CN117830300B - 一种基于视觉的燃气管道外观质量检测方法 - Google Patents
一种基于视觉的燃气管道外观质量检测方法 Download PDFInfo
- Publication number
- CN117830300B CN117830300B CN202410239228.XA CN202410239228A CN117830300B CN 117830300 B CN117830300 B CN 117830300B CN 202410239228 A CN202410239228 A CN 202410239228A CN 117830300 B CN117830300 B CN 117830300B
- Authority
- CN
- China
- Prior art keywords
- target
- area
- edge
- sub
- pixel point
- 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 46
- 230000000007 visual effect Effects 0.000 title claims abstract description 20
- 230000007547 defect Effects 0.000 claims abstract description 104
- 238000012937 correction Methods 0.000 claims abstract description 33
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 15
- 238000003708 edge detection Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 14
- 230000002708 enhancing effect Effects 0.000 abstract description 3
- 239000007789 gas Substances 0.000 description 95
- 238000012549 training Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像增强处理技术领域,具体涉及一种基于视觉的燃气管道外观质量检测方法,该方法包括:获取待检测燃气管道对应的目标表面图像,对目标表面图像进行区域划分;对每个目标管子区域进行明暗区域划分;对每个子区域内的每个像素点进行裂纹缺陷灰度分布规律分析处理;根据预设正则化参数值,以及每个子区域内每个像素点对应的预设滤波窗口内所有像素点对应的裂纹程度指标,确定每个子区域内每个像素点对应的正则化修正参数值;根据所有正则化修正参数值,通过引导滤波,对目标表面图像进行增强;对待检测燃气管道进行裂纹缺陷质量检测。本发明实现了对目标表面图像的增强,提高了图像增强效果和裂纹缺陷质量检测的准确度。
Description
技术领域
本发明涉及图像增强处理技术领域,具体涉及一种基于视觉的燃气管道外观质量检测方法。
背景技术
燃气管道的质量往往影响着能源运输的安全,因此对燃气管道进行质量检测至关重要,裂纹缺陷是一种比较常见的燃气管道缺陷。由于环境等因素的影响,往往导致采集的燃气管道图像的清晰度较差,因此,对燃气管道进行质量检测时,往往需要对采集的图像进行增强,以提高图像的清晰度。目前,对图像进行增强时,通常采用的方式为:根据图像的灰度直方图,对图像进行直方图均衡化,得到增强图像。
然而,当根据燃气管道图像的灰度直方图,对燃气管道图像进行直方图均衡化,实现图像增强时,经常会存在如下技术问题:
由于灰度直方图均衡化通常是按照图像的灰度值分布进行统计学上的整体图像增强,因此,直接根据燃气管道图像的灰度直方图,对燃气管道图像进行直方图均衡化时,可能导致某些像素点较少的裂纹缺陷丢失,从而导致对燃气管道图像进行增强的效果较差,进而导致裂纹缺陷质量检测的准确度较差。
发明内容
本发明的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
为了解决由于对燃气管道图像进行增强的效果较差而导致的裂纹缺陷质量检测的准确度较差的技术问题,本发明提出了一种基于视觉的燃气管道外观质量检测方法。
本发明提供了一种基于视觉的燃气管道外观质量检测方法,该方法包括:
获取待检测燃气管道对应的目标表面图像,对所述目标表面图像进行区域划分,得到目标管子区域;
对每个目标管子区域进行明暗区域划分,得到所述目标管子区域对应的子区域集合;
对每个子区域集合中的每个子区域内的每个像素点进行裂纹缺陷灰度分布规律分析处理,得到每个子区域内每个像素点对应的裂纹程度指标;
根据预设正则化参数值,以及每个子区域内每个像素点对应的预设滤波窗口内所有像素点对应的裂纹程度指标,确定每个子区域内每个像素点对应的正则化修正参数值;
根据所有子区域内所有像素点对应的正则化修正参数值,通过引导滤波,对所述目标表面图像进行增强,得到目标增强图像;
根据所述目标增强图像,对所述待检测燃气管道进行裂纹缺陷质量检测,得到所述待检测燃气管道的质量等级。
可选地,所述对所述目标表面图像进行区域划分,得到目标管子区域,包括:
对所述目标表面图像进行边缘检测,得到初始边缘;
根据初始边缘对应的拟合直线的斜率,对所有初始边缘进行聚类,得到边缘聚类簇;
对每个边缘聚类簇中的初始边缘进行自适应分割分组,得到平行边缘二元组;
将每个平行边缘二元组中两个边缘所围成的区域,确定为目标管子区域。
可选地,所述对每个边缘聚类簇中的初始边缘进行自适应分割分组,得到平行边缘二元组,包括:
将所述边缘聚类簇中的任意一个初始边缘记为标记边缘,将与所述标记边缘对应的拟合直线垂直的直线记为标定直线;
从所述边缘聚类簇中筛选出与所述标记边缘位置相邻的初始边缘,作为参考边缘,并将任意一个参考边缘,记为临时边缘;
移动标定直线,每次移动结束后,将标定直线与临时边缘的交点,以及标定直线与所述标记边缘的交点,构成交点组;
当交点组中两个交点之间的距离小于或等于预设距离阈值时,将交点组,确定为平行交点组;
将连续分布的平行交点组,构成平行边缘二元组。
可选地,所述对每个目标管子区域进行明暗区域划分,得到所述目标管子区域对应的子区域集合,包括:
将围成所述目标管子区域的任意一个边缘,确定为候选边缘,并将所述候选边缘的拟合直线,确定为候选直线;
从所述目标管子区域内筛选出预设数量个与所述候选直线方向相同的直线,作为待处理直线;
将所述目标管子区域与每个待处理直线的交集,确定为待处理线段;
根据待处理线段之间的距离和待处理线段上的灰度值,对待处理线段进行聚类,得到线段聚类簇;
将每个线段聚类簇中所有待处理线段所围成的最大的区域,确定为子区域;
将所述目标管子区域内的所有子区域,组合为子区域集合。
可选地,待处理线段聚类过程中的修正距离特征对应的公式为:
;其中,/>是第i个待处理线段与第j个待处理线段之间的修正距离特征;i和j是待处理线段的序号;/>是第i个待处理线段与第j个待处理线段之间的距离;/>是归一化函数;/>是取绝对值函数;/>是第i个待处理线段上所有像素点对应的灰度值的均值;/>是第j个待处理线段上所有像素点对应的灰度值的均值。
可选地,所述对每个子区域集合中的每个子区域内的每个像素点进行裂纹缺陷灰度分布规律分析处理,得到每个子区域内每个像素点对应的裂纹程度指标,包括:
将围成所述子区域的任意一个边缘,确定为待定边缘,并将所述待定边缘的拟合直线,确定为待定直线,将所述子区域内的任意一个像素点,确定为标记像素点;
将所述子区域内与所述待定直线方向相同的直线,确定为目标直线;
将每个目标直线与所述子区域的交集,确定为目标线段;
根据每个目标线段上每个像素点与其相邻的像素点对应的灰度值,确定每个目标线段上每个像素点对应的灰度波动指标;
从每个目标线段上筛选出灰度波动指标大于预设波动阈值的像素点,作为波动像素点;
将每个目标线段上连续分布的波动像素点,组合为波动区间;
根据所述标记像素点所属目标线段上的所有波动区间,确定所述标记像素点对应的裂纹程度指标。
可选地,像素点对应的裂纹程度指标对应的公式为:
;其中,/>是第a个子区域内第d个像素点对应的裂纹程度指标;a是子区域的序号;d是第a个子区域内像素点的序号;是归一化函数;/>是第a个子区域内第d个像素点所属目标线段上所有波动区间内所有像素点的总数;/>是取绝对值函数;/>是第a个子区域内第d个像素点对应的灰度值;是第a个子区域内所有像素点对应的灰度值的均值;/>是以自然常数为底的指数函数;/>是与第a个子区域内第d个像素点所属目标线段相邻的目标线段上波动区间的总数;是与第a个子区域内第d个像素点所属目标线段相邻的目标线段上所有波动区间,与第a个子区域内第d个像素点所属目标线段上所有波动区间之间的最短距离的方差。
可选地,像素点对应的正则化修正参数值对应的公式为:
;其中,/>是第a个子区域内第d个像素点对应的正则化修正参数值;a是子区域的序号;d是第a个子区域内像素点的序号;/>是预设正则化参数值;/>是归一化函数;/>是第a个子区域内第d个像素点对应的预设滤波窗口内所有像素点对应的裂纹程度指标中的最大值;/>是第a个子区域内第d个像素点对应的预设滤波窗口内所有像素点对应的裂纹程度指标的均值。
可选地,所述根据所述目标增强图像,对所述待检测燃气管道进行裂纹缺陷质量检测,得到所述待检测燃气管道的质量等级,包括:
对所述目标增强图像进行边缘检测,得到目标边缘轮廓集合;
根据所述目标边缘轮廓集合中的每个目标边缘轮廓所在区域的长度、周长和面积,确定所述目标边缘轮廓对应的目标缺陷概率;
当存在目标缺陷概率大于预设缺陷阈值的目标边缘轮廓时,判定所述待检测燃气管道的质量等级为不合格;
当不存在目标缺陷概率大于预设缺陷阈值的目标边缘轮廓时,判定所述待检测燃气管道的质量等级为合格。
可选地,所述根据所述目标边缘轮廓集合中的每个目标边缘轮廓所在区域的长度、周长和面积,确定所述目标边缘轮廓对应的目标缺陷概率,包括:
将所述目标边缘轮廓所在区域的周长和面积的比值,确定为所述目标边缘轮廓对应的目标比值;
对所述目标边缘轮廓所在区域的长度和其对应的目标比值的乘积进行归一化,得到所述目标边缘轮廓对应的目标缺陷概率。
本发明具有如下有益效果:
本发明的一种基于视觉的燃气管道外观质量检测方法,实现了对目标表面图像的增强,解决了由于图像增强效果较差而导致的裂纹缺陷质量检测的准确度较差的技术问题,提高了图像增强效果和裂纹缺陷质量检测的准确度。首先,由于裂纹缺陷往往存在于构成燃气管道的管子上,因此对获取的待检测燃气管道对应的目标表面图像进行区域划分,得到目标管子区域,可以便于后续待检测燃气管道进行裂纹缺陷检测。然后,由于构成燃气管道的管子表面往往呈现弧形,所以拍摄的管子区域往往呈现中间相对较亮,两侧相对较暗的特点,因此对每个目标管子区域进行明暗区域划分,可以将亮度相近的像素点划分为同一个子区域。接着,由于裂纹缺陷灰度分布与未发生裂纹缺陷像素点的灰度分布往往不同,因此对每个子区域内的每个像素点进行裂纹缺陷灰度分布规律分析处理,可以量化像素点对应的裂纹程度指标,其值越大,往往说明该像素点越可能是裂纹缺陷像素点。之后,为了使裂纹缺陷特征明显,往往需要调大裂纹缺陷像素点的正则化参数值,因此,基于预设正则化参数值,以及每个子区域内每个像素点对应的预设滤波窗口内所有像素点对应的裂纹程度指标,可以量化每个子区域内每个像素点对应的正则化修正参数值。而后,基于所有子区域内所有像素点对应的正则化修正参数值,通过引导滤波,对目标表面图像进行增强,可以得到裂纹缺陷特征明显的目标增强图像。最后,由于目标增强图像是裂纹缺陷特征明显的图像,因此基于目标增强图像,对待检测燃气管道进行裂纹缺陷质量检测,可以实现对待检测燃气管道的裂纹缺陷质量检测,并且相较于灰度直方图均衡化,本发明增强了图像中的裂纹缺陷特征,可以使包含了裂纹缺陷特征更加明显,在一定程度上减少了裂纹缺陷特征的丢失,提高了图像增强效果,从而提高了裂纹缺陷质量检测的准确度。
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为本发明的一种基于视觉的燃气管道外观质量检测方法的流程图;
图2为本发明的交点组构成示意图。
其中,附图标记包括:标记边缘201、临时边缘202、标定直线203、第一交点204和第二交点205。
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技术方案的具体实施方式、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”指的不一定是同一个实施例。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。
一种基于视觉的燃气管道外观质量检测方法实施例:
本发明提供了一种基于视觉的燃气管道外观质量检测方法,该方法包括以下步骤:
获取待检测燃气管道对应的目标表面图像,对目标表面图像进行区域划分,得到目标管子区域;
对每个目标管子区域进行明暗区域划分,得到目标管子区域对应的子区域集合;
对每个子区域集合中的每个子区域内的每个像素点进行裂纹缺陷灰度分布规律分析处理,得到每个子区域内每个像素点对应的裂纹程度指标;
根据预设正则化参数值,以及每个子区域内每个像素点对应的预设滤波窗口内所有像素点对应的裂纹程度指标,确定每个子区域内每个像素点对应的正则化修正参数值;
根据所有子区域内所有像素点对应的正则化修正参数值,通过引导滤波,对目标表面图像进行增强,得到目标增强图像;
根据目标增强图像,对待检测燃气管道进行裂纹缺陷质量检测,得到待检测燃气管道的质量等级。
下面对上述各个步骤进行详细展开:
参考图1,示出了根据本发明的一种基于视觉的燃气管道外观质量检测方法的一些实施例的流程。该基于视觉的燃气管道外观质量检测方法,包括以下步骤:
步骤S1,获取待检测燃气管道对应的目标表面图像,对目标表面图像进行区域划分,得到目标管子区域。
在一些实施例中,可以获取待检测燃气管道对应的目标表面图像,对上述目标表面图像进行区域划分,得到目标管子区域。
其中,待检测燃气管道可以是待进行裂纹缺陷检测的燃气管道。燃气管道又称输气管道或天然气管道。目标表面图像可以是预处理后的待检测燃气管道的表面图像。
需要说明的是,由于裂纹缺陷往往存在于构成燃气管道的管子上,因此对获取的待检测燃气管道对应的目标表面图像进行区域划分,得到目标管子区域,可以便于后续待检测燃气管道进行裂纹缺陷检测。
作为示例,本步骤可以包括以下步骤:
第一步,获取待检测燃气管道对应的目标表面图像。
例如,可以通过可见光摄像头,采集待检测燃气管道的表面图像,作为初始图像,并通过训练完成的管道分割网络,从初始图像中分割出燃气管道区域,并对燃气管道区域进行灰度化,得到灰度区域,并将该灰度区域记为目标表面图像。
其中,管道分割网络可以是语义分割网络,比如,管道分割网络可以是DNN(DeepNeural Networks,深度神经网络)。
可选地,管道分割网络的训练过程可以包括以下子步骤:
第一子步骤,获取燃气管道灰度图像集。
其中,燃气管道灰度图像集中的燃气管道灰度图像可以是标注了燃气管道区域的图像。比如,燃气管道区域可以标注为1,其他区域可以标注为0。
第二子步骤,构建DNN,作为训练前的管道分割网络。
第三子步骤,根据燃气管道灰度图像集,对管道分割网络进行训练,得到训练完成的管道分割网络,其中,训练过程中采用的损失函数可以为交叉熵函数。
需要说明的是,由于拍摄待检测燃气管道时,可能会拍摄到一些无关的区域,所以为了减少后续的计算量,可以去除拍摄到的无关区域,使其只包含需要进行分析的待检测燃气管道,因此目标表面图像中可以只包含需要进行分析的待检测燃气管道。
第二步,对上述目标表面图像进行边缘检测,得到初始边缘。
例如,可以通过霍夫直线检测算法中的边缘检测算法,比如,Canny算法,对目标表面图像进行边缘检测,并将检测得到的每个边缘作为初始边缘。
第三步,根据初始边缘对应的拟合直线的斜率,对所有初始边缘进行聚类,得到边缘聚类簇。
其中,初始边缘对应的拟合直线可以是该初始边缘的拟合直线。例如,初始边缘对应的拟合直线可以是通过霍夫直线检测算法拟合得到的直线。
例如,可以将对应的拟合直线斜率相同的初始边缘划分为同一个边缘聚类簇。
需要说明的是,由于构成燃气管道的管子的两个边缘往往是平行的,因此基于初始边缘对应的拟合直线的斜率,对初始边缘进行聚类,往往可以把同一个管子区域的两个边缘划分到同一个边缘聚类簇。并且考虑到需要的精确度的不同,可以为拟合直线的斜率设置不同的精确位数,比如,拟合直线的斜率可以精确到整数。
第四步,对每个边缘聚类簇中的初始边缘进行自适应分割分组,得到平行边缘二元组可以包括以下子步骤:
第一子步骤,将上述边缘聚类簇中的任意一个初始边缘记为标记边缘,将与上述标记边缘对应的拟合直线垂直的直线记为标定直线。
第二子步骤,从上述边缘聚类簇中筛选出与上述标记边缘位置相邻的初始边缘,作为参考边缘,并将任意一个参考边缘,记为临时边缘。
其中,与标记边缘位置相邻的边缘数量可以为1或2。比如,若标记边缘位于靠近中间位置,则标记边缘往往有2个参考边缘。若标记边缘位于两端,则标记边缘往往有1个参考边缘。
第三子步骤,移动标定直线,每次移动结束后,将标定直线与临时边缘的交点,以及标定直线与上述标记边缘的交点,构成交点组。
如图2所示,第一交点204和第二交点205可以构成一个交点组。其中,第一交点204是标定直线203与标记边缘201的交点。第二交点205是标定直线203与临时边缘202的交点。
第四子步骤,当交点组中两个交点之间的距离小于或等于预设距离阈值时,将交点组,确定为平行交点组。
其中,预设距离阈值可以是预先设置的阈值。比如,预设距离阈值可以是5。
需要说明的是,同一个管子区域的两个边缘之间的距离往往相对较小,因此平行交点组中的两个交点往往是组成同一个管子区域的两个边缘上的像素点。
第五子步骤,将连续分布的平行交点组,构成平行边缘二元组。
其中,连续分布的平行交点组可以是位置连续的平行交点组。如,若依次得到的100个交点组中的前90个为平行交点组,则前90个平行交点组即为连续分布的平行交点组。
比如,可以将连续分布的平行交点组和标记边缘的交集所构成的边缘,作为平行边缘二元组中的一个边缘。可以将连续分布的平行交点组和临时边缘的交集所构成的边缘,作为平行边缘二元组中的另一个边缘。
第五步,将每个平行边缘二元组中两个边缘所围成的区域,确定为目标管子区域。
可选地,可以通过管子划分网络,对目标表面图像进行区域划分,得到多个目标管子区域。
其中,管子划分网络可以是语义分割网络,比如,管子划分网络可以是DNN。目标管子区域可以是构成待检测燃气管道的管子所在的区域。
可选地,管子划分网络的训练过程可以包括以下子步骤:
第一子步骤,获取参考燃气管道区域集。
其中,参考燃气管道区域集中的参考燃气管道区域可以是标注了组成管道的每个管子的燃气管道区域。比如,每个管子所在的区域可以标注为1,其他区域可以标注为0。
第二子步骤,构建DNN,作为训练前的管子划分网络。
第三子步骤,根据参考燃气管道区域集,对管子划分网络进行训练,得到训练完成的管子划分网络,其中,训练过程中采用的损失函数可以为交叉熵函数。
步骤S2,对每个目标管子区域进行明暗区域划分,得到目标管子区域对应的子区域集合。
在一些实施例中,可以对每个目标管子区域进行明暗区域划分,得到上述目标管子区域对应的子区域集合。
需要说明的是,由于构成燃气管道的管子表面往往呈现弧形,所以拍摄的管子区域往往呈现中间相对较亮,两侧相对较暗的特点,因此对每个目标管子区域进行明暗区域划分,可以将亮度相近的像素点划分为同一个子区域。
作为示例,本步骤可以包括以下步骤:
第一步,将围成上述目标管子区域的任意一个边缘,确定为候选边缘,并将上述候选边缘的拟合直线,确定为候选直线。
第二步,从上述目标管子区域内筛选出预设数量个与上述候选直线方向相同的直线,作为待处理直线。
其中,预设数量可以是预先设置的数量。例如,预设数量可以是50。预设数量个待处理直线可以实现目标管子区域的等分。
第三步,将上述目标管子区域与每个待处理直线的交集,确定为待处理线段。
第四步,根据待处理线段之间的距离和待处理线段上的灰度值,对待处理线段进行聚类,得到线段聚类簇。
其中,线段聚类簇的数量可以为3。待处理线段聚类过程中的修正距离特征对应的公式可以为:
;其中,/>是第i个待处理线段与第j个待处理线段之间的修正距离特征。i和j是待处理线段的序号,/>。/>是第i个待处理线段与第j个待处理线段之间的距离。/>是归一化函数。/>是取绝对值函数。/>是第i个待处理线段上所有像素点对应的灰度值的均值。/>是第j个待处理线段上所有像素点对应的灰度值的均值。
需要说明的是,当和/>越小时,往往说明第i个待处理线段与第j个待处理线段之间的位置和灰度越相近,往往说明第i个待处理线段与第j个待处理线段往往越可能属于同一个亮度区域。
例如,可以根据待处理线段之间的修正距离特征,通过K-means聚类,将目标管子区域内的待处理线段聚类为3个线段聚类簇。
第五步,将每个线段聚类簇中所有待处理线段所围成的最大的区域,确定为子区域。
例如,对于每个线段聚类簇,可以将该线段聚类簇中每两个待处理线段所围成的区域,作为临时区域,并将最大的临时区域作为子区域,其中,构成子区域的两个待处理线段可以作为该子区域的两个边缘。
第六步,将上述目标管子区域内的所有子区域,组合为子区域集合。
需要说明的是,子区域集合往往包含3个子区域,分别可以表征目标管子区域中间较亮的部分,以及位于两侧的两个相对较暗的部分。
步骤S3,对每个子区域集合中的每个子区域内的每个像素点进行裂纹缺陷灰度分布规律分析处理,得到每个子区域内每个像素点对应的裂纹程度指标。
在一些实施例中,可以对每个子区域集合中的每个子区域内的每个像素点进行裂纹缺陷灰度分布规律分析处理,得到每个子区域内每个像素点对应的裂纹程度指标。
需要说明的是,由于裂纹缺陷灰度分布与未发生裂纹缺陷像素点的灰度分布往往不同,因此对每个子区域内的每个像素点进行裂纹缺陷灰度分布规律分析处理,可以量化像素点对应的裂纹程度指标,其值越大,往往说明该像素点越可能是裂纹缺陷像素点。
作为示例,本步骤可以包括以下步骤:
第一步,将围成上述子区域的任意一个边缘,确定为待定边缘,并将上述待定边缘的拟合直线,确定为待定直线,将上述子区域内的任意一个像素点,确定为标记像素点。
第二步,将上述子区域内与上述待定直线方向相同的直线,确定为目标直线。
第三步,将每个目标直线与上述子区域的交集,确定为目标线段。
第四步,根据每个目标线段上每个像素点与其相邻的像素点对应的灰度值,确定每个目标线段上每个像素点对应的灰度波动指标。
例如,确定像素点对应的灰度波动指标对应的公式可以为:
;其中,/>是第a个子区域内第b个目标线段上第c个像素点对应的灰度波动指标。a是子区域的序号。b是第a个子区域内目标线段的序号。c是第a个子区域内第b个目标线段上像素点的序号。/>是取绝对值函数。/>是第a个子区域内第b个目标线段上,第c个像素点与其相邻的两个像素点之间的灰度差异的均值。像素点与其相邻的像素点之间的灰度差异可以是这两个像素点对应的灰度值的差值绝对值。/>是第a个子区域内所有像素点对应的灰度值的均值。
需要说明的是,由于子区域往往表征目标管子区域中间较亮的部分,或者位于两侧的两个相对较暗的部分,所以若子区域内没有发生裂纹缺陷,则子区域内的灰度值往往相对比较稳定。当越大时,往往说明第c个像素点对应的灰度波动相对越大,往往说明第c个像素点越可能是发生了裂纹缺陷的像素点。
第五步,从每个目标线段上筛选出灰度波动指标大于预设波动阈值的像素点,作为波动像素点。
其中,预设波动阈值可以是预先设置的阈值。例如,预设波动阈值可以是10。
第六步,将每个目标线段上连续分布的波动像素点,组合为波动区间。
其中,波动区间可以由连续分布的波动像素点构成。
第七步,根据上述标记像素点所属目标线段上的所有波动区间,确定上述标记像素点对应的裂纹程度指标对应的公式可以为:
;其中,/>是第a个子区域内第d个像素点对应的裂纹程度指标。a是子区域的序号。d是第a个子区域内像素点的序号。是归一化函数。/>是第a个子区域内第d个像素点所属目标线段上所有波动区间内所有像素点的总数。/>是取绝对值函数。/>是第a个子区域内第d个像素点对应的灰度值。是第a个子区域内所有像素点对应的灰度值的均值。/>是以自然常数为底的指数函数。/>是与第a个子区域内第d个像素点所属目标线段相邻的目标线段上波动区间的总数。是与第a个子区域内第d个像素点所属目标线段相邻的目标线段上所有波动区间,与第a个子区域内第d个像素点所属目标线段上所有波动区间之间的最短距离的方差。例如,若与第a个子区域内第d个像素点所属目标线段相邻的目标线段有两个,则可以记与第a个子区域内第d个像素点所属目标线段相邻的两个目标线段上的每个波动区间为第一波动区间,记第d个像素点所属目标线段上的每个波动区间为第二波动区间,将每个第一波动区间与所有第二波动区间之间的最短距离,作为该第一波动区间对应的代表距离,/>可以是所有第一波动区间对应的代表距离的方差。
需要说明的是,裂纹缺陷往往不是由一个像素点组成,往往是一片区域。当越大时,往往说明第d个像素点所属目标线段上所有波动区间内像素点的数量越多,往往说明第d个像素点所属目标线段上发生波动较大的像素点较多,往往说明第d个像素点所属目标线段上越可能存在裂纹缺陷。当/>越大时,往往说明第d个像素点对应的灰度波动相对越大,往往说明第d个像素点越可能是发生了裂纹缺陷的像素点。当/>越大时,往往说明第d个像素点所属目标线段相邻的目标线段上波动区间的数量越多,往往说明第d个像素点所属目标线段上越可能存在裂纹缺陷。裂纹缺陷往往不规则。当/>越大时,往往说明第d个像素点所属目标线段与其相邻的目标线段上的波动区间分布越离散,往往说明第d个像素点所属目标线段上越可能存在裂纹缺陷。因此,当/>越大时,往往说明第d个像素点越可能是发生了裂纹缺陷的像素点。
步骤S4,根据预设正则化参数值,以及每个子区域内每个像素点对应的预设滤波窗口内所有像素点对应的裂纹程度指标,确定每个子区域内每个像素点对应的正则化修正参数值。
在一些实施例中,可以根据预设正则化参数值,以及每个子区域内每个像素点对应的预设滤波窗口内所有像素点对应的裂纹程度指标,确定每个子区域内每个像素点对应的正则化修正参数值。
其中,预设正则化参数值可以是预先设置的用于引导滤波中的正则化参数值。例如,预设正则化参数值可以是6。预设滤波窗口可以是预先设置的用于滤波的窗口。例如,预设滤波窗口可以是5×5的窗口。像素点可以位于其对应的预设滤波窗口的中心位置。
需要说明的是,为了使裂纹缺陷特征明显,往往需要调大裂纹缺陷像素点的正则化参数值,因此,基于预设正则化参数值,以及每个子区域内每个像素点对应的预设滤波窗口内所有像素点对应的裂纹程度指标,可以量化每个子区域内每个像素点对应的正则化修正参数值。
作为示例,确定像素点对应的正则化修正参数值对应的公式可以为:
;其中,/>是第a个子区域内第d个像素点对应的正则化修正参数值。a是子区域的序号。d是第a个子区域内像素点的序号。/>是预设正则化参数值。/>是归一化函数。/>是第a个子区域内第d个像素点对应的预设滤波窗口内所有像素点对应的裂纹程度指标中的最大值。/>是第a个子区域内第d个像素点对应的预设滤波窗口内所有像素点对应的裂纹程度指标的均值。
需要说明的是,当越大时,往往说明第d个像素点对应的预设滤波窗口内的像素点越可能是裂纹缺陷像素点,往往说明越需要对其对应的预设正则化参数值进行调大。
步骤S5,根据所有子区域内所有像素点对应的正则化修正参数值,通过引导滤波,对目标表面图像进行增强,得到目标增强图像。
在一些实施例中,可以根据所有子区域内所有像素点对应的正则化修正参数值,通过引导滤波,对上述目标表面图像进行增强,得到目标增强图像。
需要说明的是,基于所有子区域内所有像素点对应的正则化修正参数值,通过引导滤波,对目标表面图像进行增强,可以得到裂纹缺陷特征明显的目标增强图像。
作为示例,可以根据所有子区域内所有像素点对应的正则化修正参数值,以及其他区域内所有像素点对应的预设正则化参数值,通过引导滤波,获取目标表面图像的基础层,目标表面图像减去基础层可以获得目标表面图像的细节层,对细节层采用线性变换增强细节层的信息内容,将增强后的细节层和基础层进行重构获得细节清晰的增强图像,得到的增强图像即为目标增强图像。
步骤S6,根据目标增强图像,对待检测燃气管道进行裂纹缺陷质量检测,得到待检测燃气管道的质量等级。
在一些实施例中,可以根据上述目标增强图像,对上述待检测燃气管道进行裂纹缺陷质量检测,得到上述待检测燃气管道的质量等级。
需要说明的是,由于目标增强图像是裂纹缺陷特征明显的图像,因此基于目标增强图像,对待检测燃气管道进行裂纹缺陷质量检测,可以实现对待检测燃气管道的裂纹缺陷质量检测。
作为示例,本步骤可以包括以下步骤:
第一步,对上述目标增强图像进行边缘检测,得到目标边缘轮廓集合。
其中,目标边缘轮廓可以是闭合边缘。
例如,可以通过Canny算子,对目标增强图像进行边缘检测,并将边缘检测得到的每个连通域,作为目标边缘轮廓,并将所有目标边缘轮廓组合为目标边缘轮廓集合。
第二步,根据上述目标边缘轮廓集合中的每个目标边缘轮廓所在区域的长度、周长和面积,确定上述目标边缘轮廓对应的目标缺陷概率。
其中,目标边缘轮廓所在区域的周长可以是该目标边缘轮廓上像素点的数量。目标边缘轮廓所在区域的面积可以是该目标边缘轮廓所在区域内像素点的数量。目标边缘轮廓所在区域的长度可以是该目标边缘轮廓上所有像素点之间距离中的最大值。
例如,根据上述目标边缘轮廓集合中的每个目标边缘轮廓所在区域的长度、周长和面积,确定上述目标边缘轮廓对应的目标缺陷概率可以包括以下子步骤:
第一子步骤,将上述目标边缘轮廓所在区域的周长和面积的比值,确定为上述目标边缘轮廓对应的目标比值。
第二子步骤,对上述目标边缘轮廓所在区域的长度和其对应的目标比值的乘积进行归一化,得到上述目标边缘轮廓对应的目标缺陷概率。
比如,确定目标边缘轮廓对应的目标缺陷概率对应的公式可以为:
;其中,/>是目标边缘轮廓集合中第k个目标边缘轮廓对应的目标缺陷概率。k是目标边缘轮廓集合中目标边缘轮廓的序号。/>是归一化函数。/>是目标边缘轮廓集合中第k个目标边缘轮廓所在区域的周长,也就是第k个目标边缘轮廓上像素点的数量。/>是目标边缘轮廓集合中第k个目标边缘轮廓所在区域的面积,也就是第k个目标边缘轮廓所在区域内像素点的数量。/>是目标边缘轮廓集合中第k个目标边缘轮廓所在区域的长度。目标边缘轮廓所在区域往往是矩形区域。/>是目标边缘轮廓集合中第k个目标边缘轮廓对应的目标比值。
需要说明的是,由于裂纹缺陷往往呈现树杈状并且一般呈现长条状,因此当越大时,往往说明第k个目标边缘轮廓越呈现长条状,往往说明第k个目标边缘轮廓越可能是裂纹缺陷轮廓。
第三步,当存在目标缺陷概率大于预设缺陷阈值的目标边缘轮廓时,判定上述待检测燃气管道的质量等级为不合格。
其中,预设缺陷阈值可以是预先设置的阈值。比如,预设缺陷阈值可以是0.3。
例如,当存在目标缺陷概率大于0.3,并且不存在大于0.6的目标边缘轮廓时,可以判定待检测燃气管道的质量等级为轻微的不合格;当存在目标缺陷概率大于0.6的目标边缘轮廓时,可以判定待检测燃气管道的质量等级为重度不合格,需要提醒工作人员进行检查维修。
第四步,当不存在目标缺陷概率大于预设缺陷阈值的目标边缘轮廓时,判定上述待检测燃气管道的质量等级为合格。
综上,相较于灰度直方图均衡化,本发明增强了图像中的裂纹缺陷特征,可以使包含了裂纹缺陷特征更加明显,在一定程度上减少了裂纹缺陷特征的丢失,提高了图像增强效果,从而提高了裂纹缺陷质量检测的准确度。
至此,本发明完成。
一种燃气管道图像增强方法实施例:
由于环境等因素的影响,往往导致采集的燃气管道图像的清晰度较差,因此,往往需要对采集的图像进行增强,以提高图像的清晰度。目前,对图像进行增强时,通常采用的方式为:根据图像的灰度直方图,对图像进行直方图均衡化,得到增强图像。
然而,当根据燃气管道图像的灰度直方图,对燃气管道图像进行直方图均衡化,实现图像增强时,经常会存在如下技术问题:
由于灰度直方图均衡化通常是按照图像的灰度值分布进行统计学上的整体图像增强,因此,直接根据燃气管道图像的灰度直方图,对燃气管道图像进行直方图均衡化时,可能导致某些像素点较少的重要信息丢失,从而导致对燃气管道图像进行增强的效果较差。
为了解决对燃气管道图像进行增强的效果较差的技术问题,本发明的目的在于提供一种燃气管道图像增强方法,所采用的技术方案具体如下:
步骤S1,获取待检测燃气管道对应的目标表面图像,对目标表面图像进行区域划分,得到目标管子区域。
步骤S2,对每个目标管子区域进行明暗区域划分,得到目标管子区域对应的子区域集合。
步骤S3,对每个子区域集合中的每个子区域内的每个像素点进行裂纹缺陷灰度分布规律分析处理,得到每个子区域内每个像素点对应的裂纹程度指标。
步骤S4,根据预设正则化参数值,以及每个子区域内每个像素点对应的预设滤波窗口内所有像素点对应的裂纹程度指标,确定每个子区域内每个像素点对应的正则化修正参数值。
步骤S5,根据所有子区域内所有像素点对应的正则化修正参数值,通过引导滤波,对目标表面图像进行增强,得到目标增强图像。
本发明实施例提供的一种燃气管道图像增强方法具有如下技术效果:
本发明的一种燃气管道图像增强方法,实现了对目标表面图像的增强,解决了图像增强效果较差的技术问题,提高了图像增强效果。首先,由于裂纹缺陷往往存在于构成燃气管道的管子上,因此对获取的待检测燃气管道对应的目标表面图像进行区域划分,得到目标管子区域,可以便于后续待检测燃气管道进行裂纹缺陷检测。然后,由于构成燃气管道的管子表面往往呈现弧形,所以拍摄的管子区域往往呈现中间相对较亮,两侧相对较暗的特点,因此对每个目标管子区域进行明暗区域划分,可以将亮度相近的像素点划分为同一个子区域。接着,由于裂纹缺陷灰度分布与未发生裂纹缺陷像素点的灰度分布往往不同,因此对每个子区域内的每个像素点进行裂纹缺陷灰度分布规律分析处理,可以量化像素点对应的裂纹程度指标,其值越大,往往说明该像素点越可能是裂纹缺陷像素点。之后,为了使裂纹缺陷特征明显,往往需要调大裂纹缺陷像素点的正则化参数值,因此,基于预设正则化参数值,以及每个子区域内每个像素点对应的预设滤波窗口内所有像素点对应的裂纹程度指标,可以量化每个子区域内每个像素点对应的正则化修正参数值。最后,基于所有子区域内所有像素点对应的正则化修正参数值,通过引导滤波,对目标表面图像进行增强,可以得到裂纹缺陷特征明显的目标增强图像,并且相较于灰度直方图均衡化,本发明增强了图像中的裂纹缺陷特征,可以使包含了裂纹缺陷特征更加明显,在一定程度上减少了裂纹缺陷特征的丢失,提高了图像增强效果。
其中,步骤S1-S5在上述一种基于视觉的燃气管道外观质量检测方法实施例中已给出了详细说明,不再赘述。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的范围,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于视觉的燃气管道外观质量检测方法,其特征在于,包括以下步骤:
获取待检测燃气管道对应的目标表面图像,对所述目标表面图像进行区域划分,得到目标管子区域;
对每个目标管子区域进行明暗区域划分,得到所述目标管子区域对应的子区域集合;
对每个子区域集合中的每个子区域内的每个像素点进行裂纹缺陷灰度分布规律分析处理,得到每个子区域内每个像素点对应的裂纹程度指标;
根据预设正则化参数值,以及每个子区域内每个像素点对应的预设滤波窗口内所有像素点对应的裂纹程度指标,确定每个子区域内每个像素点对应的正则化修正参数值;
根据所有子区域内所有像素点对应的正则化修正参数值,通过引导滤波,对所述目标表面图像进行增强,得到目标增强图像;
根据所述目标增强图像,对所述待检测燃气管道进行裂纹缺陷质量检测,得到所述待检测燃气管道的质量等级;
所述对每个子区域集合中的每个子区域内的每个像素点进行裂纹缺陷灰度分布规律分析处理,得到每个子区域内每个像素点对应的裂纹程度指标,包括:
将围成所述子区域的任意一个边缘,确定为待定边缘,并将所述待定边缘的拟合直线,确定为待定直线,将所述子区域内的任意一个像素点,确定为标记像素点;
将所述子区域内与所述待定直线方向相同的直线,确定为目标直线;
将每个目标直线与所述子区域的交集,确定为目标线段;
根据每个目标线段上每个像素点与其相邻的像素点对应的灰度值,确定每个目标线段上每个像素点对应的灰度波动指标;
从每个目标线段上筛选出灰度波动指标大于预设波动阈值的像素点,作为波动像素点;
将每个目标线段上连续分布的波动像素点,组合为波动区间;
根据所述标记像素点所属目标线段上的所有波动区间,确定所述标记像素点对应的裂纹程度指标;
像素点对应的裂纹程度指标对应的公式为:
;其中,/>是第a个子区域内第d个像素点对应的裂纹程度指标;a是子区域的序号;d是第a个子区域内像素点的序号;/>是归一化函数;/>是第a个子区域内第d个像素点所属目标线段上所有波动区间内所有像素点的总数;/>是取绝对值函数;/>是第a个子区域内第d个像素点对应的灰度值;/>是第a个子区域内所有像素点对应的灰度值的均值;/>是以自然常数为底的指数函数;/>是与第a个子区域内第d个像素点所属目标线段相邻的目标线段上波动区间的总数;/>是与第a个子区域内第d个像素点所属目标线段相邻的目标线段上所有波动区间,与第a个子区域内第d个像素点所属目标线段上所有波动区间之间的最短距离的方差。
2.根据权利要求1所述的一种基于视觉的燃气管道外观质量检测方法,其特征在于,所述对所述目标表面图像进行区域划分,得到目标管子区域,包括:
对所述目标表面图像进行边缘检测,得到初始边缘;
根据初始边缘对应的拟合直线的斜率,对所有初始边缘进行聚类,得到边缘聚类簇;
对每个边缘聚类簇中的初始边缘进行自适应分割分组,得到平行边缘二元组;
将每个平行边缘二元组中两个边缘所围成的区域,确定为目标管子区域。
3.根据权利要求2所述的一种基于视觉的燃气管道外观质量检测方法,其特征在于,所述对每个边缘聚类簇中的初始边缘进行自适应分割分组,得到平行边缘二元组,包括:
将所述边缘聚类簇中的任意一个初始边缘记为标记边缘,将与所述标记边缘对应的拟合直线垂直的直线记为标定直线;
从所述边缘聚类簇中筛选出与所述标记边缘位置相邻的初始边缘,作为参考边缘,并将任意一个参考边缘,记为临时边缘;
移动标定直线,每次移动结束后,将标定直线与临时边缘的交点,以及标定直线与所述标记边缘的交点,构成交点组;
当交点组中两个交点之间的距离小于或等于预设距离阈值时,将交点组确定为平行交点组;
将连续分布的平行交点组,构成平行边缘二元组。
4.根据权利要求1所述的一种基于视觉的燃气管道外观质量检测方法,其特征在于,所述对每个目标管子区域进行明暗区域划分,得到所述目标管子区域对应的子区域集合,包括:
将围成所述目标管子区域的任意一个边缘,确定为候选边缘,并将所述候选边缘的拟合直线,确定为候选直线;
从所述目标管子区域内筛选出预设数量个与所述候选直线方向相同的直线,作为待处理直线;
将所述目标管子区域与每个待处理直线的交集,确定为待处理线段;
根据待处理线段之间的距离和待处理线段上的灰度值,对待处理线段进行聚类,得到线段聚类簇;
将每个线段聚类簇中所有待处理线段所围成的最大的区域,确定为子区域;
将所述目标管子区域内的所有子区域,组合为子区域集合。
5.根据权利要求4所述的一种基于视觉的燃气管道外观质量检测方法,其特征在于,待处理线段聚类过程中的修正距离特征对应的公式为:
;其中,/>是第i个待处理线段与第j个待处理线段之间的修正距离特征;i和j是待处理线段的序号;/>是第i个待处理线段与第j个待处理线段之间的距离;/>是归一化函数;/>是取绝对值函数;/>是第i个待处理线段上所有像素点对应的灰度值的均值;/>是第j个待处理线段上所有像素点对应的灰度值的均值。
6.根据权利要求1所述的一种基于视觉的燃气管道外观质量检测方法,其特征在于,像素点对应的正则化修正参数值对应的公式为:
;其中,/>是第a个子区域内第d个像素点对应的正则化修正参数值;a是子区域的序号;d是第a个子区域内像素点的序号;/>是预设正则化参数值;/>是归一化函数;/>是第a个子区域内第d个像素点对应的预设滤波窗口内所有像素点对应的裂纹程度指标中的最大值;/>是第a个子区域内第d个像素点对应的预设滤波窗口内所有像素点对应的裂纹程度指标的均值。
7.根据权利要求1所述的一种基于视觉的燃气管道外观质量检测方法,其特征在于,所述根据所述目标增强图像,对所述待检测燃气管道进行裂纹缺陷质量检测,得到所述待检测燃气管道的质量等级,包括:
对所述目标增强图像进行边缘检测,得到目标边缘轮廓集合;
根据所述目标边缘轮廓集合中的每个目标边缘轮廓所在区域的长度、周长和面积,确定所述目标边缘轮廓对应的目标缺陷概率;
当存在目标缺陷概率大于预设缺陷阈值的目标边缘轮廓时,判定所述待检测燃气管道的质量等级为不合格;
当不存在目标缺陷概率大于预设缺陷阈值的目标边缘轮廓时,判定所述待检测燃气管道的质量等级为合格。
8.根据权利要求7所述的一种基于视觉的燃气管道外观质量检测方法,其特征在于,所述根据所述目标边缘轮廓集合中的每个目标边缘轮廓所在区域的长度、周长和面积,确定所述目标边缘轮廓对应的目标缺陷概率,包括:
将所述目标边缘轮廓所在区域的周长和面积的比值,确定为所述目标边缘轮廓对应的目标比值;
对所述目标边缘轮廓所在区域的长度和其对应的目标比值的乘积进行归一化,得到所述目标边缘轮廓对应的目标缺陷概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410239228.XA CN117830300B (zh) | 2024-03-04 | 2024-03-04 | 一种基于视觉的燃气管道外观质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410239228.XA CN117830300B (zh) | 2024-03-04 | 2024-03-04 | 一种基于视觉的燃气管道外观质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117830300A CN117830300A (zh) | 2024-04-05 |
CN117830300B true CN117830300B (zh) | 2024-05-14 |
Family
ID=90521266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410239228.XA Active CN117830300B (zh) | 2024-03-04 | 2024-03-04 | 一种基于视觉的燃气管道外观质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117830300B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007071586A (ja) * | 2005-09-05 | 2007-03-22 | Tokyo Seimitsu Co Ltd | 画像欠陥検査装置、画像欠陥検査システム、欠陥分類装置及び画像欠陥検査方法 |
KR20140014481A (ko) * | 2012-07-24 | 2014-02-06 | 주식회사 포스코 | 파이프 용접선 검출 장치 및 방법 |
KR101492336B1 (ko) * | 2013-09-24 | 2015-02-11 | 서울여자대학교 산학협력단 | 금속품의 크랙 자동 검출 시스템 및 그 검출 방법 |
KR20200025480A (ko) * | 2018-08-30 | 2020-03-10 | 한국철도기술연구원 | 경계선 기반 구조물의 균열 검출 장치 및 방법 |
CN113436162A (zh) * | 2021-06-23 | 2021-09-24 | 湖南国天电子科技有限公司 | 一种水下机器人液压油管道表面焊缝缺陷识别方法及装置 |
JP2021155986A (ja) * | 2020-03-26 | 2021-10-07 | シャープ株式会社 | 取付管検出装置および取付管検出方法 |
CN115131359A (zh) * | 2022-09-01 | 2022-09-30 | 南通恒强轧辊有限公司 | 一种金属加工件表面麻点缺陷检测方法 |
CN115689948A (zh) * | 2023-01-05 | 2023-02-03 | 济宁智诚物业管理有限公司 | 用于检测建筑供水管道裂痕的图像增强方法 |
CN115994904A (zh) * | 2023-03-22 | 2023-04-21 | 山东万重山电子有限公司 | 基于计算机视觉的挂烫机面板生产质量检测方法 |
CN116433669A (zh) * | 2023-06-14 | 2023-07-14 | 山东兴华钢结构有限公司 | 基于机器视觉的抗震结构钢架焊缝质量检测方法 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
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 |
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 |
CN117132506A (zh) * | 2023-10-23 | 2023-11-28 | 深圳市高进实业有限公司 | 基于视觉技术的钟表零配件质量检测方法 |
CN117237364A (zh) * | 2023-11-16 | 2023-12-15 | 江苏高特高金属科技有限公司 | 基于图像特征的焊管质量检测方法 |
CN117455915A (zh) * | 2023-12-25 | 2024-01-26 | 陕西福坤顺科技有限公司 | 基于机器视觉的三轴转台缺陷检测方法 |
CN117576106A (zh) * | 2024-01-17 | 2024-02-20 | 高科建材(咸阳)管道科技有限公司 | 管道缺陷检测方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5921990B2 (ja) * | 2012-08-23 | 2016-05-24 | 株式会社ニューフレアテクノロジー | 欠陥検出方法 |
CN109804119B (zh) * | 2016-12-30 | 2021-03-19 | 同济大学 | 基于红外热像图分析的沥青路面裂缝发育程度检测方法 |
-
2024
- 2024-03-04 CN CN202410239228.XA patent/CN117830300B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007071586A (ja) * | 2005-09-05 | 2007-03-22 | Tokyo Seimitsu Co Ltd | 画像欠陥検査装置、画像欠陥検査システム、欠陥分類装置及び画像欠陥検査方法 |
KR20140014481A (ko) * | 2012-07-24 | 2014-02-06 | 주식회사 포스코 | 파이프 용접선 검출 장치 및 방법 |
KR101492336B1 (ko) * | 2013-09-24 | 2015-02-11 | 서울여자대학교 산학협력단 | 금속품의 크랙 자동 검출 시스템 및 그 검출 방법 |
KR20200025480A (ko) * | 2018-08-30 | 2020-03-10 | 한국철도기술연구원 | 경계선 기반 구조물의 균열 검출 장치 및 방법 |
JP2021155986A (ja) * | 2020-03-26 | 2021-10-07 | シャープ株式会社 | 取付管検出装置および取付管検出方法 |
CN113436162A (zh) * | 2021-06-23 | 2021-09-24 | 湖南国天电子科技有限公司 | 一种水下机器人液压油管道表面焊缝缺陷识别方法及装置 |
CN115131359A (zh) * | 2022-09-01 | 2022-09-30 | 南通恒强轧辊有限公司 | 一种金属加工件表面麻点缺陷检测方法 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
CN115689948A (zh) * | 2023-01-05 | 2023-02-03 | 济宁智诚物业管理有限公司 | 用于检测建筑供水管道裂痕的图像增强方法 |
CN115994904A (zh) * | 2023-03-22 | 2023-04-21 | 山东万重山电子有限公司 | 基于计算机视觉的挂烫机面板生产质量检测方法 |
CN116433669A (zh) * | 2023-06-14 | 2023-07-14 | 山东兴华钢结构有限公司 | 基于机器视觉的抗震结构钢架焊缝质量检测方法 |
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 |
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 |
CN117132506A (zh) * | 2023-10-23 | 2023-11-28 | 深圳市高进实业有限公司 | 基于视觉技术的钟表零配件质量检测方法 |
CN117237364A (zh) * | 2023-11-16 | 2023-12-15 | 江苏高特高金属科技有限公司 | 基于图像特征的焊管质量检测方法 |
CN117455915A (zh) * | 2023-12-25 | 2024-01-26 | 陕西福坤顺科技有限公司 | 基于机器视觉的三轴转台缺陷检测方法 |
CN117576106A (zh) * | 2024-01-17 | 2024-02-20 | 高科建材(咸阳)管道科技有限公司 | 管道缺陷检测方法及系统 |
Non-Patent Citations (6)
Title |
---|
A Fabric Defect Detection Model Based on Feature Extraction of Weak Sample Scene;Maosen Wang et al.;《Advances in Swarm Intelligence》;20230708;第246-259页 * |
基于加权引导滤波分层的轨道图像细节增强算法;曹义亲等;《交通信息与安全》;20201231;第38卷(第6期);第55-62页 * |
基于图像处理的内衬套表面缺陷检测;宋宇宁等;《中国计量大学学报》;20170930;第28卷(第3期);第274-281页 * |
基于边缘轮廓的管道裂纹缺陷检测算法研究;关静等;《计算机与数字工程》;20221231;第50卷(第5期);第1103-1108页 * |
自适应图像增强的管道机器人缺陷检测方法;李平等;《光电工程》;20201231;第47卷(第1期);第1-11页 * |
高斯混合模型的高能射线成像图像变化自动检测;赵治月等;《激光杂志》;20201231;第41卷(第8期);第115-118页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117830300A (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115100221B (zh) | 一种玻璃缺陷分割方法 | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN115311270A (zh) | 一种塑料制品表面缺陷检测方法 | |
CN114092389A (zh) | 一种基于小样本学习的玻璃面板表面缺陷检测方法 | |
CN110287777B (zh) | 一种自然场景下的金丝猴躯体分割算法 | |
CN114749342B (zh) | 一种锂电池极片涂布缺陷识别方法、装置及介质 | |
CN111369526B (zh) | 基于半监督深度学习的多类型旧桥裂痕识别方法 | |
CN115689948B (zh) | 用于检测建筑供水管道裂痕的图像增强方法 | |
CN110909657A (zh) | 一种隧道表观病害图像识别的方法 | |
CN111242026A (zh) | 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法 | |
CN116612098B (zh) | 一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置 | |
CN116843692B (zh) | 基于人工智能的再生活性炭状态检测方法 | |
CN114972759A (zh) | 基于分级轮廓代价函数的遥感图像语义分割方法 | |
CN116703911A (zh) | 一种led灯生产质量检测系统 | |
CN116823725A (zh) | 一种基于支持向量机的航空发动机叶片表面缺陷检测方法 | |
CN116071339A (zh) | 一种基于改进鲸鱼算法优化svm的产品缺陷识别方法 | |
CN116309577A (zh) | 一种高强传送带物料智能检测方法及系统 | |
CN115631372A (zh) | 基于土壤遥感数据的土地信息分类管理方法 | |
CN117314940B (zh) | 基于人工智能的激光切割零件轮廓快速分割方法 | |
CN114998215A (zh) | 一种缝纫机表面喷漆异常检测方法及系统 | |
CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 | |
CN1252588C (zh) | 高光谱遥感图像联合加权随机分类方法 | |
CN117830300B (zh) | 一种基于视觉的燃气管道外观质量检测方法 | |
CN116934687B (zh) | 基于半监督学习语义分割的注塑制品表面缺陷检测方法 | |
CN110349119B (zh) | 基于边缘检测神经网络的路面病害检测方法和装置 |
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 |