浏览全部资源
扫码关注微信
收稿：2024-08-29，
修回：2025-03-01，
纸质出版：2025-05-20
移动端阅览
针对无人机采集的高层建筑钢结构梁柱节点焊接裂纹图像中边界像素近似性干扰问题，提出一种通过求出相似性裂纹缺陷像素边值的近似解的思路，设计高层建筑钢结构梁柱节点焊接裂纹缺陷检测改进方法。首先，计算原始图像的灰度均值，调节不同区域的均值参数增强图像的平均灰度。然后根据钢梁柱节点疑似裂纹缺陷区域给出J积分线性公式，推导得出像素的渐变公式，确定缺陷大体区域。计算缺陷像素区域与裂纹强度因子的线性关系，由此确定缺陷点的边界梯度区域。最后通过设定图像中正常点的像素最值梯度，计算高梯度区域和低梯度区域的像素方差，通过方差数值对比实现焊接裂纹缺陷检测。实验结果表明：所提方法检测精度始终高于95%，最高达98%，较传统卷积神经网络方法约提升20%。研究结果为钢结构焊接质量的无损检测提供了高精度、低复杂度的解决方案，具有工程推广价值。
To address the issue of approximate interference of boundary pixels in UAV-captured images of welding crack defects at steel structure beam-column joints in high-rise buildings
this study proposes an improved detection method based on the concept of deriving approximate solutions for pixel boundary values of similar crack defects. Firstly
the grayscale mean of the original image is calculated
and the mean parameters of different regions are adjusted to enhance the average grayscale. Subsequently
a J-integral linear formula is introduced for suspected crack defect areas in steel beam-column nodes
from which a pixel gradient formula is derived to identify the general defect regions. The linear relationship between defect pixel regions and crack intensity factors is established to determine boundary gradient regions of defect points. Finally
by setting the maximum pixel gradient of normal points and calculating pixel variances in high-gradient and low-gradient regions
welding crack defects are detected through variance comparisons. Experimental results demonstrate that the proposed method achieves a detection accuracy consistently above 95%
peaking at 98%
representing an approximately 20% improvement over traditional convolutional neural network methods. This research provides a high-precision
low-complexity solution for non-destructive testing of steel structure welding quality
with significant potential for engineering applications.
宋飞 ， 殷晨波 ， 杜雪雪 ， 等 . 基于红外热成像检测技术的焊接裂纹深度定量识别研究 ［J］. 热加工工艺 ， 2023 ， 52 （ 19 ）： 128 - 132+138 .
SONG F ， YIN C B ， DU X X ， et al . Quantitative Identification of Welding Crack Depth Based on Infrared Thermography Test ［J］. Hot Working Technology ， 2023 ， 52 （ 19 ）： 128 - 132+138 .
杨中雨 ， 李鹏 . 一种基于卷积神经网络的管道焊缝图像识别算法 ［J］. 激光杂志 ， 2021 ， 42 （ 4 ）： 64 - 67 .
YANG Z Y ， LI P . A Pipeline Weld Image Recognition Algorithm Based on CNN ［J］. Laser Journal ， 2021 ， 42 （ 4 ）： 64 - 67 .
丛明 ， 孙心海 ， 武晓轩 . 基于RetinaNet-AACIDD的铝合金铸件X-ray图像缺陷检测方法 ［J］. 组合机床与自动化加工技术 ， 2023 ，（ 12 ）： 151 - 156+160 .
CONG M ， SUN X H ， WU X X . X-ray Image Defect Detection Method of Aluminum Alloy Castings Based on RetinaNet-AACIDD ［J］. Modular Machine Tool & Automatic Manufacturing Technique ， 2023 ，（ 12 ）： 151 - 156+160 .
Yang H Y ， Wang H B ， Li H H ， et al . Weld Defect Cascaded Detection Model Based on Bidirectional Multi- scale Feature Fusion and Shape Pre-classification ［J］. ISIJ International ， 2022 ， 62 （ 7 ）： 1485 - 1492 .
李巍 ， 梁斯昕 ， 张建州 . 基于梯度引导加权-延迟负梯度衰减损失的长尾图像缺陷检测 ［J］. 计算机应用 ， 2023 ， 43 （ 10 ）： 3267 - 3274 .
LI W ， LIANG S X ， ZHANG J Z . Long-tailed image defect detection based on gradient-guide weighted-deferred negative gradient decay loss ［J］. Journal of Computer Applications ， 2023 ， 43 （ 10 ）： 3267 - 3274 .
伍缘杰 ， 徐晓静 ， 计效园 ， 等 . 基于图像处理的SLM铺粉缺陷检测识别与分类研究 ［J］. 特种铸造及有色合金 ， 2023 ， 43 （ 01 ）： 23 - 28 .
WU Y J ， XU X J ， JI X Y ， et al . Defect Recognition and Classification of SLM Powder Spreading Based on Image Processing ［J］. Special Casting & Nonferrous Alloys ， 2023 ， 43 （ 01 ）： 23 - 28 .
邹斌 ， 方卫林 ， 王栋 . 基于深度卷积神经网络的环焊缝X射线底片公片检测算法——评《埋弧焊X射线焊缝图像缺陷检测算法研究》 ［J］. 中国油脂 ， 2023 ， 48 （ 03 ）： 153 .
ZOU B ， FANG W L ， WANG D . A deep convolutional neural network-based X-ray negative image detection algorithm for circumferential welds： A review of "Research on Image Defect Detection Algorithm for Submerged Arc Welding X-ray Welds "［J］. China Oils and Fats ， 2023 ， 48 （ 03 ）： 153 .
李可 ， 吴忠卿 ， 吉勇 ， 等 . 改进U-Net芯片X线图像焊缝气泡缺陷检测方法 ［J］. 华中科技大学学报（自然科学版） ， 2022 ， 50 （ 06 ）： 104 - 110 .
LI K ， WU Z Q ， JI Y ， et al . Detection method of weld bubble defect in chip X-ray image based on improved U-Net network ［J］. Journal of Huazhong University of Science and Technology（Natural Science Edition） ， 2022 ， 50 （ 06 ）： 104 - 110 .
胡丹 ， 吕波 ， 王静静 ， 等 . 焊缝表面缺陷激光视觉传感HOG-SVM的检测方法 ［J］. 焊接学报 ， 2023 ， 44 （ 01 ）： 57-62+70+131 - 132 .
HU D ， LV B ， WANG J J ， et al . Study on HOG-SVM detection method of weld surface defects using laser visual sensing ［J］. Transactions of The China Welding Institution ， 2023 ， 44 （ 01 ）： 57-62+70+131 - 132 .
王东 ， 涂占宽 ， 代韬 ， 等 . 钢轨厂焊接头焊缝轨腰轨底圆弧过渡区缺陷检测及分析 ［J］. 铁道建筑 ， 2023 ， 63 （ 07 ）： 40 - 44 .
WANG D ， TU Z K ， DAI T ， et al . Detection and Analysis of Defects in Arc Transition Zone of Waist and Bottom of Rail Factory Welding Joint Weld Seam ［J］. Railway Engineering ， 2023 ， 63 （ 07 ）： 40 - 44 .
赵玥 ， 肖梦燕 ， 邱宝军 ， 等 . 基于机器视觉的集成电路声扫图像缺陷检测软件设计 ［J］. 计算机工程与科学 ， 2023 ， 45 （ 10 ）： 1806 - 1813 .
ZHAO Y ， XIAO M Y ， QIU B J ， et al . Software design of acoustic scanning image defect detection based on machine vision ［J］. Computer Engineering & Science ， 2023 ， 45 （ 10 ）： 1806 - 1813 .
张德海 ， 祝志逢 ， 李艳芹 ， 等 . 基于机器视觉的二维图像质量缺陷检测研究进展 ［J］. 包装工程 ， 2023 ， 44 （ 23 ）： 198 - 207 .
ZHANG D H ， ZHU Z F ， LI Y Q ， et al . Research Progress of Two-dimensional Image Quality Defect Detection Based on Machine Vision ［J］. Packaging Engineering ， 2023 ， 44 （ 23 ）： 198 - 207 .
王鹏 ， 赵春晖 ， 周华良 ， 等 . 基于多时相巡检图像的变电设备抗干扰缺陷检测 ［J］. 控制与决策 ， 2024 ， 39 （ 03 ）： 885 - 892 .
WANG P ， ZHAO C H ， ZHOU H L ， et al . Anti-interference defect detection of substation equipment based on multitemporal inspection images ［J］. Control and Decision ， 2024 ， 39 （ 03 ）： 885 - 892 .
陈杰 ， 安之焕 ， 唐占元 ， 等 . 基于改进YOLOv4模型的无人机巡检图像杆塔缺陷检测方法研究 ［J］. 电测与仪表 ， 2023 ， 60 （ 10 ）： 155 - 160 .
CHEN J ， AN Z H ， TANG Z Y ， et al . Research on tower defect detection method of UAV patrol inspection image based on improved YOLOv4 model ［J］. Electrical Measurement & Instrumentation ， 2023 ， 60 （ 10 ）： 155 - 160 .
钱鲁斌 ， 吴鸿博 ， 高春翔 ， 等 . 基于灰狼算法的轨道交通钢轨缺陷的稀疏全聚焦成像方法 ［J］. 城市轨道交通研究 ， 2024 ， 27 （ 03 ）： 120 - 124 .
QIAN L B ， WU H B ， GAO C X ， et al . Sparse Full Focus Imaging Method for Rail Defects in Rail Transit Based on Grey Wolf Algorithm ［J］. Urban Rail Transit Research ， 2024 ， 27 （ 03 ）： 120 - 124 .
公网安备11010802024621
