CN111325738A - 一种用于横穿孔周边裂纹的智能检测方法及系统 - Google Patents

一种用于横穿孔周边裂纹的智能检测方法及系统 Download PDF

Info

Publication number
CN111325738A
CN111325738A CN202010130052.6A CN202010130052A CN111325738A CN 111325738 A CN111325738 A CN 111325738A CN 202010130052 A CN202010130052 A CN 202010130052A CN 111325738 A CN111325738 A CN 111325738A
Authority
CN
China
Prior art keywords
image
crack
transverse
ultrasonic
cracks
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
CN202010130052.6A
Other languages
English (en)
Other versions
CN111325738B (zh
Inventor
张旭
朱郧涛
涂君
宋小春
蔡琛
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.)
Beijing Xinke Qiyuan Technology Co ltd
Original Assignee
Hubei University of Technology
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 Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN202010130052.6A priority Critical patent/CN111325738B/zh
Publication of CN111325738A publication Critical patent/CN111325738A/zh
Application granted granted Critical
Publication of CN111325738B publication Critical patent/CN111325738B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4481—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明实施例提供一种用于横穿孔周边裂纹的智能检测方法及系统。该方法包括：获取待检测横穿孔超声图像；将所述待检测横穿孔超声图像输入至预先训练好的裂纹检测模型，得到所述裂纹检测模型输出的裂纹检测结果；其中，所述裂纹检测模型针对横穿孔裂纹数据集，经过K‑Means++算法和K‑Mediods聚类算法生成锚框，并通过YOLOV3算法训练和测试得到所述横穿孔裂纹数据集的类别信息和位置信息。本发明实施例对裂纹缺陷进行快速准确识别，实现目标检测的同时又获得了较高的准确率，满足实时检测的要求，更加适合超声无损检测的应用环境。

Description

一种用于横穿孔周边裂纹的智能检测方法及系统
技术领域
本发明涉及图像处理技术领域，尤其涉及一种用于横穿孔周边裂纹的智能检测方法及系统。
背景技术
在利用超声波对工件进行检测时，一般采用超声b扫图像进行目标区域的检测。
由于待检测的区域一般比较细微，针对微小区域的目标检测首先面临的问题就是目标区域的定位，然后是对具体检测特征的大小和形态的获取精度问题，最后还有计算速度的问题。常用的有Faster R-CNN模型，但该模型在实际应用中存在检测精度不高，速度慢的缺点。
因此，需要提出一种新的用于智能检测工件微小特征的检测方法，解决上述问题。
发明内容
本发明实施例提供一种用于横穿孔周边裂纹的智能检测方法及系统，用以解决现有技术中人工检测速度慢，对专业知识要求高，现有检测精度过低，速度慢的缺陷。
第一方面，本发明实施例提供一种用于横穿孔周边裂纹的智能检测方法，包括：
获取待检测横穿孔超声图像；
将所述待检测横穿孔超声图像输入至预先训练好的裂纹检测模型，得到所述裂纹检测模型输出的裂纹检测结果；其中，所述裂纹检测模型针对横穿孔裂纹数据集，经过K-Means++算法和K-Mediods聚类算法生成锚框，并通过YOLOV3算法训练和测试得到所述横穿孔裂纹数据集的类别信息和位置信息到的。
优选地，所述获取待检测横穿孔超声图像，具体包括：
采用超声换能器组在待检测工件表面进行扫查；
将扫查后的图像形成超声b扫图像。
优选地，所述将扫查后的图像形成超声b扫图像，之后还包括将所述扫查后的图像进行预处理；其中：
设置所述超声换能器组的反射信号电压幅值超过预设闸门阈值时，记录为有效信号；
设置检测探头沿所述待检测工件表面滑行，每个预设间距记录一次图像数据，并显示在所述超声b扫图像中；
将所述扫查后的图像中的三通道信号按照预设颜色集合进行显示，得到预处理后的超声b扫图像。
优选地，所述裂纹检测模型，通过以下步骤获得：
选取具有若干不同角度裂纹的同类工件，获取所述具有若干不同角度裂纹的同类工件的图像集，并将所述图像集形成尺寸相同的图像集；
随机选取具有预设状态的所述尺寸相同的图像，形成训练数据样本集和测试数据样本集；
使用所述训练数据样本集训练所述YOLOv3模型，并采用Darknet-53网络作为特征提取器，将目标检测进行回归处理，对所述预处理后的超声b扫图像进行目标区域定位及目标类别预测，得到所述裂纹检测模型。
优选地，所述选取具有若干不同角度裂纹的同类工件，获取所述具有若干不同角度裂纹的同类工件的图像集，并将所述图像集形成尺寸相同的图像集，具体包括：
采集斜裂纹、小角度斜裂纹、水平裂纹和无裂纹的四大类图像，得到图像数据样本集；
采用水平移动扩充所述图像数据样本集，对所述图像数据样本集进行归一化处理，得到所述尺寸相同的图像集；
对所述尺寸相同的图像集进行标注。
优选地，所述使用所述训练数据样本集训练所述改进的YOLOv3模型，进一步包括：
采用所述K-Means++算法和所述K-Mediods算法，进行聚类优化，得到用于目标区域定位的锚框。
第二方面，本发明实施例提供一种用于横穿孔周边裂纹的智能检测系统，包括：
获取模块，用于获取待检测横穿孔超声图像；
处理模块，用于将所述待检测横穿孔超声图像输入至预先训练好的裂纹检测模型，得到所述裂纹检测模型输出的裂纹检测结果；其中，所述裂纹检测模型针对横穿孔裂纹数据集，经过K-Means++算法和K-Mediods聚类算法生成锚框，并通过YOLOV3算法训练和测试得到所述横穿孔裂纹数据集的类别信息和位置信息。
优选地，所述获取模块具体用于：
采用超声换能器组在待检测工件表面进行扫查；
将扫查后的图像形成超声b扫图像。
第三方面，本发明实施例提供一种电子设备，包括：
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述用于横穿孔周边裂纹的智能检测方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现任一项所述用于横穿孔周边裂纹的智能检测方法的步骤。
本发明实施例提供的用于横穿孔周边裂纹的智能检测方法及系统，通过对裂纹缺陷进行快速准确识别，实现目标检测的同时又获得了较高的准确率，满足实时检测的要求，更加适合超声无损检测的应用环境。
附图说明
为了更清楚地说明本发明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，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种用于横穿孔周边裂纹的智能检测方法流程图；
图2为本发明实施例提供的超声换能器组系统示意图；
图3为本发明实施例提供的常规YOLOv3网络结构图；
图4为本发明实施例提供的YOLOv3模型训练示意图；
图5为本发明实施例提供的一种用于横穿孔周边裂纹的智能检测系统结构图；
图6为本发明实施例提供的电子设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
为解决现有技术中存在的问题，本发明实施例公开了一种深度学习的横穿孔周边裂纹的智能化检测与分析方法及系统，采集三通道超声回波信号进行预处理形成超声b扫图像，将超声b扫图像导入YOLOv3模型，针对超声b扫图像缺陷目标(感兴趣区域)绝大部分都较小的问题，本发明为了能够使网络更好的学习目标位置及特征大小，对图像训练集的所有裂纹目标标注框采用K-Means++算法和K-Mediods算法进行聚类优化分析，以获得候选框的参数。
图1为本发明实施例提供的一种用于横穿孔周边裂纹的智能检测方法流程图，如图1所示，包括：
S1，获取待检测横穿孔超声图像；
S2，将所述待检测横穿孔超声图像输入至预先训练好的裂纹检测模型，得到所述裂纹检测模型输出的裂纹检测结果；其中，所述裂纹检测模型针对横穿孔裂纹数据集，经过K-Means++算法和K-Mediods聚类算法生成锚框，并通过YOLOV3算法训练和测试得到所述横穿孔裂纹数据集的类别信息和位置信息。
本发明实施例通过对裂纹缺陷进行快速准确识别，实现目标检测的同时又获得了较高的准确率，满足实时检测的要求，更加适合超声无损检测的应用环境。
基于上述实施例，所述获取待检测横穿孔超声图像，具体包括：
采用超声换能器组在待检测工件表面进行扫查；
将扫查后的图像形成超声b扫图像。
具体地，首先利用超声换能器组在工件表面扫查，经过处理后形成超声b扫图像。
基于上述任一实施例，所述将扫查后的图像形成超声b扫图像，之后还包括将所述扫查后的图像进行预处理；其中：
设置所述超声换能器组的反射信号电压幅值超过预设闸门阈值时，记录为有效信号；
设置检测探头沿所述待检测工件表面滑行，每个预设间距记录一次图像数据，并显示在所述超声b扫图像中；
将所述扫查后的图像中的三通道信号按照预设颜色集合进行显示，得到预处理后的超声b扫图像。
具体地，将换能器接收的三通道超声信号进预处理。每个超声换能器的反射信号的电压幅值超过闸门阈值会被记录为1，其他无反射信号位置数据为0，检测探头沿工件表面滑行，每隔a mm记录一次数据，并显示在b显图像当中。然后设置前37°换能器通道信号显示为黄色，后37度换能器信号显示为红色，0度垂直换能器信号被显示为蓝色，背景为黑色。整个系统结构图如图2所示。
基于上述任一实施例，所述裂纹检测模型，通过以下步骤获得：
选取具有若干不同角度裂纹的同类工件，获取所述具有若干不同角度裂纹的同类工件的图像集，并将所述图像集形成尺寸相同的图像集；
随机选取具有预设状态的所述尺寸相同的图像，形成训练数据样本集和测试数据样本集；
使用所述训练数据样本集训练所述YOLOv3模型，并采用Darknet-53网络作为特征提取器，将目标检测进行回归处理，对所述预处理后的超声b扫图像进行目标区域定位及目标类别预测，得到所述裂纹检测模型。
具体地，选取带有不同角度裂纹的相同工件，形成高宽尺寸相同的图像集，然后随机选取几个角度的图像按照一定比例，例如4比1，作为训练和测试数据样本集，在PC端，使用训练数据样本集训练改进后YOLOv3算法模型，采用YOLOv3中的Darknet-53网络作为特征提取器，将目标检测作为回归问题处理，直接进行无损检测b扫图像中目标区域定位及目标类别预测，最后将上位机检测结果输出并显示。
基于上述任一实施例，所述选取具有若干不同角度裂纹的同类工件，获取所述具有若干不同角度裂纹的同类工件的图像集，并将所述图像集形成尺寸相同的图像集，具体包括：
采集斜裂纹、小角度斜裂纹、水平裂纹和无裂纹的四大类图像，得到图像数据样本集；
采用水平移动扩充所述图像数据样本集，对所述图像数据样本集进行归一化处理，得到所述尺寸相同的图像集；
对所述尺寸相同的图像集进行标注。
具体地，第一步采集斜裂纹、小角度斜裂纹、水平裂纹以及无裂纹的四大类图像作为训练样本集和测试样本集，其中每种类型各选取3000张；第二步采用水平移动扩充图像数据样本集，对所有的图像做归一化处理，尺寸变化为416*416；第三步对扩充后数据样本集进行标注。
基于上述任一实施例，所述使用所述训练数据样本集训练所述改进的YOLOv3模型，进一步包括：
采用所述K-Means++算法和所述K-Mediods算法，进行聚类优化，得到用于目标区域定位的锚框。
具体地，使用训练数据样本集离线训练YOLOv3算法模型，具体改进过程如下：
为了能够使网络更好的学习目标位置及特征大小，采用K-Means++算法和K-Mediods算法进行聚类优化，以得到交并比高的Anchor box，即锚框，具体步骤如下(其中K＝9)：
1、对超声b扫数据集样本进行归一化预处理获取m个待聚类样本Qm＝{(x1,y1)，(x2,y2),......(xm,ym)}；
2、从数据集Qm中随机选取一个样本ci＝(xi,yi)作为聚类中心，i∈[1,m]；
3、分别按照公式(1)和(2)中计算Qm每一个样本点cj与ci的距离dj和概率pj，其中j∈[1,m]且j≠i；
Figure BDA0002395555550000071
Figure BDA0002395555550000072
4、选取概率pj最大的样本点作为新的聚类中心；
5、重复步骤2和步骤3，直到K个聚类中心n1,n2,.....nk均被选出，同时产生对应的K个簇，至此K-Means++算法过程结束；
6、按照公式(1)计算Qm中每一个样本中心点cj到各个聚类中心n1,n2,.....nk的距离
Figure BDA0002395555550000073
将
Figure BDA0002395555550000074
最小对应的样本划到该簇中Mi，形成K个簇；
7、按照公式(3)计算每个Mi内每个样本点
Figure BDA0002395555550000075
(i∈(1,ni),ni表示Mi中所有样本点个数)到其它所有样本点的距离并将到其它所有样本点距离最小的样本点作为新的聚类中心以此更新K个聚类中心n1,n2,.....nk；
Figure BDA0002395555550000076
8、判断公式(4)中的目标函数E若不再变化，即达到最优算法，否则重复step7和step8。
Figure BDA0002395555550000077
其中，ni表示第i个簇内样本点个数。
进一步地，构造深层卷积神经网络Darknet-53，如图3所示，具体结构为：第0层输入为像素416*416通道数为3的彩色图像，其中Darknet-53层由1个卷积块DBL和5个残差块resn(n＝1,2,4,8)组成，DBL是卷积(conv)、批规范化(BN)和激活函数(Leaky relu)的集合，这也是YOLOV3中的最小组件，resn中的n表示残差网络Res的个数，而Res是两个DBL加上短连接(shortcut)组成,经过Darknet-53网络特征提取后，输出大小为13*13*1024特征图，经过上采样与浅层特征图拼接，输出3个尺度的特征图用于YOLO层的检测结果的预测，也就是每个box负责对3个Anchor box进行回归，其预测结果包括目标的中心位置x和y、宽高w和h、置信度以及类别。YOLOV3采用改进后的算法求解预测值bx,by,bw和bh,其表达式见公式(5)-(8)所示：
bx＝σ(tx)+cx (5)
by＝σ(ty)+cy (6)
Figure BDA0002395555550000081
Figure BDA0002395555550000082
再通过对置信度设定阈值过滤掉低分的预测框,然后对剩下的预测框执行非极大值抑制算法NMS处理,得到网络最终的预测结果。在得到最终预测结果后，采用预测的边界框信息和人工标注的边界框信息的均值和误差作为多任务损失函数L来更新模型的参数，其中多任务损失函数主要包括含有目标的坐标预测损失函数L1、置信度预测损失函数L2以及类别损失函数L3，表达式见公式(9)-(12)。
L＝L1+L2+L3 (9)
Figure BDA0002395555550000083
Figure BDA0002395555550000084
Figure BDA0002395555550000085
其中λccoord和λnoobj分别为坐标损失误差和IOU权重误差，一般取5，xi,yi,wi,Ci,pi(c)分别是经过YOLOV3预测得到的中心坐标、宽度、高度、IOU和置信度，
Figure BDA0002395555550000086
分别是对应的人工标注的值，
Figure BDA0002395555550000087
和
Figure BDA0002395555550000088
用来判断网格i的第j个边界框是否负责预测目标物体，
Figure BDA0002395555550000091
用来判断目标物体中心是否都在网格中心i中。整体的训练过程如图4所示。
图5为本发明实施例提供的一种用于横穿孔周边裂纹的智能检测系统结构图，如图5所示，包括：获取模块51和处理模块52；其中：
获取模块51用于获取待检测横穿孔超声图像；处理模块52用于将所述待检测横穿孔超声图像输入至预先训练好的裂纹检测模型，得到所述裂纹检测模型输出的裂纹检测结果；其中，所述裂纹检测模型由横穿孔裂纹图像集先经过K-Means++和K-Mediods聚类算法产生锚框，之后通过YOLOV3算法训练和测试得到其类别信息和位置信息。
本发明实施例提供的系统用于执行上述对应的方法，其具体的实施方式与方法的实施方式一致，涉及的算法流程与对应的方法算法流程相同，此处不再赘述。
本发明实施例通过对裂纹缺陷进行快速准确识别，实现目标检测的同时又获得了较高的准确率，满足实时检测的要求，更加适合超声无损检测的应用环境。
基于上述实施例，所述获取模块具体用于：
采用超声换能器组在待检测工件表面进行扫查；
将扫查后的图像形成超声b扫图像。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行如下方法：获取待检测横穿孔超声图像；将所述待检测横穿孔超声图像输入至预先训练好的裂纹检测模型，得到所述裂纹检测模型输出的裂纹检测结果；其中，所述裂纹检测模型针对横穿孔裂纹数据集，经过K-Means++算法和K-Mediods聚类算法生成锚框，并通过YOLOV3算法训练和测试得到所述横穿孔裂纹数据集的类别信息和位置信息。
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：获取待检测横穿孔超声图像；将所述待检测横穿孔超声图像输入至预先训练好的裂纹检测模型，得到所述裂纹检测模型输出的裂纹检测结果；其中，所述裂纹检测模型针对横穿孔裂纹数据集，经过K-Means++算法和K-Mediods聚类算法生成锚框，并通过YOLOV3算法训练和测试得到所述横穿孔裂纹数据集的类别信息和位置信息。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种用于横穿孔周边裂纹的智能检测方法，其特征在于，包括：
获取待检测横穿孔超声图像；
将所述待检测横穿孔超声图像输入至预先训练好的裂纹检测模型，得到所述裂纹检测模型输出的裂纹检测结果；其中，所述裂纹检测模型针对横穿孔裂纹数据集，经过K-Means++算法和K-Mediods聚类算法生成锚框，并通过YOLOV3算法训练和测试得到所述横穿孔裂纹数据集的类别信息和位置信息。
2.根据权利要求1所述的用于横穿孔周边裂纹的智能检测方法，其特征在于，所述获取待检测横穿孔超声图像，具体包括：
采用超声换能器组在待检测工件表面进行扫查；
将扫查后的图像形成超声b扫图像。
3.根据权利要求2所述的用于横穿孔周边裂纹的智能检测方法，其特征在于，所述将扫查后的图像形成超声b扫图像，之后还包括将所述扫查后的图像进行预处理；其中：
设置所述超声换能器组的反射信号电压幅值超过预设闸门阈值时，记录为有效信号；
设置检测探头沿所述待检测工件表面滑行，每个预设间距记录一次图像数据，并显示在所述超声b扫图像中；
将所述扫查后的图像中的三通道信号按照预设颜色集合进行显示，得到预处理后的超声b扫图像。
4.根据权利要求3所述的用于横穿孔周边裂纹的智能检测方法，其特征在于，所述裂纹检测模型，通过以下步骤获得：
选取具有若干不同角度裂纹的同类工件，获取所述具有若干不同角度裂纹的同类工件的图像集，并将所述图像集形成尺寸相同的图像集；
随机选取具有预设状态的所述尺寸相同的图像，形成训练数据样本集和测试数据样本集；
使用所述训练数据样本集训练所述YOLOv3模型，并采用Darknet-53网络作为特征提取器，将目标检测进行回归处理，对所述预处理后的超声b扫图像进行目标区域定位及目标类别预测，得到所述裂纹检测模型。
5.根据权利要求4所述的用于横穿孔周边裂纹的智能检测方法，其特征在于，所述选取具有若干不同角度裂纹的同类工件，获取所述具有若干不同角度裂纹的同类工件的图像集，并将所述图像集形成尺寸相同的图像集，具体包括：
采集斜裂纹、小角度斜裂纹、水平裂纹和无裂纹的四大类图像，得到图像数据样本集；
采用水平移动扩充所述图像数据样本集，对所述图像数据样本集进行归一化处理，得到所述尺寸相同的图像集；
对所述尺寸相同的图像集进行标注。
6.根据权利要求4所述的用于横穿孔周边裂纹的智能检测方法，其特征在于，所述使用所述训练数据样本集训练所述改进的YOLOv3模型，进一步包括：
采用所述K-Means++算法和所述K-Mediods算法，进行聚类优化，得到用于目标区域定位的锚框。
7.一种用于横穿孔周边裂纹的智能检测系统，其特征在于，包括：
获取模块，用于获取待检测横穿孔超声图像；
处理模块，用于将所述待检测横穿孔超声图像输入至预先训练好的裂纹检测模型，得到所述裂纹检测模型输出的裂纹检测结果；其中，所述裂纹检测模型针对横穿孔裂纹数据集，经过K-Means++算法和K-Mediods聚类算法生成锚框，并通过YOLOV3算法训练和测试得到所述横穿孔裂纹数据集的类别信息和位置信息。
8.根据权利要求7所述的用于横穿孔周边裂纹的智能检测系统，其特征在于，所述获取模块具体用于：
采用超声换能器组在待检测工件表面进行扫查；
将扫查后的图像形成超声b扫图像。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述用于横穿孔周边裂纹的智能检测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述用于横穿孔周边裂纹的智能检测方法的步骤。
CN202010130052.6A 2020-02-28 2020-02-28 一种用于横穿孔周边裂纹的智能检测方法及系统 Active CN111325738B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010130052.6A CN111325738B (zh) 2020-02-28 2020-02-28 一种用于横穿孔周边裂纹的智能检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010130052.6A CN111325738B (zh) 2020-02-28 2020-02-28 一种用于横穿孔周边裂纹的智能检测方法及系统

Publications (2)

Publication Number Publication Date
CN111325738A true CN111325738A (zh) 2020-06-23
CN111325738B CN111325738B (zh) 2023-06-23

Family

ID=71168971

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010130052.6A Active CN111325738B (zh) 2020-02-28 2020-02-28 一种用于横穿孔周边裂纹的智能检测方法及系统

Country Status (1)

Country Link
CN (1) CN111325738B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052200A (zh) * 2020-12-09 2021-06-29 江苏科技大学 一种基于yolov3网络的声呐图像目标检测方法
CN113705567A (zh) * 2021-08-25 2021-11-26 浙江国际海运职业技术学院 船舶裂纹检测方法、系统、设备及计算机可读存储介质
CN114414658A (zh) * 2022-01-11 2022-04-29 南京大学 一种金属表面微裂纹深度的激光超声探测方法
CN114926462A (zh) * 2022-07-19 2022-08-19 苏州翔楼新材料股份有限公司 一种金属材料表面缺陷的智能检测方法及系统
CN117036234A (zh) * 2023-05-09 2023-11-10 中国铁路广州局集团有限公司 混合钢轨超声波b显图谱伤损识别方法、系统和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101672826A (zh) * 2009-10-16 2010-03-17 中国电子科技集团公司第四十五研究所 超声扫描显微镜c扫描相位反转图像的构建方法
US20170343481A1 (en) * 2016-05-27 2017-11-30 Purdue Research Foundation Methods and systems for crack detection
CN110161118A (zh) * 2019-05-24 2019-08-23 哈尔滨工业大学 一种基于超声导波原理的钢板裂纹检测方法
CN110175658A (zh) * 2019-06-26 2019-08-27 浙江大学 一种基于YOLOv3深度学习的混凝土裂缝识别方法
WO2019233166A1 (zh) * 2018-06-04 2019-12-12 杭州海康威视数字技术股份有限公司 一种表面缺陷检测方法、装置及电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101672826A (zh) * 2009-10-16 2010-03-17 中国电子科技集团公司第四十五研究所 超声扫描显微镜c扫描相位反转图像的构建方法
US20170343481A1 (en) * 2016-05-27 2017-11-30 Purdue Research Foundation Methods and systems for crack detection
WO2019233166A1 (zh) * 2018-06-04 2019-12-12 杭州海康威视数字技术股份有限公司 一种表面缺陷检测方法、装置及电子设备
CN110161118A (zh) * 2019-05-24 2019-08-23 哈尔滨工业大学 一种基于超声导波原理的钢板裂纹检测方法
CN110175658A (zh) * 2019-06-26 2019-08-27 浙江大学 一种基于YOLOv3深度学习的混凝土裂缝识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YEN-CHU LIANG，YUN-PING SUN: ""Hole/Crack Identification in Circular Piezoelectric Plates"", 《PROCEDIA ENGINEERING》, vol. 79, pages 194 - 203 *
张厚江; 陈五一; 陈鼎昌: ""声学显微镜用于碳纤维复合材料钻孔分层检测的研究"", vol. 15, no. 3, pages 62 - 65 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052200A (zh) * 2020-12-09 2021-06-29 江苏科技大学 一种基于yolov3网络的声呐图像目标检测方法
CN113052200B (zh) * 2020-12-09 2024-03-19 江苏科技大学 一种基于yolov3网络的声呐图像目标检测方法
CN113705567A (zh) * 2021-08-25 2021-11-26 浙江国际海运职业技术学院 船舶裂纹检测方法、系统、设备及计算机可读存储介质
CN113705567B (zh) * 2021-08-25 2024-02-02 浙江国际海运职业技术学院 船舶裂纹检测方法、系统、设备及计算机可读存储介质
CN114414658A (zh) * 2022-01-11 2022-04-29 南京大学 一种金属表面微裂纹深度的激光超声探测方法
CN114414658B (zh) * 2022-01-11 2024-04-09 南京大学 一种金属表面微裂纹深度的激光超声探测方法
CN114926462A (zh) * 2022-07-19 2022-08-19 苏州翔楼新材料股份有限公司 一种金属材料表面缺陷的智能检测方法及系统
CN117036234A (zh) * 2023-05-09 2023-11-10 中国铁路广州局集团有限公司 混合钢轨超声波b显图谱伤损识别方法、系统和存储介质

Also Published As

Publication number Publication date
CN111325738B (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
CN111325738B (zh) 一种用于横穿孔周边裂纹的智能检测方法及系统
CN110148130B (zh) 用于检测零件缺陷的方法和装置
WO2019104780A1 (zh) 激光雷达点云数据分类方法、装置、设备及存储介质
CN108460764A (zh) 基于自动上下文和数据增强的超声图像智能分割方法
CN111950488B (zh) 一种改进的Faster-RCNN遥感图像目标检测方法
CN109584206B (zh) 零件表面瑕疵检测中神经网络的训练样本的合成方法
CN111612747B (zh) 产品表面裂缝快速检测方法及检测系统
CN115439458A (zh) 基于深度图注意力的工业图像缺陷目标检测算法
CN111351860A (zh) 基于Faster R-CNN的木材内部缺陷检测方法
CN111161237A (zh) 一种果蔬表面质检方法及其储存介质、分拣装置
CN113177456A (zh) 基于单阶段全卷积网络和多特征融合的遥感目标检测方法
CN114764789B (zh) 病理细胞的量化方法、系统、装置及存储介质
Kuo et al. Improving defect inspection quality of deep-learning network in dense beans by using hough circle transform for coffee industry
CN112036384A (zh) 精子头部形态识别方法、装置及设备
CN109993107B (zh) 一种基于非迭代k均值算法的移动机器人障碍物视觉检测方法
CN113205511B (zh) 基于深层神经网络的电子元器件批量信息检测方法及系统
CN114219936A (zh) 目标检测方法、电子设备、存储介质和计算机程序产品
CN113793385A (zh) 鱼头鱼尾定位方法及装置
CN110751687A (zh) 一种基于计算机视觉最小最大圆的苹果大小分级方法
CN115546108A (zh) 基于边云协同和ar的汽车轮胎外观质量智能检测方法
CN114757916A (zh) 基于特征提取和bp网络的工业ct图像缺陷分类方法
CN113516328B (zh) 数据处理方法、服务提供方法、装置、设备和存储介质
CN113870328A (zh) 一种液体异物视觉检测方法及系统
Evstafev et al. Surface Defect Detection and Recognition Based on CNN
CN112465821A (zh) 一种基于边界关键点感知的多尺度害虫图像检测方法

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20231221

Address after: 100176 101, floor 1, building 2, courtyard 6, Kechuang 14th Street, Beijing Economic and Technological Development Zone, Daxing District, Beijing

Patentee after: Beijing Xinke Qiyuan Technology Co.,Ltd.

Address before: 430068 No. 28 Nanli Road, Hongshan District, Wuhan City, Hubei Province

Patentee before: HUBEI University OF TECHNOLOGY

TR01 Transfer of patent right