CN117314912A - 一种焊管表面焊接缺陷视觉检测方法及系统 - Google Patents
一种焊管表面焊接缺陷视觉检测方法及系统 Download PDFInfo
- Publication number
- CN117314912A CN117314912A CN202311606176.7A CN202311606176A CN117314912A CN 117314912 A CN117314912 A CN 117314912A CN 202311606176 A CN202311606176 A CN 202311606176A CN 117314912 A CN117314912 A CN 117314912A
- Authority
- CN
- China
- Prior art keywords
- crack
- pixel
- welding
- neighborhood
- gray
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 230000000007 visual effect Effects 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000012937 correction Methods 0.000 claims abstract description 41
- 238000009826 distribution Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 230000009466 transformation Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 21
- 230000008878 coupling Effects 0.000 claims description 18
- 238000010168 coupling process Methods 0.000 claims description 18
- 238000005859 coupling reaction Methods 0.000 claims description 18
- 238000011179 visual inspection Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008602 contraction Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011524 similarity measure Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 13
- 229910000831 Steel Inorganic materials 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000001808 coupling effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010304 firing Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000004227 thermal cracking Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000002788 crimping Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000008646 thermal stress 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
- G06T7/11—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
- G06T7/13—Edge 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
- G06T7/136—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
- G06V10/20—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
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06T2207/10024—Color 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像数据处理领域,具体涉及一种焊管表面焊接缺陷视觉检测方法及系统,该方法包括:获取焊接灰度图像;根据各像素点邻域的灰度分布、梯度分布获取各像素点的焊接裂纹置信系数;标记疑似裂纹像素点;获取各像素点的裂纹灰度指数;对焊接裂纹置信系数进行修正伸缩变换获取焊接裂纹置信修正伸缩系数;构建像素点之间的像素裂纹特征距离;利用分割算法完成对焊管表面焊接缺陷区域的分割。从而实现焊管表面焊接缺陷区域的分割,提高分割精度,保证了缺陷区域的检测效果。
Description
技术领域
本发明涉及图像数据处理领域,具体涉及一种焊管表面焊接缺陷视觉检测方法及系统。
背景技术
焊接钢管也称焊管,是将钢板经过卷曲成型后焊接制成的钢管。钢铁是基础设施的重要组成部分,推动着我国的经济发展。但焊管在焊接过程中容易造成裂纹,气孔,焊瘤等缺陷。在裂纹中,从产生温度上,分为热裂纹和冷裂纹。热裂纹是由于焊接过程中的热应力引起的裂纹,结晶裂纹是热裂纹的一种类型,它通常在焊接完毕后立即出现,操作人员可立即对其进行修复。而冷裂纹在焊接完成后的冷却过程中形成,可能为几小时,几天甚至更长时间后才出现,又称延时裂纹,危害性更大,容易引起脆断。
裂纹检测往往依靠人工经验,存在主观性。随着科技的发展和人工智能的出现,焊管表面缺陷的视觉检测逐渐得到应用。由于焊管表面的焊接裂纹总体呈现细长状态,对于整幅图像来说,裂纹目标的占比较小。Felzenswalb算法最初使用的相似度指标是基于两个像素颜色通道的欧氏距离,它可以表示两个像素之间的差异大小。该相似度指标可以根据实际情况和需求进行调整和优化,例如可以改为使用其他距离度量方法或颜色空间转换方式,来更准确地表示像素之间的相似程度。因此本发明针对焊接缺陷区域的特征进行分析,进一步完善相似度指标。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种焊管表面焊接缺陷视觉检测方法及系统,所采用的技术方案具体如下:
第一方面,本发明实施例提供了一种焊管表面焊接缺陷视觉检测方法,该方法包括以下步骤:
获取焊接灰度图像;
根据各像素点邻域中灰度分布特征获取各像素点的邻域灰度异质性系数;根据各像素点邻域中梯度分布特征获取各像素点的焊管邻域像素梯度方向耦合性;根据各像素点的邻域灰度异质性系数以及焊管邻域像素梯度方向耦合性获取各像素点的焊接裂纹置信系数;设置裂纹灰度值,将灰度值小于裂纹灰度值的像素点记为疑似裂纹像素点;根据各像素点邻域中疑似裂纹像素点的分布获取各像素点的裂纹灰度指数;根据各像素点的焊接裂纹置信系数以及裂纹灰度指数获取各像素点的焊接裂纹置信修正系数;将各像素点的焊接裂纹置信修正系数进行伸缩变换获取各像素点的焊接裂纹置信修正伸缩系数;根据各像素点的焊接裂纹置信修正伸缩系数获取像素点之间的像素裂纹特征距离;
根据像素点之间的像素裂纹特征距离对焊管表面焊接缺陷区域进行分割;完成焊管表面焊接缺陷区域的检测。
进一步的,所述根据各像素点邻域中灰度分布特征获取各像素点的邻域灰度异质性系数,具体为:
对于各像素点,获取像素点与邻域内各像素点的灰度差值绝对值,将邻域内所有灰度差值绝对值的均值作为像素点的邻域灰度异质性系数。
进一步的,所述根据各像素点邻域中梯度分布特征获取各像素点的焊管邻域像素梯度方向耦合性,具体方法为:
对像素点邻域中各像素点的梯度方向取绝对值;将0到180度平均分为四段;统计每段中对应梯度方向的邻域像素点个数作为梯度方向组的元素;将梯度方向组中各元素与其对应像素点的梯度方向均值的乘积作为梯度组内系数;将获得的最大梯度组内系数与梯度方向组标准差的乘积作为焊管邻域像素梯度方向耦合性。
进一步的,所述根据各像素点的邻域灰度异质性系数以及焊管邻域像素梯度方向耦合性获取各像素点的焊接裂纹置信系数,包括:
分别将邻域灰度异质性系数的相反数、焊管邻域像素梯度方向耦合性的相反数作为以自然常数为底数的第一指数函数、第二指数函数的指数;将所述第一指数函数与所述第二指数函数和值的相反数作为像素点的焊接裂纹置信系数。
进一步的,所述根据各像素点邻域中疑似裂纹像素点的分布获取各像素点的裂纹灰度指数,具体为:
对于各像素点邻域内的灰度图像,按照灰度等级分为八个等级;分别计算图像在四个不同角度的灰度共生矩阵;分别计算四个灰度共生矩阵的相关性,将最大的相关性作为邻域最大相关性;
获取图像中的最小灰度值;将像素点的灰度值与所述最小灰度值比值的相反数作为以自然常数为底数的指数函数的指数;计算邻域中疑似裂纹像素点个数与最大邻域相关性的和值;将所述指数函数的计算结果与所述和值的乘积作为像素点的裂纹灰度指数。
进一步的,所述焊接裂纹置信修正系数具体为焊接裂纹置信系数与裂纹灰度指数的乘积。
进一步的,所述将各像素点的焊接裂纹置信修正系数进行伸缩变换获取各像素点的焊接裂纹置信修正伸缩系数,具体包括:
计算图像中所有像素点的裂纹置信修正系数的极值;计算像素点裂纹置信修正系数与图像最小裂纹修正系数的差值;计算所述差值与所述极值的比值;将所述比值与255的乘积作为像素点的焊接裂纹置信修正伸缩系数。
进一步的,所述根据各像素点的焊接裂纹置信修正伸缩系数获取像素点之间的像素裂纹特征距离,具体包括:
将两个像素点之间灰度值以及焊接裂纹置信修正伸缩系数的欧氏距离作为两个像素点之间的裂纹特征距离。
进一步的,所述根据像素点之间的像素裂纹特征距离对焊管表面焊接缺陷区域进行分割,具体为:
将像素裂纹特征距离作为分割算法的相似性度量;采用分割算法完成对焊管表面缺陷区域的分割;
第二方面,本发明实施例还提供了一种焊管表面焊接缺陷视觉检测系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明至少具有如下有益效果:
本发明主要通过对焊接裂缝的灰度特征和梯度特征进行分析,构建邻域像素异质性系数以及焊管邻域像素梯度方向耦合性邻域,得到各像素点的裂纹置信系数。以此来评价像素点的邻域是否处于焊接裂纹区域。进一步,将灰度值抽象为两类,结合邻域中灰度值分布,对像素点的裂纹置信系数进行修正,最后构建像素裂纹特征距离,以此来衡量两个像素点之间的相似性度量,能够更准确的区分裂纹像素点与其他正常像素点的差异,提高图像分割的准确性。
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提供的一种焊管表面焊接缺陷视觉检测方法的步骤流程图。
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焊管表面焊接缺陷视觉检测方法及系统,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,一个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焊管表面焊接缺陷视觉检测方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种焊管表面焊接缺陷视觉检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:使用高清相机,采集焊管表面的焊接图像信息,对图像做预处理。
在光线充足的条件下,使用高清相机采集焊接处的图像信息,确保图像细节清晰,焊接处和焊管尽量保持整洁无污渍,然后对图像进行去噪处理。需要说明的是,图像去噪方法实施者可根据实际情况自行选取,本实施例中使用高斯滤波算法,平滑图像并降低图像中的噪声。
至此,得到焊接初始图像。
步骤S002:根据焊接裂纹特征,对像素点及其邻域的灰度特征和梯度特征进行分析,构建像素裂纹特征距离。
考虑到当光线照射到裂纹上时,一部分光线会被吸收并转化为热能,而不会反射回来形成可见的亮度。因此,在图像中,裂纹所处的区域通常呈现较暗的颜色,即黑色像素,对应RGB的像素值很小。这种情况下,裂纹区域的黑色像素与周围其他区域的明亮像素形成明显的对比,进一步突出了裂纹的存在和形状。通过对这些黑色像素进行分析和处理,可以帮助检测和识别裂纹在图像中的位置和特征,从而进行相关的修复或处理操作。为方便后续的计算,以及焊管裂纹特征的提取,首先将焊接初始图像按以下公式转为焊接灰度图像:
式中,为焊接灰度图像灰度值,R、G、B分别为焊接初始图像的红色,绿色,蓝色通道像素值。
焊接初始图像中,有两类像素点的像素值较低。一类是裂纹点,由于裂纹反光较差并吸收了光线,裂纹点在图像中呈现较低的像素值,可能是较暗的颜色;另一类是高温灼烧点,当焊管遭受高温灼烧时,其表面可能会出现烧焦或者产生黑色痕迹。这些被高温灼烧的区域同样会在图像中呈现较低的像素值,表现为黑色像素。与裂纹点相比,这些黑色像素点的形成原因和性质是不同的,故在邻域上差别很大,对于像素点以及其/>邻域,构建邻域灰度异质性系数,表达式为:
式中,为像素点/>的邻域灰度一致性系数;/>为邻域内的像素点个数,/>为邻域内第/>个像素点的灰度值,/>为邻域内像素点的灰度值均值。邻域中的灰度值分布越接近,邻域灰度异质性系数就越小。当像素点的邻域处于裂纹区域时,像素点邻域中灰度值变化大,相应的邻域灰度异质性系数就越大。当像素点的邻域处于高温灼烧区域时,像素点邻域中灰度值变化均匀,邻域灰度异质性系数就会相应变小。考虑存在极限情况,即邻域内的灰度值完全一致,此时邻域灰度异质性系数等于0。
需要注意的是,考虑到图像边缘像素点存在取不到邻域的问题,其中/>为邻域边长。例如,一张W/>H的图像,取像素点的/>邻域,设/>,在图像中仅能计算其个像素点的指标。在一般情况下,目标在图像的中间区域,故本实施例中忽略图像边缘像素点,只计算其中间/>的像素点的指标。
考虑到焊接灰度图像在裂纹周围像素点的剧烈变化,对应的像素点梯度变换剧烈,使用水平和垂直的Sobel算子,计算图像中各像素点的梯度和梯度方向。在裂纹区域中,梯度的剧烈变化一般发生短距离像素点内,即裂纹邻域的像素梯度分布不均匀。存在着在在短距离上的梯度突变。裂纹边缘处像素的梯度方向近似(若是竖直裂纹,裂纹边缘附近0度左右和180度左右的梯度方向较多。若是垂直裂纹,裂纹边缘附近90度左右和-90度左右的梯度方向较多。倾斜裂纹同理)。首先获取像素点的邻域中各像素点的梯度方向,对邻域内像素点的梯度方向取绝对值,按照梯度方向大小将其平均分为四个梯度方向组(0-45度,45-90度,90-135度,135-180度),此时每组内的个数为/>。区域中存在裂纹时,会根据裂纹的方向不同导致b中某组个数增加,呈现明显的分布规律。对于不同的方向组,裂纹周围像素点梯度沿某方向居多,且裂纹周围像素点的梯度值较大。定义梯度组内系数,表达式如下:
式中,表示第/>梯度方向组的梯度组内系数,/>表示第/>梯度方向组内的像素点数,/>表示第/>梯度方向组内所有像素点的平均梯度值。考虑到以上因素,对于像素点以及其/>邻域,计算焊管邻域像素梯度方向耦合性,表达式如下:
式中,为梯度方向组的标准差,/>表示第/>梯度方向组的梯度组内系数,为最大值函数。当区域内存在裂纹点时,由于裂纹像素周围梯度方向的性质特点,导致该区域内梯度方向组的分布规律较明显,裂纹边缘梯度方向所在组内的像素点个数增加,该组内的平均梯度值增大即组内系数r增加。外加区域内的像素个数是一定的,所以标准差增大,焊管邻域像素梯度方向耦合性增加。同理,在无裂纹的区域,由于其梯度的方向分布并不明显,其焊管邻域像素梯度方向耦合性较小。
进一步,对于像素点,综合考虑邻域内灰度值分布和梯度方向耦合性,构建焊接裂纹置信系数,表达式为:
式中,为像素点/>的焊接裂纹置信系数,/>为像素点/>的邻域灰度异质性系数,为像素点/>的焊管邻域像素梯度方向耦合性。其中,/>为第一指数函数,/>为第二指数函数。
当邻域内存在裂纹像素点时,像素点的邻域灰度异质性系数以及邻域像素梯度方向耦合性均增加,进而焊接裂纹置信系数增加。但是焊接裂纹置信系数只能判断该像素点的邻域内是否存在裂纹,不能对像素点是否为裂纹像素点进行判断,具体表现为像素点的焊接裂纹置信系数很高,但像素点/>不是裂纹点。因此本实施例进一步考虑像素点/>的灰度值以及/>邻域的灰度值分布特征。设置裂纹灰度阈值,将图像中像素点的灰度值小于灰度阈值的像素点记为疑似裂纹像素点。需要说明的是,裂纹灰度阈值实施者可根据实际情况自行选取,本实施例中裂纹灰度阈值取经验值为80。
对于邻域内的灰度图像,按照其灰度等级分为从0-7八个等级。分别计算图像在0度,45度,90度和135度的灰度共生矩阵,得到四个88的灰度共生矩阵。计算四个灰度共生矩阵的相关性,若邻域中存在裂纹,则相关性大的矩阵所代表的方向为裂纹的方向。设置最大邻域相关性,表达式如下:
式中,表示像素点的最大邻域相关性,/>表示四个灰度共生矩阵的相关性序列/>,邻域相关性u为选取最大的相关性。
进一步结合疑似裂纹像素点,计算裂纹灰度指数,具体表达式为:
式中,为像素点/>的裂纹灰度指数,/>为像素点/>的/>邻域中疑似裂纹像素点的个数,/>为像素点/>的最大邻域相关性,/>为/>点像素的灰度值,/>为整张图像中的灰度最小值。公式中的指数函数/>由/>变形得到,当像素点/>的灰度值为最小灰度值/>时,公式中指数函数的值为1,像素点/>的灰度值越小,处在裂纹区域的可能性就越大,/>越接近1。随着像素点/>灰度值的增加,指数函数越来越小,即是裂纹区域的像素点的可能性就越小。但是在噪声点处,会出现单个灰度值小的像素点,故同时考虑邻域中疑似裂纹像素点的个数和最大邻域相关性,在像素点灰度值越小且越集中的地方,裂纹灰度指数的值越大。
进一步的,计算焊接裂纹置信修正系数,具体表达式为:
式中,为像素点/>的焊接裂纹置信修正系数,/>为像素点/>的焊接裂纹置信系数,/>为像素点/>的裂纹灰度指数,/>为修正值。
为像素点/>的焊接裂纹置信系数的修正项,其中/>为修正值,为避免修正项的值为0。当像素点的邻域中没有疑似裂纹像素点时,裂纹灰度指数等于0,焊接裂纹置信修正系数的修正项就等于修正值。当像素点是裂纹像素点时,由于邻域梯度和灰度均值的分布关系,焊接裂纹置信系数增大,焊接裂纹置信修正系数也增大;同时裂纹灰度指数中的指数函数接近1,若邻域中所含疑似裂纹像素点的个数增大,焊接裂纹置信修正系数也会增大。
本实施例中考虑到灰度通道的灰度值是位于0-255之间的,而裂纹置信系数的取值范围与灰度通道的不一致,且取值范围明显小于灰度值的取值范围,显然像素点灰度值占主导作用,为避免此问题的发生,本实施例进行数据的伸缩,将焊接裂纹置信修正系数映射到0-255,得到焊接裂纹置信修正伸缩系数,表达式如下:
式中,为像素点/>的焊接裂纹置信修正伸缩系数,/>为像素点/>的焊接裂纹置信修正系数,/>为焊接图像中像素点的焊接裂纹置信修正系数集合,/>、/>分别为最小值函数、最大值函数。通过该公式将裂纹置信修正系数的数值映射到0-255的范围内,与灰度值的范围相同。
进一步,利用两个像素点灰度差异和焊接裂纹置信修正伸缩系数差异构建像素裂纹特征距离,表达式如下:
式中,表示两个像素点的像素裂纹特征距离,/>、/>分别表示第一个像素点的灰度值、焊接裂纹置信修正伸缩系数。裂纹处的像素点由于灰度值的相近,周围区域灰度和梯度的关系等特征,导致裂纹像素之间的特征距离k很小,而与其他像素点的特征距离较大。形成明显差异。
步骤S003:使用图像分割算法,完成焊管表面焊接缺陷区域的分割检测。
Felzenswalb算法是一种基于图的贪心算法,用于对图像进行分割。在该算法中,每个像素点被视为图中的一个节点,而像素点之间的不相似度则构成了图的边。传统Felzenswalb算法使用的相似度指标是基于两个像素颜色通道的欧氏距离,它可以表示两个像素之间的差异大小。本实施例中根据焊接图像特征实际情况和需求对度量方法进行调整和优化,使用上述步骤中的像素裂纹特征距离来代替传统算法中的相似度指标,利用Felzenswalb算法完成对焊管表面焊接缺陷区域的分割。需要说明的是,Felzenswalb算法为现有公知技术,本实施例中不再具体赘述。
若焊接灰度图片没有分割出焊管表面焊接缺陷区域,则说明焊管表面焊接没有缺陷;若焊接灰度图像分割出焊管表面焊接缺陷区域,则说明焊管表面焊接有缺陷,需要工作人员对焊管进一步加工,保证焊管的质量。
至此,完成对焊管表面焊接缺陷的检测。
基于与上述方法相同的发明构思,本发明实施例还提供了一种焊管表面焊接缺陷视觉检测系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种焊管表面焊接缺陷视觉检测方法中任意一项所述方法的步骤。
综上所述,本发明实施例主要通过对焊接裂缝的灰度特征和梯度特征进行分析,构建邻域像素异质性系数以及焊管邻域像素梯度方向耦合性,得到各像素点的裂纹置信系数。以此来评价像素点的邻域是否处于焊接裂纹区域。进一步,将灰度值抽象为两类,结合邻域中灰度值分布,对像素点的裂纹置信系数进行修正,最后构建像素裂纹特征距离,以此来衡量两个像素点之间的相似性度量,能够更准确的区分裂纹像素点与其他正常像素点的差异,提高图像分割的准确性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
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 (10)
1.一种焊管表面焊接缺陷视觉检测方法,其特征在于,该方法包括以下步骤:
获取焊接灰度图像;
根据各像素点邻域中灰度分布特征获取各像素点的邻域灰度异质性系数;根据各像素点邻域中梯度分布特征获取各像素点的焊管邻域像素梯度方向耦合性;根据各像素点的邻域灰度异质性系数以及焊管邻域像素梯度方向耦合性获取各像素点的焊接裂纹置信系数;设置裂纹灰度值,将灰度值小于裂纹灰度值的像素点记为疑似裂纹像素点;根据各像素点邻域中疑似裂纹像素点的分布获取各像素点的裂纹灰度指数;根据各像素点的焊接裂纹置信系数以及裂纹灰度指数获取各像素点的焊接裂纹置信修正系数;将各像素点的焊接裂纹置信修正系数进行伸缩变换获取各像素点的焊接裂纹置信修正伸缩系数;根据各像素点的焊接裂纹置信修正伸缩系数获取像素点之间的像素裂纹特征距离;
根据像素点之间的像素裂纹特征距离对焊管表面焊接缺陷区域进行分割;完成焊管表面焊接缺陷区域的检测。
2.如权利要求1所述的一种焊管表面焊接缺陷视觉检测方法,其特征在于,所述根据各像素点邻域中灰度分布特征获取各像素点的邻域灰度异质性系数,具体为:
对于各像素点,获取像素点与邻域内各像素点的灰度差值绝对值,将邻域内所有灰度差值绝对值的均值作为像素点的邻域灰度异质性系数。
3.如权利要求1所述的一种焊管表面焊接缺陷视觉检测方法,其特征在于,所述根据各像素点邻域中梯度分布特征获取各像素点的焊管邻域像素梯度方向耦合性,具体方法为:
对像素点邻域中各像素点的梯度方向取绝对值;将0到180度平均分为四段;统计每段中对应梯度方向的邻域像素点个数作为梯度方向组的元素;将梯度方向组中各元素与其对应像素点的梯度方向均值的乘积作为梯度组内系数;将获得的最大梯度组内系数与梯度方向组标准差的乘积作为焊管邻域像素梯度方向耦合性。
4.如权利要求1所述的一种焊管表面焊接缺陷视觉检测方法,其特征在于,所述根据各像素点的邻域灰度异质性系数以及焊管邻域像素梯度方向耦合性获取各像素点的焊接裂纹置信系数,包括:
分别将邻域灰度异质性系数的相反数、焊管邻域像素梯度方向耦合性的相反数作为以自然常数为底数的第一指数函数、第二指数函数的指数;将所述第一指数函数与所述第二指数函数和值的相反数作为像素点的焊接裂纹置信系数。
5.如权利要求1所述的一种焊管表面焊接缺陷视觉检测方法,其特征在于,所述根据各像素点邻域中疑似裂纹像素点的分布获取各像素点的裂纹灰度指数,具体为:
对于各像素点邻域内的灰度图像,按照灰度等级分为八个等级;分别计算图像在四个不同角度的灰度共生矩阵;分别计算四个灰度共生矩阵的相关性,将最大的相关性作为邻域最大相关性;
获取图像中的最小灰度值;将像素点的灰度值与所述最小灰度值比值的相反数作为以自然常数为底数的指数函数的指数;计算邻域中疑似裂纹像素点个数与最大邻域相关性的和值;将所述指数函数的计算结果与所述和值的乘积作为像素点的裂纹灰度指数。
6.如权利要求1所述的一种焊管表面焊接缺陷视觉检测方法,其特征在于,所述焊接裂纹置信修正系数具体为焊接裂纹置信系数与裂纹灰度指数的乘积。
7.如权利要求1所述的一种焊管表面焊接缺陷视觉检测方法,其特征在于,所述将各像素点的焊接裂纹置信修正系数进行伸缩变换获取各像素点的焊接裂纹置信修正伸缩系数,具体包括:
计算图像中所有像素点的裂纹置信修正系数的极值;计算像素点裂纹置信修正系数与图像最小裂纹修正系数的差值;计算所述差值与所述极值的比值;将所述比值与255的乘积作为像素点的焊接裂纹置信修正伸缩系数。
8.如权利要求1所述的一种焊管表面焊接缺陷视觉检测方法,其特征在于,所述根据各像素点的焊接裂纹置信修正伸缩系数获取像素点之间的像素裂纹特征距离,具体包括:
将两个像素点之间灰度值以及焊接裂纹置信修正伸缩系数的欧氏距离作为两个像素点之间的裂纹特征距离。
9.如权利要求1所述的一种焊管表面焊接缺陷视觉检测方法,其特征在于,所述根据像素点之间的像素裂纹特征距离对焊管表面焊接缺陷区域进行分割,具体为:
将像素裂纹特征距离作为分割算法的相似性度量;采用分割算法完成对焊管表面缺陷区域的分割。
10.一种焊管表面焊接缺陷视觉检测系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311606176.7A CN117314912B (zh) | 2023-11-29 | 2023-11-29 | 一种焊管表面焊接缺陷视觉检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311606176.7A CN117314912B (zh) | 2023-11-29 | 2023-11-29 | 一种焊管表面焊接缺陷视觉检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117314912A true CN117314912A (zh) | 2023-12-29 |
CN117314912B CN117314912B (zh) | 2024-01-30 |
Family
ID=89255646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311606176.7A Active CN117314912B (zh) | 2023-11-29 | 2023-11-29 | 一种焊管表面焊接缺陷视觉检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117314912B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117689663A (zh) * | 2024-02-04 | 2024-03-12 | 电科科知(成都)科技集团有限公司 | 一种用于焊接机器人的视觉检测方法及系统 |
CN117789132A (zh) * | 2024-02-27 | 2024-03-29 | 深圳市深创高科电子有限公司 | 基于计算机视觉的电子产品外壳缺陷监测方法及系统 |
CN118015003A (zh) * | 2024-04-10 | 2024-05-10 | 陕西能源电力运营有限公司 | 一种火电厂集箱焊接缺陷检测方法及系统 |
CN117974671B (zh) * | 2024-04-02 | 2024-06-07 | 昭工表面制品(深圳)有限公司 | 基于人工智能的手表表盘缺陷智能检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100171A (zh) * | 2022-07-11 | 2022-09-23 | 常宝云 | 一种基于机器视觉的钢模焊接缺陷检测方法及系统 |
WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
CN117078672A (zh) * | 2023-10-13 | 2023-11-17 | 深圳市凯尔文电子有限公司 | 基于计算机视觉的手机屏幕缺陷智能检测方法 |
-
2023
- 2023-11-29 CN CN202311606176.7A patent/CN117314912B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100171A (zh) * | 2022-07-11 | 2022-09-23 | 常宝云 | 一种基于机器视觉的钢模焊接缺陷检测方法及系统 |
WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
CN117078672A (zh) * | 2023-10-13 | 2023-11-17 | 深圳市凯尔文电子有限公司 | 基于计算机视觉的手机屏幕缺陷智能检测方法 |
Non-Patent Citations (2)
Title |
---|
邱永德;林国勇;: "陶瓷制品微缺陷裂纹图像无损检测仿真", 计算机仿真, no. 06 * |
高炜欣;胡玉衡;穆向阳;武晓萌;: "埋弧焊X射线焊缝图像缺陷分割检测技术", 仪器仪表学报, no. 06 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117689663A (zh) * | 2024-02-04 | 2024-03-12 | 电科科知(成都)科技集团有限公司 | 一种用于焊接机器人的视觉检测方法及系统 |
CN117689663B (zh) * | 2024-02-04 | 2024-04-26 | 电科科知(成都)科技集团有限公司 | 一种用于焊接机器人的视觉检测方法及系统 |
CN117789132A (zh) * | 2024-02-27 | 2024-03-29 | 深圳市深创高科电子有限公司 | 基于计算机视觉的电子产品外壳缺陷监测方法及系统 |
CN117789132B (zh) * | 2024-02-27 | 2024-05-07 | 深圳市深创高科电子有限公司 | 基于计算机视觉的电子产品外壳缺陷监测方法及系统 |
CN117974671B (zh) * | 2024-04-02 | 2024-06-07 | 昭工表面制品(深圳)有限公司 | 基于人工智能的手表表盘缺陷智能检测方法 |
CN118015003A (zh) * | 2024-04-10 | 2024-05-10 | 陕西能源电力运营有限公司 | 一种火电厂集箱焊接缺陷检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117314912B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117314912B (zh) | 一种焊管表面焊接缺陷视觉检测方法及系统 | |
CN116168039B (zh) | 一种环保节能硅酸铝板质量检测方法 | |
JP5421192B2 (ja) | ひび割れ検出方法 | |
CN103543394A (zh) | 一种高压电气设备放电紫外成像量化参数提取方法 | |
JP5852919B2 (ja) | ひび割れ検出方法 | |
CN109635814B (zh) | 基于深度神经网络的森林火灾自动检测方法和装置 | |
JP6823486B2 (ja) | ひび割れ検出方法 | |
CN111667470B (zh) | 一种基于数字图像的工业管道探伤内壁检测方法 | |
CN111178392B (zh) | 基于深度神经网络的航空发动机孔探图像损伤分割方法 | |
CN114972187B (zh) | 基于人工智能的裂纹缺陷评估方法 | |
JP5705711B2 (ja) | ひび割れ検出方法 | |
CN116385434B (zh) | 一种用于预制梁裂缝的智能检测方法 | |
CN114881965A (zh) | 一种基于人工智能和图像处理的木板节子检测方法 | |
CN116823839B (zh) | 基于热红外图像的管道泄漏检测方法 | |
CN116740072A (zh) | 基于机器视觉的道路表面缺陷检测方法及系统 | |
CN109829856B (zh) | 一种桥梁裂缝信息融合方法 | |
JP2008267943A (ja) | ひび割れ検出方法 | |
CN117315289B (zh) | 基于图像处理的航空发动机叶片轮廓边缘检测方法 | |
CN114565563B (zh) | 基于人工智能的彩钢板表面异常检测方法 | |
CN110555385A (zh) | 一种基于变步长曲率滤波的焊缝特征点求取方法 | |
CN115908967A (zh) | 基于循环生成对抗网络的石化装置管道数据样本均衡方法 | |
JP2019066267A (ja) | ひび割れ検出装置、ひび割れ検出方法、および、コンピュータプログラム | |
CN114332748A (zh) | 基于多源特征联合网络与变换图像自生成的目标检测方法 | |
CN110838101A (zh) | 一种基于边缘特性的图像分割质量评价方法 | |
CN113920141B (zh) | 一种岩体完整性系数的计算方法、装置及存储介质 |
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 |