CN109685793A - 一种基于三维点云数据的管身缺陷检测方法及系统 - Google Patents

一种基于三维点云数据的管身缺陷检测方法及系统 Download PDF

Info

Publication number
CN109685793A
CN109685793A CN201811587748.0A CN201811587748A CN109685793A CN 109685793 A CN109685793 A CN 109685793A CN 201811587748 A CN201811587748 A CN 201811587748A CN 109685793 A CN109685793 A CN 109685793A
Authority
CN
China
Prior art keywords
point cloud
neural network
perceptron
pipe shaft
inspection method
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.)
Granted
Application number
CN201811587748.0A
Other languages
English (en)
Other versions
CN109685793B (zh
Inventor
刘伟
张歌
钟智敏
赵云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Ustc Intelligent Logistics System Co Ltd
Original Assignee
Anhui Ustc Intelligent Logistics System Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Ustc Intelligent Logistics System Co Ltd filed Critical Anhui Ustc Intelligent Logistics System Co Ltd
Priority to CN201811587748.0A priority Critical patent/CN109685793B/zh
Publication of CN109685793A publication Critical patent/CN109685793A/zh
Application granted granted Critical
Publication of CN109685793B publication Critical patent/CN109685793B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Neurology (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Image Analysis (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明属于管道表面缺陷检测领域，提供一种基于三维点云数据的管身缺陷检测方法及系统，包括：构建多层神经网络，神经网络中每个神经元节点为连续可微函数的感知器；获取管道表面的激光点云数据，并将激光点云数据拼接成转换矩阵；将拼接成的转换矩阵进行网格化处理，得到点云文件；将点云文件作为训练样本对构建的多层神经网络进行训练，得到缺陷检测模型；利用缺陷检测模型对被测管道表面的激光点云数据进行处理，检测管道表面缺陷。解决了现有技术中机器算法识别率低的问题。

Description

一种基于三维点云数据的管身缺陷检测方法及系统
技术领域
本发明涉及管道表面缺陷检测领域，特别涉及一种基于三维点云数据的管身缺陷检测方法及系统。
背景技术
缺陷检测通常指的是对管道表面缺陷的检测，其一般采用机器视觉检测技术对工件表面的斑点、凹坑、划痕、缺损等缺陷进行检测。对于管道而言，其作为常用气体和液体的传输手段，其截面形状、管壁形貌等对流动流体的动态性能有着显著的影响。管道内壁缺陷、腐蚀、使用过程中的破损等对生产的安全性有重要影响，因而对管道内壁缺陷进行无损检测，尽早发现缺陷，对于减少事故的发生和避免经济损失具有重要意义。
虽然传统的机器算法能在一定程度上预测样本的输出结果，但是由于其对缺失数据处理比较困难，容易出现过拟合，忽略数据集中属性的相互关联等缺点，在实际的生产制造过程中，由于钢管管身的裂缝形状多种多样，并且当受划痕、棉纱、加工痕迹、笔迹、油漆、雕刻打码、荧光液干渍等干扰时，基本无法做到自动识别。
发明内容
本发明的目的在于提出一种基于三维点云数据的管身缺陷检测方法及系统，解决现有技术中机器算法识别率低的问题。
为实现以上目的，第一方面，本发明提出一种基于三维点云数据的管身缺陷检测方法，包括如下步骤：
构建多层神经网络，神经网络中每个神经元节点为连续可微函数的感知器；
获取管道表面的激光点云数据，并将激光点云数据拼接成转换矩阵；
将拼接成的转换矩阵进行网格化处理，得到点云文件；
将点云文件作为训练样本对构建的多层神经网络进行训练，得到缺陷检测模型；
利用缺陷检测模型对被测管道表面的激光点云数据进行处理，检测管道表面缺陷。
优选地，所述多层神经网络包括输入层、隐含层和输出层。
在每层中：所述感知器的输入值为所述感知器的权向量，所述感知器的输出作为下一层中感知器的输入。
优选地，利用反向传播算法计算所述感知器的权向量，包括：
将所述多层神经网络中的每个感知器的权值随机初始化；
根据所述训练样本的输入，从前向后依次计算，得到输出层每个神经元的输出，然后从输出层开始反向计算每一层的每个单元的误差项：
计算输出层每个神经元k的误差项；
计算隐含层每个隐藏神经元h的误差项；
更新每个权值。
优选地，在所述利用反向传播算法计算所述感知器的权向量之前，还包括：
利用损失函数调整输出结点中的输入权向量。
优选地，利用所述连续可微函数计算所述感知器的输出，所述连续可微函数包括双曲函数tanh或sigmoid函数。
优选地，所述将点云文件作为训练样本对构建的多层神经网络进行训练，得到缺陷检测模型，包括：
将所述点云文件输入至所述多层神经网络，训练得到所述缺陷检测模型；
根据所述点云文件计算所述管道的外径、不圆度以及直线度。
优选地，所述获取管道表面的激光点云数据，包括：
在管道周身均匀布置有至少三个线阵相机，每个线阵相机以管道前进方向为y轴、以管道周身转动方向为x轴、以激光发射方向为Z轴构建自身局部坐标系；
在被测管身前进过程中，每个线阵相机生成自身局部坐标系下的管道表面的激光点云数据；
以任意一个线阵相机所在的坐标系为主坐标系，利用校准工具将剩余线阵相机测量的管道表面的激光点云数据转换至主坐标系下。
优选地，所述训练样本包括无缺陷样本和有缺陷样本；并将有缺陷样本中的缺陷位置进行人工标注。
优选地，采用4K以上的线阵相机来获取所述管道表面的激光点云数据。
第二方面，本发明提出一种基于三维点云数据的管身缺陷检测系统，包括：构建模块、拼接模块、网格化处理模块、训练模块以及检测模块，其中：
构建模块用于构建多层神经网络，神经网络中每个神经元节点为连续可微函数的感知器；
拼接模块用于获取管道表面的激光点云数据，并将激光点云数据拼接成转换矩阵；
网格化处理模块用于将拼接成的转换矩阵进行网格化处理，得到点云文件；
训练模块用于将点云文件作为训练样本对构建的多层神经网络进行训练，得到缺陷检测模型；
检测模块用于利用缺陷检测模型对被测管道表面的激光点云数据进行处理，检测管道表面缺陷。
本发明提出的一种基于三维点云数据的管身缺陷检测方法及系统，通过构建多层神经网络，将获取的点云文件作为训练样本对构建的多层神经网络进行训练，得到缺陷检测模型，再利用缺陷检测模型对被测管道表面的激光点云数据进行处理，检测管道表面缺陷。跟传统机器算法相比，由于构建多层神经网络进行训练得到缺陷检测模型时需要大量的训练样本，从而达到了类似人工检测的效果，具有更高的识别率。
附图说明
下面结合附图，对本发明的具体实施方式进行详细描述：
图1为管道表面缺陷检测流程示意图；
图2为反向传播算法示意图；
图3为缺陷检测模型生成示意图；
图4为三维点云数据生成示意图；
图5为缺陷检测系统工作流程示意图；
图6为sigmoid函数图像示意图；
图7为多层神经网络结构示意图。
具体实施方式
为了更进一步说明本发明的特征，请参阅以下有关本发明的详细说明与附图。所附图仅供参考与说明之用，并非用来对本发明的保护范围加以限制。
第一方面，如图1所示，本实施例公开了一种基于三维点云数据的管身缺陷检测方法，包括如下步骤S1至S5：
S1、构建多层神经网络，神经网络中每个神经元节点为连续可微函数的感知器；
S2、获取管道表面的激光点云数据，并将激光点云数据拼接成转换矩阵；
S3、将拼接成的转换矩阵进行网格化处理，得到点云文件；
S4、将点云文件作为训练样本对构建的多层神经网络进行训练，得到缺陷检测模型；
S5、利用缺陷检测模型对被测管道表面的激光点云数据进行处理，检测管道表面缺陷。
传统机器算法中，作为感知器的函数为或由于前者是非连续函数，这使得它不可微，因此不能使用该函数的梯度下降算法来最小化损失函数；后者的每个输出都是输入的线性组合，这样当多个线性单元连接在一起后最终也只能得到输入的线性组合，这和只有一个感知器单元结点没有很大不同。因此，作为感知器的函数一定要是连续可微的。
如图7所示，所述多层神经网络包括输入层、隐含层和输出层，其中隐含层至少为一层。
在每层中：所述感知器的输入值为所述感知器的权向量，所述感知器的输出作为下一层中感知器的输入。
如图2所示，为了确定每个感知器的权向量，需要利用反向传播算法计算所述感知器的权向量，包括：
将所述多层神经网络中的每个感知器的权值随机初始化；
根据所述训练样本的输入，从前向后依次计算，得到输出层每个神经元的输出，然后从输出层开始反向计算每一层的每个单元的误差项：
计算输出层每个神经元k的误差项，公式为：
δk＝Ok(1-Ok)(tk-Ok)；
式中：ok和tk是指每个输出层的值。
计算隐含层每个隐藏神经元h的误差项，公式为：
式中：k∈outputs为输出层结点集合，wkh为隐含层h到输出层k的权值，oh表示期望输出。
更新每个权值，公式为：
wji＝wji+ηδjxji，
式中：η为学习率，取值通常为0.1～0.3，可以理解为每次梯度所迈的步伐；δj表示在结点j的误差项；Δwjiηδjxji被称为权值更新法则，其中xji表示结点i到结点j的输入，wji表示对应的权值。
优选地，利用所述连续可微函数计算所述感知器的输出，所述连续可微函数包括双曲函数tanh或sigmoid函数：
双曲函数tanh的公式为：
sigmoid函数的公式为：
式中：表示样本的特征向量，表示对应样本的权向量。
sigmoid函数图像如图6所示，该函数能够将(-∞，+∞)内的任意数压缩到(0，1)之间，又称为挤压函数。为了将此函数的输入更加规范化，我们在输入的线性组合中添加一个阈值，使得输入的线性组合以0为分界点。此函数有个重要特性就是它的导数有了此特性在计算它的梯度下降时就简便了很多。
双曲函数tanh与sigmoid函数的性质和曲线类似，本实施例不再单独说明。
在利用反向传播算法计算所述感知器的权向量之前，需要通过最小化损失函数调整输出结点中的输入权向量。由于网络的输出层有多个输出结点，需要将输出层每个输出结点的差值平方求和，于是得到每一个训练样本的损失函数，公式为：
如图3所示，所述将点云文件作为训练样本对构建的多层神经网络进行训练，得到缺陷检测模型，包括：
将所述点云文件输入至所述多层神经网络，训练得到所述缺陷检测模型。
优选地，本实施例还根据所述点云文件计算所述管道的外径、不圆度以及直线度，具体为：
利用点云文件进行管道的圆轮廓拟合，得到管道的外径和不圆度；利用点云文件进行圆与直线拟合，得到管道的直线度。
如图4所示，所述获取管道表面的激光点云数据，包括：
在管道周身均匀布置有至少三个线阵相机，每个线阵相机以管道前进方向为y轴、以管道周身转动方向为x轴、以激光发射方向为Z轴构建自身局部坐标系；
在被测管身前进过程中，每个线阵相机生成自身局部坐标系下的管道表面的激光点云数据；
以任意一个线阵相机所在的坐标系为主坐标系，利用校准工具将剩余线阵相机测量的管道表面的激光点云数据转换至主坐标系下。
优选地，所述训练样本包括无缺陷样本和有缺陷样本；并将有缺陷样本中的缺陷位置进行人工标注。为了模拟人脑工作方式，最终达到类似人工检测的效果，需要的训练样本数量要足够多，所以训练样本中无缺陷样本数量要不少于2000个，有缺陷样本数量要不少于500个。
优选地，由于裂缝最小在0.2mm，要求图片单像素精度优于0.1mm，为了获取管道表面的激光点云数据，需要采用4K以上的线阵相机。
第二方面，如图5所示，本发明提出一种基于三维点云数据的管身缺陷检测系统，包括：构建模块10、拼接模块20、网格化处理模块30、训练模块40以及检测模块50，其中：
构建模块10用于构建多层神经网络，神经网络中每个神经元节点为连续可微函数的感知器，执行的是基于三维点云数据的管身缺陷检测方法中的S1；
拼接模块20用于获取管道表面的激光点云数据，并将激光点云数据拼接成转换矩阵，执行的是基于三维点云数据的管身缺陷检测方法中的S2；
网格化处理模块30用于将拼接成的转换矩阵进行网格化处理，得到点云文件，执行的是基于三维点云数据的管身缺陷检测方法中的S3；
训练模块40用于将点云文件作为训练样本对构建的多层神经网络进行训练，得到缺陷检测模型，执行的是基于三维点云数据的管身缺陷检测方法中的S4；
检测模块50用于利用缺陷检测模型对被测管道表面的激光点云数据进行处理，检测管道表面缺陷，执行的是基于三维点云数据的管身缺陷检测方法中的S5。
本实施例通过使用一种基于三维点云数据的管身缺陷检测方法及系统，通过构建多层神经网络，将获取的点云文件作为训练样本对构建的多层神经网络进行训练，得到缺陷检测模型，再利用缺陷检测模型对被测管道表面的激光点云数据进行处理，检测管道表面缺陷。跟传统机器算法相比，由于构建多层神经网络进行训练得到缺陷检测模型时需要大量的训练样本，从而达到了类似人工检测的效果，具有更高的识别率。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于三维点云数据的管身缺陷检测方法，其特征在于，包括如下步骤：
构建多层神经网络，神经网络中每个神经元节点为连续可微函数的感知器；
获取管道表面的激光点云数据，并将激光点云数据拼接成转换矩阵；
将拼接成的转换矩阵进行网格化处理，得到点云文件；
将点云文件作为训练样本对构建的多层神经网络进行训练，得到缺陷检测模型；
利用缺陷检测模型对被测管道表面的激光点云数据进行处理，检测管道表面缺陷。
2.根据权利要求1所述的基于三维点云数据的管身缺陷检测方法，其特征在于，所述多层神经网络包括输入层、隐含层和输出层。
在每层中：所述感知器的输入值为所述感知器的权向量，所述感知器的输出作为下一层中感知器的输入。
3.根据权利要求2所述的基于三维点云数据的管身缺陷检测方法，其特征在于，利用反向传播算法计算所述感知器的权向量，包括：
将所述多层神经网络中的每个感知器的权值随机初始化；
根据所述训练样本的输入，从前向后依次计算，得到输出层每个神经元的输出，然后从输出层开始反向计算每一层的每个单元的误差项：
计算输出层每个神经元k的误差项；
计算隐含层每个隐藏神经元h的误差项；
更新每个权值。
4.根据权利要求3所述的基于三维点云数据的管身缺陷检测方法，其特征在于，在所述利用反向传播算法计算所述感知器的权向量之前，还包括：
利用损失函数调整输出结点中的输入权向量。
5.根据权利要求3所述的基于三维点云数据的管身缺陷检测方法，其特征在于，利用所述连续可微函数计算所述感知器的输出，所述连续可微函数包括双曲函数tanh或sigmoid函数。
6.根据权利要求1所述的基于三维点云数据的管身缺陷检测方法，其特征在于，所述将点云文件作为训练样本对构建的多层神经网络进行训练，得到缺陷检测模型，包括：
将所述点云文件输入至所述多层神经网络，训练得到所述缺陷检测模型；
根据所述点云文件计算所述管道的外径、不圆度以及直线度。
7.根据权利要求1-6任一项所述的基于三维点云数据的管身缺陷检测方法，其特征在于，所述获取管道表面的激光点云数据，包括：
在管道周身均匀布置有至少三个线阵相机，每个线阵相机以管道前进方向为y轴、以管道周身转动方向为x轴、以激光发射方向为Z轴构建自身局部坐标系；
在被测管身前进过程中，每个线阵相机生成自身局部坐标系下的管道表面的激光点云数据。
以任意一个线阵相机所在的坐标系为主坐标系，利用校准工具将剩余线阵相机测量的管道表面的激光点云数据转换至主坐标系下。
8.根据权利要求1所述的基于三维点云数据的管身缺陷检测方法，其特征在于，所述训练样本包括无缺陷样本和有缺陷样本；并将有缺陷样本中的缺陷位置进行人工标注。
9.根据权利要求1所述的基于三维点云数据的管身缺陷检测方法，其特征在于，采用4K以上的线阵相机来获取所述管道表面的激光点云数据。
10.一种基于三维点云数据的管身缺陷检测系统，其特征在于，包括：构建模块(10)、拼接模块(20)、网格化处理模块(30)、训练模块(40)以及检测模块(50)，其中：
构建模块(10)用于构建多层神经网络，神经网络中每个神经元节点为连续可微函数的感知器；
拼接模块(20)用于获取管道表面的激光点云数据，并将激光点云数据拼接成转换矩阵；
网格化处理模块(30)用于将拼接成的转换矩阵进行网格化处理，得到点云文件；
训练模块(40)用于将点云文件作为训练样本对构建的多层神经网络进行训练，得到缺陷检测模型；
检测模块(50)用于利用缺陷检测模型对被测管道表面的激光点云数据进行处理，检测管道表面缺陷。
CN201811587748.0A 2018-12-25 2018-12-25 一种基于三维点云数据的管身缺陷检测方法及系统 Active CN109685793B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811587748.0A CN109685793B (zh) 2018-12-25 2018-12-25 一种基于三维点云数据的管身缺陷检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811587748.0A CN109685793B (zh) 2018-12-25 2018-12-25 一种基于三维点云数据的管身缺陷检测方法及系统

Publications (2)

Publication Number Publication Date
CN109685793A true CN109685793A (zh) 2019-04-26
CN109685793B CN109685793B (zh) 2021-11-02

Family

ID=66189117

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811587748.0A Active CN109685793B (zh) 2018-12-25 2018-12-25 一种基于三维点云数据的管身缺陷检测方法及系统

Country Status (1)

Country Link
CN (1) CN109685793B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111783798A (zh) * 2020-07-01 2020-10-16 北京大学深圳研究生院 基于显著性特征的模拟残缺点云的遮罩生成方法
CN112070751A (zh) * 2020-09-10 2020-12-11 深兰人工智能芯片研究院（江苏）有限公司 木地板缺陷检测方法和装置
CN114426187A (zh) * 2022-03-10 2022-05-03 郑州煤矿机械集团股份有限公司 一种数据融合及深度学习的刮板链条预警系统和检测方法
WO2022134304A1 (zh) * 2020-12-22 2022-06-30 东方晶源微电子科技（北京）有限公司 缺陷检测模型训练方法和缺陷检测方法及装置和设备
CN114782342A (zh) * 2022-04-12 2022-07-22 北京瓦特曼智能科技有限公司 城市硬件设施缺陷的检测方法及装置
CN115326835A (zh) * 2022-10-13 2022-11-11 汇鼎智联装备科技(江苏)有限公司 圆筒内表面检测方法、可视化方法以及检测系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102122351A (zh) * 2011-03-01 2011-07-13 哈尔滨工程大学 一种基于rbf神经网络的管道缺陷智能识别方法
US20140238136A1 (en) * 2011-09-26 2014-08-28 Ontario Power Generation Inc. Ultrasound matrix inspection
CN104458895A (zh) * 2014-12-08 2015-03-25 清华大学 管道三维漏磁成像检测方法及系统
CN205067027U (zh) * 2015-08-04 2016-03-02 浙江工商大学 一种液氨容器检漏系统
CN205506698U (zh) * 2016-01-28 2016-08-24 北京工业大学 隧道表面图像获取装置及隧道表面检测设备
CN107085001A (zh) * 2017-04-19 2017-08-22 天津博迈科海洋工程有限公司 大型工艺管线缺陷探测方法
CN107204051A (zh) * 2017-05-02 2017-09-26 重庆光电信息研究院有限公司 一种记录仪及管道维护设备
CN107492098A (zh) * 2017-08-17 2017-12-19 广东工业大学 一种基于pca和cnn的高温锻件表面缺陷在位检测方法
CN107576664A (zh) * 2017-09-28 2018-01-12 清华大学 一种轧辊磨削表面缺陷机器视觉检测系统
CN207188386U (zh) * 2017-05-02 2018-04-06 重庆光电信息研究院有限公司 一种管道维护设备
CN108088795A (zh) * 2017-11-09 2018-05-29 陈家龙 一种管道探伤装置用辅机
CN108680649A (zh) * 2018-05-30 2018-10-19 广州特种承压设备检测研究院 一种内衬防腐蚀管道的缺陷成像方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102122351A (zh) * 2011-03-01 2011-07-13 哈尔滨工程大学 一种基于rbf神经网络的管道缺陷智能识别方法
US20140238136A1 (en) * 2011-09-26 2014-08-28 Ontario Power Generation Inc. Ultrasound matrix inspection
CN104458895A (zh) * 2014-12-08 2015-03-25 清华大学 管道三维漏磁成像检测方法及系统
CN205067027U (zh) * 2015-08-04 2016-03-02 浙江工商大学 一种液氨容器检漏系统
CN205506698U (zh) * 2016-01-28 2016-08-24 北京工业大学 隧道表面图像获取装置及隧道表面检测设备
CN107085001A (zh) * 2017-04-19 2017-08-22 天津博迈科海洋工程有限公司 大型工艺管线缺陷探测方法
CN107204051A (zh) * 2017-05-02 2017-09-26 重庆光电信息研究院有限公司 一种记录仪及管道维护设备
CN207188386U (zh) * 2017-05-02 2018-04-06 重庆光电信息研究院有限公司 一种管道维护设备
CN107492098A (zh) * 2017-08-17 2017-12-19 广东工业大学 一种基于pca和cnn的高温锻件表面缺陷在位检测方法
CN107576664A (zh) * 2017-09-28 2018-01-12 清华大学 一种轧辊磨削表面缺陷机器视觉检测系统
CN108088795A (zh) * 2017-11-09 2018-05-29 陈家龙 一种管道探伤装置用辅机
CN108680649A (zh) * 2018-05-30 2018-10-19 广州特种承压设备检测研究院 一种内衬防腐蚀管道的缺陷成像方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
付国平: "基于三维点云数据的缺陷检测及重构实现", 《中国优秀硕士学位论文全文数据库_信息科技辑》 *
吴挺等: "基于主动式全景视觉传感器的管道内部缺陷检测方法", 《仪器仪表学报》 *
廉旭刚等: "《三维激光扫描技术工程应用实践》", 30 September 2017, 测绘出版社 *
程子家: "大规模多层感知器神经网络的研究与应用", 《中国优秀硕士学位论文全文数据库_信息科技辑》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111783798A (zh) * 2020-07-01 2020-10-16 北京大学深圳研究生院 基于显著性特征的模拟残缺点云的遮罩生成方法
WO2022000522A1 (zh) * 2020-07-01 2022-01-06 北京大学深圳研究生院 基于显著性特征的模拟残缺点云的遮罩生成方法
CN111783798B (zh) * 2020-07-01 2023-09-15 北京大学深圳研究生院 基于显著性特征的模拟残缺点云的遮罩生成方法
CN112070751A (zh) * 2020-09-10 2020-12-11 深兰人工智能芯片研究院（江苏）有限公司 木地板缺陷检测方法和装置
WO2022134304A1 (zh) * 2020-12-22 2022-06-30 东方晶源微电子科技（北京）有限公司 缺陷检测模型训练方法和缺陷检测方法及装置和设备
CN114426187A (zh) * 2022-03-10 2022-05-03 郑州煤矿机械集团股份有限公司 一种数据融合及深度学习的刮板链条预警系统和检测方法
CN114426187B (zh) * 2022-03-10 2023-08-22 郑州恒达智控科技股份有限公司 一种数据融合及深度学习的刮板链条预警系统
CN114782342A (zh) * 2022-04-12 2022-07-22 北京瓦特曼智能科技有限公司 城市硬件设施缺陷的检测方法及装置
CN114782342B (zh) * 2022-04-12 2024-02-09 北京瓦特曼智能科技有限公司 城市硬件设施缺陷的检测方法及装置
CN115326835A (zh) * 2022-10-13 2022-11-11 汇鼎智联装备科技(江苏)有限公司 圆筒内表面检测方法、可视化方法以及检测系统

Also Published As

Publication number Publication date
CN109685793B (zh) 2021-11-02

Similar Documents

Publication Publication Date Title
CN109685793A (zh) 一种基于三维点云数据的管身缺陷检测方法及系统
CN106767402B (zh) 一种盾构法隧道表观质量检测方法及系统
US20200364849A1 (en) Method and device for automatically drawing structural cracks and precisely measuring widths thereof
CN108257114A (zh) 一种基于深度学习的输电设备缺陷自动识别方法
CN110992349A (zh) 一种基于深度学习的地下管道异常自动化定位与识别方法
CN108090896B (zh) 木板平整度检测及其机器学习方法、装置及电子设备
CN104483330A (zh) 混凝土表面裂缝实时监测系统与开裂风险的动态评估方法
CN114994061B (zh) 一种基于机器视觉的钢轨智能化检测方法及系统
CN111178206A (zh) 一种基于改进yolo的建筑预埋件检测方法及系统
US10060726B2 (en) Parallel image measurement method oriented to the insulating layer thickness of a radial symmetrical cable section
CN109919934A (zh) 一种基于多源域深度迁移学习的液晶面板缺陷检测方法
CN102221559A (zh) 基于机器视觉的织物疵点在线自动检测方法及其装置
CN110006896B (zh) 一种混凝土性能的虚拟检测仪及检测方法
CN104964886A (zh) 一种焊接构件疲劳应力及应变实时非接触式监测方法
CN109840900A (zh) 一种应用于智能制造车间的故障在线检测系统及检测方法
WO2022257158A1 (zh) 基于三维动态模型检测水工隧洞缺陷的方法
CN110110758A (zh) 一种基于卷积神经网络的表面粗糙度分类方法
CN115993096A (zh) 一种高层建筑变形测量方法
CN113313107A (zh) 一种斜拉桥缆索表面多类型病害智能检测和识别方法
CN115760837A (zh) 一种基于深度神经网络的晶体质量评估方法及系统
CN114881998A (zh) 一种基于深度学习的工件表面缺陷检测方法及系统
Litvintseva et al. Real-time steel surface defect recognition based on CNN
Bruno et al. Decay detection in historic buildings through image-based deep learning
CN111815573A (zh) 一种基于深度学习的接箍外壁检测方法及系统
CN114565314A (zh) 一种基于数字孪生的热轧钢卷端面质量管控系统及方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 230000 no.5111, Wangjiang West Road, high tech Zone, Hefei City, Anhui Province

Applicant after: HKUST intelligent Internet of things Technology Co.,Ltd.

Address before: 230088 No. 5111 Wangjiangxi Road, Hefei High-tech Zone, Anhui Province

Applicant before: ANHUI CSG INTELLIGENT LOGISTICS SYSTEM Co.,Ltd.

GR01 Patent grant
GR01 Patent grant