CN117522868B - 一种焊管生产质量视觉检测方法 - Google Patents
一种焊管生产质量视觉检测方法 Download PDFInfo
- Publication number
- CN117522868B CN117522868B CN202410011131.3A CN202410011131A CN117522868B CN 117522868 B CN117522868 B CN 117522868B CN 202410011131 A CN202410011131 A CN 202410011131A CN 117522868 B CN117522868 B CN 117522868B
- Authority
- CN
- China
- Prior art keywords
- crack
- region
- suspected
- welded pipe
- area
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 19
- 238000011179 visual inspection Methods 0.000 title claims description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 49
- 230000011218 segmentation Effects 0.000 claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 12
- 230000000007 visual effect Effects 0.000 abstract description 4
- 238000009826 distribution Methods 0.000 description 8
- 230000007547 defect Effects 0.000 description 7
- 238000013459 approach Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003647 oxidation Effects 0.000 description 4
- 238000007254 oxidation reaction Methods 0.000 description 4
- 230000000977 initiatory effect Effects 0.000 description 3
- 238000003466 welding Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 2
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000159 protein binding assay Methods 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
-
- 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
本发明涉及图像区域分割技术领域,具体涉及一种焊管生产质量视觉检测方法。该方法从焊管灰度图像的每个子区域内的像素点中筛选出疑似裂纹像素点,由疑似裂纹像素点构成的连通域为疑似裂纹区域;获取每个疑似裂纹区域的连续度与渐变度,结合分析筛选出焊管裂纹区域,基于焊管裂纹区域对焊管质量进行检测。本发明基于氧化层区域与焊管裂纹的灰度程度与连续程度之间的差异,提高从疑似裂纹区域中筛选出焊管裂纹的准确率,降低焊管质量检测出现误差的概率。
Description
技术领域
本发明涉及图像区域分割技术领域,具体涉及一种焊管生产质量视觉检测方法。
背景技术
焊管质量检测是焊接行业中至关重要的环节之一,焊管表面的裂纹影响焊管质量,裂纹降低了焊管的承载能力,破坏焊接结构,间接延误施工工期。因此,对焊管进行质量检测是焊管出厂前的重要环节。
现有技术通常使用阈值分割获取焊管图像中的裂缝区域,但是由于焊管容易被氧化,且焊管的氧化区域与裂缝区域的颜色较为接近,使用阈值分割无法将氧化区域与裂缝区域进行区分,导致焊管的裂缝区域识别不准确,降低焊管质量检测的准确率。
发明内容
为了解决焊管中氧化区域与裂缝区域的颜色较为接近,通过阈值分割无法进行区分,降低焊管质量检测的准确率的技术问题,本发明的目的在于提供一种焊管生产质量视觉检测方法,所采用的技术方案具体如下:
本发明提出了一种焊管生产质量视觉检测方法,该方法包括:
获取焊管灰度图像;
将焊管灰度图像划分为至少两个子区域;获取每个子区域内的高灰度像素点与低灰度像素点,根据每个子区域内高灰度像素点的灰度值与总数量,和低灰度像素点的灰度值与总数量,从每个子区域内的像素点中筛选出疑似裂纹像素点;
将由所述疑似裂纹像素点构成的连通域作为疑似裂纹区域;依据每个疑似裂纹区域内疑似裂纹像素点之间的距离与疑似裂纹像素点个数,获取每个疑似裂纹区域的连续度;
根据每个疑似裂纹区域内每个疑似裂纹像素点在每个预设方向上相邻的疑似裂纹像素点的灰度值之间的差异,获取每个疑似裂纹区域的渐变度;
结合所述连续度与所述渐变度从疑似裂纹区域中筛选出焊管裂纹区域;基于所述焊管裂纹区域对焊管质量进行检测。
进一步地,所述从每个子区域内的像素点中筛选出疑似裂纹像素点的方法,包括:
根据每个子区域内高灰度像素点的灰度值与总数量,和低灰度像素点的灰度值与总数量,获取每个子区域的局部分割阈值;
将每个子区域内灰度值小于所述局部分割阈值的像素点作为疑似裂纹像素点。
进一步地,所述每个子区域的局部分割阈值的计算公式如下:
式中,Q为每个子区域的所述局部分割阈值;为每个子区域内所有像素点的灰度值的均值;/>为每个子区域内高灰度像素点的灰度值的均值;/>每个子区域内低灰度像素点的灰度值的均值;N1为每个子区域内高灰度像素点的总数量;N2为每个子区域内低灰度像素点的总数量;a为第一预设正数;Max为最大值函数;Norm为归一化函数。
进一步地,所述获取每个疑似裂纹区域的连续度的方法,包括:
对于每个疑似裂纹区域,计算疑似裂纹区域内任意两个像素点之间的欧式距离,将所述欧式距离的最大值作为疑似裂纹区域的判断距离;
根据每个疑似裂纹区域内像素点的总数量与所述判断距离,获取每个疑似裂纹区域的连续度;所述判断距离与所述连续度为正相关的关系,每个疑似裂纹区域内像素点的总数量与所述连续度为负相关的关系。
进一步地,所述获取每个疑似裂纹区域的渐变度的方法,包括:
选取任意一个疑似裂纹区域内任意一个疑似裂纹像素点作为分析像素点,将分析像素点作为生长点进行区域生长,在生长点的预设窗口内,将生长点在每个预设方向上的疑似裂纹像素点作为新的生长点进行区域生长,直至在新的生长点的预设窗口内,新的生长点在每个预设方向上不存在疑似裂纹像素点时停止区域生长,得到分析像素点在每个预设方向的分析区域;所述分析区域为单像素宽度;
根据分析像素点在每个预设方向的所述分析区域中相邻像素点的灰度值之间的差异,获取分析像素点在每个预设方向的渐变初始度;
将最大的所述渐变初始度作为分析像素点的渐变基准度;将每个疑似裂纹区域内所有疑似裂纹像素点的所述渐变基准度的最大值作为每个疑似裂纹区域的渐变度。
进一步地,所述分析像素点在每个预设方向的渐变初始度的计算公式如下:
式中,为分析像素点在每个预设方向的所述渐变初始度;/>为分析像素点在每个预设方向的所述分析区域中第k个像素点的灰度值;/>为分析像素点在每个预设方向的所述分析区域中第k+1个像素点的灰度值;L为分析像素点在每个预设方向的分析区域中像素点的总数量;/>为绝对值函数。
进一步地,所述结合所述连续度与所述渐变度从疑似裂纹区域中筛选出焊管裂纹区域的方法,包括:
结合每个疑似裂纹区域的所述连续度与所述渐变度,获取每个疑似裂纹区域的裂纹可能度;
将大于预设裂纹阈值的裂纹可能度对应的疑似裂纹区域作为焊管裂纹区域。
进一步地,所述每个疑似裂纹区域的裂纹可能度的计算公式如下:
式中,W为每个疑似裂纹区域的所述裂纹可能度;T为每个疑似裂纹区域的连续度;为所有疑似裂纹区域的连续度的最小值;/>为所有疑似裂纹区域的连续度的最大值;b为第二预设正数,所述第二预设正数的取值范围为/>;/>为每个疑似裂纹区域的渐变度;Norm为归一化函数;exp为以自然常数e为底数的指数函数;/>为绝对值函数。
进一步地,所述基于所述焊管裂纹区域对焊管质量进行检测的方法,包括:
当焊管灰度图像中存在焊管裂纹区域时,焊管质量不合格;当焊管灰度图像中不存在焊管裂纹区域时,焊管质量合格。
进一步地,所述获取每个子区域内的高灰度像素点与低灰度像素点的方法,包括:
将每个子区域内所有像素点的灰度值均值作为每个子区域的基准值;
将每个子区域内灰度值大于所述基准值的像素点作为高灰度像素点,灰度值小于所述基准值的像素点作为低灰度像素点。
本发明具有如下有益效果:
本发明实施例中,由于焊管表面的氧化层与裂纹分布位置较为随机,将焊管灰度图像划分为多个子区域进行分析,以提高分析的准确性;高灰度像素点代表正常焊管区域的像素点,低灰度像素点代表氧化层与焊管裂纹位置的像素点,这两类像素点的灰度值与数量综合分析以提高对子区域内像素点进行类别划分的阈值的准确性,进而降低疑似裂纹像素点筛选出现的误差;疑似裂纹区域代表氧化层区域与焊管裂纹,两者的区域连续程度与灰度值的渐变程度存在差异,据此获取疑似裂纹区域的连续度与渐变度,综合上述两个因素使筛选出焊管裂纹区域能够较为准确地呈现真实焊管裂纹,降低焊管的裂缝区域识别出现误差的可能性,提高焊管质量检测的准确率。
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所提供的一种焊管生产质量视觉检测方法的方法流程图;
图2为本发明一个实施例所提供的焊管灰度图像示意图;
图3为本发明一个实施例所提供的疑似裂纹区域中疑似裂纹像素点的分析区域示意图。
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生产质量视觉检测方法,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。
本发明所针对的具体场景:在利用大津阈值分割进行焊管裂纹缺陷的检测过程中,由于焊管在焊接时产生的氧化层会在图像分割时对裂纹缺陷的获取造成干扰,以至于无法得到焊管的裂纹缺陷区域。本发明通过结合氧化层区域与裂纹缺陷区域的差异性对自适应分割的结果进行筛选,达到对焊管裂纹缺陷检测的效果。
下面结合附图具体的说明本发明所提供的一种焊管生产质量视觉检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种焊管生产质量视觉检测方法的方法流程图,该方法包括:
步骤S1:获取焊管灰度图像。
具体的,使用工业相机拍摄生产出的焊管的俯视图像,得到焊管初始图像,焊管初始图像为RGB图像。对焊管初始图像进行灰度化与去噪处理,得到焊管初始灰度图像。焊管初始灰度图像中包含生产背景区域与焊管区域,为消除无关区域对后续分析的影响,利用语义分割去除无关的背景区域,将留下的焊管区域作为焊管灰度图像。图2为本发明一个实施例所提供的焊管灰度图像示意图。
需要说明的是,本发明实施例中选用加权平均灰度化算法进行灰度化处理,使用高斯滤波进行去噪处理,语义分割,具体方法在此不做介绍,均为本领域技术人员熟知的技术手段。在本发明其他实施例中也可选用其他图像采集装置及图像预处理算法,利用神经网络获取焊管灰度图像,图像采集和图像预处理算法均为本领域技术人员熟知的技术手段,在此不做限定。
步骤S2:将焊管灰度图像划分为至少两个子区域;获取每个子区域内的高灰度像素点与低灰度像素点,根据每个子区域内高灰度像素点的灰度值与总数量,和低灰度像素点的灰度值与总数量,从每个子区域内的像素点中筛选出疑似裂纹像素点。
焊管表面可能出现氧化层与裂纹,氧化层、裂纹区域与正常焊管区域的特征存在差异且分布位置较为随机,直接对整张图像分析容易降低分析的准确性,因此将焊管灰度图像划分为多个子区域进行分析。
本发明实施例中子区域的尺寸为,实施者可根据具体情况自行设置。
焊管一般呈银灰色,氧化层通常呈现蓝黑色,焊管裂纹的颜色通常较深,则氧化层与焊管裂纹的灰度特征相似,相较于焊管正常区域的灰度特征,氧化层与焊管裂纹的灰度特征较小。如图2所示,图2中R1区域为焊管裂纹,R2区域、R3区域、R4区域与R5区域均为焊管表面的氧化区域。
现有技术通过自适应分割获取焊管灰度图像中的裂纹区域,但是由于氧化层与焊管裂纹区域的灰度特征相似,即两者灰度值与邻近区域的灰度差异、缺陷延伸方向和氧化层分布方向在图像中的方向都是连续的,导致实际分割结果为焊管裂纹与氧化区域组成的混合区域,无法直接分割出焊管裂纹。本发明先获取氧化区域与裂纹的区域的混合区域,通过分析氧化区域与焊管裂纹的差异特征获取焊管裂纹。
将每个子区域内所有像素点的灰度值均值作为每个子区域的基准值;将每个子区域内灰度值大于基准值的像素点作为高灰度像素点,灰度值小于基准值的像素点作为低灰度像素点。
子区域内的高灰度像素点有较大可能代表正常焊管区域,低灰度像素点代表氧化层区域与焊管裂纹的像素点的可能较大;子区域内高灰度像素点的灰度值与数量和低灰度像素点的灰度值与数量,影响对子区域进行前景和背景区域分割的阈值即局部分割阈值的准确性,进而从子区域中筛选出疑似裂纹像素点。
根据每个子区域内高灰度像素点的灰度值与总数量,和低灰度像素点的灰度值与总数量,获取每个子区域的局部分割阈值。每个子区域的局部分割阈值的计算公式如下:
式中,Q为每个子区域的局部分割阈值;为每个子区域内所有像素点的灰度值的均值;/>为每个子区域内高灰度像素点的灰度值的均值;/>每个子区域内低灰度像素点的灰度值的均值;N1为每个子区域内高灰度像素点的总数量;N2为每个子区域内低灰度像素点的总数量;a为第一预设正数,取经验值0.01,作用为防止分母为零导致分式无意义;Max为最大值函数;Norm为归一化函数。
本发明将每个子区域内所有像素点的灰度值的均值作为对该子区域内像素点进行类别划分的基准阈值,将/>作为调整系数,对/>进行调整,以获取子区域的局部分割阈值。
已知,相较于焊管正常区域的灰度特征,氧化层与焊管裂纹的灰度特征较小。当越大时,在子区域内相较于氧化层与裂纹的混合区域的面积,焊管正常区域面积越大,面积通过像素点数量衡量,为更好地对子区域内背景区域即正常焊管区域与前景区域即氧化层和裂纹的混合区域进行分割,子区域的局部分割阈值应越小;因此,需要对/>进行较大程度地调整。当/>越大时,/>越小,则对子区域内所有像素点的灰度值的均值/>的调整程度越大,以提高对裂纹缺陷的分割效果。
若无限趋近于1,使/>无限趋近于0,容易出现下述问题:当前子区域内可能存在氧化层与裂纹的混合区域,但是由于过小,导致子区域的局部分割阈值过小,无法将子区域内存在的氧化层与裂纹的混合区域的像素点分割出来。因此,本发明通过选取与子区域内低灰度像素点的灰度值的均值/>中的最大值作为子区域的局部分割阈值,以避免上述可能出现的问题。
将每个子区域内灰度值小于局部分割阈值的像素点作为疑似裂纹像素点。需要说明的是,疑似裂纹像素点可能为氧化层中的像素点与焊管裂纹的像素点。
步骤S3:将由疑似裂纹像素点构成的连通域作为疑似裂纹区域;依据每个疑似裂纹区域内疑似裂纹像素点之间的距离与疑似裂纹像素点个数,获取每个疑似裂纹区域的连续度。
将由焊管灰度图像中疑似裂纹像素点构成的连通域作为疑似裂纹区域,疑似裂纹区域可能为氧化层区域与焊管裂纹区域。
氧化层区域和焊管裂纹虽然均存在一定连续性,但是两者之间的连续性差异过大,氧化层区域的连续性远远大于焊管裂纹区域,依据该特征获取疑似裂纹区域的连续度。
优选地,疑似裂纹区域的连续度的具体获取方法为:对于每个疑似裂纹区域,计算疑似裂纹区域内任意两个像素点之间的欧式距离,将欧式距离的最大值作为疑似裂纹区域的判断距离;根据每个疑似裂纹区域内像素点的总数量与判断距离,获取每个疑似裂纹区域的连续度;判断距离与连续度为正相关的关系,每个疑似裂纹区域内像素点的总数量与连续度为负相关的关系。
作为一个示例,对于每个疑似裂纹区域,将疑似裂纹区域的判断距离与疑似裂纹区域内像素点总数量的比值作为疑似裂纹区域的连续度。获取疑似裂纹区域内两两像素点之间的欧式距离,将上述欧式距离中的最大值作为疑似裂纹区域的判断距离,本发明通过判断距离体现疑似裂纹区域的最大连续长度,当判断距离越大时,疑似裂纹区域越连续,疑似裂纹区域的连续度越大。在判断距离越大时,当疑似裂纹区域内像素点总数量越小,说明疑似裂纹区域在连续性长度所处方向上分布的像素点更多更集中,即疑似裂纹区域中存在较少像素点分布在对该区域连续性影响小的位置上,疑似裂纹区域的连续度T越大。
步骤S4:根据每个疑似裂纹区域内每个疑似裂纹像素点在每个预设方向上相邻的疑似裂纹像素点的灰度值之间的差异,获取每个疑似裂纹区域的渐变度。
焊管裂纹的灰度变化是不存在渐变性的,而氧化层区域在焊接时氧化物附着过程因距离远近等原因,导致氧化层区域的灰度是渐变的,即由内侧靠近外侧的灰度值是逐渐增大或者减小。本发明根据焊管裂纹与氧化层区域的灰度渐变特征之间的差异,获取疑似裂纹区域的渐变度。
优选地,疑似裂纹区域的渐变度的具体获取方法为:选取任意一个疑似裂纹区域内任意一个疑似裂纹像素点作为分析像素点,将分析像素点作为生长点进行区域生长,在生长点的预设窗口内,将生长点在每个预设方向上的疑似裂纹像素点作为新的生长点进行区域生长,直至在新的生长点的预设窗口内,新的生长点在每个预设方向上不存在疑似裂纹像素点时停止区域生长,得到分析像素点在每个预设方向的分析区域;分析区域为单像素宽度;根据分析像素点在每个预设方向的分析区域中相邻像素点的灰度值之间的差异,获取分析像素点在每个预设方向的渐变初始度;将最大的渐变初始度作为分析像素点的渐变基准度;将每个疑似裂纹区域内所有疑似裂纹像素点的渐变基准度的最大值作为每个疑似裂纹区域的渐变度。
需要说明的是,本发明实施例中疑似裂纹像素点的预设窗口的尺寸取经验值,疑似裂纹像素点位于其预设窗口的中心位置,实施者可根据具体情况自行设置。对于每个疑似裂纹像素点,将疑似裂纹像素点指向其预设窗口内除该裂纹像素点外的其余每个像素点的方向作为疑似裂纹像素点的预设方向,在疑似裂纹像素点的/>尺寸的预设窗口内,将疑似裂纹像素点指向其正上方位置像素点的方向作为疑似裂纹像素点的第一个预设方向,将疑似裂纹像素点指向其右上方位置像素点的方向作为疑似裂纹像素点的第二个预设方向,依次类推,按照顺时针方向,依次得到疑似裂纹像素点的八个预设方向。
(1)获取疑似裂纹区域内疑似裂纹像素点的每个预设方向的分析区域。
图3为本发明一个实施例所提供的疑似裂纹区域中疑似裂纹像素点的分析区域示意图,如图3所示,图3为一个疑似裂纹区域,每个小方格代表一个疑似裂纹像素点,以疑似裂纹像素点A为例进行分析,疑似裂纹像素点A1与A3均位于疑似裂纹像素点A的尺寸的预设窗口内,疑似裂纹像素点A指向疑似裂纹像素点A1的方向为疑似裂纹像素点A的第二预设方向,疑似裂纹像素点A指向疑似裂纹像素点A3的方向为疑似裂纹像素点A的第七预设方向,以疑似裂纹像素点A的第二预设方向为例进行分析。
将疑似裂纹像素点A作为生长点进行区域生长,疑似裂纹像素点A1位于A的预设窗口内,且位于A的第二预设方向上,将疑似裂纹像素点A1作为新的生长点进行区域生长;疑似裂纹像素点A2位于A1的预设窗口内,且位于A的第二预设方向上,将疑似裂纹像素点A2作为新的生长点进行区域生长,由于A2位于疑似裂纹区域的边缘上,至少存在一个预设方向上不存在疑似裂纹像素点,本实施例中疑似裂纹像素点A2的预设窗口内不存在其第二预设方向上的疑似裂纹像素点,则停止区域生长。将由疑似裂纹像素点A、A1与A2构成的区域作为疑似裂纹像素点A在第二预设方向的分析区域,由于在每次区域生长过程中,生长点在每个预设方向上均仅生长出一个疑似裂纹像素点,则分析区域为单像素宽度,可视为线段。疑似裂纹像素点A的第七预设方向的分析区域的获取方法与第二预设方向的分析区域的获取方法相同,由疑似裂纹像素点A、A3与A4构成的区域作为疑似裂纹像素点A在第七预设方向的分析区域。根据上述方法,获取疑似裂纹像素点A的每个预设方向上的分析区域。
其中,区域生长为本领域技术人员公知技术,在此不再赘述。
(2)获取疑似裂纹区域的渐变度。
根据疑似裂纹像素点在每个预设方向的分析区域中相邻像素点的灰度值之间的差异,获取疑似裂纹像素点在每个预设方向的渐变初始度。
需要说明的是,对于位于疑似裂纹区域的边缘上的疑似裂纹像素点,这类疑似裂纹像素点存在至少一个预设方向的分析区域内仅存在该疑似裂纹像素点本身,对于这种分析区域,本发明不进行分析即没有渐变初始度,则本发明实施例中疑似裂纹像素点至少存在一个预设方向有渐变初始度,最多存在八个预设方向有渐变初始度。
分析像素点在每个预设方向的渐变初始度的计算公式如下:
式中,为分析像素点在每个预设方向的渐变初始度;/>为分析像素点在每个预设方向的分析区域中第k个像素点的灰度值;/>为分析像素点在每个预设方向的分析区域中第k+1个像素点的灰度值;L为分析像素点在每个预设方向的分析区域中像素点的总数量;/>为绝对值函数。
表示分析像素点在每个预设方向的分析区域中相邻像素点的灰度差异程度,当/>越大时,说明分析像素点在每个预设方向的灰度渐变程度越大,则渐变初始度J越大。
根据上述方法获取分析像素点在每个预设方向的渐变初始度,将其中的最大值作为分析像素点的渐变基准度。对于每个疑似裂纹区域,根据上述获取分析像素点的渐变基准度的方法,获取疑似裂纹区域内所有疑似裂纹像素点的渐变基准度,本发明实施例中通过疑似裂纹区域中疑似裂纹像素点的渐变基准度的最大值衡量疑似裂纹区域的灰度渐变程度,将疑似裂纹区域中疑似裂纹像素点的渐变基准度的最大值作为疑似裂纹区域的渐变度P。
步骤S5:结合连续度与渐变度从疑似裂纹区域中筛选出焊管裂纹区域;基于焊管裂纹区域对焊管质量进行检测。
连续度与渐变度依次从区域连续程度与区域的灰度渐变程度呈现氧化层区域与焊管裂纹的特征,将两个因素结合分析使筛选出的焊管裂纹区域的准确性越高。
结合每个疑似裂纹区域的连续度与渐变度,获取每个疑似裂纹区域的裂纹可能度。每个疑似裂纹区域的裂纹可能度的计算公式如下:
式中,W为每个疑似裂纹区域的裂纹可能度;T为每个疑似裂纹区域的连续度;为所有疑似裂纹区域的连续度的最小值;/>为所有疑似裂纹区域的连续度的最大值;b为第二预设正数,第二预设正数的取值范围为/>,取经验值0.5;/>为每个疑似裂纹区域的渐变度;Norm为归一化函数;exp为以自然常数e为底数的指数函数;/>为绝对值函数。
需要说明的是,如图2所示,氧化层呈现较为连续的区域,焊管裂纹的长度较短且中间可能出现断裂,则氧化层区域的连续度大于焊管裂纹的连续度;由于焊管灰度图像中可能存在噪声像素点为识别为疑似裂纹像素点,进而构成疑似裂纹区域,因噪声分布较为离散,所以代表噪声的疑似裂纹区域的连续度小于焊管裂纹的连续度。因此,当疑似裂纹区域的连续度趋近于其分布的中间值时,该疑似裂纹区域为真实焊管裂纹的可能性越大。
表示对每个疑似裂纹区域的连续度在所有疑似裂纹区域的连续度的最大值与最小值的占比的差值程度进行归一化;由于当疑似裂纹区域的连续度趋近于其分布的中间值即/>趋近于0.5时,该疑似裂纹区域为真实焊管裂纹的可能性越大,则本发明实施例中第二预设正数b取经验值0.5,实施者可根据具体情况自行调整。当/>越小时,/>越大,说明每个疑似裂纹区域的连续度趋近于所有连续度分布的中间值,则疑似裂纹区域为真实焊管裂纹的可能性越大,则裂纹可能度W越大。
由于代表真实焊管裂纹与噪声的疑似裂纹区域的灰度分布基本不存在渐变情况,代表氧化层的疑似裂纹区域出现灰度渐变较为明显,则疑似裂纹区域的渐变度P越小时,说明疑似裂纹区域为焊管裂纹与噪声的可能性越大。由于噪声的存在可能影响基于渐变度判断裂纹的准确性,则将与/>结合分析,当/>趋近于0且/>越小时,说明疑似裂纹区域为焊管裂纹的可能性越大,则裂纹可能度W越大。
将大于预设裂纹阈值的裂纹可能度对应的疑似裂纹区域作为焊管裂纹区域。本发明实施例中预设裂纹阈值取经验值0.4,实施者可根据具体情况自行设置。
当焊管灰度图像中存在焊管裂纹区域时,焊管质量不合格;当焊管灰度图像中不存在焊管裂纹区域时,焊管质量合格。
至此,本发明完成。
综上所述,本发明实施例中,从焊管灰度图像的每个子区域内的像素点中筛选出疑似裂纹像素点,由疑似裂纹像素点构成的连通域为疑似裂纹区域;获取每个疑似裂纹区域的连续度与渐变度,结合分析筛选出焊管裂纹区域,基于焊管裂纹区域对焊管质量进行检测。本发明基于氧化层区域与焊管裂纹的灰度程度与连续程度之间的差异,提高从疑似裂纹区域中筛选出焊管裂纹的准确率,降低焊管质量检测出现误差的概率。
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。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。
Claims (8)
1.一种焊管生产质量视觉检测方法,其特征在于,该方法包括:
获取焊管灰度图像;
将焊管灰度图像划分为至少两个子区域;获取每个子区域内的高灰度像素点与低灰度像素点,根据每个子区域内高灰度像素点的灰度值与总数量,和低灰度像素点的灰度值与总数量,从每个子区域内的像素点中筛选出疑似裂纹像素点;
将由所述疑似裂纹像素点构成的连通域作为疑似裂纹区域;依据每个疑似裂纹区域内疑似裂纹像素点之间的距离与疑似裂纹像素点个数,获取每个疑似裂纹区域的连续度;
根据每个疑似裂纹区域内每个疑似裂纹像素点在每个预设方向上相邻的疑似裂纹像素点的灰度值之间的差异,获取每个疑似裂纹区域的渐变度;
结合所述连续度与所述渐变度从疑似裂纹区域中筛选出焊管裂纹区域;基于所述焊管裂纹区域对焊管质量进行检测;
所述从每个子区域内的像素点中筛选出疑似裂纹像素点的方法,包括:
根据每个子区域内高灰度像素点的灰度值与总数量,和低灰度像素点的灰度值与总数量,获取每个子区域的局部分割阈值;
将每个子区域内灰度值小于所述局部分割阈值的像素点作为疑似裂纹像素点;
所述每个子区域的局部分割阈值的计算公式如下:
式中,Q为每个子区域的所述局部分割阈值;为每个子区域内所有像素点的灰度值的均值;/>为每个子区域内高灰度像素点的灰度值的均值;/>每个子区域内低灰度像素点的灰度值的均值;N1为每个子区域内高灰度像素点的总数量;N2为每个子区域内低灰度像素点的总数量;a为第一预设正数;Max为最大值函数;Norm为归一化函数。
2.根据权利要求1所述的一种焊管生产质量视觉检测方法,其特征在于,所述获取每个疑似裂纹区域的连续度的方法,包括:
对于每个疑似裂纹区域,计算疑似裂纹区域内任意两个像素点之间的欧式距离,将所述欧式距离的最大值作为疑似裂纹区域的判断距离;
根据每个疑似裂纹区域内像素点的总数量与所述判断距离,获取每个疑似裂纹区域的连续度;所述判断距离与所述连续度为正相关的关系,每个疑似裂纹区域内像素点的总数量与所述连续度为负相关的关系。
3.根据权利要求1所述的一种焊管生产质量视觉检测方法,其特征在于,所述获取每个疑似裂纹区域的渐变度的方法,包括:
选取任意一个疑似裂纹区域内任意一个疑似裂纹像素点作为分析像素点,将分析像素点作为生长点进行区域生长,在生长点的预设窗口内,将生长点在每个预设方向上的疑似裂纹像素点作为新的生长点进行区域生长,直至在新的生长点的预设窗口内,新的生长点在每个预设方向上不存在疑似裂纹像素点时停止区域生长,得到分析像素点在每个预设方向的分析区域;所述分析区域为单像素宽度;
根据分析像素点在每个预设方向的所述分析区域中相邻像素点的灰度值之间的差异,获取分析像素点在每个预设方向的渐变初始度;
将最大的所述渐变初始度作为分析像素点的渐变基准度;将每个疑似裂纹区域内所有疑似裂纹像素点的所述渐变基准度的最大值作为每个疑似裂纹区域的渐变度。
4.根据权利要求3所述的一种焊管生产质量视觉检测方法,其特征在于,所述分析像素点在每个预设方向的渐变初始度的计算公式如下:
式中,为分析像素点在每个预设方向的所述渐变初始度;/>为分析像素点在每个预设方向的所述分析区域中第k个像素点的灰度值;/>为分析像素点在每个预设方向的所述分析区域中第k+1个像素点的灰度值;L为分析像素点在每个预设方向的分析区域中像素点的总数量;/>为绝对值函数。
5.根据权利要求1所述的一种焊管生产质量视觉检测方法,其特征在于,所述结合所述连续度与所述渐变度从疑似裂纹区域中筛选出焊管裂纹区域的方法,包括:
结合每个疑似裂纹区域的所述连续度与所述渐变度,获取每个疑似裂纹区域的裂纹可能度;
将大于预设裂纹阈值的裂纹可能度对应的疑似裂纹区域作为焊管裂纹区域。
6.根据权利要求5所述的一种焊管生产质量视觉检测方法,其特征在于,所述每个疑似裂纹区域的裂纹可能度的计算公式如下:
式中,W为每个疑似裂纹区域的所述裂纹可能度;T为每个疑似裂纹区域的连续度;为所有疑似裂纹区域的连续度的最小值;/>为所有疑似裂纹区域的连续度的最大值;b为第二预设正数,所述第二预设正数的取值范围为/>;/>为每个疑似裂纹区域的渐变度;Norm为归一化函数;exp为以自然常数e为底数的指数函数;/>为绝对值函数。
7.根据权利要求1所述的一种焊管生产质量视觉检测方法,其特征在于,所述基于所述焊管裂纹区域对焊管质量进行检测的方法,包括:
当焊管灰度图像中存在焊管裂纹区域时,焊管质量不合格;当焊管灰度图像中不存在焊管裂纹区域时,焊管质量合格。
8.根据权利要求1所述的一种焊管生产质量视觉检测方法,其特征在于,所述获取每个子区域内的高灰度像素点与低灰度像素点的方法,包括:
将每个子区域内所有像素点的灰度值均值作为每个子区域的基准值;
将每个子区域内灰度值大于所述基准值的像素点作为高灰度像素点,灰度值小于所述基准值的像素点作为低灰度像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410011131.3A CN117522868B (zh) | 2024-01-04 | 2024-01-04 | 一种焊管生产质量视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410011131.3A CN117522868B (zh) | 2024-01-04 | 2024-01-04 | 一种焊管生产质量视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117522868A CN117522868A (zh) | 2024-02-06 |
CN117522868B true CN117522868B (zh) | 2024-03-29 |
Family
ID=89751646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410011131.3A Active CN117522868B (zh) | 2024-01-04 | 2024-01-04 | 一种焊管生产质量视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117522868B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294140A (zh) * | 2022-10-09 | 2022-11-04 | 南通永卓金属制品有限公司 | 一种五金零件缺陷检测方法及系统 |
CN115880304A (zh) * | 2023-03-08 | 2023-03-31 | 曲阜市巨力铁路轨道工程股份有限公司 | 基于复杂场景下的枕轨缺陷识别方法 |
CN116071387A (zh) * | 2023-03-06 | 2023-05-05 | 曲阜市巨力铁路轨道工程股份有限公司 | 基于机器视觉的枕轨生产质量检测方法 |
CN117095004A (zh) * | 2023-10-20 | 2023-11-21 | 金成技术股份有限公司 | 基于计算机视觉的挖掘机行走架主体焊接变形检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10489903B2 (en) * | 2015-04-27 | 2019-11-26 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | Stepwise refinement detection method for pavement cracks |
-
2024
- 2024-01-04 CN CN202410011131.3A patent/CN117522868B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294140A (zh) * | 2022-10-09 | 2022-11-04 | 南通永卓金属制品有限公司 | 一种五金零件缺陷检测方法及系统 |
CN116071387A (zh) * | 2023-03-06 | 2023-05-05 | 曲阜市巨力铁路轨道工程股份有限公司 | 基于机器视觉的枕轨生产质量检测方法 |
CN115880304A (zh) * | 2023-03-08 | 2023-03-31 | 曲阜市巨力铁路轨道工程股份有限公司 | 基于复杂场景下的枕轨缺陷识别方法 |
CN117095004A (zh) * | 2023-10-20 | 2023-11-21 | 金成技术股份有限公司 | 基于计算机视觉的挖掘机行走架主体焊接变形检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117522868A (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116721106B (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN114723701B (zh) | 基于计算机视觉的齿轮缺陷检测方法和系统 | |
CN114862862B (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 | |
CN114359270B (zh) | 基于计算机视觉的汽车发动机油路铜套缺陷检测方法 | |
CN115082418B (zh) | 一种汽车零部件精密识别方法 | |
CN115222733B (zh) | 基于图像识别的金属构件表面缺陷检测方法 | |
CN115330767B (zh) | 一种腐蚀箔生产异常识别方法 | |
CN116758083B (zh) | 基于计算机视觉的金属洗脸盆缺陷快速检测方法 | |
CN115330645B (zh) | 一种焊接图像增强方法 | |
CN113920122B (zh) | 一种基于人工智能的电缆缺陷检测方法及系统 | |
CN115511889A (zh) | 一种太阳能电池板支架表面焊接缺陷检测方法 | |
CN115330772B (zh) | 一种在线焊点质量检测方法 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN115294159B (zh) | 金属紧固件腐蚀区域分割方法 | |
CN115330758A (zh) | 基于去噪处理的焊接质量检测方法 | |
CN117557571B (zh) | 基于图像增强的合金电阻焊接缺陷视觉检测方法及系统 | |
CN111932490B (zh) | 一种用于工业机器人的视觉系统抓取信息提取方法 | |
CN115689948B (zh) | 用于检测建筑供水管道裂痕的图像增强方法 | |
CN115880280A (zh) | 一种钢结构焊缝质量的检测方法 | |
CN117351019A (zh) | 一种焊接缺陷检测方法 | |
CN117011291B (zh) | 一种手表外壳质量视觉检测方法 | |
CN117315289B (zh) | 基于图像处理的航空发动机叶片轮廓边缘检测方法 | |
CN117522868B (zh) | 一种焊管生产质量视觉检测方法 | |
CN117078678A (zh) | 基于图像识别的废硅片形状检测方法 | |
CN114998346B (zh) | 一种防水布质量数据处理、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 |