CN111429441B - 一种基于yolov3算法的焊口识别定位方法 - Google Patents
一种基于yolov3算法的焊口识别定位方法 Download PDFInfo
- Publication number
- CN111429441B CN111429441B CN202010244618.8A CN202010244618A CN111429441B CN 111429441 B CN111429441 B CN 111429441B CN 202010244618 A CN202010244618 A CN 202010244618A CN 111429441 B CN111429441 B CN 111429441B
- Authority
- CN
- China
- Prior art keywords
- training
- crater
- model
- stage
- 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
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/30152—Solder
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于YOLOV3算法的焊口识别定位方法,该方法在图像处理阶段针对焊瘤焊口样本图片极少的情况在尽量不损失原样本图片画质情况下采用图像增强方法增加了样本量;在样本标记阶段利用开源的labeling可视化标注工具,节省了标记时间和成本;同时在模型训练环节根据现有的实验配置加入了两种练阶段性训练方法,在一定条件下适配不同配置设备进行训练。本发明克服了传统上对正常焊口和焊瘤焊口图片进行单纯人工定位和识别的约束性,所得的模型检测焊口时间短,精确度也有一定的可靠性,通过该方法得到的模型,可以定位和识别图片中单个或多个正常焊口或焊瘤焊口,可广泛用于相关的工程项目中。
Description
技术领域
本发明属于焊口检测技术领域,具体涉及一种基于YOLOV3算法的焊口识别定位方法
背景技术
碳钢、不锈钢或者金钢产品在与其他生产或者施工时,与其他的另一件产品用焊条连接到一起,产品与产品之间的焊条连接的缝,叫做焊口。传统的焊口定位与识别方法需要先做好焊口位置定位接着进行识别检测,传统的识别检测方法如破坏性检测和非破坏性试验,其中破坏性试验包括:(1)力学性能实验包括拉伸实验、硬度试验、弯曲试验、疲劳试验、冲击试验等;(2)化学分析试验包括化学成分分析、腐蚀试验等;(3)金相检验包括宏观检验和微观检验等;非破坏性试验包括:(1)外观检验包括尺寸检验、集合形状检测、外表伤痕检测等;(2)耐压试验包括水压试验和气压试验等;(3)密封性试验包括气密度试验、载水试验、氨气试验、沉水试验、煤油渗漏试验、氨检漏试验等。(4)磁粉检验;(5)着色检验;(6)超声波探伤;(7)射线探伤)。
以上这些检测方式费时费力,且会对检测物品造成程度不同的损伤;而无损检测方式中的直接用肉眼检查的宏观检验方法对检测人员要求很高,且肉眼检测虽然可以不使用任何仪器或设备,但肉眼不能穿透工件来检查工件内部信息,所以这样检测的应用区域很窄;而一般通过无损检测方式中的射线照相方法得到了有关焊口图片后还是会人工进行焊口识别和区分,这样的方式虽然检测准确性上有了一定的保证,但面对大批量的焊口数据图片时采用人工的方式进行识别和区分无疑是费时费力的。
发明内容
针对现有技术中的上述不足,本发明提供的基于YOLOV3算法的焊口识别及定位方法解决了传统的焊口识别方法效率低、识别精度不足的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于YOLOV3算法的焊口识别定位方法,包括以下步骤:
S1、获取原始焊口图像,并对其进行数据增强处理,构建焊口图像数据集;
S2、对构建的焊口图像数据集进行图像标注处理,构建对应的图像样本集;
S3、通过图像样本集对YOLOV3模型进行训练,获得焊口识别定位模型;
S4、将待识别的原始焊口图像输入到焊口识别定位模型中,输出对应的焊口识别定位结果。
进一步地,所述步骤S1具体为:
S11、将tif格式的原始焊口图像转换为jpg格式的焊口图像;
所述焊口图像包括正常状态焊口图像和焊瘤焊口图像,且所述焊瘤焊口图像数量远小于正常状态焊口图像;
S12、对焊瘤焊口图像进行数据增强处理;
S13、将正常状态焊口图像和数据增强后的焊瘤焊口图像合并作为焊口图像数据集。
进一步地,所述步骤S12中,数据增强处理方法包括提升焊瘤焊口图像对比度亮度处理、对焊瘤焊口图像进行水平翻转处理、对焊瘤焊口图像进行垂直翻转处理和对焊瘤焊口图像顺时针旋转90度处理。
进一步地,所述步骤S2具体为:
S21、使用开源数据标注工具在可视化界面对焊口图像数据集中的焊口位置进行画框及标签添加处理;
S22、将画框及标签添加后的焊口图像数据集划分出训练集、测试集和验证集,作为图像样本集。
进一步地,所述步骤S3中采用迁移学习的方式,对YOLOV3模型进行两个阶段的训练。
进一步地,所述步骤S3具体为:
S31、第一次设置训练参数:设置learing rate为0.001,训练epoch为600,batchsize为32;
S32、确定第一阶段训练模型:将具有252层神经网络层的YOLOV3模型中的前249层神经网络层冻结,将其作为第一阶段训练模型;
S33、第一阶段训练:将训练集输入到第一阶段训练模型中,采用GPU进行第一阶段的模型训练;
S34、参数调整:通过测试集和验证集对第一阶段训练模型进行验证,并根据验证结果对第一阶段训练模型参数进行调整,获得第一阶段YOLOV3模型;
S35、确定第二阶段训练模型:根据GPU的显存空间大小,确定第一阶段YOLOV3模型中神经网络层的解冻层数,得到第二阶段训练模型;
S36、第二次训练参数设置:设置learning rate为0.0001,训练epoch为50,batchsize为32;
S37、第二阶段训练:将训练集输入到第二阶段训练模型中,采用GPU或CPU进行第二阶段的模型训练;
S38、模型训练完成:当第二阶段训练模型的loss值变化在10epoch内,完成YOLOV3模型的训练,获得焊口识别定位模型。
进一步地,所述步骤S35中:当GPU的显存空间大于设定阈值时,根据GPU显存空间大小人工设置第一阶段YOLOV3模型中神经网络层的解冻层数,进而确定第二阶段YOLOV3模型;当GPU的显存空间小于设定阈值时,将第一阶段YOLOV3模型中的神经网络层全部解冻,进而确定第二阶段YOLOV3模型。
进一步地,所述步骤S37中,当GPU的显存空间大于设定阈值时,采用GPU进行第二阶段的模型训练;当GPU的显存空间小于设定阈值时,采用CPU进行第二阶段的模型训练。
本发明有益效果为:
基于YOLOV3算法的焊口识别定位方法,该方法在图像处理阶段针对焊瘤焊口样本图片极少的情况在尽量不损失原样本图片画质情况下采用图像增强方法增加了样本量;在样本标记阶段利用开源的labeling可视化标注工具,节省了标记时间和成本;同时在模型训练环节根据现有的实验配置加入了两种阶段性训练方法,在一定条件下适配不同配置设备进行训练;在以上改进的基础上,我们结合YOLOV3图像识别算法,得到了识别效果较好的焊口识别定位模型。本发明克服了传统上对正常焊口和焊瘤焊口图片进行单纯人工定位和识别的约束性,所得的模型检测焊口时间短,精确度也有一定的可靠性,通过该方法得到的模型,可以定位和识别图片中单个或多个正常焊口或焊瘤焊口,可广泛用于相关的工程项目中。
附图说明
图1为本发明提供的基于YOLOV3算法的焊口识别定位方法流程图。
图2为本发明实施例中的第一阶段训练时的loss变化示意图。
图3为本发明实施例中的第二阶段训练时的loss变化示意图。
图4为本发明实施例中第一张正常焊口图像识别及定位示意图。
图5为本发明实施例中第二张正常焊口图像识别及定位示意图。
图6为本发明实施例中第三张正常焊口图像识别及定位示意图。
图7为本发明实施例中第四张正常焊口图像识别及定位示意图。
图8为本发明实施例中焊瘤焊口图像识别及定位示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种基于YOLOV3算法的焊口识别定位方法,包括以下步骤:
S1、获取原始焊口图像,并对其进行数据增强处理,构建焊口图像数据集;
S2、对构建的焊口图像数据集进行图像标注处理,构建对应的图像样本集;
S3、通过图像样本集对YOLOV3模型进行训练,获得焊口识别定位模型;
S4、将待识别的原始焊口图像输入到焊口识别定位模型中,输出对应的焊口识别定位结果。
上述步骤S1具体为:
S11、将tif格式的原始焊口图像转换为jpg格式的焊口图像;
焊口图像包括正常状态焊口图像和焊瘤焊口图像,且焊瘤焊口图像数量远小于正常状态焊口图像;
S12、对焊瘤焊口图像进行数据增强处理;
S13、将正常状态焊口图像和数据增强后的焊瘤焊口图像合并作为焊口图像数据集。
在上述步骤S11中,由于原始焊口图像数据的格式为tif格式,而一般YOLOV3算法要求图像在进行检测和识别时应为jpg格式;为保证图像格式转换完全,先用图片格式转换软件将原始焊口图像格式进行批量转换,再利用格式转换程序对图像格式进行进一步处理;
在上述步骤S12中,由于两种类型的焊口图像数量并不相同,为保证训练样本数据充足,我们对焊瘤焊口图像进行数据增强处理;其中,数据增强处理方法包括提升焊瘤焊口图像对比度亮度处理、对焊瘤焊口图像进行水平翻转处理、对焊瘤焊口图像进行垂直翻转处理和对焊瘤焊口图像顺时针旋转90度处理。在数据增强后,我们对其进行加缀代表对应的数据增强类型,其中bc:提升对比度亮度,hf:水平翻转,vf:垂直翻转,rc:顺时针旋转90度,rac:逆时针旋转90度;通过以上数据增强处理,我们在尽可能不损失识别和定位效果的前提下将焊瘤焊口样本图像增强到与正常状态焊口图像数量相同的程度,为后续正常进行相关训练做好了准备。
在对原始数据进行了格式转换和数据增强后,我们到了数据处理处理的最后一步,对数据进行标注,也就是先要高速机器图像里面有什么物体、物体位置在哪里,有了这些信息才能来训练模型,所以我们对先前已经进行数据处理的各类型焊口图像中的焊口进行画框和标签添加;如果要标注的图像有很多,那么就需要一张一张手动去计算位置信息,制作xml文件;本发明中使用开源数据标注工具labeling进行标注处理,因此,上述步骤S2具体为:
S21、使用开源数据标注工具在可视化界面对焊口图像数据集中的焊口位置进行画框及标签添加处理;
在进行画框及标签添加处理过程中,每个焊瘤焊口图像中至少有一个焊口需要画框及标签添加,而大部分的焊瘤焊口图像有3-5个焊口需要画框和标签添加,如果单纯采用人工标注方式无疑是费时费力的,相比之下,我们在可视化工具labeling帮助下,比较方便和快速的将两类型的焊口标注完毕。每个画框及标签添加的焊口图像均会自动生成voc格式的xml文件,便于后续的模型训练;
S22、将画框及标签添加后的焊口图像数据集划分出训练集、测试集和验证集,作为图像样本集。
在进行好图像数据处理后,我们使用数据处理后的图像数据来训练得到能正确识别和定位两类焊口的模型,上述步骤S3中采用迁移学习的方式,对YOLOV3模型两个阶段的进行训练;即第一阶段训练时冻结大部分层进行训练,第二阶段解冻预训练模型的部分卷积层(通常是靠近输入的多数卷积层,因为这些层保留了大量的底层信息),甚至不冻结任何网络层,训练剩下的卷积层(通常是靠近输出的部分卷积层和全连接层。
在利用YOLOV3模型进行目标检测任务里,有几个关键信息需要确定:(x,y),w,h),class和confidence,YOLOV3根据关键信息的特点可以分为上述四类,损失函数应该由各自特点确定。最后加到一起就可以组成最终的loss_function了,也就是一个loss_function完成端到端的训练。因此,上述步骤S3具体为:
S31、第一次设置训练参数:设置learing rate为0.001,训练epoch为600,batchsize为32;
S32、确定第一阶段训练模型:将具有252层神经网络层的YOLOV3模型中的前249层神经网络层冻结,将其作为第一阶段训练模型;
S33、第一阶段训练:将训练集输入到第一阶段训练模型中,采用GPU进行第一阶段的模型训练;
S34、参数调整:通过测试集和验证集对第一阶段训练模型进行验证,并根据验证结果对第一阶段训练模型参数进行调整,获得第一阶段YOLOV3模型;
S35、确定第二阶段训练模型:根据GPU的显存空间大小,确定第一阶段YOLOV3模型中神经网络层的解冻层数,得到第二阶段训练模型;
S36、第二次训练参数设置:设置learning rate为0.0001,训练epoch为50,batchsize为32;
S37、第二阶段训练:将训练集输入到第二阶段训练模型中,采用GPU或CPU进行第二阶段的模型训练;
S38、模型训练完成:当第二阶段训练模型的loss值变化在10epoch内,完成YOLOV3模型的训练,获得焊口识别定位模型。
在上述训练过程中,第一阶段训练后模型loss值一般会降到20左右,这时我们通过第一阶段训练得到一个不差的模型,之所以称之为不差的模型,原因在于训练中冻结了绝大部分网络层,使得到的特征很少,因而效果一般;在经过一阶段训练后我们可以利用读取已经在一阶段得到的模型来进行二阶段训练,然而在进行二阶段训练时由于第二阶段训练需要将之前冻结的所有神经网络层进行部分解冻或完全解冻,而利用解冻后得到的神经网络层进行训练时,由于解冻神经网络层后需要更新的相关参数大大增加,而特别要注意的是由于接近输入端的网络层要提取更多图像基本特征,因此接近输入端网络层需要更新的参数相较于接近输出端的网络层多了很多。结合以上两种情况,我们可知相较于一阶段,二阶段继续用GPU训练时,对GPU显存空间大小有了更高的要求,针对这样的问题,我们基于YOLOV3算法提出了两种训练方式大家顺利完成二阶段训练,得到较好模型因此,在上述步骤S35中:
当GPU的显存空间大于设定阈值时,根据GPU显存空间大小人工设置第一阶段YOLOV3模型中神经网络层的解冻层数,进而确定第二阶段YOLOV3模型,此时,步骤S37中通过GPU进行第二阶段的模型训练,该训练方式能够适配不同的GPU显存大小,该训练方式训练时间快,但是对硬件要求较高。
当GPU的显存空间小于设定阈值时,将第一阶段YOLOV3模型中的神经网络层全部解冻,进而确定第二阶段YOLOV3模型,此时,步骤S37中通过CPU进行第二阶段的模型训练,该训练方式相较于前一种训练方式慢,但是对硬件要求低很多,硬件门槛大大降低。
在本发明的一个实施例中,提供了本发明方法进行焊口识别的实例:
在得到焊口识别定位模型后,我们可以通过查看loss变化曲线和利用测试集数据查看该模型定位和识别两类焊口的效果。我们选取多次训练中得到的效果较好的模型,训练loss值如图2所示,从图2可以看出loss值随着epoch的增加总体趋势是下降的,在第一阶段训练渐趋平稳后通过第二阶段解冻层训练虽然一开始有小幅上扬,之后继续训练整体上loss又有了明显下降并在最终渐趋平稳,此时代表该模型的训练有了一定的效果。我们得到的训练中val loss如图3所示,从图3可以看出val loss值随着epoch的增加总体趋势是下降的,在第一阶段快结束时渐趋平稳,第二阶段解冻层继续训练,整体上val loss又有了明显下降并在最终渐趋平稳,此时代表该训练模型有了一定的泛性。
之后我们利用已经获得的二阶段模型来读取测试集图片运行yolo.py文件进行模型效果测试:我们测试在测试集中正常(normal)焊口类型,效果如4-7所示;我们测试在测试集中焊瘤(weld)焊口类型,效果图8所示;从测试集效果图可以看出无论是正常(normal)焊口还是焊瘤焊口(weld),运用我们基于YOLOV3的定位和识别两类焊口的方法都能做到较为正确定位和识别,正常焊口样本图片数较多,因而定位和识别中的置信度较高;而针对焊瘤焊口样本图片极少的情况,本方法采用的图像增强方式配合采用的我们合适训练方式能够在很大程度降低硬件门槛的前提下仍然取得不错的效果。
本发明有益效果为:
基于YOLOV3算法的焊口识别定位方法,该方法在图像处理阶段针对焊瘤焊口样本图片极少的情况在尽量不损失原样本图片画质情况下采用图像增强方法增加了样本量;在样本标记阶段利用开源的labeling可视化标注工具,节省了标记时间和成本;同时在模型训练环节根据现有的实验配置加入了两种阶段性训练方法,在一定条件下适配不同配置设备进行训练;在以上改进的基础上,我们结合YOLOV3图像识别算法,得到了识别效果较好的焊口识别定位模型。本发明克服了传统上对正常焊口和焊瘤焊口图片进行单纯人工定位和识别的约束性,所得的模型检测焊口时间短,精确度也有一定的可靠性,通过该方法得到的模型,可以定位和识别图片中单个或多个正常焊口或焊瘤焊口,可广泛用于相关的工程项目中。
Claims (5)
1.一种基于YOLOV3算法的焊口识别定位方法,其特征在于,包括以下步骤:
S1、获取原始焊口图像,并对其进行数据增强处理,构建焊口图像数据集;
S2、对构建的焊口图像数据集进行图像标注处理,构建对应的图像样本集;
S3、通过图像样本集对YOLOV3模型进行训练,获得焊口识别定位模型;
S4、将待识别的原始焊口图像输入到焊口识别定位模型中,输出对应的焊口识别定位结果;
所述步骤S2具体为:
S21、使用开源数据标注工具在可视化界面对焊口图像数据集中的焊口位置进行画框及标签添加处理;
S22、将画框及标签添加后的焊口图像数据集划分出训练集、测试集和验证集,作为图像样本集;
所述步骤S3中采用迁移学习的方式,对YOLOV3模型进行两个阶段的训练;
所述步骤S3具体为:
S31、第一次设置训练参数:设置learing rate为0.001,训练epoch为600,batchsize为32;
S32、确定第一阶段训练模型:将具有252层神经网络层的YOLOV3模型中的前249层神经网络层冻结,将其作为第一阶段训练模型;
S33、第一阶段训练:将训练集输入到第一阶段训练模型中,采用GPU进行第一阶段的模型训练;
S34、参数调整:通过测试集和验证集对第一阶段训练模型进行验证,并根据验证结果对第一阶段训练模型参数进行调整,获得第一阶段YOLOV3模型;
S35、确定第二阶段训练模型:根据GPU的显存空间大小,确定第一阶段YOLOV3模型中神经网络层的解冻层数,得到第二阶段训练模型;
S36、第二次训练参数设置:设置learning rate为0.0001,训练epoch为50,batchsize为32;
S37、第二阶段训练:将训练集输入到第二阶段训练模型中,采用GPU或CPU进行第二阶段的模型训练;
S38、模型训练完成:当第二阶段训练模型的loss值变化在10epoch内,完成YOLOV3模型的训练,获得焊口识别定位模型。
2.根据权利要求1所述的基于YOLOV3算法的焊口识别定位方法,其特征在于,所述步骤S1具体为:
S11、将tif格式的原始焊口图像转换为jpg格式的焊口图像;
所述焊口图像包括正常状态焊口图像和焊瘤焊口图像,且所述焊瘤焊口图像数量远小于正常状态焊口图像;
S12、对焊瘤焊口图像进行数据增强处理;
S13、将正常状态焊口图像和数据增强后的焊瘤焊口图像合并作为焊口图像数据集。
3.根据权利要求2所述的基于YOLOV3算法的焊口识别定位方法,其特征在于,所述步骤S12中,数据增强处理方法包括提升焊瘤焊口图像对比度亮度处理、对焊瘤焊口图像进行水平翻转处理、对焊瘤焊口图像进行垂直翻转处理和对焊瘤焊口图像顺时针旋转90度处理。
4.根据权利要求1所述的基于YOLOV3算法的焊口识别定位方法,其特征在于,所述步骤S35中:当GPU的显存空间大于设定阈值时,根据GPU显存空间大小人工设置第一阶段YOLOV3模型中神经网络层的解冻层数,进而确定第二阶段YOLOV3模型;当GPU的显存空间小于设定阈值时,将第一阶段YOLOV3模型中的神经网络层全部解冻,进而确定第二阶段YOLOV3模型。
5.根据权利要求4所述的基于YOLOV3算法的焊口识别定位方法,其特征在于,所述步骤S37中,当GPU的显存空间大于设定阈值时,采用GPU进行第二阶段的模型训练;当GPU的显存空间小于设定阈值时,采用CPU进行第二阶段的模型训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010244618.8A CN111429441B (zh) | 2020-03-31 | 2020-03-31 | 一种基于yolov3算法的焊口识别定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010244618.8A CN111429441B (zh) | 2020-03-31 | 2020-03-31 | 一种基于yolov3算法的焊口识别定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111429441A CN111429441A (zh) | 2020-07-17 |
CN111429441B true CN111429441B (zh) | 2023-04-04 |
Family
ID=71550261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010244618.8A Active CN111429441B (zh) | 2020-03-31 | 2020-03-31 | 一种基于yolov3算法的焊口识别定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111429441B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112164070A (zh) * | 2020-09-16 | 2021-01-01 | 电子科技大学 | 基于深度学习的双层箱箱口定位算法 |
CN113723526B (zh) * | 2021-08-31 | 2023-04-18 | 电子科技大学 | 一种识别不同类型焊口的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316061A (zh) * | 2017-06-22 | 2017-11-03 | 华南理工大学 | 一种深度迁移学习的不平衡分类集成方法 |
CN109900706A (zh) * | 2019-03-20 | 2019-06-18 | 易思维(杭州)科技有限公司 | 一种基于深度学习的焊缝及焊缝缺陷检测方法 |
CN110569841A (zh) * | 2019-09-02 | 2019-12-13 | 中南大学 | 基于卷积神经网络的接触网关键部件目标检测方法 |
CN110636715A (zh) * | 2019-08-27 | 2019-12-31 | 杭州电子科技大学 | 一种基于自学习的自动焊接及缺陷检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9180552B2 (en) * | 2013-05-27 | 2015-11-10 | ThinkSmart IT Solutions Private Limited | System and method for identifying defects in welds by processing X-ray images |
JP7021728B2 (ja) * | 2017-05-12 | 2022-02-17 | 株式会社神戸製鋼所 | 自動溶接システム、溶接制御方法、及び機械学習モデル |
-
2020
- 2020-03-31 CN CN202010244618.8A patent/CN111429441B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316061A (zh) * | 2017-06-22 | 2017-11-03 | 华南理工大学 | 一种深度迁移学习的不平衡分类集成方法 |
CN109900706A (zh) * | 2019-03-20 | 2019-06-18 | 易思维(杭州)科技有限公司 | 一种基于深度学习的焊缝及焊缝缺陷检测方法 |
CN110636715A (zh) * | 2019-08-27 | 2019-12-31 | 杭州电子科技大学 | 一种基于自学习的自动焊接及缺陷检测方法 |
CN110569841A (zh) * | 2019-09-02 | 2019-12-13 | 中南大学 | 基于卷积神经网络的接触网关键部件目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111429441A (zh) | 2020-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111429441B (zh) | 一种基于yolov3算法的焊口识别定位方法 | |
CN110136101B (zh) | 一种基于孪生距离比对的轮胎x光病疵检测方法 | |
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 | |
Parlak et al. | Deep learning-based detection of aluminum casting defects and their types | |
CN105957086A (zh) | 一种基于优化神经网络模型的遥感图像变化检测方法 | |
CN110136116B (zh) | 一种注塑泵缺陷检测方法、装置、设备及存储介质 | |
CN111798419A (zh) | 一种金属喷漆表面缺陷检测方法 | |
CN113643268A (zh) | 基于深度学习的工业制品缺陷质检方法、装置及存储介质 | |
CN111178392A (zh) | 基于深度神经网络的航空发动机孔探图像损伤分割方法 | |
US20220076404A1 (en) | Defect management apparatus, method and non-transitory computer readable medium | |
Naddaf-Sh et al. | Defect detection and classification in welding using deep learning and digital radiography | |
Enriquez et al. | Prediction of Weld Current Using Deep Transfer Image Networks Based on Weld Signatures for Quality Control | |
CN113962951B (zh) | 检测分割模型的训练方法及装置、目标检测方法及装置 | |
CN114022586A (zh) | 一种基于对抗生成网络的缺陷图像生成方法 | |
CN108765391A (zh) | 一种基于深度学习的平板玻璃异物影像分析方法 | |
CN112836433B (zh) | 高温合金晶粒尺寸识别模型的构建方法及尺寸识别方法 | |
CN115082650A (zh) | 一种基于卷积神经网络的管道缺陷自动标注工具的实现方法 | |
CN115661572A (zh) | 铸件缺陷识别模型训练方法、缺陷识别方法、装置及系统 | |
CN113723526B (zh) | 一种识别不同类型焊口的方法 | |
CN114596309A (zh) | 焊缝缺陷的检测、模型训练方法、系统、设备和存储介质 | |
CN108763063B (zh) | 一种无需缺陷标注数据的软件缺陷检测方法 | |
Gao et al. | Quality assessment algorithm of x-ray images in overall girth welds based on deep neural network | |
Al Amin et al. | Analysis of Optimizer Effects on CNN Model for Defect Identification in Welding Results of A 106 Grade B Carbon Steel Pipe | |
Wang et al. | Method for detecting internal cracks in joints of composite metal materials based on dual-channel feature fusion | |
Huang et al. | Research on CNN-based intelligent recognition method for negative images of weld defects |
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 |