CN110992363B - 一种基于生成对抗网络的三维漏磁检测缺陷重构方法 - Google Patents
一种基于生成对抗网络的三维漏磁检测缺陷重构方法 Download PDFInfo
- Publication number
- CN110992363B CN110992363B CN201911376696.7A CN201911376696A CN110992363B CN 110992363 B CN110992363 B CN 110992363B CN 201911376696 A CN201911376696 A CN 201911376696A CN 110992363 B CN110992363 B CN 110992363B
- Authority
- CN
- China
- Prior art keywords
- defect
- data
- magnetic flux
- flux leakage
- image
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 148
- 230000005291 magnetic effect Effects 0.000 title claims abstract description 137
- 230000004907 flux Effects 0.000 title claims abstract description 106
- 238000001514 detection method Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000012795 verification Methods 0.000 claims abstract description 15
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000002372 labelling Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 11
- 238000003384 imaging method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 230000006698 induction Effects 0.000 claims description 4
- 238000010008 shearing Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000001788 irregular Effects 0.000 abstract description 3
- 238000012805 post-processing Methods 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000003302 ferromagnetic material Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/83—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws by investigating stray magnetic fields
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Geometry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Electrochemistry (AREA)
- Computer Graphics (AREA)
- Analytical Chemistry (AREA)
- Software Systems (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一种基于生成对抗网络的三维漏磁检测缺陷重构方法，属于无损检测技术领域。其特征在于，包含以下步骤：步骤1，使用深度照相机采集缺陷图像，得到缺陷数据；步骤2，使用漏磁检测仪器，通过对漏磁数据后处理得到漏磁数据；步骤3，所有数据分为样本数据与测试数据，样本数据分为训练数据与验证数据；步骤4：将所述样本数据中漏磁数据与缺陷数据匹配；步骤5：得到GAN最终模型；步骤7，得到缺陷三维轮廓。在本基于生成对抗网络的三维漏磁检测缺陷重构方法中，运用GAN模型对底板进行三维重构，能够快速进行缺陷三维轮廓重构，重构速度快，稳定性好，精度高，鲁棒性好，有利于各种不规则缺陷的重构速度和精度。
Description
技术领域
一种基于生成对抗网络的三维漏磁检测缺陷重构方法，属于无损检测技术领域。
背景技术
漏磁检测是一种常用的无损检测技术，因其原理简单，在线检测能力强，检测效果好，广泛被用于管道、储罐底板、钢丝绳等铁磁性材料质量检测和安全评估领域。由于缺陷的形状的不定性，以及漏磁信号与缺陷形状间是复杂非线性的关系，成为目前漏磁检测技术研究的热点与难点问题。现有缺陷重构方法多以单轴漏磁检测信号作为数据源，进行二维某切面漏磁重构，或在二维基础上不同检测点通过插值实现三维重构，这些漏磁缺陷重构方法检测信号单一，计算模型复杂，运算量大，重构精度低。现有的三维缺陷重构方法或重构精度低，或计算模型复杂、计算时间长，使得重构效率低。
在现有技术中，申请号为201310220995.8的中国专利公开了一种石油管道缺陷最小二乘支持向量机二维重现方法，在该专利所公开的技术方案中，利用经去噪、归一化处理后的漏磁信号数据对管道缺陷进行轮廓重构，但是在该技术方中，因其只对某一断层轮廓进行反演，属于二维重构，其重构精度低。申请号为201510239389.X的中国专利中公开了一种三维漏磁检测缺陷轮廓重构方法及装置，在该专利所公开的技术方案中，虽然能够利用有限元方法构建向前模型，通过迭代以及遗传算法和禁忌搜索算法，但每一次迭代都需要重新进行有限元计算，计算时间长，计算成本大，效率低。
发明内容
本发明要解决的技术问题是：克服现有技术的不足，提供一种运用GAN模型对底板进行三维重构，能够快速进行缺陷三维轮廓重构，重构速度快，稳定性好，精度高，鲁棒性好，有利于各种不规则缺陷的重构速度和精度的基于生成对抗网络的三维漏磁检测缺陷重构方法。
本发明解决其技术问题所采用的技术方案是：该基于生成对抗网络的三维漏磁检测缺陷重构方法，其特征在于：包括如下步骤：
步骤1001，在底板选取缺陷成像区域，使用深度照相机对成像区域进行捕捉，深度照相机采集缺陷图像的像素值代表缺陷的深度，归一化处理后得到缺陷数据；
步骤1002，利用三轴磁传感器检测磁化底板，获取底板离散三维漏磁检测数据，对离散的三维漏磁检测数据进行滤波与插值成像，并对各磁感应强度方向归一化处理，获得底板漏磁数据；
步骤1003，对得到的成对的底板漏磁数据和缺陷数据进行分离，将所有数据分为样本数据与测试数据；
步骤1004，将样本数据中缺陷数据与漏磁数据进行匹配；
步骤1005，训练数据中的漏磁数据为训练GAN过程的输入，训练数据中的缺陷数据为训练GAN过程的目标，得到GAN初始模型；
步骤1006，使用验证数据验证GAN初始模型得到GAN最终模型；
步骤1007，将特征提取后测试数据作为GAN最终模型的输入，得到缺陷三维轮廓。
优选的，在所述的步骤1001中，归一化处理后得到缺陷数据的矩阵公式为：
其中：F代表像素值矩阵，f(x，y)代表像素值，x、y分别表示横、纵坐标值，n＝256。
优选的，在所述的步骤1002中，采用自适应滤波对离散的三维漏磁检测数据进行滤波，采用三次样条插值对离散的三维漏磁检测数据进行插值成像，经过插值后轴向漏磁图像Bx、径向漏磁图像By、周向漏磁图像Bz的公式分别为：
其中：k为缺陷宽度、长度方向上的插值后的提取数，矩阵大小为k*k个元素，k＝256。
优选的，在所述的步骤1003中，所述的样本数据分为成对的训练数据与验证数据；验证数据与训练数据均包括漏磁数据与缺陷数据；所述的测试数据包括漏磁数据。
优选的，在所述的步骤1004中，所述将样本数据中缺陷数据与漏磁数据进行匹配，具体包括如下步骤：
步骤1004-1：固定剪切大小随机剪切缺陷图像，其中剪切后的缺陷图像包含缺陷所在位置；
步骤1004-2：使用相互相关算法计算剪切后缺陷图像与剪切后Bx漏磁图像的相关系数；
步骤1004-3：选取互相关系数最小值，同时以轴向漏磁图像位置与大小剪切径向、周向漏磁图像。
优选的，所述相关系数的计算公式为：
其中：Sx,y表示漏磁图像以(x，y)为左上角点与剪切后缺陷图像B大小相同的漏磁图像的子块，Dx,y为Sx,y的方差，D为B的方差，cov(Sx,y,B)为Sx,y与B的协方差。
优选的，在执行所述步骤1005中，所述训练GAN过程包括生成器环节与判别器环节，其中生成器环节生成缺陷图像，判别器环节判别生成缺陷图像与真实缺陷图像相似度。
优选的，在执行所述步骤1006中，所述验证GAN过程包括生成器环节与判别器环节，漏磁数据通过载入GAN模型生成器环节生成缺陷图像，通过GAN模型判别器环节判别生成缺陷图像与真实缺陷图像相似度，当相似度大于预设定的阈值，验证成功GAN初始模型。
优选的，在执行所述的步骤1007时，进一步包括如下步骤：
步骤1007-1，以测试数据中轴向漏磁数据作为输入，使用固定大小滑移窗口目标检测框架faster-rcnn进行漏磁响应特征提取；
步骤1007-2，根据目标检测框坐标截切每一个漏磁图像；
步骤1007-3，把截切后的漏磁图像作为GAN最终模型的输入，得到缺陷图像，缺陷图像矩阵为：
其中：n＝256，g(x，y)代表图像二维矩阵中坐标为x，y像素值；
步骤1007-4，把二维缺陷图像中x，y轴坐标作为三维缺陷的x，y轴坐标，把x，y对应的数组作为z轴，实现漏磁缺陷三维重构。
优选的，在执行所述的步骤1007-1时，进一步包括如下步骤：
步骤1007-1-1，固定标注框标注漏磁图像，标注区域为漏磁响应区域；
步骤1007-1-2，漏磁图像与标注文件输入faster-rcnn进行训练，得到训练后模型；
步骤1007-1-3，加载训练后模型，以漏磁图像为输入，固定检测框输出的漏磁图像在漏磁响应区域坐标信息与检测框大小。
与现有技术相比，本发明所具有的有益效果是：
1、在本基于生成对抗网络的三维漏磁检测缺陷重构方法中，运用GAN模型对底板进行三维重构，能够快速进行缺陷三维轮廓重构，重构速度快，稳定性好，精度高，鲁棒性好，有利于各种不规则缺陷的重构速度和精度。
2、使用faster-rcnn目标检测框架作为特征提取算法，从二维漏磁图像矩阵中速度更快、精度更高提取漏磁缺陷信息，减少重构成本。
3、使用生成对抗网络算法进行重构，因训练过程是对抗过程，使得模型更加具有鲁棒，生成器与判别器都使用卷积神经网络，提高重构计算速度、计算精度，该模型能更加快速精确低重构缺陷三维形状。
附图说明
图1为基于生成对抗网络的三维漏磁检测缺陷重构方法流程图。
图2为基于生成对抗网络的三维漏磁检测缺陷重构方法的训练过程示意图。
图3为基于生成对抗网络的三维漏磁检测缺陷重构方法的验证过程示意图。
图4为基于生成对抗网络的三维漏磁检测缺陷重构方法的测试重构过程。
具体实施方式
图1～4是本发明的最佳实施例，下面结合附图1～4对本发明做进一步说明。
如图1所示，一种基于生成对抗网络的三维漏磁检测缺陷重构方法，包括如下步骤：
步骤1001，使用深度照相机采集缺陷图像，得到缺陷数据；
在底板选取缺陷成像区域，使用深度照相机对成像区域进行捕捉，其中底板缺陷包括人工缺陷与腐蚀缺陷。人工缺陷与腐蚀缺陷的材质相同、底板厚度相同，其中人工缺陷满足宽度、长度、深度三个变量单一变化，宽度、长度、深度的变化范围分别为[2mm，20mm]、[2mm，20mm]、[2mm，10mm]，底板为厚度为12mm，材料为Q245，人工缺陷深度，满足实际情况下缺陷可能情况。
使用深度照相机采集缺陷区域，固定照相机拍摄高度，深度照相机采集缺陷图像的像素值代表缺陷的深度，进行归一化处理，归一化处理的公式为：
其中：max为样本数据的最大值，min为样本数据的最小值，mean为样本数据均值。
归一化后得到缺陷矩阵公式为：
其中：F代表像素值矩阵，f(x，y)代表像素值，x、y分别表示横、纵坐标值，n＝256。
步骤1002，使用漏磁检测仪器得到漏磁数据。
利用三轴磁传感器检测磁化底板，获取底板离散三维漏磁检测数据，对离散的三维漏磁检测数据进行滤波与插值成像，并对各磁感应强度方向归一化处理，获得底板漏磁数据。
漏磁信号滤波使用自适应滤波，自适应噪声抵消噪声的干扰。插值成像使用三次样条插值，插值后的轴向漏磁图像Bx、径向漏磁图像By、周向漏磁图像Bz的公式分别如下：
其中：k为缺陷宽度、长度方向上的插值后的提取数，矩阵大小为k*k个元素，k＝256。
步骤1003，进行数据分类；
对步骤1002中所得到的成对的漏磁数据与缺陷数据进行分离，将所有数据分为样本数据与测试数据，其中样本数据分为训练数据与验证数据。其中测试数据仅有漏磁数据，用于漏磁信号数据进行重构。验证数据与训练数据均有漏磁数据与缺陷数据。训练数据为500，验证数据为200，测试数据为10。
步骤1004，将样本数据中漏磁数据与缺陷数据进行匹配；
将漏磁数据中矩阵磁感应强度对应缺陷数据中矩阵缺陷深度，具体包括如下步骤：
步骤1004-1：固定剪切大小随机剪切缺陷图像，其中剪切后的缺陷图像包含缺陷所在位置；
步骤1004-2：使用相互相关算法计算剪切后缺陷图像与剪切后Bx漏磁图像的相关系数，其中互相关算法公式如下：
其中：Sx,y表示漏磁图像以(x，y)为左上角点与剪切后缺陷图像B大小相同的漏磁图像的子块，Dx,y为Sx,y的方差，D为B的方差，cov(Sx,y,B)为Sx,y与B的协方差。
步骤1004-3：选取互相关系数最小值，即缺陷图像与轴向漏磁图像匹配，同时以轴向漏磁图像位置与大小剪切径向、周向漏磁图像。
步骤1005，得到GAN初始模型；
训练数据中漏磁数据、缺陷数据为训练GAN过程的输入、目标，得到GAN初始模型。训练过程如图2所示，三轴漏磁图像作为输入，通过生成器生成缺陷图像(生成数据)，生成缺陷图像(生成数据)与真实缺陷图像(真实数据)作为判别器的输入，判别器判别生成数据与真实数据的相似度，整个训练过程以判别器无法辨别生成器生成缺陷图像(生成数据)与真实缺陷图像(真实数据)为目标进行迭代，迭代过程参数不断更新，生成数据更加接近目标数据，设置迭代次数为100。其中生成器中包含图像卷积过程与图像反卷积过程，而判别器为图像卷积过程。
步骤1006，得到GAN最终模型；
使用验证数据验证GAN初始模型得到GAN最终模型。如图3所示，三轴漏磁图像载入GAN初始模型使用生成器生成缺陷图像，生成器生成缺陷图像与真实缺陷图像作为图3判别器输入，判别生成缺陷图像与真实缺陷图像的相似度，引入误差来判断图像间相似度，当误差小于10％时即验证成功。其中误差的公式为：
其中：f1为生成的缺陷图像坐标为i、j对应像素值，其中f2为真实缺陷坐标为i、j对应像素值。验证结果为2％。
步骤1007，得到缺陷三维轮廓；
将特征提取后测试数据作为GAN最终模型的输入，得到缺陷三维轮廓。使用目标检测框架faster-rcnn对Bx漏磁图像响应区域进行特征提取，测试数据载入最终GAN模型，得到生成的缺陷图像，进而获得三维缺陷轮廓。结合图4，以具体实施步骤如下：
步骤1007-1：以测试数据中轴向漏磁数据作为输入，使用固定大小滑移窗口目标检测框架faster-rcnn进行漏磁响应特征提取。进一步包括如下步骤：
步骤1007-1-1，固定标注框标注漏磁图像，标注区域为漏磁响应区域；
步骤1007-1-2，漏磁图像与标注文件输入faster-rcnn进行训练，得到训练后模型；
步骤1007-1-3，加载训练后模型，以漏磁图像为输入，固定检测框输出漏磁图像存在漏磁响应区域坐标信息与检测框大小，即响应区域进行特征提取；
以测试数据中的图4中轴向漏磁图像作为目标检测框架faster-rcnn的输入，输出图4大小为256*256目标检测框BOX检测出漏磁响应区域，目标检测框包括坐标与正方形框大小。
步骤1007-2：根据目标检测框坐标截切每一个漏磁图像。按照目标检测框的坐标与大小剪切得到图4中轴向漏磁图像、径向漏磁图像与轴向漏磁图像。
步骤1007-3：把截切后的漏磁图像作为GAN最终模型的输入，得到缺陷图像。图4中三轴漏磁图像载入最终GAN模型，GAN模型输出为图4中生成数据的缺陷图像，缺陷图像矩阵如下：
其中：n＝256，g(x，y)代表图像二维矩阵中坐标为x，y像素值。
步骤1007-4：把二维缺陷图像中x，y轴坐标作为三维缺陷的x，y轴坐标，把x，y对应的数组作为z轴，实现漏磁缺陷三维重构。图4生成数据的二维缺陷图像矩阵中x，y轴坐标作为三维x，y轴坐标，g(x，y)为z轴的值，生成三维缺陷。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (8)
1.一种基于生成对抗网络的三维漏磁检测缺陷重构方法，其特征在于：包括如下步骤：
步骤1001，在底板选取缺陷成像区域，使用深度照相机对成像区域进行捕捉，深度照相机采集缺陷图像的像素值代表缺陷的深度，归一化处理后得到缺陷数据；
步骤1002，利用三轴磁传感器检测磁化底板，获取底板离散三维漏磁检测数据，对离散的三维漏磁检测数据进行滤波与插值成像，并对各磁感应强度方向归一化处理，获得底板漏磁数据；
步骤1003，对得到的成对的底板漏磁数据和缺陷数据进行分离，将所有数据分为样本数据与测试数据；
在所述的步骤1003中，所述的样本数据分为成对的训练数据与验证数据；验证数据与训练数据均包括漏磁数据与缺陷数据；所述的测试数据包括漏磁数据；
步骤1004，将样本数据中缺陷数据与漏磁数据进行匹配；
步骤1005，训练数据中的漏磁数据为训练GAN过程的输入，训练数据中的缺陷数据为训练GAN过程的目标，得到GAN初始模型；
步骤1006，使用验证数据验证GAN初始模型得到GAN最终模型；
步骤1007，将特征提取后测试数据作为GAN最终模型的输入，得到缺陷三维轮廓；
在执行所述的步骤1007时，进一步包括如下步骤：
步骤1007-1，以测试数据中轴向漏磁数据作为输入，使用固定大小滑移窗口目标检测框架faster-rcnn进行漏磁响应特征提取；
步骤1007-2，根据目标检测框坐标截切每一个漏磁图像；
步骤1007-3，把截切后的漏磁图像作为GAN最终模型的输入，得到缺陷图像，缺陷图像矩阵为：
其中：n＝256，g(x，y)代表图像二维矩阵中坐标为x，y像素值；
步骤1007-4，把二维缺陷图像中x，y轴坐标作为三维缺陷的x，y轴坐标，把x，y对应的数组作为z轴，实现漏磁缺陷三维重构。
2.根据权利要求1所述的基于生成对抗网络的三维漏磁检测缺陷重构方法，其特征在于：在所述的步骤1001中，归一化处理后得到缺陷数据的矩阵公式为：
其中：F代表像素值矩阵，f(x，y)代表像素值，x、y分别表示横、纵坐标值，n＝256。
3.根据权利要求1所述的基于生成对抗网络的三维漏磁检测缺陷重构方法，其特征在于：在所述的步骤1002中，采用自适应滤波对离散的三维漏磁检测数据进行滤波，采用三次样条插值对离散的三维漏磁检测数据进行插值成像，经过插值后轴向漏磁图像Bx、径向漏磁图像By、周向漏磁图像Bz的公式分别为：
其中：k为缺陷宽度、长度方向上的插值后的提取数，矩阵大小为k*k个元素，k＝256。
4.根据权利要求1所述的基于生成对抗网络的三维漏磁检测缺陷重构方法，其特征在于：在所述的步骤1004中，所述将样本数据中缺陷数据与漏磁数据进行匹配，具体包括如下步骤：
步骤1004-1：固定剪切大小随机剪切缺陷图像，其中剪切后的缺陷图像包含缺陷所在位置；
步骤1004-2：使用相互相关算法计算剪切后缺陷图像与剪切后Bx漏磁图像的相关系数；
步骤1004-3：选取互相关系数最小值，同时以轴向漏磁图像位置与大小剪切径向、周向漏磁图像。
5.根据权利要求4所述的基于生成对抗网络的三维漏磁检测缺陷重构方法，其特征在于：所述相关系数的计算公式为：
其中：Sx,y表示漏磁图像以(x，y)为左上角点与剪切后缺陷图像B大小相同的漏磁图像的子块，Dx,y为Sx,y的方差，D为B的方差，cov(Sx,y,B)为Sx,y与B的协方差。
6.根据权利要求1所述基于生成对抗网络的三维漏磁检测缺陷重构方法，其特征于：在执行所述步骤1005中，所述训练GAN过程包括生成器环节与判别器环节，其中生成器环节生成缺陷图像，判别器环节判别生成缺陷图像与真实缺陷图像相似度。
7.根据权利要求1所述基于生成对抗网络的三维漏磁检测缺陷重构方法，其特征于：在执行所述步骤1006中，所述验证GAN过程包括生成器环节与判别器环节，漏磁数据通过载入GAN模型生成器环节生成缺陷图像，通过GAN模型判别器环节判别生成图像与真实缺陷图像相似度，当相似度大于预设定的阈值，验证成功GAN初始模型。
8.根据权利要求1所述的基于生成对抗网络的三维漏磁检测缺陷重构方法，其特征在于：在执行所述的步骤1007-1时，进一步包括如下步骤：
步骤1007-1-1，固定标注框标注漏磁图像，标注区域为漏磁响应区域；
步骤1007-1-2，漏磁图像与标注文件输入faster-rcnn进行训练，得到训练后模型；
步骤1007-1-3，加载训练后模型，以漏磁图像为输入，固定检测框输出的漏磁图像在漏磁响应区域坐标信息与检测框大小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911376696.7A CN110992363B (zh) | 2019-12-27 | 2019-12-27 | 一种基于生成对抗网络的三维漏磁检测缺陷重构方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911376696.7A CN110992363B (zh) | 2019-12-27 | 2019-12-27 | 一种基于生成对抗网络的三维漏磁检测缺陷重构方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110992363A CN110992363A (zh) | 2020-04-10 |
| CN110992363B true CN110992363B (zh) | 2023-05-16 |
Family
ID=70077862
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911376696.7A Active CN110992363B (zh) | 2019-12-27 | 2019-12-27 | 一种基于生成对抗网络的三维漏磁检测缺陷重构方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110992363B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112070728B (zh) * | 2020-08-24 | 2022-04-22 | 西安理工大学 | 基于目标检测算法的钢绳表面缺陷识别方法 |
| CN112816545A (zh) * | 2020-09-30 | 2021-05-18 | 中国石油天然气股份有限公司 | 确定储罐维修补板面积的方法及装置 |
| CN113052203B (zh) * | 2021-02-09 | 2022-01-18 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种面向多种类数据的异常检测方法及装置 |
| CN113311060B (zh) * | 2021-04-26 | 2024-05-24 | 河南省特种设备安全检测研究院 | 一种电梯包覆带缺陷在线检测及标记装置与系统 |
| CN114049428B (zh) * | 2021-10-27 | 2024-09-06 | 上海电力大学 | 基于改进信赖域投影算法的三维不规则缺陷轮廓重构方法 |
| CN114397356B (zh) * | 2022-01-13 | 2022-11-25 | 江苏省特种设备安全监督检验研究院 | 一种磁粉智能检测方法及系统 |
| KR102607277B1 (ko) * | 2023-06-07 | 2023-11-29 | 한전케이피에스 주식회사 | 결함 감지 시스템 및 그 방법 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104899868A (zh) * | 2015-05-12 | 2015-09-09 | 清华大学 | 三维漏磁检测缺陷复合反演成像方法 |
| CN108961217A (zh) * | 2018-06-08 | 2018-12-07 | 南京大学 | 一种基于正例训练的表面缺陷检测方法 |
| CN109783906A (zh) * | 2018-12-29 | 2019-05-21 | 东北大学 | 一种管道内检测漏磁数据智能分析系统及方法 |
| JP2019078640A (ja) * | 2017-10-25 | 2019-05-23 | Ｊｆｅスチール株式会社 | 表面欠陥検出方法及び表面欠陥検出装置 |
| CN109829907A (zh) * | 2019-01-31 | 2019-05-31 | 浙江工业大学 | 一种基于深度学习的金属轴表面缺陷识别方法 |
| CN114049428A (zh) * | 2021-10-27 | 2022-02-15 | 上海电力大学 | 基于改进信赖域投影算法的三维不规则缺陷轮廓重构方法 |
-
2019
- 2019-12-27 CN CN201911376696.7A patent/CN110992363B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104899868A (zh) * | 2015-05-12 | 2015-09-09 | 清华大学 | 三维漏磁检测缺陷复合反演成像方法 |
| JP2019078640A (ja) * | 2017-10-25 | 2019-05-23 | Ｊｆｅスチール株式会社 | 表面欠陥検出方法及び表面欠陥検出装置 |
| CN108961217A (zh) * | 2018-06-08 | 2018-12-07 | 南京大学 | 一种基于正例训练的表面缺陷检测方法 |
| CN109783906A (zh) * | 2018-12-29 | 2019-05-21 | 东北大学 | 一种管道内检测漏磁数据智能分析系统及方法 |
| CN109829907A (zh) * | 2019-01-31 | 2019-05-31 | 浙江工业大学 | 一种基于深度学习的金属轴表面缺陷识别方法 |
| CN114049428A (zh) * | 2021-10-27 | 2022-02-15 | 上海电力大学 | 基于改进信赖域投影算法的三维不规则缺陷轮廓重构方法 |
Non-Patent Citations (2)
| Title |
|---|
| 宋小春,赵大兴,钟毓宁.基于漏磁检测数据的缺陷三维重构技术.《中国机械工程》.2008,(第undefined期),905-908. * |
| 黄松岭 等.缺陷漏磁成像技术综述.《电工技术学报》.2016,第31卷(第31期),55-63. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110992363A (zh) | 2020-04-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110992363B (zh) | 一种基于生成对抗网络的三维漏磁检测缺陷重构方法 | |
| CN108090894B (zh) | 基于距离匹配函数和感知哈希算法的织物疵点检测方法 | |
| KR101901961B1 (ko) | 부품을 인식하기 위한 장치 및 그 방법 | |
| CN104458766B (zh) | 一种基于结构纹理法的布匹表面瑕疵检测方法 | |
| CN105447512A (zh) | 一种精粗结合的光学表面缺陷的检测方法及装置 | |
| CN106530271B (zh) | 一种红外图像显著性检测方法 | |
| CN112699912B (zh) | 一种通过改进gan增强红外热图像的方法 | |
| Zhang et al. | Robust pattern recognition for measurement of three dimensional weld pool surface in GTAW | |
| JP2015524946A (ja) | 画像解像度が改善された超解像画像を形成するための方法及び測定装置 | |
| CN110706208A (zh) | 一种基于张量均方最小误差的红外弱小目标检测方法 | |
| CN115797970A (zh) | 基于YOLOv5模型的密集行人目标检测方法及系统 | |
| CN106556606B (zh) | 基于机器视觉的大型机械产品总成件的在线质量控制方法 | |
| Lin et al. | A new prediction method for edge detection based on human visual feature | |
| CN117495891B (zh) | 点云边缘检测方法、装置和电子设备 | |
| Reddy et al. | Canny scale edge detection | |
| KR100691855B1 (ko) | 영상정보의 특징 추출장치 및 그 방법 | |
| Zhang et al. | Research on chips’ defect extraction based on image-matching | |
| CN112614113A (zh) | 一种基于深度学习的带钢缺陷检测方法 | |
| Tralic et al. | Detection of duplicated image regions using cellular automata | |
| TW200949472A (en) | On-board two-dimension contour detection method and system | |
| Kalpana et al. | An efficient edge detection algorithm for flame and fire image processing | |
| Schmugge et al. | Automatic detection of cracks during power plant inspection | |
| CN103493096A (zh) | 轮胎内表面的数字图像的分析和伪测量点的处理 | |
| Landström | Adaptive tensor-based morphological filtering and analysis of 3D profile data | |
| Xmpmg et al. | Recognition of the type of welding joint based on line structured-light vision |
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 |