裂纹进行检测,具体地,将主裂纹边缘直线、所有分叉裂纹边缘直线和间断裂纹边缘直线进行合并,获得全局裂纹直线,即在焊缝图像的边缘检测结果对应的直线检测结果中,获取提取到的所有缺陷边缘直线。
最后,根据全局裂纹直线的长度获得高空作业车结构件的质量检测结果。即获取全局裂纹直线的总长度,若总长度大于或等于预设的长度阈值,则高空作业车结构件的质量检测结果为不合格;若总长度小于预设的长度阈值,则高空作业车结构件的质量检测结果为合格。其中,将长度阈值设置为焊缝总长度的70%,实施者可根据具体实施场景进行设置。
综上所述,本法明通过对高空车连接处的构件焊缝进行分析,基于焊缝裂纹直线平行的特征,利用霍夫转换对直线进行提取。对边缘检测图像利用霍夫转换将图像转换至霍夫空间,由于霍夫转换的特性,在原图像上的直线在霍夫空间中为高亮点,基于此种特征对高亮点进行分析。由于裂纹通常位于焊缝的中央,且平行于焊缝边缘,因此其在霍夫空间中的表现为θ为90°时的高亮点,但由于裂纹通常不全是平行焊缝部分的边缘线,存在裂纹线段之间的连接部位,此线段和焊缝的纹理较为相似,可能会对裂纹的提取产生影响。利用裂纹纹理和连接部位线段的长度差异以及角度差异的特征对线段进行筛选,获得间断裂纹线段。结合裂纹在三个不同方面的表现特征,将提取到的裂纹直线进行合并,可以获得完整的裂纹缺陷部分。裂纹缺陷检测结果较为准确,使得焊缝质量检测结果较为准确,最终结构件的质量检测结果也较为准确。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种高空作业车结构件生产质量智能检测方法,其特征在于,该方法包括以下步骤:
获取高空作业车结构件的焊缝图像,对焊缝图像进行边缘检测以及霍夫直线检测,获得霍夫空间的高亮点以及高亮点对应的边缘直线;获取在霍夫空间中每个高亮点分别被曲线穿过的数量作为每个高亮点的灰度表征值;
根据霍夫空间中高亮点的极坐标以及高亮点的灰度表征值的分布情况,对高亮点对应的边缘直线进行筛选,得到主裂纹边缘直线;
根据霍夫空间中高亮点的极坐标之间的差异情况和高亮点的灰度表征值之间的差异情况以及分布情况,对高亮点对应的边缘直线进行筛选,得到分叉裂纹边缘直线;
根据霍夫空间中高亮点的距离特征和高亮点的灰度表征值,对高亮点对应的边缘直线进行筛选,得到间断裂纹边缘直线;
根据所述主裂纹边缘直线、分叉裂纹边缘直线和间断裂纹边缘直线,对焊缝裂纹进行检测,获得高空作业车结构件的质量检测结果。
2.根据权利要求1所述的一种高空作业车结构件生产质量智能检测方法,其特征在于,所述根据霍夫空间中高亮点的极坐标之间的差异情况和高亮点的灰度表征值之间的差异情况以及分布情况,对高亮点对应的边缘直线进行筛选,得到分叉裂纹边缘直线,具体包括:
将霍夫空间中高亮点的极坐标中角度为第一预设数值的点记为疑似缺陷点,将主裂纹边缘直线在霍夫空间中对应的高亮点记为主裂纹特征点;
根据每个疑似缺陷点与主裂纹特征点的极坐标中极径之间的差异情况、灰度表征值之间的差异情况,得到每个疑似缺陷点的目标程度;
根据每个疑似缺陷点的目标程度对疑似缺陷点进行筛选得到缺陷特征点,将缺陷特征点对应的边缘直线作为分叉裂纹边缘直线。
3.根据权利要求2所述的一种高空作业车结构件生产质量智能检测方法,其特征在于,所述疑似缺陷点的目标程度的计算公式具体为:
;
其中,表示第i个疑似缺陷点的目标程度,/>表示第i个疑似缺陷点的灰度表征值,表示裂纹特征点的灰度表征值,/>表示第i个疑似缺陷点的极径,/>表示裂纹特征点的极径,exp( )表示以自然常数e为底的指数函数。
4.根据权利要求2所述的一种高空作业车结构件生产质量智能检测方法,其特征在于,所述根据每个疑似缺陷点的目标程度对疑似缺陷点进行筛选得到缺陷特征点,具体包括:
对每个疑似缺陷点的目标程度进行归一化处理,将归一化后的目标程度大于或等于预设的缺陷阈值对应的疑似缺陷点作为缺陷特征点。
5.根据权利要求1所述的一种高空作业车结构件生产质量智能检测方法,其特征在于,所述根据霍夫空间中高亮点的距离特征和高亮点的灰度表征值,对高亮点对应的边缘直线进行筛选,得到间断裂纹边缘直线,具体包括:
获取预设范围内的所有角度对应的霍夫空间中的高亮点记为疑似间断特征点,将预设极坐标对应的高亮点记为预设特征点;
根据每个疑似间断特征点与预设特征点之间的距离、角度之间的差异以及疑似间断特征点的灰度表征值,得到每个疑似间断特征点的缺陷程度;
根据每个疑似间断特征点的缺陷程度对疑似间断特征点进行筛选得到间断缺陷点;将间断缺陷点对应的边缘直线作为间断裂纹边缘直线。
6.根据权利要求5所述的一种高空作业车结构件生产质量智能检测方法,其特征在于,所述疑似间断特征点的缺陷程度的计算公式具体为:
;
其中,表示第t个疑似间断特征点的缺陷程度,/>表示第t个疑似间断特征点的极坐标中的角度,/>表示预设特征点的极坐标中的角度,/>表示第t个疑似间断特征点在霍夫空间中与预设特征点之间的距离,/>表示第t个疑似间断特征点的灰度表征值,Norm( )为归一化函数。
7.根据权利要求5所述的一种高空作业车结构件生产质量智能检测方法,其特征在于,所述根据每个疑似间断特征点的缺陷程度对疑似间断特征点进行筛选得到间断缺陷点,具体包括:
利用最大类间方差法获取所有疑似间断特征点的缺陷程度对应的分类阈值,将缺陷程度大于或等于分类阈值对应的疑似间断特征点作为间断缺陷点。
8.根据权利要求1所述的一种高空作业车结构件生产质量智能检测方法,其特征在于,所述根据霍夫空间中高亮点的极坐标以及高亮点的灰度表征值的分布情况,对高亮点对应的边缘直线进行筛选,得到主裂纹边缘直线,具体包括:
获取霍夫空间中高亮点的极坐标中角度为第二预设数值的高亮点作为初始特征点,将灰度表征值大于预设的灰度阈值对应的初始特征点记为全局特征点,将全局特征点对应的边缘直线中不属于焊缝边缘的最长边缘直线记为主裂纹边缘直线。
9.根据权利要求1所述的一种高空作业车结构件生产质量智能检测方法,其特征在于,所述根据所述主裂纹边缘直线、分叉裂纹边缘直线和间断裂纹边缘直线,对焊缝裂纹进行检测,获得高空作业车结构件的质量检测结果,具体包括:
将主裂纹边缘直线、所有分叉裂纹边缘直线和间断裂纹边缘直线进行合并,获得全局裂纹直线,根据全局裂纹直线的长度获得高空作业车结构件的质量检测结果。
10.根据权利要求9所述的一种高空作业车结构件生产质量智能检测方法,其特征在于,所述根据全局裂纹直线的长度获得高空作业车结构件的质量检测结果,具体包括:
获取全局裂纹直线的总长度,若总长度大于或等于预设的长度阈值,则高空作业车结构件的质量检测结果为不合格;若总长度小于预设的长度阈值,则高空作业车结构件的质量检测结果为合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311316427.8A CN117078661B (zh) | 2023-10-12 | 2023-10-12 | 一种高空作业车结构件生产质量智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311316427.8A CN117078661B (zh) | 2023-10-12 | 2023-10-12 | 一种高空作业车结构件生产质量智能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117078661A CN117078661A (zh) | 2023-11-17 |
CN117078661B true CN117078661B (zh) | 2024-01-05 |
Family
ID=88704490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311316427.8A Active CN117078661B (zh) | 2023-10-12 | 2023-10-12 | 一种高空作业车结构件生产质量智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117078661B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117475381B (zh) * | 2023-12-22 | 2024-03-29 | 济宁久邦工程机械设备有限公司 | 一种高空作业平台运行状态实时监测系统 |
CN117689276B (zh) * | 2024-02-04 | 2024-04-19 | 济宁久邦工程机械设备有限公司 | 基于机器视觉的高空作业车折叠臂生产质量分析方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013020590A (ja) * | 2011-07-14 | 2013-01-31 | Mega Chips Corp | 直線検出装置および直線検出方法 |
CN113724258A (zh) * | 2021-11-02 | 2021-11-30 | 山东中都机器有限公司 | 一种基于图像处理的传送带撕裂检测方法及系统 |
CN114782330A (zh) * | 2022-03-31 | 2022-07-22 | 海门市博洋铸造有限公司 | 基于人工智能的炉排异常检测方法及系统 |
CN114842016A (zh) * | 2022-07-05 | 2022-08-02 | 南通森田消防装备有限公司 | 一种基于计算机视觉的消防水带缺陷检测方法及系统 |
CN114926406A (zh) * | 2022-04-28 | 2022-08-19 | 特瑞克电子科技(南通)有限公司 | 基于霍夫变换的光伏电池板异常检测方法 |
CN115187597A (zh) * | 2022-09-09 | 2022-10-14 | 南通市昊逸阁纺织品有限公司 | 一种纺织品缺陷检测方法 |
CN115222736A (zh) * | 2022-09-20 | 2022-10-21 | 南通佳晟宏机械配件有限公司 | 一种基于霍夫空间的钢管生产质量检测方法 |
WO2023097931A1 (zh) * | 2021-12-03 | 2023-06-08 | 江苏航天大为科技股份有限公司 | 一种基于霍夫变换的车牌倾斜校正方法 |
CN116823814A (zh) * | 2023-08-28 | 2023-09-29 | 山东巨鑫伟业电气设备有限公司 | 一种配电设备焊接生产缺陷检测系统 |
-
2023
- 2023-10-12 CN CN202311316427.8A patent/CN117078661B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013020590A (ja) * | 2011-07-14 | 2013-01-31 | Mega Chips Corp | 直線検出装置および直線検出方法 |
CN113724258A (zh) * | 2021-11-02 | 2021-11-30 | 山东中都机器有限公司 | 一种基于图像处理的传送带撕裂检测方法及系统 |
WO2023097931A1 (zh) * | 2021-12-03 | 2023-06-08 | 江苏航天大为科技股份有限公司 | 一种基于霍夫变换的车牌倾斜校正方法 |
CN114782330A (zh) * | 2022-03-31 | 2022-07-22 | 海门市博洋铸造有限公司 | 基于人工智能的炉排异常检测方法及系统 |
CN114926406A (zh) * | 2022-04-28 | 2022-08-19 | 特瑞克电子科技(南通)有限公司 | 基于霍夫变换的光伏电池板异常检测方法 |
CN114842016A (zh) * | 2022-07-05 | 2022-08-02 | 南通森田消防装备有限公司 | 一种基于计算机视觉的消防水带缺陷检测方法及系统 |
CN115187597A (zh) * | 2022-09-09 | 2022-10-14 | 南通市昊逸阁纺织品有限公司 | 一种纺织品缺陷检测方法 |
CN115222736A (zh) * | 2022-09-20 | 2022-10-21 | 南通佳晟宏机械配件有限公司 | 一种基于霍夫空间的钢管生产质量检测方法 |
CN116823814A (zh) * | 2023-08-28 | 2023-09-29 | 山东巨鑫伟业电气设备有限公司 | 一种配电设备焊接生产缺陷检测系统 |
Non-Patent Citations (6)
Title |
---|
Deep Hough Transform for Semantic Line Detection;Kai Zhao et al.;《IEEE Transactions on Pattern Analysis and Machine Intelligence》;第44卷(第9期);第4793-4806页 * |
Straight lane line detection based on the Otsu-Canny algorithm;Yongliang Wang et al.;《2022 IEEE 6th Information Technology and Mechatronics Engineering Conference (ITOEC)》;第27-30页 * |
Weld Slim Line Defects Extraction Based on Adaptive Local Threshold and Modified Hough Transform;Jiaxin Shao et al.;《2009 2nd International Congress on Image and Signal Processing》;第1-5页 * |
基于无人机采集图像的玻璃幕墙面板损伤智能检测方法;李雷;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》(第12期);第C038-270页 * |
基于霍夫变换的管子管板焊缝图像的缝隙检测算法;王雨;《软件》;第38卷(第05期);第150-153页 * |
基于霍夫直线检测与二维透视变换的图像校正恢复算法;田文利;《电子测量技术》;第40卷(第09期);第128-131页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117078661A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117078661B (zh) | 一种高空作业车结构件生产质量智能检测方法 | |
CN111322985B (zh) | 基于激光点云的隧道限界分析方法、装置和系统 | |
KR102121958B1 (ko) | 콘크리트 구조물 결함 분석 서비스 제공 방법, 시스템 및 컴퓨터 프로그램 | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
WO2020038389A1 (zh) | 一种焊缝底片缺陷识别方法 | |
Shaghouri et al. | Real-time pothole detection using deep learning | |
CN110334750B (zh) | 输电线路铁塔螺栓锈蚀程度图像分类识别方法 | |
CN103442209A (zh) | 一种输电线路的视频监控方法 | |
CN109801267A (zh) | 基于特征点检测与svm分类器的巡检目标缺陷检测方法 | |
CN114812403B (zh) | 基于无人机及机器视觉的大跨度钢结构吊装变形监测方法 | |
CN111046950A (zh) | 一种图像处理方法、装置、存储介质和电子装置 | |
CN112198170B (zh) | 一种无缝钢管外表面三维检测中识别水滴的检测方法 | |
CN112508911A (zh) | 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法 | |
CN116129135A (zh) | 基于小目标视觉识别和虚拟实体映射的塔吊安全预警方法 | |
CN110837839A (zh) | 一种高精度无人机正射影像制作及数据采集方法 | |
Yu | YOLO V5s-based deep learning approach for concrete cracks detection | |
CN117875549A (zh) | 一种基于图像识别的建筑遗产保护评估系统和方法 | |
CN116309418B (zh) | 桥梁悬臂施工主梁变形的智能监测方法及装置 | |
CN113222947B (zh) | 一种非金属材料焊接缺陷智能检测方法及系统 | |
KR102585146B1 (ko) | 딥러닝 기반의 도로손상 탐지 장치 및 방법 | |
CN115082650A (zh) | 一种基于卷积神经网络的管道缺陷自动标注工具的实现方法 | |
Peng et al. | Automatic Crack Detection by Multi-Seeding Fusion on 1mm Resolution 3D Pavement Images | |
KR20230058924A (ko) | 인공지능 기반 태양전지 결함 검출 방법 및 장치 | |
CN109064417B (zh) | 地铁隧道图像处理方法及装置 | |
Zhu et al. | A robust self-driven surface crack detection algorithm using local features |
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 |