CN117408958B - 一种钢结构件生产质量监测方法及系统 - Google Patents
一种钢结构件生产质量监测方法及系统 Download PDFInfo
- Publication number
- CN117408958B CN117408958B CN202311333885.2A CN202311333885A CN117408958B CN 117408958 B CN117408958 B CN 117408958B CN 202311333885 A CN202311333885 A CN 202311333885A CN 117408958 B CN117408958 B CN 117408958B
- Authority
- CN
- China
- Prior art keywords
- result
- structural member
- steel structural
- pixel
- quality
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 136
- 239000010959 steel Substances 0.000 title claims abstract description 136
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 128
- 230000007547 defect Effects 0.000 claims abstract description 60
- 230000011218 segmentation Effects 0.000 claims abstract description 35
- 238000007781 pre-processing Methods 0.000 claims abstract description 28
- 230000002159 abnormal effect Effects 0.000 claims description 49
- 238000003466 welding Methods 0.000 claims description 41
- 238000013507 mapping Methods 0.000 claims description 25
- 238000010276 construction Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000013461 design Methods 0.000 claims description 14
- 238000007689 inspection Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 11
- 230000005856 abnormality Effects 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000003384 imaging method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000006247 magnetic powder Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000008542 thermal sensitivity Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 230000000007 visual 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
- 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
- G06T7/70—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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared 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
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供了一种钢结构件生产质量监测方法及系统,涉及质量监测领域,分布CCD传感器、红外热像仪并建立其与钢结构件的特征集合对应的识别区域;构建图像集并进行像素值分割;基于分割结果和识别区域确定保留分割结果和扩充割离结果;对保留分割结果执行二值缺陷识别,生成第一质量检测结果;以扩充割离结果作为识别位置参考,构建红外图像并预处理后进行特征遍历,生成第二质量检测结果;根据第一质量检测结果、第二质量检测结果和像素值分割线生成钢结构件的质量检测结果,解决了现有技术中钢结构件质量检测时准确性低,生产质量差的技术问题,达到了提高质量检测的准确性,进而提高生产效率,保证生产质量的技术效果。
Description
技术领域
本发明涉及质量监测领域,尤其涉及一种钢结构件生产质量监测方法及系统。
背景技术
钢结构是指用型钢或钢板制成基本构件,根据设计使用要求,通过焊接或螺栓连接的方法,按照一定规律组成的承重结构,而通过焊接的方式进行钢结构件的生产时,需要对钢结构件缺陷进行无损检测,以保证钢结构件的生产质量,然而,现有技术中进行钢结构件缺陷检测时一般采用目视检测、渗透检验、磁粉检验、射线检验和超声波检验等方法,存在材料和尺寸限制、操作复杂、灵敏度低、检测结果不全面,准确性低以及耗费人力且对检验人员造成健康影响等问题,进而无法全面有效的对钢结构件的质量进行把控,导致钢结构件生产质量不达标。
因此,在现有技术中进行钢结构件生产质量监测时存在检测方法适应性差、检测不全面、准确性低,导致生产效率低、生产质量差的技术问题。
发明内容
本申请通过提供一种钢结构件生产质量监测方法及系统,解决了现有技术中进行钢结构件生产质量监测时存在检测方法适应性差、检测不全面、准确性低,导致生产效率低、生产质量差的技术问题。
本申请提供了一种钢结构件生产质量监测方法,所述方法包括:建立钢结构件的特征集合,所述特征集合包括形状特征、焊接特征和尺寸特征,所述特征集合通过采集所述钢结构件的设计数据构建;构建检测定位,并分布CCD传感器、红外热像仪,依据分布结果建立与所述特征集合具有检测映射关系的识别区域;当钢结构件到达检测点,并触发检测认证时,通过所述CCD传感器对所述钢结构件执行数据采集,构建基础图像集;对所述基础图像集进行像素值分割,通过分割结果和所述识别区域的映射关系确定保留分割结果和扩充割离结果,并对保留分割结果执行二值缺陷识别,生成第一质量检测结果;以所述扩充割离结果作为识别位置参考,通过所述红外热像仪进行所述钢结构件数据采集,构建红外图像;对所述红外图像进行图像预处理,并基于预处理结果进行特征遍历,生成第二质量检测结果;根据所述第一质量检测结果、所述第二质量检测结果和像素值分割线生成钢结构件的质量检测结果,所述像素值分割线为所述保留分割结果和扩充割离结果的分割线。
本申请还提供了一种钢结构件生产质量监测系统,所述系统包括:特征集合构建模块,用于建立钢结构件的特征集合,所述特征集合包括形状特征、焊接特征和尺寸特征,所述特征集合通过采集所述钢结构件的设计数据构建;检测定位模块,用于构建检测定位,并分布CCD传感器、红外热像仪,依据分布结果建立与所述特征集合具有检测映射关系的识别区域;图像集构建模块,用于当钢结构件到达检测点,并触发检测认证时,通过所述CCD传感器对所述钢结构件执行数据采集,构建基础图像集;像素值分割模块,用于对所述基础图像集进行像素值分割,通过分割结果和所述识别区域的映射关系确定保留分割结果和扩充割离结果,并对保留分割结果执行二值缺陷识别,生成第一质量检测结果;红外图像构建模块,用于以所述扩充割离结果作为识别位置参考,通过所述红外热像仪进行所述钢结构件数据采集,构建红外图像;预处理模块,用于对所述红外图像进行图像预处理,并基于预处理结果进行特征遍历,生成第二质量检测结果;质检结果获得模块,用于根据所述第一质量检测结果、所述第二质量检测结果和像素值分割线生成钢结构件的质量检测结果,所述像素值分割线为所述保留分割结果和扩充割离结果的分割线。
拟通过本申请提出的一种钢结构件生产质量监测方法及系统,分布CCD传感器、红外热像仪并建立其与钢结构件的特征集合对应的识别区域;构建图像集并进行像素值分割;基于分割结果和识别区域确定保留分割结果和扩充割离结果;对保留分割结果执行二值缺陷识别,生成第一质量检测结果;以扩充割离结果作为识别位置参考,构建红外图像并预处理后进行特征遍历,生成第二质量检测结果;根据第一质量检测结果、第二质量检测结果和像素值分割线生成钢结构件的质量检测结果,解决了现有技术中进行钢结构件生产质量监测时存在检测准确性低,导致生产效率低、生产质量差的技术问题,达到了提高质量检测的准确性,进而提高生产效率,保证生产质量的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对本公开实施例的附图作简单地介绍。明显地,下面描述中的附图仅仅涉及本公开的一些实施例,而非对本公开的限制。
图1为本申请实施例提供的一种钢结构件生产质量监测方法的流程示意图;
图2为本申请实施例提供的一种钢结构件生产质量监测方法对红外图像进行构建的流程示意图;
图3为本申请实施例提供的一种钢结构件生产质量监测方法进行像素值分割的流程示意图;
图4为本申请实施例提供的一种钢结构件生产质量监测方法进行生产反馈控制的流程示意图;
图5为本发明实施例提供的一种钢结构件生产质量监测系统的结构示意图;
附图标记说明:特征集合构建模块11,检测定位模块12,图像集构建模块13,像素值分割模块14,红外图像构建模块15,预处理模块16,质检结果获得模块17。
具体实施方式
实施例一:为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,所描述的实施例不应视为对本申请的限制,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
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申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上,所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
如图1所示,本申请实施例提供了一种钢结构件生产质量监测方法,所述方法包括:
建立钢结构件的特征集合,所述特征集合包括形状特征、焊接特征和尺寸特征,所述特征集合通过采集所述钢结构件的设计数据构建;
钢结构是指用型钢或钢板制成基本构件,根据设计使用要求,通过焊接或螺栓连接的方法,按照一定规律组成的承重结构,然而在现有技术中通过焊接的方式生产钢结构件时,通常会因为焊接质量的参差不齐导致钢结构件的生产质量具有较大差异,本申请采用了一种钢结构件生产质量监测方法,可以对钢结构件从整体上进行全面准确的质量把控,提高钢结构件的生产质量。
具体而言,采集所述钢结构件的设计数据,构建钢结构件的特征集合,所述钢结构件的设计数据是由本领域技术人员依据钢结构设计规范和设计使用需求所确定的设计数据,包括钢结构件的形状、焊接方式、尺寸等相关数据,依据钢结构件的设计数据建立特征集合,所述特征集合包括形状特征、焊接特征和尺寸特征等。通过建立钢结构件的特征集合为后续钢结构件在产线上进行质量监测时的部位区域识别奠定了基础,保证了识别的准确性。
构建检测定位,并分布CCD传感器、红外热像仪,依据分布结果建立与所述特征集合具有检测映射关系的识别区域;
具体而言,对检测位置进行定位,基于所确定的位置分布CCD传感器和红外热像仪,所述CCD传感器用于从不同角度对待检测钢结构件进行图像采集,所述红外热像仪用于从不同角度对待检测钢结构件进行温度场分布信息的采集,通过红外热成像技术可以对被测物体表面和内部的全部信息进行获取,进而获得被测物体表面和内部不同位置的缺陷和异常情况。
依据CCD传感器和红外热像仪的位置分布结果建立与所述特征集合具有检测映射关系的识别区域,即分布在检测位置周围CCD传感器和红外热像仪均与所述特征集合当中的特征具有一一对应的检测映射关系,当待检测结构件位于检测位置时,CCD传感器和红外热像仪通过所述检测映射关系对待检测结构件进行所属检测区域的识别。
进一步的,为了提高红外成像的准确性,进而保证钢结构件的质量检测效果,对于温差较小的检测环境,选择热灵敏度较高的红外热像仪;此外,若拍摄环境周围有其他干扰热源,应适应性设置进而避免成像干扰,例如,对于表面光亮的构建板坯,其较易反射周围热源从而造成检测干扰,因此应适应性改变拍摄角度从而避免成像干扰。
通过依据分布结果建立与所述特征集合具有检测映射关系的识别区域,提高了识别区域定位效率,保证了识别准确性,进而提高了质量检测效率。
当钢结构件到达检测点,并触发检测认证时,通过所述CCD传感器对所述钢结构件执行数据采集,构建基础图像集;
对所述基础图像集进行像素值分割,通过分割结果和所述识别区域的映射关系确定保留分割结果和扩充割离结果,并对保留分割结果执行二值缺陷识别,生成第一质量检测结果;
具体而言,当待检测的钢结构件到达检测位置并触发检测认证时,所述CCD传感器开始对所述钢结构件进行图像采集,进而构成基础图像集,所述触发检测认证为进行数据采集的触发条件,以防止当钢结构件处于检测位置但不需要检测时引起误触发,所述基础图像集包含处于不同分布位置的CCD传感器所采集的待检测钢结构件的不同部位的图像。
基于灰度值对基础图像集中的图像进行像素值分割,通过分割结果和所述识别区域的映射关系确定保留分割结果和扩充割离结果,即基于像素分割结果与待检测钢结构件的识别位置的映射关系将待检测钢结构件进行基于像素的区域划分,从而基于像素值将基础图像集中的图像识别为非焊接部分和焊接部分,所述保留分割结果为基础图像集中非焊接部分的像素区域,所述扩充割离结果为基础图像集中焊接部分的像素区域,进而对非焊接部分的像素区域执行二值缺陷识别,生成第一质量检测结果,所述第一质量检测结果表征的是待检测钢结构件非焊接部分缺陷检测的质量检测结果。
进一步而言,如图3所示,本申请实施例提供的方法还包括:
设定基础像素灰度区间,所述基础像素灰度区间通过采集标定钢结构件的非焊接位置图像确定;
对所述基础图像集进行灰度处理,并初始分割为标准像素块区域;
以所述标准像素块区域的中心像素为参考像素,对所述基础像素灰度区间进行范围匹配,根据范围匹配结果确定各个标准像素块区域的比对像素区间;
通过所述比对像素区间执行对应标准像素块区域的二值化比对,根据比对结果确定所述像素值分割线,并完成保留分割结果的二值缺陷识别。
具体而言,通过采集标定钢结构件的非焊接位置的图像的像素灰度进行基础像素灰度区间的设定,所述标定钢结构件是质量检测标准下质量达标的钢结构件,所述基础像素灰度区间为基于标定钢结构件的非焊接位置的图像的像素灰度人为设定的标定像素值区间,进而对采集的待检测钢结构件的基础图像集进行灰度处理,并将其分割为标准的像素块区域,基于LBP算子执行二值缺陷识别,所述标准像素块区域为执行LBP算子的最小单位,将所述基础像素灰度区间作为所述标准像素块区域中灰度图像中像素领域中心像素灰度阈值进行像素值比较,进而基于生成的LBP图谱进行异常识别和标定。
进一步的,为了保证识别稳定性,更准确的进行缺陷识别,以所述标准像素块区域的中心像素为参考像素,在所述基础像素灰度区间的约束下进行范围匹配,生成各个标准像素块区域的比对像素区间,再以所述比对像素区间作为上述LBP算子执行二值缺陷识别方法中所述像素块区域中灰度图像中像素领域中心像素灰度阈值进行像素值比较;若所述标准像素块区域的中心像素在所述基础像素灰度区间内,则在基础像素灰度区间内取一包含所述标准像素块区域的中心像素值的区域作为此标准像素块区域的比对像素区间,若所述标准像素块区域的中心像素小于所述基础像素灰度区间的最小像素值,则以基础像素灰度区间的最小像素值作为比对像素区间的最小值,在基础像素灰度区间内取一靠近最小值的区间范围作为比对像素区间,同理,若所述标准像素块区域的中心像素大于所述基础像素灰度区间的最大像素值,在基础像素灰度区间内取一靠近最大值的区间范围作为比对像素区间,例如,设定的基础像素灰度区间为58-75,获取的某一标准像素块区域的中心像素为50,则可取比对像素区间为58-62,若获取的某一标准像素块区域的中心像素为80,则可取比对像素区间为71-75,若获取的某一标准像素块区域的中心像素为65,则可取比对像素区间为64-66,进而通过所述比对像素区间执行对应标准像素块区域的二值化比对,根据比对结果确定所述像素值分割线,并完成保留分割结果的二值缺陷识别,其中,所述像素值分割线为所述保留分割结果和扩充割离结果的分割线,即将非焊接部分与焊接部分在像素灰度图上的分割表现出来的一条分割线。
通过像素值分割,对待检测钢结构件的非焊接部分与焊接位置进行单独质量把控,进而保证了缺陷识别定位的精准性,提高了质量检测的准确性。
以所述扩充割离结果作为识别位置参考,通过所述红外热像仪进行所述钢结构件数据采集,构建红外图像;
对所述红外图像进行图像预处理,并基于预处理结果进行特征遍历,生成第二质量检测结果;
具体而言,由于焊接质量的参差不齐会导致钢结构件的生产质量具有较大差异,因此,需要对焊缝缺陷进行无损检测,以保证钢结构件的生产质量,通常由于焊接质量导致的焊缝缺陷有以下几种:气孔、夹渣、未焊透、焊瘤以及裂纹等,上述缺陷可以通过热像仪进行有效检测。在本申请实施例中,以基础图像集中扩充割离结果的像素区域为参考对钢结构件焊接位置进行识别定位,采用红外热像仪对钢结构件焊接位置进行数据采集,获得红外图像,进而对所述红外图像进行图像预处理,并基于预处理结果进行特征遍历,生成第二质量检测结果,所述第二质量检测结果表征的是待检测钢结构件焊接部分缺陷检测的质量检测结果。
进一步而言,如图2所示,本申请实施例提供的方法还包括:
构建产品温度区间,所述产品温度区间通过所述红外热像仪进行数据的预采集获得;
对所述产品温度区间进行温度集中分析,确定标定温度值;
以所述产品温度区间和所述标定温度值作为初始化数据,对所述红外热像仪进行自适应初始化;
根据自适应初始化后的所述红外热像仪完成所述红外图像构建。
具体而言,通过所述红外热像仪对标定钢结构件的焊接部位进行数据的预采集,获得产品温度区间,所述产品温度区间用以表征标定钢结构件的焊接部位在上述红外热像仪采集的红外图像中所显示的温度成像范围,对产品温度区间中温度值进行集中分析,将出现频次最高的温度值作为标定温度值,以所述产品温度区间和所述标定温度值作为初始化数据对红外热像仪进行自适应初始化,进而用初始化后的红外热像仪对待检测的钢结构件的焊接区域进行红外成像,构建红外图像。
通过基于标定钢结构件的焊接部位的温度特征对红外热像仪进行自适应初始化,保证了红外图像的标准化,进而保证了质量检测的准确性。
本申请实施例提供的方法还包括:
配置宽容值;
对所述红外图像进行像素遍历,并依据遍历结果的像素集中值和所述宽容值生成常态判别像素区间;
通过所述常态判别像素区间进行所述红外图像的异常区域识别;
基于异常区域识别结果完成图像预处理。
具体而言,为了保证质量检测效率和焊接部位缺陷识别的准确性,需要对构建的所述红外图像进行预处理,进而依据预处理的结果进行特征遍历,识别出焊接区域的异常缺陷。在本申请实施例中,首先配置宽容值,所述宽容值为由本领域技术人员自定义设置的红外图像的像素容错值,进而对所述红外图像进行像素遍历,以遍历结果中像素集中区域的像素值和所述宽容值为基础,生成常态判别像素区间,所述常态判别像素区间为钢结构件的焊接部位未发生异常缺陷时红外图像的像素区间,以所述常态判别像素区间为基准,进行待检测钢结构件焊接部位的红外图像像素遍历,获得异常区域识别结果,进而对红外图像中的异常区域进行标定,获得具有异常标识的红外图像,由此完成了图像预处理。
通过配置宽容值对红外图像进行预处理,降低了算力需求,提高处理效率,同时降低了异常区域识别的敏感度,提高了缺陷异常检测结果的包容性,进而保证了监测效率。
本申请实施例提供的方法还包括:
对所述异常区域识别结果进行边缘的柔化扩充;
通过大数据搭建异常特征数据库,通过所述异常特征数据库执行柔化扩充后的所述异常区域识别结果的图像特征遍历;
根据遍历结果生成所述第二质量检测结果。
具体而言,为了保证异常区域识别的完备性,避免局域差异造成识别偏差,对所述异常区域识别结果进行柔化扩充处理,基于预定区间进行边缘外扩,对柔化扩充后的所述异常区域识别结果的图像进行异常特征数据库的图像特征遍历,进而依据遍历结果生成所述第二质量检测结果,其中,所述异常特征数据库基于大数据进行搭建,所述异常特征数据库中包含了与异常缺陷类型图像具有对应关系的关联数据,通过对所述异常区域识别结果进行边缘的柔化扩充,保证了异常缺陷识别的全面性,进而提高了监测的准确性。
本申请实施例提供的方法还包括:
对钢结构件进行生产分析,生成缺陷频率约束;
基于所述缺陷频率约束生成异常特征数据库的特征调用优先级约束;
通过所述特征调用优先级约束执行柔化扩充后的所述异常区域识别结果的图像特征遍历。
具体而言,在钢结构件进行异常缺陷特征识别的过程中,由于相似异常缺陷特征可能会对应多种缺陷类型,致使缺陷识别结果具有不唯一性,因此,基于钢结构件的生产过程进行生产分析,生成缺陷频率约束,所述缺陷频率约束表征为以在生产过程中出现异常缺陷类型的频次作为约束条件,进而依据所述缺陷频率约束生成异常特征数据库的特征调用优先级约束,即以相似缺陷特征所对应的出现频次为基础进行优先级排序,当识别到柔化扩充后的所述异常区域识别结果的图像特征时,以特征调用优先级作为约束条件,先调用优先级最高的缺陷类型为本次质量检测的结果,通过基于特征调用优先级约束进行异常区域识别结果的获取,提高了缺陷识别效率,进而保证了监测速度。
根据所述第一质量检测结果、所述第二质量检测结果和像素值分割线生成钢结构件的质量检测结果,所述像素值分割线为所述保留分割结果和扩充割离结果的分割线。
具体而言,结合所述钢结构件的非焊接区域和焊接区域的分割线,分别对非焊接区域以及焊接区域进行质量检测,再将质量检测结果进行综合处理对钢结构件的整体质量进行把控,解决了现有技术中进行钢结构件生产质量监测时存在检测方法适应性差、检测不全面、准确性低,导致生产效率低、生产质量差的技术问题,达到了提高质量检测的准确性,进而提高生产效率,保证生产质量的技术效果。
如图4所示,本申请实施例提供的方法还包括:
建立钢结构件的异常检测数据库;
通过所述异常检测数据库进行基于时序变化的缺陷异常分析;
根据缺陷异常分析结果生成生产的映射补偿数据;
依据所述映射补偿数据进行钢结构件生产的反馈控制。
具体而言,为了提高钢结构件的生产效率,保证生产质量,可以对钢结构件的生产控制流程进行反馈调节。在本实施例中,基于历史数据构建钢结构件的异常检测数据库,所述异常检测数据库中包括了钢结构件产生缺陷异常和出现检测偏差时对应的生产数据,进而对异常检测数据库中的生产数据进行基于时序的缺陷以及偏差分析,获得映射补偿数据,将产线在某一时序容易出现对应的缺陷异常数据、检测偏差数据以及补偿数据作为所述异常检测数据库的存储内容,当钢结构件生产处于某一时序,调用异常检测数据库中存储的对应于该时序的补偿数据对该生产流程进行控制补偿,进而提高了钢结构件的生产质量。
实施例二:基于与前述实施例中一种钢结构件生产质量监测方法同样发明构思,本发明还提供了一种钢结构件生产质量监测方法的系统,系统可以由硬件和/或软件的方式来实现,一般可集成于电子设备中,用于执行本发明任意实施例所提供的方法。如图5所示,所述系统包括:
特征集合构建模块11,用于建立钢结构件的特征集合,所述特征集合包括形状特征、焊接特征和尺寸特征,所述特征集合通过采集所述钢结构件的设计数据构建;
检测定位模块12,用于构建检测定位,并分布CCD传感器、红外热像仪,依据分布结果建立与所述特征集合具有检测映射关系的识别区域;
图像集构建模块13,用于当钢结构件到达检测点,并触发检测认证时,通过所述CCD传感器对所述钢结构件执行数据采集,构建基础图像集;
像素值分割模块14,用于对所述基础图像集进行像素值分割,通过分割结果和所述识别区域的映射关系确定保留分割结果和扩充割离结果,并对保留分割结果执行二值缺陷识别,生成第一质量检测结果;
红外图像构建模块15,用于以所述扩充割离结果作为识别位置参考,通过所述红外热像仪进行所述钢结构件数据采集,构建红外图像;
预处理模块16,用于对所述红外图像进行图像预处理,并基于预处理结果进行特征遍历,生成第二质量检测结果;
质检结果获得模块17,用于根据所述第一质量检测结果、所述第二质量检测结果和像素值分割线生成钢结构件的质量检测结果,所述像素值分割线为所述保留分割结果和扩充割离结果的分割线。
进一步而言,所述系统还包括:
产品温度区间构建模块,用于构建产品温度区间,所述产品温度区间通过所述红外热像仪进行数据的预采集获得;
标定温度值确定模块,用于对所述产品温度区间进行温度集中分析,确定标定温度值;
自适应初始化模块,用于以所述产品温度区间和所述标定温度值作为初始化数据,对所述红外热像仪进行自适应初始化;
图像构建模块,用于根据自适应初始化后的所述红外热像仪完成所述红外图像构建。
进一步而言,所述系统还包括:
基础像素灰度区间设定模块,用于设定基础像素灰度区间,所述基础像素灰度区间通过采集标定钢结构件的非焊接位置图像确定;
标准像素块区域分割模块,用于对所述基础图像集进行灰度处理,并初始分割为标准像素块区域;
比对像素区间确定模块,用于以所述标准像素块区域的中心像素为参考像素,对所述基础像素灰度区间进行范围匹配,根据范围匹配结果确定各个标准像素块区域的比对像素区间;
二值化比对模块,用于通过所述比对像素区间执行对应标准像素块区域的二值化比对,根据比对结果确定所述像素值分割线,并完成保留分割结果的二值缺陷识别。
进一步而言,所述系统还包括:
宽容值配置模块,用于配置宽容值;
常态判别像素区间生成模块,用于对所述红外图像进行像素遍历,并依据遍历结果的像素集中值和所述宽容值生成常态判别像素区间;
异常区域识别模块,用于通过所述常态判别像素区间进行所述红外图像的异常区域识别;
图像预处理模块,用于基于异常区域识别结果完成图像预处理。
进一步而言,所述系统还包括:
柔化扩充模块,用于对所述异常区域识别结果进行边缘的柔化扩充;
异常特征数据库搭建模块,用于通过大数据搭建异常特征数据库,通过所述异常特征数据库执行柔化扩充后的所述异常区域识别结果的图像特征遍历;
第二质量检测结果生成模块,用于根据遍历结果生成所述第二质量检测结果。
进一步而言,所述系统还包括:
缺陷频率约束生成模块,用于对钢结构件进行生产分析,生成缺陷频率约束;
特征调用优先级约束生成模块,用于基于所述缺陷频率约束生成异常特征数据库的特征调用优先级约束;
图像特征遍历模块,用于通过所述特征调用优先级约束执行柔化扩充后的所述异常区域识别结果的图像特征遍历。
进一步而言,所述系统还包括:
异常检测数据库构建模块,用于建立钢结构件的异常检测数据库;
缺陷异常分析模块,用于通过所述异常检测数据库进行基于时序变化的缺陷异常分析;
映射补偿数据生成模块,用于根据缺陷异常分析结果生成生产的映射补偿数据;
反馈控制模块,用于依据所述映射补偿数据进行钢结构件生产的反馈控制。
本说明书通过前述对一种钢结构件生产质量监测方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种钢结构件生产质量监测方法及系统,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种钢结构件生产质量监测方法,其特征在于,所述方法包括:
建立钢结构件的特征集合,所述特征集合包括形状特征、焊接特征和尺寸特征,所述特征集合通过采集所述钢结构件的设计数据构建;
构建检测定位,并分布CCD传感器、红外热像仪,依据分布结果建立与所述特征集合具有检测映射关系的识别区域;
当钢结构件到达检测点,并触发检测认证时,通过所述CCD传感器对所述钢结构件执行数据采集,构建基础图像集;
对所述基础图像集进行像素值分割,通过分割结果和所述识别区域的映射关系确定保留分割结果和扩充割离结果,并对保留分割结果执行二值缺陷识别,生成第一质量检测结果;
以所述扩充割离结果作为识别位置参考,通过所述红外热像仪进行所述钢结构件数据采集,构建红外图像;
对所述红外图像进行图像预处理,并基于预处理结果进行特征遍历,生成第二质量检测结果;
根据所述第一质量检测结果、所述第二质量检测结果和像素值分割线生成钢结构件的质量检测结果,所述像素值分割线为所述保留分割结果和扩充割离结果的分割线;
所述对所述红外图像进行图像预处理,并基于预处理结果进行特征遍历,生成第二质量检测结果,还包括:
配置宽容值;
对所述红外图像进行像素遍历,并依据遍历结果的像素集中值和所述宽容值生成常态判别像素区间;
通过所述常态判别像素区间进行所述红外图像的异常区域识别;
基于异常区域识别结果完成图像预处理;
所述方法还包括:
对所述异常区域识别结果进行边缘的柔化扩充;
通过大数据搭建异常特征数据库,通过所述异常特征数据库执行柔化扩充后的所述异常区域识别结果的图像特征遍历;
根据遍历结果生成所述第二质量检测结果;
所述方法还包括:
对钢结构件进行生产分析,生成缺陷频率约束;
基于所述缺陷频率约束生成异常特征数据库的特征调用优先级约束;
通过所述特征调用优先级约束执行柔化扩充后的所述异常区域识别结果的图像特征遍历。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
构建产品温度区间,所述产品温度区间通过所述红外热像仪进行数据的预采集获得;
对所述产品温度区间进行温度集中分析,确定标定温度值;
以所述产品温度区间和所述标定温度值作为初始化数据,对所述红外热像仪进行自适应初始化;
根据自适应初始化后的所述红外热像仪完成所述红外图像构建。
3.如权利要求1所述的方法,其特征在于,所述方法还包括:
设定基础像素灰度区间,所述基础像素灰度区间通过采集标定钢结构件的非焊接位置图像确定;
对所述基础图像集进行灰度处理,并初始分割为标准像素块区域;
以所述标准像素块区域的中心像素为参考像素,对所述基础像素灰度区间进行范围匹配,根据范围匹配结果确定各个标准像素块区域的比对像素区间;
通过所述比对像素区间执行对应标准像素块区域的二值化比对,根据比对结果确定所述像素值分割线,并完成保留分割结果的二值缺陷识别。
4.如权利要求1所述的方法,其特征在于,所述方法还包括:
建立钢结构件的异常检测数据库;
通过所述异常检测数据库进行基于时序变化的缺陷异常分析;
根据缺陷异常分析结果生成生产的映射补偿数据;
依据所述映射补偿数据进行钢结构件生产的反馈控制。
5.一种钢结构件生产质量监测系统,其特征在于,所述系统用于执行权利要求1至4任一项所述的方法,所述系统包括:
特征集合构建模块,用于建立钢结构件的特征集合,所述特征集合包括形状特征、焊接特征和尺寸特征,所述特征集合通过采集所述钢结构件的设计数据构建;
检测定位模块,用于构建检测定位,并分布CCD传感器、红外热像仪,依据分布结果建立与所述特征集合具有检测映射关系的识别区域;
图像集构建模块,用于当钢结构件到达检测点,并触发检测认证时,通过所述CCD传感器对所述钢结构件执行数据采集,构建基础图像集;
像素值分割模块,用于对所述基础图像集进行像素值分割,通过分割结果和所述识别区域的映射关系确定保留分割结果和扩充割离结果,并对保留分割结果执行二值缺陷识别,生成第一质量检测结果;
红外图像构建模块,用于以所述扩充割离结果作为识别位置参考,通过所述红外热像仪进行所述钢结构件数据采集,构建红外图像;
预处理模块,用于对所述红外图像进行图像预处理,并基于预处理结果进行特征遍历,生成第二质量检测结果;
质检结果获得模块,用于根据所述第一质量检测结果、所述第二质量检测结果和像素值分割线生成钢结构件的质量检测结果,所述像素值分割线为所述保留分割结果和扩充割离结果的分割线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311333885.2A CN117408958B (zh) | 2023-10-16 | 2023-10-16 | 一种钢结构件生产质量监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311333885.2A CN117408958B (zh) | 2023-10-16 | 2023-10-16 | 一种钢结构件生产质量监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117408958A CN117408958A (zh) | 2024-01-16 |
CN117408958B true CN117408958B (zh) | 2024-03-26 |
Family
ID=89486402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311333885.2A Active CN117408958B (zh) | 2023-10-16 | 2023-10-16 | 一种钢结构件生产质量监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117408958B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112881467A (zh) * | 2021-03-15 | 2021-06-01 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种大尺寸复合材料损伤成像与定量识别方法 |
CN115082464A (zh) * | 2022-08-22 | 2022-09-20 | 南通翡利达液压科技有限公司 | 除尘机焊接过程中焊缝数据的识别方法及系统 |
CN116416249A (zh) * | 2023-06-08 | 2023-07-11 | 张家港市民华塑胶有限公司 | 一种人造运动草丝的质量检测评估方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230011569A1 (en) * | 2021-07-09 | 2023-01-12 | Changxin Memory Technologies, Inc. | Method and apparatus for detecting defect, device, and storage medium |
-
2023
- 2023-10-16 CN CN202311333885.2A patent/CN117408958B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112881467A (zh) * | 2021-03-15 | 2021-06-01 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种大尺寸复合材料损伤成像与定量识别方法 |
CN115082464A (zh) * | 2022-08-22 | 2022-09-20 | 南通翡利达液压科技有限公司 | 除尘机焊接过程中焊缝数据的识别方法及系统 |
CN116416249A (zh) * | 2023-06-08 | 2023-07-11 | 张家港市民华塑胶有限公司 | 一种人造运动草丝的质量检测评估方法及系统 |
Non-Patent Citations (1)
Title |
---|
红外图像处理技术在金属表面缺陷检测中的应用;徐长航 等;制造业自动化;20091031;第31卷(第10期);51-54 * |
Also Published As
Publication number | Publication date |
---|---|
CN117408958A (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112581451B (zh) | 一种基于激光雷达的仓库线卷位置检测系统及方法 | |
CN115082464A (zh) | 除尘机焊接过程中焊缝数据的识别方法及系统 | |
JP2014006222A (ja) | コンクリート表面の変状検出方法及び装置 | |
CN114693633A (zh) | 一种焊接缺陷检测方法、装置以及检测系统 | |
CN111815555A (zh) | 对抗神经网络结合局部二值的金属增材制造图像检测方法及装置 | |
CN111598889B (zh) | 均压环倾斜故障的识别方法、装置、计算机设备 | |
CN111539927B (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测方法 | |
CN112085708B (zh) | 产品外轮廓中的直线边缘的缺陷检测方法及设备 | |
CN112884743B (zh) | 检测方法及装置、检测设备和存储介质 | |
KR20120089541A (ko) | 웨이퍼 정합 방법 및 시스템 | |
CN116465315B (zh) | 一种网版质量自动化检测方法及系统 | |
CN113077416A (zh) | 一种基于图像处理的焊点焊接缺陷检测方法与系统 | |
CN115713476A (zh) | 基于激光焊接的视觉检测方法、装置及可读存储介质 | |
CN117408958B (zh) | 一种钢结构件生产质量监测方法及系统 | |
CN111539951B (zh) | 一种陶瓷砂轮头轮廓尺寸视觉检测方法 | |
JP2014126445A (ja) | 位置合せ装置、欠陥検査装置、位置合せ方法、及び制御プログラム | |
CN116258838A (zh) | 一种用于管片模具合模系统的智能视觉引导方法 | |
CN114219802B (zh) | 一种基于图像处理的蒙皮连接孔孔位检测方法 | |
CN113469991B (zh) | 一种锂电池极耳激光焊点视觉在线检测方法 | |
CN104570934A (zh) | 产品加工部位检测方法及系统 | |
CN113469988A (zh) | 一种缺陷识别方法 | |
CN115830118B (zh) | 一种基于双目相机的水泥电杆的裂纹检测方法和系统 | |
CN112149656A (zh) | 箱体透气罩区域确定方法、装置、计算机设备和存储介质 | |
CN117078601A (zh) | 一种兴趣区碎片化工业视觉检测方法及系统 | |
CN117522830A (zh) | 用于检测锅炉腐蚀的点云扫描系统 |
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 |