CN109900706A - 一种基于深度学习的焊缝及焊缝缺陷检测方法 - Google Patents
一种基于深度学习的焊缝及焊缝缺陷检测方法 Download PDFInfo
- Publication number
- CN109900706A CN109900706A CN201910213482.1A CN201910213482A CN109900706A CN 109900706 A CN109900706 A CN 109900706A CN 201910213482 A CN201910213482 A CN 201910213482A CN 109900706 A CN109900706 A CN 109900706A
- Authority
- CN
- China
- Prior art keywords
- weld
- weld seam
- image
- posting
- network
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 65
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000012360 testing method Methods 0.000 claims abstract description 47
- 230000006870 function Effects 0.000 claims abstract description 13
- 238000011478 gradient descent method Methods 0.000 claims abstract description 4
- 238000003466 welding Methods 0.000 claims description 16
- 238000012546 transfer Methods 0.000 claims description 6
- 230000002950 deficient Effects 0.000 claims description 4
- 238000009434 installation Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 15
- 238000005259 measurement Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Abstract
本发明公开了一种基于深度学习的焊缝及焊缝缺陷检测方法，采用YOLOV3网络实现焊缝和/或焊缝缺陷检测；网络的训练步骤：将工件图像利用定位框对焊缝进行框选、标记，作为训练数据集；将焊缝图像利用定位框对焊缝缺陷进行框选、标记缺陷类型，作为训练数据集I；获取定位框的坐标xp、yp，以及宽高尺寸wp、hp；初始化网络；随机调取输入张量aj进行训练计算，输出检测结果；利用检测结果计算预测结果的误差函数loss；结合梯度下降法调节权重W和偏置值b，如此循环，得到训练好的网络；本方法，对多条焊缝、多种缺陷类型同步检测，一次测量即可实现焊缝识别定位及缺陷检测，有效提高测量效率和精度。
Description
技术领域
本发明涉及缺陷检测领域，具体涉及一种基于深度学习的焊缝及焊缝缺陷检测方法。
背景技术
随着自动化技术的发展，工业焊接机器人在加工制造领域得到了广泛的应用，已经成为主要的自动化设备，新型工业焊接机器人使用远程激光焊接技术，克服了传统焊接受到的限制(如弧焊机器人姿势的限制、电焊枪受到工件大小的限制)，具有工件焊接速度快，造成的热变形小的优点。
与之相对的，需要一种高效的焊缝质量检测方法以匹配加工节拍要求，常规的结构光式传感器测量精度高，能够测量三维参数，其扫描式的工作方式对焊接后工件上多焊缝质量检测测量效率较低[郭吉昌,朱志明,于英飞,等.焊接领域激光结构光视觉传感技术的研究及应用[J].中国激光,2017(12)]；另一种解决思路是去除结构光特征，以图像灰度结合图像处理技术检测焊缝缺陷，[焦敬品,李思源,常予,等.一种基于灰度图像形态学的焊缝表面缺陷特征提取方法，CN105976352A,2016.]，利用灰度图像形态学处理方法，以边缘检测提取焊缝感兴趣区域(ROI)，再以ROI内灰度值变化特征判断焊缝缺陷类型，但该方法需要设置固定的全局二值化阈值，易受环境扰动影响，且其只能检测明显改变焊缝边缘特征的焊缝、焊瘤等缺陷，检测灵敏度低，难以响应焊缝裂痕、凹槽等细微缺陷，焊接中物理过程相对复杂，难以用准确数学模型表达，同时焊缝缺陷成因多样，不易建立统一的图像模板或特征提取规则，因此，常规的图像处理手段难以适应多样化缺陷特征的识别和检测需求。
发明内容
焊缝检测过程中，因图像发生变形、图像拍摄质量、角度等问题，现有模板匹配等二维图像检测方法，无法有效检测出焊缝中具体存在的缺陷类型及位置；为了解决上述问题，本发明提出基于深度学习原理的智能焊缝缺陷检测方法，对多条焊缝、多种缺陷类型同步检测，一次测量即可实现焊缝识别定位及缺陷检测，有效提高测量效率。
一种基于深度学习的焊缝及焊缝缺陷检测方法，采用YOLO V3网络实现焊缝和/或焊缝缺陷检测；
进行焊缝和/或焊缝缺陷检测的YOLO V3网络经如下步骤进行训练：
1)将包含焊缝的工件图像利用定位框对焊缝进行框选、标记，多张此类图像作为训练数据集；
将焊缝区域分割后形成的焊缝图像利用定位框对焊缝缺陷进行框选、标记缺陷类型，多张此类图像作为训练数据集I；
获取定位框的坐标xp、yp，以及宽高尺寸wp、hp；
2)初始化设置YOLO V3网络的权重W、偏置值b、最大训练次数、学习率，按照输入图片尺寸要求将训练数据集/训练数据集I中的图像转化成输入张量aj，j＝1，2，3…m，m为训练数据集和训练数据I中图像的张数和；
进一步，初始化时，所述权重参数W和偏置b利用现有的其他工件检测的卷积神经网络的权重；所述其他工件与焊缝特征具有相似性，如，采用螺柱检测训练得到的卷积神经网络的权重参数。
3)所述YOLO V3网络随机调取输入张量aj进行训练计算，输出检测结果；
利用所述检测结果计算预测结果的误差函数loss；
结合梯度下降法调节权重W和偏置值b，再次随机调取输入张量aj在YOLO V3网络中进行计算，求取预测的误差函数loss，如此循环，直至检测结果的误差函数loss＜1或达到最大训练次数，输出此时对应的权重W，及偏置值b，得到训练好的YOLO V3网络；
优选，设定最大训练次数为500000、学习率为0.001；
其中，检测结果的误差函数loss通过如下公式计算：
loss＝λcoord·losscoord+lossIOU+lossclasses
λcoord为检测结果中定位框的坐标误差的比例系数；人为设置，取值范围3～8，优选，取值5；
检测结果中定位框的坐标为检测结果中定位框的宽高尺寸为
为检测结果确定的定位框内存在焊缝或焊缝缺陷的置信度；
Pp为检测结果确定的定位框内存在焊缝或焊缝缺陷的概率，存在时，Pp＝1，反之，Pp＝0；n为步骤1)中标记类型数；
为检测结果确定的定位框内存在的焊缝或焊缝缺陷属于预定分类的概率。
进一步，还包括步骤4)，利用不包括在训练数据集或训练数据集I内的图像作为测试图片集，所述测试图片集内的图像为多张包含焊缝的工件图像或焊缝区域分割后形成的焊缝图像；所述测试图片集内的图像采用了与训练数据集或训练数据集I内图像相同的处理方法进行了处理；
所述训练数据集或训练数据集I的数量占例大于测试图片集的占比，优选，训练数据集或训练数据集I的数量占例为60％和测试图片集的占比为40％。
所述测试图片集内的图像输入到训练好的YOLO V3网络，评估输出结果的正确率达到预设值时，此训练好的YOLO V3网络被用于正常焊缝/焊缝缺陷检测。
进一步，步骤1)中对焊缝进行框选时，同时框选焊缝的两个端点并标注。
进一步，对所述训练数据集/训练数据集I中的图像进行旋转、镜像、添加噪声扰动，生成多幅类似图像，增加训练样本的数量，进行样本扩充。
进一步，所述定位框为矩形框，其坐标xp、yp为定位框中心点或某端点的坐标。
进一步，对所述工件图像进行局部对比度增强操作。
进一步，所述焊缝缺陷分4类，分别为凹陷、烧痕、空洞及气泡；每种缺陷类别的焊缝图像的数量不少于1000张。
进一步，本方法的实际应用：将检测结果中确定焊缝缺陷位置的坐标转换到世界坐标系下，反馈给机器人，机器人依据接收到的位置数据调节运动轨迹，带动焊枪对缺陷位置进行补充焊接。
进一步，所述YOLO V3网络包括输入层、相互连接的卷积层、激活函数层、dropout层、残差层、全连接层、softmax逻辑输出层；相邻两个层之间，上一层级的输出值作为下一层级的输入值。
所述焊缝检测卷积神经网络中包括52个卷积层，均采用1×1或3×3的小卷积核，图像每经过一个卷积核，对图像进行一次图的抽样，得到抽样后的特征图；卷积层之间使用ReLU激活函数，用以提升神经网络模型的非线性表达能力；dropout层穿插在各个卷积模块之间，用以防止深度学习训练的过拟合；残差层在各个卷积模块之后出现，用以解决随着卷积神经网络的深度增加导致的模型退化的问题，提升网络模型的预测准确性；池化层在卷积模块之后出现，用于对输入矩阵进行缩小概括；全连接层得到网络权重参数；最后一层为softmax逻辑层，用于网络权重的输出。
进一步，单幅工件图像中包含2～15焊缝区域；
本方法通过对工件图像中焊缝区域、焊缝图像中缺陷区域、焊缝的端点区域进行框选，利用前向传播和后向传播对网络权重、偏置参数进行不断地调整优化，得到准确的输入和输出映射对，保证YOLO V3卷积神经网络预测出的焊缝位置、缺陷位置、类别准确、预测框选区域与实际框选区域重合度最大，完成焊缝及焊缝缺陷的卷积神经网络结构训练；本方法能够有效识别焊缝图像中的缺陷；对于存在多个焊缝区域的大尺寸工件图像，先进行焊缝区域的有效识别，在针对焊缝区域进行具体缺陷的识别，增加了对缺陷区域定位的准确性。
附图说明
图1为本发明方法流程示意图；
图2为输出焊缝区域定位框示意图；
图3为输出焊缝缺陷定位框示意图。
具体实施方式
以下结合附图和实施例对本发明的技术方案进行详细描述。
一种基于深度学习的焊缝及焊缝缺陷检测方法，采用YOLO V3网络实现焊缝和/或焊缝缺陷检测；(YOLO V3网络包括输入层、相互连接的卷积层、激活函数层、dropout层、残差层、全连接层、softmax逻辑输出层；相邻两个层之间，上一层级的输出值作为下一层级的输入值。)
进行焊缝和/或焊缝缺陷检测的YOLO V3网络经如下步骤进行训练：
1)将包含焊缝的工件图像利用矩形定位框对焊缝进行框选、标记，5000张此类图像作为训练数据集；
作为本发明一个实施例，单幅工件图像中包含2～15焊缝区域；
将焊缝区域分割后形成的焊缝图像利用矩形定位框对焊缝缺陷进行框选、标记缺陷类型，同时，利用矩形定位框对焊缝的两个端点进行框选、标记为端点类型，多张此类图像作为训练数据集I；焊缝缺陷分4类，分别为凹陷、烧痕、空洞及气泡；每种缺陷类别的焊缝图像的数量为5000张。
获取矩形定位框中心的坐标xp、yp，以及宽高尺寸wp、hp；
对训练数据集/训练数据集I中的图像进行旋转、镜像、添加噪声扰动，生成多幅类似图像，增加训练样本的数量。
对工件图像进行局部对比度增强操作。
2)利用现有的螺柱检测模型训练得到的参数，初始化设置YOLO V3网络的权重W、偏置值b、设定最大训练次数为500000、学习率为0.001；
按照输入图片尺寸要求将训练数据集/训练数据集I中的图像转化成输入张量aj，j＝1，2，3…m，m为训练数据集和训练数据I中图像的张数和；
3)YOLO V3网络随机调取输入张量aj进行训练计算，输出检测结果；
利用检测结果计算预测结果的误差函数loss；
结合梯度下降法调节权重W和偏置值b，再次随机调取输入张量aj在YOLO V3网络中进行计算，求取预测的误差函数loss，如此循环，直至检测结果的误差函数loss＜1或达到最大训练次数，输出此时对应的权重W，及偏置值b，得到训练好的YOLO V3网络；
其中，检测结果的误差函数loss通过如下公式计算：
loss＝λcoord·losscoord+lossIOU+lossclasses
λcoord为检测结果中定位框的坐标误差的比例系数；人为设置，取值范围3～8，优选，取值5；
检测结果中定位框的坐标为检测结果中定位框的宽高尺寸为
为检测结果确定的定位框内存在焊缝或焊缝缺陷的置信度；
Pp为检测结果确定的定位框内存在焊缝或焊缝缺陷的概率，存在时，Pp＝1，反之，Pp＝0；n为步骤1)中标记类型数，n＝6；
为检测结果确定的定位框内存在的焊缝或焊缝缺陷属于预定分类的概率。
将检测结果中确定焊缝缺陷位置的坐标转换到世界坐标系下，反馈给机器人，机器人依据接收到的位置数据调节运动轨迹，带动焊枪对缺陷位置进行补充焊接。
作为本发明的另一实施例，还包括步骤4)，利用不包括在训练数据集或训练数据集I内的图像作为测试图片集，测试图片集内的图像为多张包含焊缝的工件图像或焊缝区域分割后形成的焊缝图像；测试图片集内的图像采用了与训练数据集或训练数据集I内图像相同的处理方法进行了处理；
测试图片集内的图像输入到训练好的YOLO V3网络，评估输出结果的正确率达到预设值时，此训练好的YOLO V3网络被用于正常焊缝/焊缝缺陷检测。
为了方便解释和精确限定所附权利要求，术语“上”、“下”、“左”和“右”是对特征位置的示例性实施方式的描述。
前面对本发明具体示例性实施方案所呈现的描述是出于说明和描述的目的。前面的描述并不想要成为毫无遗漏的，也不是想要把本发明限制为所公开的精确形式，显然，根据上述教导很多改变和变化都是可能的。选择示例性实施方案并进行描述是为了解释本发明的特定原理及其实际应用，从而使得本领域的其它技术人员能够实现并利用本发明的各种示例性实施方案及其不同选择形式和修改形式。本发明的范围旨在由所附权利要求书及其等价形式所限定。
Claims (7)
1.一种基于深度学习的焊缝及焊缝缺陷检测方法，采用YOLO V3网络实现焊缝和/或焊缝缺陷检测；其特征在于：
进行焊缝和/或焊缝缺陷检测的YOLO V3网络经如下步骤进行训练：
1)将包含焊缝的工件图像利用定位框对焊缝进行框选、标记，多张此类图像作为训练数据集；
将焊缝区域分割后形成的焊缝图像利用定位框对焊缝缺陷进行框选、标记缺陷类型，多张此类图像作为训练数据集I；
获取定位框的坐标xp、yp，以及宽高尺寸wp、hp；
2)初始化设置YOLO V3网络的权重W、偏置值b、最大训练次数、学习率，按照输入图片尺寸要求将训练数据集/训练数据集I中的图像转化成输入张量aj，j＝1，2，3…m，m为训练数据集和训练数据I中图像的张数和；
3)所述YOLO V3网络随机调取输入张量aj进行训练计算，输出检测结果；
利用所述检测结果计算预测结果的误差函数loss；
结合梯度下降法调节权重W和偏置值b，再次随机调取输入张量aj在YOLO V3网络中进行计算，求取预测的误差函数loss，如此循环，直至检测结果的误差函数loss＜1或达到最大训练次数，输出此时对应的权重W，及偏置值b，得到训练好的YOLO V3网络；
其中，检测结果的误差函数loss通过如下公式计算：
loss＝λcoord·losscoord+lossIOU+lossclasses
λcoord为检测结果中定位框的坐标误差的比例系数；
检测结果中定位框的坐标为检测结果中定位框的宽高尺寸为
为检测结果确定的定位框内存在焊缝或焊缝缺陷的置信度；
Pp为检测结果确定的定位框内存在焊缝或焊缝缺陷的概率，存在时，Pp＝1，反之，Pp＝0；n为步骤1)中标记类型数；
为检测结果确定的定位框内存在的焊缝或焊缝缺陷属于预定分类的概率。
2.如权利要求1所述基于深度学习的焊缝及焊缝缺陷检测方法，其特征在于：还包括步骤4)，利用不包括在训练数据集或训练数据集I内的图像作为测试图片集，所述测试图片集内的图像为多张包含焊缝的工件图像或焊缝区域分割后形成的焊缝图像；所述测试图片集内的图像采用了与训练数据集或训练数据集I内图像相同的处理方法进行了处理；
所述测试图片集内的图像输入到训练好的YOLO V3网络，评估输出结果的正确率达到预设值时，此训练好的YOLO V3网络被用于正常焊缝/焊缝缺陷检测。
3.如权利要求1或2所述基于深度学习的焊缝及焊缝缺陷检测方法，其特征在于：步骤1)中对焊缝进行框选时，同时，框选焊缝的两个端点并标注。
4.如权利要求1或2所述基于深度学习的焊缝及焊缝缺陷检测方法，其特征在于：对所述训练数据集/训练数据集I中的图像进行旋转、镜像、添加噪声扰动，生成多幅类似图像，增加训练样本的数量，进行样本扩充。
5.如权利要求1或2所述基于深度学习的焊缝及焊缝缺陷检测方法，其特征在于：所述定位框为矩形框，其坐标xp、yp为定位框中心点或某端点的坐标。
6.如权利要求1或2所述基于深度学习的焊缝及焊缝缺陷检测方法，其特征在于：所述焊缝缺陷分4类，分别为凹陷、烧痕、空洞及气泡。
7.如权利要求1或2所述基于深度学习的焊缝及焊缝缺陷检测方法的应用，其特征在于：将检测结果中确定焊缝缺陷位置的坐标转换到世界坐标系下，反馈给机器人，机器人依据接收到的位置数据调节运动轨迹，带动焊枪对缺陷位置进行补充焊接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910213482.1A CN109900706B (zh) | 2019-03-20 | 2019-03-20 | 一种基于深度学习的焊缝及焊缝缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910213482.1A CN109900706B (zh) | 2019-03-20 | 2019-03-20 | 一种基于深度学习的焊缝及焊缝缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109900706A true CN109900706A (zh) | 2019-06-18 |
| CN109900706B CN109900706B (zh) | 2021-08-17 |
Family
ID=66952445
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910213482.1A Active CN109900706B (zh) | 2019-03-20 | 2019-03-20 | 一种基于深度学习的焊缝及焊缝缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109900706B (zh) |
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110264457A (zh) * | 2019-06-20 | 2019-09-20 | 浙江大学 | 基于旋转区域候选网络的焊缝自主识别方法 |
| CN110508510A (zh) * | 2019-08-27 | 2019-11-29 | 广东工业大学 | 一种塑料泵缺陷检测方法、装置及系统 |
| CN110517312A (zh) * | 2019-07-05 | 2019-11-29 | 银河水滴科技（北京）有限公司 | 基于深度学习的缝隙定位方法、装置和存储介质 |
| CN111060601A (zh) * | 2019-12-27 | 2020-04-24 | 武汉武船计量试验有限公司 | 一种基于深度学习的焊缝超声相控阵检测数据智能分析方法 |
| CN111145145A (zh) * | 2019-12-10 | 2020-05-12 | 太原科技大学 | 一种基于MobileNets的图像表面缺陷检测方法 |
| CN111192254A (zh) * | 2019-12-30 | 2020-05-22 | 无锡信捷电气股份有限公司 | 基于全局阈值与模板匹配的焊缝特征点滤波方法 |
| CN111311571A (zh) * | 2020-02-13 | 2020-06-19 | 上海小萌科技有限公司 | 一种目标信息获取方法、系统、装置及可读存储介质 |
| CN111369508A (zh) * | 2020-02-28 | 2020-07-03 | 燕山大学 | 一种金属三维点阵结构的缺陷检测方法及系统 |
| CN111429441A (zh) * | 2020-03-31 | 2020-07-17 | 电子科技大学 | 一种基于yolov3算法的焊口识别定位方法 |
| CN111738991A (zh) * | 2020-06-04 | 2020-10-02 | 西安数合信息科技有限公司 | 一种焊缝缺陷的数字射线检测模型的创建方法 |
| CN111862080A (zh) * | 2020-07-31 | 2020-10-30 | 易思维（杭州）科技有限公司 | 基于多特征融合的深度学习缺陷识别方法 |
| CN112053376A (zh) * | 2020-09-07 | 2020-12-08 | 南京大学 | 一种基于深度信息的工件焊缝识别方法 |
| CN112183957A (zh) * | 2020-09-10 | 2021-01-05 | 五邑大学 | 一种焊接质量的检测方法、装置及存储介质 |
| CN112270335A (zh) * | 2020-09-04 | 2021-01-26 | 网络通信与安全紫金山实验室 | 一种搭接接头焊接质量缺陷预测的方法、系统及计算机可读存储介质 |
| CN112264731A (zh) * | 2020-10-20 | 2021-01-26 | 李小兵 | 一种改善焊接质量的控制方法及装置 |
| CN112365491A (zh) * | 2020-11-27 | 2021-02-12 | 上海市计算技术研究所 | 容器焊缝检测的方法、电子设备及存储介质 |
| CN112465851A (zh) * | 2020-09-27 | 2021-03-09 | 华南理工大学 | 一种基于压力容器表面焊缝表面轮廓曲线的参数检测方法 |
| CN112633235A (zh) * | 2020-12-31 | 2021-04-09 | 华中科技大学 | 基于机器人的车体焊缝打磨余量分类方法及设备 |
| CN113033554A (zh) * | 2021-03-23 | 2021-06-25 | 成都国铁电气设备有限公司 | 一种实时在线检测锚固螺栓缺陷的方法 |
| CN113066056A (zh) * | 2021-03-15 | 2021-07-02 | 南昌大学 | 一种基于深度学习的口罩耳带焊点检测方法 |
| CN113376172A (zh) * | 2021-07-05 | 2021-09-10 | 四川大学 | 一种基于视觉与涡流的焊缝缺陷检测系统及其检测方法 |
| CN114519792A (zh) * | 2022-02-16 | 2022-05-20 | 无锡雪浪数制科技有限公司 | 基于机器与深度视觉融合的焊缝超声波图像缺陷识别方法 |
| CN115018833A (zh) * | 2022-08-05 | 2022-09-06 | 山东鲁芯之光半导体制造有限公司 | 一种半导体器件的加工缺陷检测方法 |
| CN115187595A (zh) * | 2022-09-08 | 2022-10-14 | 北京东方国信科技股份有限公司 | 端塞焊缝缺陷检测模型训练方法、检测方法和电子设备 |
| CN115229374A (zh) * | 2022-07-07 | 2022-10-25 | 武汉理工大学 | 一种基于深度学习的汽车白车身焊缝质量检测方法、装置 |
| CN115266774A (zh) * | 2022-07-29 | 2022-11-01 | 中国特种设备检测研究院 | 基于人工智能的焊缝射线检测评片方法 |
| CN116385336A (zh) * | 2022-12-14 | 2023-07-04 | 广州市斯睿特智能科技有限公司 | 基于深度学习的焊缝检测方法、系统、装置及存储介质 |
| CN115229374B (zh) * | 2022-07-07 | 2024-04-26 | 武汉理工大学 | 一种基于深度学习的汽车白车身焊缝质量检测方法、装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105891215A (zh) * | 2016-03-31 | 2016-08-24 | 浙江工业大学 | 基于卷积神经网络的焊接视觉检测方法及装置 |
| CN107451997A (zh) * | 2017-07-31 | 2017-12-08 | 南昌航空大学 | 一种基于深度学习的焊缝超声tofd‑d扫描缺陷类型的自动识别方法 |
| CN108229461A (zh) * | 2018-01-16 | 2018-06-29 | 上海同岩土木工程科技股份有限公司 | 一种基于深度学习的隧道裂缝快速识别方法 |
| WO2018208791A1 (en) * | 2017-05-08 | 2018-11-15 | Aquifi, Inc. | Systems and methods for inspection and defect detection using 3-d scanning |
| CN108932713A (zh) * | 2018-07-20 | 2018-12-04 | 成都指码科技有限公司 | 一种基于深度学习的焊缝气孔缺陷自动检测方法 |
| CN108961235A (zh) * | 2018-06-29 | 2018-12-07 | 山东大学 | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 |
| CN109003271A (zh) * | 2018-07-25 | 2018-12-14 | 江苏拙术智能制造有限公司 | 一种基于深度学习yolo算法的线束连接器排线质量检测方法 |
| CN109064461A (zh) * | 2018-08-06 | 2018-12-21 | 长沙理工大学 | 一种基于深度学习网络的钢轨表面缺陷检测方法 |
| CN109142371A (zh) * | 2018-07-31 | 2019-01-04 | 华南理工大学 | 基于深度学习的高密度柔性基板外观缺陷检测系统与方法 |
-
2019
- 2019-03-20 CN CN201910213482.1A patent/CN109900706B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105891215A (zh) * | 2016-03-31 | 2016-08-24 | 浙江工业大学 | 基于卷积神经网络的焊接视觉检测方法及装置 |
| WO2018208791A1 (en) * | 2017-05-08 | 2018-11-15 | Aquifi, Inc. | Systems and methods for inspection and defect detection using 3-d scanning |
| CN107451997A (zh) * | 2017-07-31 | 2017-12-08 | 南昌航空大学 | 一种基于深度学习的焊缝超声tofd‑d扫描缺陷类型的自动识别方法 |
| CN108229461A (zh) * | 2018-01-16 | 2018-06-29 | 上海同岩土木工程科技股份有限公司 | 一种基于深度学习的隧道裂缝快速识别方法 |
| CN108961235A (zh) * | 2018-06-29 | 2018-12-07 | 山东大学 | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 |
| CN108932713A (zh) * | 2018-07-20 | 2018-12-04 | 成都指码科技有限公司 | 一种基于深度学习的焊缝气孔缺陷自动检测方法 |
| CN109003271A (zh) * | 2018-07-25 | 2018-12-14 | 江苏拙术智能制造有限公司 | 一种基于深度学习yolo算法的线束连接器排线质量检测方法 |
| CN109142371A (zh) * | 2018-07-31 | 2019-01-04 | 华南理工大学 | 基于深度学习的高密度柔性基板外观缺陷检测系统与方法 |
| CN109064461A (zh) * | 2018-08-06 | 2018-12-21 | 长沙理工大学 | 一种基于深度学习网络的钢轨表面缺陷检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| SONG YANAN等: "Rail Surface Defect Detection Method Based on YOLOv3 Deep Learning Networks", 《2018 CHINESE AUTOMATION CONGRESS (CAC) 》 * |
Cited By (38)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110264457A (zh) * | 2019-06-20 | 2019-09-20 | 浙江大学 | 基于旋转区域候选网络的焊缝自主识别方法 |
| CN110517312A (zh) * | 2019-07-05 | 2019-11-29 | 银河水滴科技（北京）有限公司 | 基于深度学习的缝隙定位方法、装置和存储介质 |
| CN110508510A (zh) * | 2019-08-27 | 2019-11-29 | 广东工业大学 | 一种塑料泵缺陷检测方法、装置及系统 |
| CN111145145A (zh) * | 2019-12-10 | 2020-05-12 | 太原科技大学 | 一种基于MobileNets的图像表面缺陷检测方法 |
| CN111060601A (zh) * | 2019-12-27 | 2020-04-24 | 武汉武船计量试验有限公司 | 一种基于深度学习的焊缝超声相控阵检测数据智能分析方法 |
| CN111192254A (zh) * | 2019-12-30 | 2020-05-22 | 无锡信捷电气股份有限公司 | 基于全局阈值与模板匹配的焊缝特征点滤波方法 |
| CN111192254B (zh) * | 2019-12-30 | 2022-03-29 | 无锡信捷电气股份有限公司 | 基于全局阈值与模板匹配的焊缝特征点滤波方法 |
| CN111311571A (zh) * | 2020-02-13 | 2020-06-19 | 上海小萌科技有限公司 | 一种目标信息获取方法、系统、装置及可读存储介质 |
| CN111369508A (zh) * | 2020-02-28 | 2020-07-03 | 燕山大学 | 一种金属三维点阵结构的缺陷检测方法及系统 |
| CN111429441A (zh) * | 2020-03-31 | 2020-07-17 | 电子科技大学 | 一种基于yolov3算法的焊口识别定位方法 |
| CN111429441B (zh) * | 2020-03-31 | 2023-04-04 | 电子科技大学 | 一种基于yolov3算法的焊口识别定位方法 |
| CN111738991A (zh) * | 2020-06-04 | 2020-10-02 | 西安数合信息科技有限公司 | 一种焊缝缺陷的数字射线检测模型的创建方法 |
| CN111862080A (zh) * | 2020-07-31 | 2020-10-30 | 易思维（杭州）科技有限公司 | 基于多特征融合的深度学习缺陷识别方法 |
| CN112270335A (zh) * | 2020-09-04 | 2021-01-26 | 网络通信与安全紫金山实验室 | 一种搭接接头焊接质量缺陷预测的方法、系统及计算机可读存储介质 |
| CN112053376A (zh) * | 2020-09-07 | 2020-12-08 | 南京大学 | 一种基于深度信息的工件焊缝识别方法 |
| CN112053376B (zh) * | 2020-09-07 | 2023-10-20 | 南京大学 | 一种基于深度信息的工件焊缝识别方法 |
| CN112183957A (zh) * | 2020-09-10 | 2021-01-05 | 五邑大学 | 一种焊接质量的检测方法、装置及存储介质 |
| CN112465851A (zh) * | 2020-09-27 | 2021-03-09 | 华南理工大学 | 一种基于压力容器表面焊缝表面轮廓曲线的参数检测方法 |
| CN112465851B (zh) * | 2020-09-27 | 2023-08-01 | 华南理工大学 | 一种基于压力容器表面焊缝表面轮廓曲线的参数检测方法 |
| CN112264731A (zh) * | 2020-10-20 | 2021-01-26 | 李小兵 | 一种改善焊接质量的控制方法及装置 |
| CN112365491A (zh) * | 2020-11-27 | 2021-02-12 | 上海市计算技术研究所 | 容器焊缝检测的方法、电子设备及存储介质 |
| CN112633235A (zh) * | 2020-12-31 | 2021-04-09 | 华中科技大学 | 基于机器人的车体焊缝打磨余量分类方法及设备 |
| CN112633235B (zh) * | 2020-12-31 | 2022-08-16 | 华中科技大学 | 基于机器人的车体焊缝打磨余量分类方法及设备 |
| CN113066056A (zh) * | 2021-03-15 | 2021-07-02 | 南昌大学 | 一种基于深度学习的口罩耳带焊点检测方法 |
| CN113033554A (zh) * | 2021-03-23 | 2021-06-25 | 成都国铁电气设备有限公司 | 一种实时在线检测锚固螺栓缺陷的方法 |
| CN113033554B (zh) * | 2021-03-23 | 2022-05-13 | 成都国铁电气设备有限公司 | 一种实时在线检测锚固螺栓缺陷的方法 |
| CN113376172B (zh) * | 2021-07-05 | 2022-06-14 | 四川大学 | 一种基于视觉与涡流的焊缝缺陷检测系统及其检测方法 |
| CN113376172A (zh) * | 2021-07-05 | 2021-09-10 | 四川大学 | 一种基于视觉与涡流的焊缝缺陷检测系统及其检测方法 |
| CN114519792A (zh) * | 2022-02-16 | 2022-05-20 | 无锡雪浪数制科技有限公司 | 基于机器与深度视觉融合的焊缝超声波图像缺陷识别方法 |
| CN115229374A (zh) * | 2022-07-07 | 2022-10-25 | 武汉理工大学 | 一种基于深度学习的汽车白车身焊缝质量检测方法、装置 |
| CN115229374B (zh) * | 2022-07-07 | 2024-04-26 | 武汉理工大学 | 一种基于深度学习的汽车白车身焊缝质量检测方法、装置 |
| CN115266774A (zh) * | 2022-07-29 | 2022-11-01 | 中国特种设备检测研究院 | 基于人工智能的焊缝射线检测评片方法 |
| CN115266774B (zh) * | 2022-07-29 | 2024-02-13 | 中国特种设备检测研究院 | 基于人工智能的焊缝射线检测评片方法 |
| CN115018833B (zh) * | 2022-08-05 | 2022-11-04 | 山东鲁芯之光半导体制造有限公司 | 一种半导体器件的加工缺陷检测方法 |
| CN115018833A (zh) * | 2022-08-05 | 2022-09-06 | 山东鲁芯之光半导体制造有限公司 | 一种半导体器件的加工缺陷检测方法 |
| CN115187595A (zh) * | 2022-09-08 | 2022-10-14 | 北京东方国信科技股份有限公司 | 端塞焊缝缺陷检测模型训练方法、检测方法和电子设备 |
| CN116385336A (zh) * | 2022-12-14 | 2023-07-04 | 广州市斯睿特智能科技有限公司 | 基于深度学习的焊缝检测方法、系统、装置及存储介质 |
| CN116385336B (zh) * | 2022-12-14 | 2024-04-12 | 广州市斯睿特智能科技有限公司 | 基于深度学习的焊缝检测方法、系统、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109900706B (zh) | 2021-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109900706A (zh) | 一种基于深度学习的焊缝及焊缝缺陷检测方法 | |
| CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
| CN105913415B (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
| CN111080622B (zh) | 神经网络训练方法、工件表面缺陷分类与检测方法及装置 | |
| CN107064170A (zh) | 一种检测手机外壳轮廓度缺陷方法 | |
| CN103604809B (zh) | 一种图案布匹瑕疵在线视觉检测方法 | |
| CN109993094A (zh) | 基于机器视觉的材料缺陷智能检测系统及方法 | |
| CN109166098A (zh) | 基于图像处理的工件毛刺检测方法 | |
| CN101661004B (zh) | 一种基于支持向量机的电路板焊接质量视觉检测方法 | |
| CN113221889B (zh) | 一种芯片字符抗干扰识别方法及装置 | |
| CN110490842B (zh) | 一种基于深度学习的带钢表面缺陷检测方法 | |
| CN104268538A (zh) | 一种易拉罐点阵喷码字符在线视觉检测方法 | |
| CN103345755A (zh) | 一种基于Harris算子的棋盘格角点亚像素提取方法 | |
| CN109242829A (zh) | 基于小样本深度学习的液晶屏缺陷检测方法、系统及装置 | |
| CN109544522A (zh) | 一种钢板表面缺陷检测方法及系统 | |
| CN114972356B (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
| CN106546263A (zh) | 一种基于机器视觉的激光水平仪出射激光线检测方法 | |
| WO2023168972A1 (zh) | 一种基于线阵相机的铜表面缺陷检测方法及装置 | |
| CN112037219A (zh) | 一种基于两阶段卷积神经网络的金属表面缺陷检测方法 | |
| CN110264457A (zh) | 基于旋转区域候选网络的焊缝自主识别方法 | |
| CN109993154A (zh) | 变电站单指针式六氟化硫型仪表智能识别方法 | |
| CN109978940A (zh) | 一种sab安全气囊尺寸视觉测量方法 | |
| CN109145846A (zh) | 材料微观结构智能识别分析系统及分析方法 | |
| CN110443791A (zh) | 一种基于深度学习网络的工件检测方法及其检测装置 | |
| CN110763700A (zh) | 一种半导体元器件缺陷检测方法和设备 |
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 | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: Room 495, building 3, 1197 Bin'an Road, Binjiang District, Hangzhou City, Zhejiang Province 310051 Patentee after: Yi Si Si (Hangzhou) Technology Co.,Ltd. Address before: Room 495, building 3, 1197 Bin'an Road, Binjiang District, Hangzhou City, Zhejiang Province 310051 Patentee before: ISVISION (HANGZHOU) TECHNOLOGY Co.,Ltd. |