基于计算机视觉的建材焊接表面缺陷检测方法技术

本发明专利技术基于计算机视觉技术领域，具体涉及一种基于计算机视觉的建材焊接表面缺陷检测方法，获取建材焊接表面灰度图像并进行分块，将每个分块中像素点分为正常像素点和异常像素点，对正常像素点和异常像素点进行灰阶划分，获取每个分块的灰阶共生矩阵，根据每个灰阶对出现的次数和该灰阶对的位置与正常灰阶对的位置之间的距离得到每个分块的纹理异常程度，根据每个分块的灰阶共生矩阵中包含正常灰阶的灰阶对在该分块中出现的次数得到每个分块的异常面积特征值，根据异常面积特征值和纹理异常程度得到异常量化值，根据异常量化值对每个分块进行图像增强，将增强后焊接表面灰度图像输入利用神经网络检测出具体缺陷，提高了缺陷检测的精度。了缺陷检测的精度。了缺陷检测的精度。

【技术实现步骤摘要】
基于计算机视觉的建材焊接表面缺陷检测方法


[0001]本申请涉及计算机视觉领域，具体涉及一种基于计算机视觉的建材焊接表面缺陷检测方法。

技术介绍

[0002]我国作为建筑大国，每年都要使用大量建筑建材，建筑建材在生产生活中的重要性不言而喻。在实际使用中，由于各种场景需要，往往需要对建材进行焊接，以使其达到使用的需求，焊接的质量直接影响建材的使用寿命和承载强度，关乎到生产安全，在焊接过程中，由于人为技术原因或者机器精度影响，会造成建材焊接质量的缺陷，常见的缺陷包括气孔、夹渣、未焊透、未熔合、裂纹、凹坑、咬边、焊瘤等，若不进行缺陷检测，则由于缺陷存在可能导致建筑结构坍塌等严重的安全事故，因此，在焊接结束后需要对焊接部位进行缺陷检测，保证焊接的质量。目前常见的缺陷检测为人工检测、神经网络检测，其中，人工检测有效率低下，人眼难以发现微小缺陷，造成检测精度也不高；神经网络检测是将焊接图像传入神经网络进行缺陷识别，虽然检测速度较快，效率高，但是由于焊接图像中的缺陷特征经常不够不明显，缺陷微小，直接利用神经网络检测焊接图像进行缺陷检测的方式精度也不够高。

技术实现思路

[0003]本专利技术提供一种基于计算机视觉的建材焊接表面缺陷检测方法，解决焊接图像缺陷检测的低效率和精度低的问题，采用如下技术方案：获取建材焊接表面灰度图像并进行分块；将每个分块的灰度直方图中像素点最多的灰度值作为标准灰度值；根据标准灰度值对应的像素点和其他灰度值对应像素点之间的距离得到正常像素点和异常像素点；将正常像素点对应的灰度值作为一个正常灰阶，根据异常像素点的灰度值之间的梯度大小将异常像素点灰度值划分为多个异常灰阶；将每个分块中每个像素点的灰阶和邻域像素点的灰阶均值组成灰阶对，根据每个灰阶对构建每个分块的灰阶共生矩阵；获取每个分块的灰阶共生矩阵中每个灰阶对与正常灰阶对之间的距离，并根据每个灰阶对出现的次数和该灰阶对与正常灰阶对之间的距离得到每个分块的纹理异常程度；根据每个分块的灰阶共生矩阵中正常灰阶和异常灰阶组成的灰阶对在该分块中出现的次数得到每个分块的异常面积特征值；根据每个分块的异常面积特征值和纹理异常程度得到每个分块的异常量化值；根据每个分块的异常量化值对每个分块进行图像增强，得到增强后的建材焊接表面灰度图像，利用神经网络检测图像增强后的分块中的具体缺陷。
[0004]所述根据标准灰度值对应的像素点和其他灰度值对应像素点之间的距离得到正常像素点和异常像素点的方法为：
根据灰度直方图获取像素点最多的灰度值和该灰度值对应的像素点个数，用表示；获取其他灰度值及其对应的像素点个数，用表示，为灰度直方图中第v个灰度值，为对应的像素点个数；则计算其他灰度值的像素点和标准灰度值的像素点之间的距离：式中，为第v个灰度值对应的像素点和标准灰度值对应的像素点之间的距离；获取其他灰度值的像素点和标准灰度值的像素点之间的距离集合，利用K
‑
means聚类将距离集合中的距离分为两类，距离大的一类为正常像素点集合，小的为异常像素点集合。
[0005]所述根据异常像素点的灰度值之间的梯度大小将异常像素点灰度值划分为多个异常灰阶的方法为：将异常像素点按照灰度值进行降序排序，以排序后的最大灰度值为当前灰度值，比较当前灰度值之后的其他灰度值的梯度，将梯度小于等于阈值的灰度值作为同一个异常灰阶，将梯度大于阈值的灰度值作为新的目标灰度值，重复上述操作，得到多个异常灰阶。
[0006]所述每个灰阶对和正常灰阶对之间的欧式距离和每个灰阶对在该分块中出现的次数得到每个分块的纹理异常程度的方法为：式中，为当前分块的纹理异常程度，、为灰阶，为正常灰阶，为灰阶共生矩阵中的灰阶对（,）在分块中出现的次数，，为最大灰阶。
[0007]所述根据每个分块的灰阶共生矩阵中包含正常灰阶的灰阶对在该分块中出现的次数得到每个分块的异常面积特征值的方法为：式中，为每个分块的异常面积特征值，、为包含正常灰阶值的灰阶对在分块中出现的次数，。
[0008]所述根据每个分块的异常面积特征值和纹理异常程度得到每个分块的异常量化值的方法为：式中，为分块的异常量化值。
[0009]所述每个分块的增强图像的获取方法为：将所有分块的异常量化值按照从小到大进行排序，得到最大异常量化值和最小异常量化值；利用最大异常量化值和最小异常量化值得到每个分块的归一化异常程度；式中，为第i个分块的归一化异常程度，为第i个分块的异常量化值，为最小异常量化值，为最大异常量化值；将每个分块的归一化异常程度作为指数，对每个分块中的像素点灰度值进行非线性灰度指数变换，得到每个分块的增强图像。
[0010]所述利用神经网络检测图像增强后的分块中的具体缺陷的方法为：将增强后的分块图像输入Faster
‑
RCNN神经网络，神经网络对每个分块中的具体缺陷进行识别后输出。
[0011]本专利技术的有益效果是：获取建材焊接表面灰度图像并进行分块，对每个分块进行灰阶划分，灰阶划分是在整体图像的统计特性得到的，更能体现图像的特征信息；根据灰度直方图选取标准灰度值，并对应的像素点和其他灰度值对应像素点之间的距离得到正常像素点和异常像素点，既考虑了灰度值的差异性，又考虑了像素点数量的差异性，使得像素点划分更加合理；利用异常像素点之间的梯度划分异常灰阶，在保留细节特征的同时，又减少计算量；根据灰阶的划分得到灰阶共生矩阵，相比于直接获取图像的信息熵、方差、灰度共生矩阵的方式能够更好的表征图像的纹理信息特征和灰度分布特征，通过灰阶共生矩阵的相关量化值的计算能够得到焊接图像特征的更准确的表达；根据每个分块的异常量化值对块图像进行自适应灰度指数变换的特征增强，将焊接图像中的缺陷部分的特征变得更加明显，提高了检测精度。
附图说明
[0012]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0013]图1是本专利技术的一种基于计算机视觉的建材焊接表面缺陷检测方法的流程示意图；图2是本专利技术的一种基于计算机视觉的建材焊接表面缺陷检测方法的气孔缺陷示意图；图3是本专利技术的一种基于计算机视觉的建材焊接表面缺陷检测方法的咬边缺陷示意图；图4是本专利技术的一种基于计算机视觉的建材焊接表面缺陷检测方法的分块示意图。
具体实施方式
[0014]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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他实施例，都属于本专利技术保护的范围。
[0015]本专利技术的一种基于计算机视觉的建材焊接表面缺陷检测方法的实施例，如图1所示，包括：步骤一：获取建材焊接表面灰度图像并进行分块；该步骤的目的是采集焊接建材的焊接部位图像，并进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于计算机视觉的建材焊接表面缺陷检测方法，其特征在于，包括：获取建材焊接表面灰度图像并进行分块；获取每个分块中的正常像素点和异常像素点；将正常像素点对应的灰度值作为一个正常灰阶，根据异常像素点的灰度值之间的梯度大小将异常像素点灰度值划分为多个异常灰阶；将每个分块中每个像素点的灰阶和邻域像素点的灰阶均值组成灰阶对，根据每个灰阶对构建每个分块的灰阶共生矩阵；获取每个分块的灰阶共生矩阵中每个灰阶对与正常灰阶对之间的距离，并根据每个灰阶对出现的次数和该灰阶对与正常灰阶对之间的距离得到每个分块的纹理异常程度；根据每个分块的灰阶共生矩阵中正常灰阶和异常灰阶组成的灰阶对在该分块中出现的次数得到每个分块的异常面积特征值；根据每个分块的异常面积特征值和纹理异常程度得到每个分块的异常量化值；根据所有分块的异常量化值中的最大异常量化值和最小异常量化得到每个分块的归一化异常程度；将每个分块的归一化异常程度作为非线性灰度指数变换中的指数，对每个分块中的像素点灰度值进行非线性灰度指数变换，得到每个分块的增强图像；根据每个分块的增强图像得到增强后的建材焊接表面灰度图像，利用神经网络检测增强后的建材焊接表面灰度图像中的具体缺陷。2.根据权利要求1所述的一种基于计算机视觉的建材焊接表面缺陷检测方法，其特征在于，所述获取每个分块中的正常像素点和异常像素点的方法为：根据灰度直方图获取像素点最多的灰度值和该灰度值对应的像素点个数，用表示，将每个分块的灰度直方图中像素点最多的灰度值作为标准灰度值；获取其他灰度值及其对应的像素点个数，用表示，为灰度直方图中第v个灰度值，为对应的像素点个数；则计算其他灰度值的像素点和标准灰度值的像素点之间的距离：式中，为第v个灰度值对应的像素点和标准灰度值对应的像素点之间的距离；获取其他灰度值的像素点和标准灰度值的像素点之间的距离集合，利用K
‑
means聚类将距离集合中的距离分为两类，距离大的一类为正常像素点集合，小的为异常像素点集合。3.根据权利要求1所述的一种基于计算机视觉的建材焊接表面缺陷检测方法，其特征在于，所述根据异常像素点的灰度值之间的梯度大小将异常像素点灰度值划分为多个异常灰...

【专利技术属性】
技术研发人员：戴友军，胡广华，
申请(专利权)人：山东亿昌装配式建筑科技有限公司，
类型：发明
国别省市：