CN117314916A - 一种基于人工智能的金属复合板爆炸焊接检测方法 - Google Patents
一种基于人工智能的金属复合板爆炸焊接检测方法 Download PDFInfo
- Publication number
- CN117314916A CN117314916A CN202311608300.3A CN202311608300A CN117314916A CN 117314916 A CN117314916 A CN 117314916A CN 202311608300 A CN202311608300 A CN 202311608300A CN 117314916 A CN117314916 A CN 117314916A
- Authority
- CN
- China
- Prior art keywords
- area
- image
- crack
- gray
- welding
- 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 94
- 239000002905 metal composite material Substances 0.000 title claims abstract description 28
- 238000004880 explosion Methods 0.000 title claims abstract description 27
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 17
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 239000000203 mixture Substances 0.000 claims abstract description 19
- 238000005336 cracking Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 10
- 230000007797 corrosion Effects 0.000 claims description 10
- 238000005260 corrosion Methods 0.000 claims description 10
- 239000002131 composite material Substances 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000004021 metal welding Methods 0.000 claims 3
- 238000010276 construction Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 4
- 229910052751 metal Inorganic materials 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 239000002360 explosive Substances 0.000 description 3
- 238000005474 detonation Methods 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 229910001200 Ferrotitanium Inorganic materials 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011179 visual inspection 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
- G06T7/11—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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
-
- 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
- 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
- G06T2207/30172—Centreline of tubular or elongated structure
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本申请涉及图像处理的领域，尤其涉及一种基于人工智能的金属复合板爆炸焊接检测方法，方法包括以下步骤：构建三维高斯混合模型；响应于待检测的彩色图像被获取，根据三维高斯混合模型，得到像素点集合；根据像素点集合，获得系数图像，将待检测的彩色图像与系数图像相乘，得到第一灰度图像及裂纹区域，根据第一灰度图像得到第三灰度图像，计算第三灰度图像中的开裂评价，得到开裂的焊接区域；在待检测的彩色图像上标注出所有的裂纹区域和开裂的焊接区域。本申请具有提高金属复合板爆炸焊接检测效率的效果。
Description
技术领域
本申请涉及图像处理的领域，尤其涉及一种基于人工智能的金属复合板爆炸焊接检测方法。
背景技术
爆炸焊接技术是利用爆炸冲击波的高能量和高压力进行焊接的一种特殊焊接工艺。爆炸焊接技术的工作原理是：在待焊接的两个金属工件之间放置炸药或爆炸发生器，在引爆后，产生的爆炸冲击波和高温高压气体将工件接触面上的氧化物和污物清除，并形成金属间的原子键结合，使两个金属工件焊接。
爆炸焊接技术常用于金属复合板的焊接，优点为能够使性能差异悬殊的两种材料实现复合，例如钛钢复合板与铝钢复合板，两种金属板材的差异性较大，只能采用爆炸焊接的技术进行复合。
为了保证焊接的质量，需要对焊接后的工件进行检测，现有技术主要是通过目测法人工观察焊接缝的外观或是人工查看焊接缝的照片，以检查是否有明显的缺陷，如裂纹、孔洞等，效率较低且主观性较强。
发明内容
为了提高金属复合板爆炸焊接检测的效率，提高检测结果的客观性，本申请提供一种基于人工智能的金属复合板爆炸焊接检测方法。
一种基于人工智能的金属复合板爆炸焊接检测方法，包括以下步骤：
构建三维高斯混合模型；响应于待检测的彩色图像被获取，根据所述三维高斯混合模型，生成待检测的彩色图像中每个像素点为裂纹区域像素点的概率或焊接区域像素点的概率，使裂纹区域像素点的概率或焊接区域像素点的概率大于预设概率阈值的像素点，组成像素点集合；根据像素点集合，获得系数图像，将待检测的彩色图像与系数图像相乘，得到第一灰度图像，第一灰度图像包含了裂纹区域图像与焊接区域图像；对第一灰度图像内的多个连通域进行距离变换得到第二灰度图像及连通域的距离灰度值序列，将第二灰度图像划分为多个目标区域，计算每个目标区域的裂纹判断系数，响应于裂纹判断系数为1，判定为裂纹区域，响应于裂纹判断系数为0，判定为焊接区域；将第二灰度图像中的裂纹区域的位置灰度值调整为0，得到第三灰度图像，计算第三灰度图像中的开裂评价，响应于开裂评价大于预设的评价阈值，得到开裂的焊接区域；在待检测的彩色图像上标注出所有的裂纹区域和开裂的焊接区域。
可选的，计算每个目标区域的裂纹判断系数，包括步骤：计算梯度变化稳定性，计算公式为：，其中，/>为所述距离灰度值序列中从第1个灰度值到第/>个灰度值的梯度变化稳定性，/>为所述距离灰度值序列中第i个的灰度值，/>为所述距离灰度值序列中第/>个的灰度值，/>为所述距离灰度值序列中第2个的灰度值，/>为所述距离灰度值序列中第1个的灰度值；根据所述梯度变化稳定性，计算拖尾像素点的个数， 当时，使/>，/>为拖尾像素点的个数，/>为距离灰度值序列中的第/>个灰度值，/>为灰度梯度稳定性变化值；当/>时，继续计算/>；计算变化幅度系数，计算公式为：/>，其中，/>为变化幅度系数，/>为目标区域的灰度变化幅度；计算拖尾系数，计算公式为：/>，其中，/>为拖尾系数，/>为目标区域中拖尾像素点的个数，/>为目标区域像素点的个数；根据所述变化幅度系数及所述拖尾系数，计算裂纹判断系数，计算公式为：/>，/>为目标区域的裂纹判断系数，/>为变化幅度系数，/>为拖尾系数。
可选的，所述计算第三灰度图像中的开裂评价，包括步骤：将第三灰度图像的焊接区域进行膨胀腐蚀处理得到处理后的图像，计算处理后的图像中焊接区域的中线；计算中线上像素值的熵值，作为开裂评价，表达式为：，其中，/>为焊接区域的开裂评价，/>为焊接区域在膨胀腐蚀前的像素值在第三灰度图像中的面积占比，/>为焊接区域膨胀腐蚀后的像素值在第三灰度图像中的面积占比。
可选的，包括步骤：将处理后的图像中八邻域值内出现0值的像素点标记为边缘点，连接边缘点形成连续曲线或直线为焊接区域的边缘线；获取边缘线上一个边缘点切线的法线与焊接区域边缘线的交点，得到所述交点与一个边缘点之间连线的中点；遍历得到所有的中点，将所有的中点组成的曲线或直线作为所述中线。
可选的，构建三维高斯混合模型，包括步骤：获取复合板焊接的历史彩色图像，标记历史彩色图像中的裂纹区域的像素点和焊接区域的像素点；根据裂纹区域的像素点，生成历史彩色图像中三原色通道数据的三维数据集，根据三维数据集训练预设的高斯混合模型，得到三维高斯混合模型。
本申请具有以下技术效果：
1、通过将爆炸焊接后金属复合板的图像进行处理和分析，得到图像中焊接区域及焊接区域中出现裂纹的情况，裂纹具有中间宽、两端窄的特征。通过计算裂纹的拖尾像素点的个数及梯度变化稳定性，判定是否出现裂纹区域。
2、根据焊接区域中线的混乱程度，得到焊接区域的开裂评价，判断是否存在非裂纹形式的开裂，如破碎等情况。
3、直接将裂纹区域和开裂的焊接区域，在彩色图像上进行标注，可视化的显示出焊接检测的结果。
附图说明
通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，并且相同或对应的标号表示相同或对应的部分。
图1是本申请实施例一种基于人工智能的金属复合板爆炸焊接检测方法的方法流程图。
图2是本申请实施例一种基于人工智能的金属复合板爆炸焊接检测方法中步骤S1的方法流程图。
图3是本申请实施例一种基于人工智能的金属复合板爆炸焊接检测方法中步骤S4的方法流程图。
图4是本申请实施例一种基于人工智能的金属复合板爆炸焊接检测方法中步骤S5的方法流程图。
图5是本申请实施例一种基于人工智能的金属复合板爆炸焊接检测方法中步骤S50的方法流程图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应当理解，当本申请的权利要求、说明书及附图使用术语“第一”、“第二”等时，其仅是用于区别不同对象，而不是用于描述特定顺序。本申请的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
本申请实施例公开一种基于人工智能的金属复合板爆炸焊接检测方法，参照图1，包括步骤S1-步骤S6，具体如下：
S1：构建三维高斯混合模型。参照图2，步骤S1包括步骤S10-步骤S11，具体如下：
S10：获取复合板焊接的历史彩色图像，标记历史彩色图像中的裂纹区域的像素点和焊接区域的像素点。
在金属复合板的正上方设置相机，使用相机对焊接后的金属复合板进行拍照，以获得金属复合板表面的彩色图像，本申请中的彩色图像为RGB（Red，Green，Blue，红，绿，蓝）图像。
S11：根据裂纹区域的像素点，生成历史彩色图像中三原色通道数据的三维数据集，根据三维数据集训练预设的高斯混合模型，得到三维高斯混合模型。
采集历史的彩色图像并进行处理，标记出裂纹区域的像素点与焊接区域的像素点，根据裂纹区域的像素点的三原色通道数据，生成三维数据集，三原色通道数据包括：红色通道数据、绿色通道数据及蓝色通道数据，将三维数据集输入高斯混合模型中，得到三维高斯混合模型。
S2：响应于待检测的彩色图像被获取，根据三维高斯混合模型，生成待检测的彩色图像中每个像素点为裂纹区域像素点的概率或焊接区域像素点的概率，使裂纹区域像素点的概率或焊接区域像素点的概率大于预设概率阈值的像素点，组成像素点集合。
采集待检测的彩色图像，将待检测的彩色图像输入到三维高斯混合模型中，输出待检测的彩色图像中，各个像素点为裂纹区域像素点及焊接区域像素点的概率。
设置概率阈值，本申请中概率阈值设置为0.8，使待检测的彩色图像中裂纹区域像素点或焊接区域像素点的概率值大于0.8的像素点，组成像素点集合。
S3：根据像素点集合，获得系数图像，将待检测的彩色图像与系数图像相乘，得到第一灰度图像，第一灰度图像包含了裂纹区域图像与焊接区域图像。
将待检测的彩色图像中像素点集合的像素点标记为（1,1,1），将其余的像素点标记为（0,0,0），得到系数图像。
将待检测的彩色图像与系数图像相乘，得到去除了如金属板材板体等噪声区域的图像，作为第一灰度图像，第一灰度图像包含裂纹区域及焊接区域，这是因为裂纹区域与焊接区域的特征高度相似，仅靠三维高斯模型无法完全区分两个特征。
S4：对第一灰度图像内的多个连通域进行距离变换得到第二灰度图像及连通域的距离灰度值序列，将第二灰度图像划分为多个目标区域，计算每个目标区域的裂纹判断系数，响应于裂纹判断系数为1，判定为裂纹区域，响应于裂纹判断系数为0，判定为焊接区域。
由于像素点集合内包含了裂纹区域的像素点以及焊接区域的像素点，需要分类确定为裂纹区域的像素点。
金属复合板受到自身刚性分布不均匀、夹层炸药分布不均匀等因素，在起爆后，刚性较差或夹层炸药分布较多的地方，可能会出现开裂，形成了两端窄、中间宽的裂纹，裂纹的两端窄的部分为拖尾，即裂纹区域裂纹的特点是由中间部分到拖尾部分是逐渐收紧的。所以需要计算拖尾区域的拖尾收紧程度。
以第二灰度图像中的一个连通域为例，如果该连通域为裂纹区域，则距离灰度值序列从中间到任意一端，灰度值是由大到小变化的，且灰度值梯度呈现逐渐变小的趋势。在目标区域的拖尾区域，灰度梯度值较小且较稳定。
具体地，参照图3，步骤S4包括步骤S40-步骤S44，具体如下：
S40：计算梯度变化稳定性。
梯度变化稳定性的计算公式为：，其中，/>为距离灰度值序列中从第1个灰度值到第/>个灰度值的梯度变化稳定性，/>的值越大，说明灰度值变化的越快。
为距离灰度值序列中第i个的灰度值，/>为距离灰度值序列中第/>个的灰度值，/>为距离灰度值序列中第2个的灰度值，/>为距离灰度值序列中第1个的灰度值。为计算/>的标准差。
S41：根据梯度变化稳定性，计算拖尾像素点的个数。
当时，使/>，/>为拖尾像素点的个数，/>为距离灰度值序列中的第/>个灰度值，/>为灰度梯度稳定性变化值；当/>时，继续计算/>。
S42：计算变化幅度系数。
变化幅度系数的计算公式为：，其中，/>为变化幅度系数，为目标区域的灰度变化幅度，/>的值越大，说明灰度变化幅度越小。
S43：计算拖尾系数。拖尾系数的计算公式为：，其中，/>为拖尾系数，/>为目标区域中拖尾像素点的个数，/>为目标区域像素点的个数。
S44：根据变化幅度系数及拖尾系数，计算裂纹判断系数。
裂纹判断系数的计算公式为：，/>为目标区域的裂纹判断系数，/>为变化幅度系数，/>为拖尾系数。通过步骤S40-步骤S44的方法，遍历第二灰度图像中的所有目标区域，得到第二灰度图像的裂纹区域。
S5：将第二灰度图像中的裂纹区域的位置灰度值调整为0，得到第三灰度图像，计算第三灰度图像中的开裂评价，响应于开裂评价大于预设的评价阈值，得到开裂的焊接区域。
由于金属复合板在焊接时，会出现焊接质量不稳定的情况，对于焊接质量差的地方，容易出现开裂，该开裂不具有上述裂纹出现的中间宽、两段窄的特征，需要对焊接区域进行破碎检测，以获得开裂的焊接区域。
具体的，对第三灰度图像进行连通域的分析，以第三灰度图像中一个焊接区域为例，焊接区域为等宽的条状区域或带状区域，条状区域或带状区域的长边与焊接前的两个金属复合板的交界线基本平行，开裂的位置也在交界线处，且焊接交界线在条状区域或带状区域的中线位置，因此需要找到焊接区域的中线位置。
参照图4，步骤S5包括步骤S50-S51，具体如下：
S50：将第三灰度图像的焊接区域进行膨胀腐蚀处理得到处理后的图像，计算处理后的图像中焊接区域的中线。
参照图5，步骤S50包括步骤S500-步骤S502，具体如下：
S500：将处理后的图像中八邻域值内出现0值的像素点标记为边缘点，连接边缘点形成连续曲线或直线为焊接区域的边缘线。
八邻域是指一个像素点的周围8个像素点组成的邻域。具体的，包括了该像素点的上、下、左、右和四个对角线方向上的相邻像素点。
S501：获取边缘线上一个边缘点切线的法线与焊接区域边缘线的交点，得到交点与一个边缘点之间连线的中点。
S502：遍历得到所有的中点，将所有的中点组成的曲线或直线作为中线。
以一个第三灰度图像中的一个焊接区域为例，找到焊接区域的中线，记录第三灰度图像膨胀腐蚀后焊接区域中线上所有的灰度值集合，记为g。记录第三灰度图像膨胀腐蚀前焊接区域中线上所有的灰度值集合，记为t。
S51：计算中线上像素值的熵值，作为开裂评价。
开裂评价的表达式为：，其中，/>为焊接区域的开裂评价，/>为焊接区域在膨胀腐蚀前的像素值在第三灰度图像中的面积占比，/>为焊接区域膨胀腐蚀后的像素值在第三灰度图像中的面积占比。
本申请中，当焊接区域的开裂评价大于0.1时，说明在焊接区域出现了开裂。
S6：在待检测的彩色图像上标注出所有的裂纹区域和开裂的焊接区域。
虽然本说明书已经示出和描述了本申请的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本申请思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本申请的过程中，可以采用对本文所描述的本申请实施例的各种替代方案。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。
Claims (5)
1.一种基于人工智能的金属复合板爆炸焊接检测方法，其特征在于，包括步骤：
构建三维高斯混合模型；
响应于待检测的彩色图像被获取，根据所述三维高斯混合模型，生成待检测的彩色图像中每个像素点为裂纹区域像素点的概率或焊接区域像素点的概率，使裂纹区域像素点的概率或焊接区域像素点的概率大于预设概率阈值的像素点，组成像素点集合；
根据像素点集合，获得系数图像，将待检测的彩色图像与系数图像相乘，得到第一灰度图像，第一灰度图像包含了裂纹区域图像与焊接区域图像；
对第一灰度图像内的多个连通域进行距离变换得到第二灰度图像及连通域的距离灰度值序列，将第二灰度图像划分为多个目标区域，计算每个目标区域的裂纹判断系数，响应于裂纹判断系数为1，判定为裂纹区域，响应于裂纹判断系数为0，判定为焊接区域；
将第二灰度图像中的裂纹区域的位置灰度值调整为0，得到第三灰度图像，计算第三灰度图像中的开裂评价，响应于开裂评价大于预设的评价阈值，得到开裂的焊接区域；
在待检测的彩色图像上标注出所有的裂纹区域和开裂的焊接区域。
2.根据权利要求1所述的一种基于人工智能的金属复合板爆炸焊接检测方法，其特征在于，计算每个目标区域的裂纹判断系数，包括步骤：
计算梯度变化稳定性，计算公式为：
，其中，/>为所述距离灰度值序列中从第1个灰度值到第/>个灰度值的梯度变化稳定性，/>为所述距离灰度值序列中第i个的灰度值，/>为所述距离灰度值序列中第/>个的灰度值，/>为所述距离灰度值序列中第2个的灰度值，/>为所述距离灰度值序列中第1个的灰度值；
根据所述梯度变化稳定性，计算拖尾像素点的个数， 当时，使/>，/>为拖尾像素点的个数，/>为距离灰度值序列中的第/>个灰度值，/>为灰度梯度稳定性变化值，当时，继续计算/>；
计算变化幅度系数，计算公式为：
，
其中，为变化幅度系数，/>为目标区域的灰度变化幅度；
计算拖尾系数，计算公式为：
，
其中，为拖尾系数，/>为目标区域中拖尾像素点的个数，/>为目标区域像素点的个数；
根据所述变化幅度系数及所述拖尾系数，计算裂纹判断系数，计算公式为：
，
为目标区域的裂纹判断系数，/>为变化幅度系数，/>为拖尾系数。
3.根据权利要求1所述的一种基于人工智能的金属复合板爆炸焊接检测方法，其特征在于，所述计算第三灰度图像中的开裂评价，包括步骤：
将第三灰度图像的焊接区域进行膨胀腐蚀处理得到处理后的图像，计算处理后的图像中焊接区域的中线；
计算中线上像素值的熵值，作为开裂评价，表达式为：
，
其中，为焊接区域的开裂评价，/>为焊接区域在膨胀腐蚀前的像素值在第三灰度图像中的面积占比，/>为焊接区域膨胀腐蚀后的像素值在第三灰度图像中的面积占比。
4.根据权利要求3所述的一种基于人工智能的金属复合板爆炸焊接检测方法，其特征在于，计算处理后的图像中焊接区域的中线，包括步骤：
将处理后的图像中八邻域值内出现0值的像素点标记为边缘点，连接边缘点形成连续曲线或直线为焊接区域的边缘线；
获取边缘线上一个边缘点切线的法线与焊接区域边缘线的交点，得到所述交点与一个边缘点之间连线的中点；
遍历得到所有的中点，将所有的中点组成的曲线或直线作为所述中线。
5.根据权利要求1所述的一种基于人工智能的金属复合板爆炸焊接检测方法，其特征在于，构建三维高斯混合模型，包括步骤：
获取复合板焊接的历史彩色图像，标记历史彩色图像中的裂纹区域的像素点和焊接区域的像素点；
根据裂纹区域的像素点，生成历史彩色图像中三原色通道数据的三维数据集，根据三维数据集训练预设的高斯混合模型，得到三维高斯混合模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311608300.3A CN117314916B (zh) | 2023-11-29 | 2023-11-29 | 一种基于人工智能的金属复合板爆炸焊接检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311608300.3A CN117314916B (zh) | 2023-11-29 | 2023-11-29 | 一种基于人工智能的金属复合板爆炸焊接检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117314916A true CN117314916A (zh) | 2023-12-29 |
| CN117314916B CN117314916B (zh) | 2024-01-30 |
Family
ID=89255686
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311608300.3A Active CN117314916B (zh) | 2023-11-29 | 2023-11-29 | 一种基于人工智能的金属复合板爆炸焊接检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117314916B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117611583A (zh) * | 2024-01-22 | 2024-02-27 | 张家港飞腾复合新材料股份有限公司 | 基于人工智能的铝复合板缺陷检测方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003209856A (ja) * | 2001-11-08 | 2003-07-25 | Fuji Photo Film Co Ltd | ホワイトバランス補正方法 |
| WO2015014131A1 (zh) * | 2013-08-02 | 2015-02-05 | 成都品果科技有限公司 | 一种将图片转为卡通画的方法 |
| CN108537221A (zh) * | 2018-03-29 | 2018-09-14 | 陕西师范大学 | 基于兴趣区域的桥梁或路面裂缝检测方法和评价方法 |
| CN108764251A (zh) * | 2018-05-03 | 2018-11-06 | 四川斐讯信息技术有限公司 | 一种工件表面裂缝检测方法及系统 |
| CN110533083A (zh) * | 2019-08-09 | 2019-12-03 | 西安电子科技大学 | 基于SVM的Adaboost模型的铸件缺陷识别方法 |
| WO2022053001A1 (zh) * | 2020-09-10 | 2022-03-17 | 上海航天精密机械研究所 | 焊缝内部缺陷智能检测装置、方法及介质 |
| CN114842008A (zh) * | 2022-07-04 | 2022-08-02 | 南通三信塑胶装备科技股份有限公司 | 基于计算机视觉的注塑件色差检测方法 |
| CN114972203A (zh) * | 2022-04-29 | 2022-08-30 | 南通市立新机械制造有限公司 | 基于分水岭分割的机械零件轧制异常检测方法 |
| US20230360286A1 (en) * | 2020-12-31 | 2023-11-09 | Beijing Zitiao Network Technology Co., Ltd. | Image processing method and apparatus, electronic device and storage medium |
| CN117036356A (zh) * | 2023-10-10 | 2023-11-10 | 江苏康意德科技有限公司 | 基于人工智能的焊管焊缝质量检测方法 |
| 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 CN202311608300.3A patent/CN117314916B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003209856A (ja) * | 2001-11-08 | 2003-07-25 | Fuji Photo Film Co Ltd | ホワイトバランス補正方法 |
| WO2015014131A1 (zh) * | 2013-08-02 | 2015-02-05 | 成都品果科技有限公司 | 一种将图片转为卡通画的方法 |
| CN108537221A (zh) * | 2018-03-29 | 2018-09-14 | 陕西师范大学 | 基于兴趣区域的桥梁或路面裂缝检测方法和评价方法 |
| CN108764251A (zh) * | 2018-05-03 | 2018-11-06 | 四川斐讯信息技术有限公司 | 一种工件表面裂缝检测方法及系统 |
| CN110533083A (zh) * | 2019-08-09 | 2019-12-03 | 西安电子科技大学 | 基于SVM的Adaboost模型的铸件缺陷识别方法 |
| WO2022053001A1 (zh) * | 2020-09-10 | 2022-03-17 | 上海航天精密机械研究所 | 焊缝内部缺陷智能检测装置、方法及介质 |
| US20230360286A1 (en) * | 2020-12-31 | 2023-11-09 | Beijing Zitiao Network Technology Co., Ltd. | Image processing method and apparatus, electronic device and storage medium |
| CN114972203A (zh) * | 2022-04-29 | 2022-08-30 | 南通市立新机械制造有限公司 | 基于分水岭分割的机械零件轧制异常检测方法 |
| CN114842008A (zh) * | 2022-07-04 | 2022-08-02 | 南通三信塑胶装备科技股份有限公司 | 基于计算机视觉的注塑件色差检测方法 |
| CN117036356A (zh) * | 2023-10-10 | 2023-11-10 | 江苏康意德科技有限公司 | 基于人工智能的焊管焊缝质量检测方法 |
| 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 |
|---|
| LI CHAO , SUN JUN ET AL: "An Effective Method of Weld Defect Detection", IEEE, vol. 54, no. 6, pages 264 - 270, XP055944608, DOI: 10.3778/j.issn.1002-8331.1609-0322 * |
| 张海泉, 张彦华, 赵海燕, 张行安: "镍基高温合金电子束焊缝形貌预测模型及其验证", 航空材料学报, no. 05 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117611583A (zh) * | 2024-01-22 | 2024-02-27 | 张家港飞腾复合新材料股份有限公司 | 基于人工智能的铝复合板缺陷检测方法及系统 |
| CN117611583B (zh) * | 2024-01-22 | 2024-04-19 | 张家港飞腾复合新材料股份有限公司 | 基于人工智能的铝复合板缺陷检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117314916B (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117314916B (zh) | 一种基于人工智能的金属复合板爆炸焊接检测方法 | |
| JP5080649B2 (ja) | 映像処理方法を用いた鋼橋の塗膜検査システム及びその処理方法 | |
| JP6029870B2 (ja) | コンクリート表面の変状検出方法及び装置 | |
| Padilla et al. | Image analysis of cracks in the weld metal of a wet welded steel joint by three dimensional (3D) X-ray microtomography | |
| CN104914164B (zh) | 一种基于dac曲线的超声波c扫描成像方法 | |
| JP7372536B2 (ja) | 演算プログラム、演算装置及び演算方法 | |
| JP2013250059A (ja) | コンクリート表面の変状管理方法 | |
| CN103455985B (zh) | 基于Hessian结构分析的道路裂缝增强方法 | |
| JP4488308B2 (ja) | 構造物表面のひび割れ検出方法 | |
| JP4870016B2 (ja) | ひび割れ検出方法 | |
| CN110619146A (zh) | 基于结构相似性度量的多晶硅电池片裂纹缺陷检测方法 | |
| CN114965516A (zh) | 基于x射线探伤的盾构刀头钎焊缺陷检测方法 | |
| CN115239728A (zh) | 一种消防器材识别方法 | |
| CN115229355A (zh) | 高精密冲压锻件用激光切割方法 | |
| CN114066752B (zh) | 面向焊缝跟踪的线结构光骨架提取及毛刺去除方法 | |
| Xia et al. | Non-uniform corrosion characteristics of the steel pipe pile exposed to marine environments | |
| Shojai et al. | Assessment of corrosion fatigue in welded joints using 3D surface scans, digital image correlation, hardness measurements, and residual stress analysis | |
| CN111968072B (zh) | 一种基于贝叶斯网络的厚板t形接头焊接位置自主决策方法 | |
| JP2002090308A (ja) | 画像処理を用いた鋼材表面の劣化度評価システム | |
| CN114211214B (zh) | 一种风洞复杂曲面收缩段成形方法 | |
| CN110520668A (zh) | 不可热处理铝合金容器及其制造方法 | |
| Battina et al. | Experimental and finite element investigations on formability of friction stir welded tailor welded blanks of AA6061 and AA2017 | |
| Gurova et al. | Experimental Analysis of Repair Welding Alternatives for Shipbuilding DH36 Plates | |
| CN115526867B (zh) | 碳纤维复合材料气瓶x射线图像裂纹缺陷提取方法和装置 | |
| JP2010271305A (ja) | 金属板の面歪みの評価方法、金属板の面歪みの評価値演算装置及びプログラム |
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 |