CN111652853A - 一种基于深度卷积神经网络的磁粉探伤检测方法 - Google Patents
一种基于深度卷积神经网络的磁粉探伤检测方法 Download PDFInfo
- Publication number
- CN111652853A CN111652853A CN202010395066.0A CN202010395066A CN111652853A CN 111652853 A CN111652853 A CN 111652853A CN 202010395066 A CN202010395066 A CN 202010395066A CN 111652853 A CN111652853 A CN 111652853A
- Authority
- CN
- China
- Prior art keywords
- image
- workpiece
- magnetic powder
- training
- neural 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 239000006247 magnetic powder Substances 0.000 title claims abstract description 35
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000007689 inspection Methods 0.000 claims abstract description 18
- 239000006249 magnetic particle Substances 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 19
- 230000007547 defect Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000001678 irradiating effect Effects 0.000 claims description 3
- 230000005291 magnetic effect Effects 0.000 claims description 3
- 238000005507 spraying Methods 0.000 claims description 3
- 239000000725 suspension Substances 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000009776 industrial production Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000003466 welding 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
- G01N27/84—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 by applying magnetic powder or magnetic ink
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于深度卷积神经网络的磁粉探伤检测方法,包括如下步骤:采集待探伤检测的工件在黑光灯下的荧光磁粉裂纹图像;预处理步骤一中的荧光磁粉裂纹图像,得到荧光磁粉裂纹图像集;对荧光磁粉裂纹图像集中的每一幅图像进行图像标注,得到训练图集;利用训练图集训练YOLOv3模型,得到工件裂纹检测模型;将待测工件的荧光磁粉裂纹图像输入工件裂纹检测模型,得到工件裂纹情况。通过本发明,可以实现对工件裂纹的检测。
Description
技术领域
本发明涉及计算机视觉领域,具体是一种基于深度卷积神经网络的磁粉探伤检测方法。
背景技术
在汽轮机与燃气轮机的转子等这类工件锻造、焊接和加工等制造过程中,有可能产生表面制造缺陷。传统方法,没有考虑转子等工件表面制造缺陷所在部位的主应力的作用及其裂纹扩展寿命的影响。在汽轮机与燃气轮机的转子等工件的制造和加工阶段,基于裂纹扩展寿命的汽轮机与燃气轮机的转子表面制造缺陷的监控,还没有合适的方法可供使用。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于深度卷积神经网络的磁粉探伤检测方法,包括如下步骤:
步骤一,采集待探伤检测的工件在黑光灯下的荧光磁粉裂纹图像;
步骤二,预处理步骤一中的荧光磁粉裂纹图像,得到荧光磁粉裂纹图像集;
步骤三,对荧光磁粉裂纹图像集中的每一幅图像进行图像标注,得到训练和测试图集;
步骤四,利用训练图集训练YOLOv3模型,得到工件裂纹识别模型;
步骤五,将待测工件的荧光磁粉裂纹图像输入工件裂纹识别模型,得到工件裂纹情况。
进一步的,所述步骤一中的采集待探伤检测的工件在紫外灯下的荧光磁粉裂纹图像包括如下过程:
将待检测的工件经过磁粉机上磁、喷洒磁悬液、黑光灯照射处理,得到待检测图像,通过拉普拉斯变换处理待检测图像,得到荧光磁粉裂纹图像。
进一步的,所述的,其特征在于,所述的步骤二中的预处理包括:
(i)对采集到的图像进行切割,使其宽度与长度方向的像素数量相同;
(ii)对切割后的图片分别进行分割,得到分割图像;进行左右翻转,得到翻转图像;进行不同尺寸裁剪,得到多种尺寸的图像;进行多尺度缩放,得到多尺寸的缩放图像;所述的分割图像、翻转图像、多种尺寸的图像、多尺寸的缩放图像组成荧光磁粉裂纹图像集;
进一步的,所述的图像分割方法是将图片均分成4个形状与该图片相同的小图片。
进一步的,所述的标注为:对图像上的工件进行识别,并标记每个图片中工件缺陷所在的位置。
进一步的,所述的数据集对YOLOv3模型的训练如下:
将输入的训练图集的图像分成S*S网格;
S*S网格中的每个格子预测出3个边界框、置信度及属于工件裂纹目标的概率。首先剔除对象置信度小于阈值th1的候选框,其次利用非极大值抑制选择与真实框交并比(IoU)最大的候选框进行目标预测,预测如下:
预测如下:
bx=σ(tx)+cx (1)
by=σ(ty)+cy (2)
bx,by,bw,bh即为网络最终预测边界框的中心坐标、宽和高。其中cx,cy是网格的坐标偏移量;pw,ph是锚框映射到特征图中的宽和高;tx,ty,tw,th是网络训练过程中需要学习的参数,tw,th表示预测框的尺度缩放程度,tx,ty表示预测框的中心坐标偏移程度,σ表示sigmoid函数。通过不断学习更新tx,ty,twth参数,使得预测框与真实框越来越接近,当网络损失小于设定阈值th或者训练次数达到最大迭代次数N停止训练;最后通过极大值抑制,筛选出自信度得分最高的预测框即为工件裂纹检测框。
进一步的,所述的数据集对YOLOv3模型的训练,采用3种尺度进行3种box预测:
尺度1,在特征提取网络后添加一些卷积层,降采样比例为32,输出特征图尺度为13*13,适合检测小目标;
尺度2,对尺度1的倒数第二层卷积层上采样(*2),降采样比例为16,再与尺度为26*26特征图进行串联,比尺度1增加2倍,适合检测中等尺度目标;
尺度3:类比尺度2,获得52*52大小的特征图,适合检测较大目标。
本发明的有益效果是:通过本发明,对工件表面裂纹的检测有较高的准确率,通过拉普拉斯变换,将图像转换成黑底的图像,能够减少环境对检测结果的干扰,能够满足工业生产中荧光磁粉缺陷检测的实际需求。
附图说明
图1为一种基于深度卷积神经网络的磁粉探伤检测方法的流程图;
图2为管状体工件检测示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1所示,一种基于深度卷积神经网络的磁粉探伤检测方法,包括如下步骤:采集待探伤检测的工件在黑光灯下的荧光磁粉裂纹图像;预处理步骤一中的荧光磁粉裂纹图像,得到荧光磁粉裂纹图像集;对荧光磁粉裂纹图像集中的每一幅图像进行图像标注,得到训练图集和测试集;利用训练图集训练YOLOv3模型,得到工件裂纹检测模型;将待测工件的荧光磁粉裂纹图像输入工件裂纹检测模型,得到工件裂纹情况。
采集待探伤检测的工件在紫外灯下的荧光磁粉裂纹图像包括如下过程:
将待检测的工件经过磁粉机上磁、喷洒磁悬液、黑光灯照射处理,得到待检测图像,通过拉普拉斯变换处理待检测图像,得到荧光磁粉裂纹图像。
预处理包括:
(i)对采集到的图像进行切割,使其宽度与长度方向的像素数量相同;
(ii)对切割后的图片分别进行分割,得到分割图像;进行左右翻转,得到翻转图像;进行不同尺寸裁剪,得到多种尺寸的图像;进行多尺度缩放,得到多尺寸的缩放图像;所述的分割图像、翻转图像、多种尺寸的图像、多尺寸的缩放图像组成荧光磁粉裂纹图像集。
图像分割方法是将图片均分成4个形状与该图片相同的小图片。
图片标注为:对图像上的工件进行识别,并标记每个图片中工件缺陷所在的的位置。
数据集对YOLOv3模型的训练如下:
将输入的训练图集的图像分成S*S网格;
S*S网格中的每个格子预测出3个边界框、置信度及属于工件裂纹目标的概
率,选择与真实框交并比(IoU)最大的边框进行目标预测,预测如下:
bx=σ(tx)+cx (1)
by=σ(ty)+cy (2)
bx,by,bw,bh即为网络最终预测边界框的中心坐标、宽和高,通过上述公式求得。其中cx,cy是网格的坐标偏移量;pw,ph是锚框映射到特征图中的宽和高;tx,ty,tw,th是网络训练过程中需要学习的参数,tw,th表示预测框的尺度缩放程度,tx,ty表示预测框的中心坐标偏移程度,σ表示sigmoid函数。通过不断学习更新tx,ty,tw,th参数,使得预测框与真实框越来越接近,当网络损失小于设定阈值th或者训练次数达到最大迭代次数N停止训练。
训练图集对YOLOv3模型的训练,采用3种尺度进行3种框预测:
尺度1,在特征提取网络后添加一些卷积层,降采样比例为32,输出特征图尺度为13*13,适合检测小目标;
尺度2,对尺度1的倒数第二层卷积层上采样(*2),降采样比例为16,再与尺度为26*26特征图进行串联,比尺度1增加2倍,适合检测中等尺度目标;
尺度3:类比尺度2,获得52*52大小的特征图,适合检测较大目标。
具体实施例,随机选用45000张作为训练集,5000张作为测试集。总共训练次80000次,每训练5000次自动保存一次权重,基础学习率为0.001,批量大小为32,动量为0.9,权重衰减系数为0.0005,采用L2正则化减少过拟合。
采用准确率(Accuracy)、召回率(Recall)和视频测试帧数(FPS)来衡量YOLO v3目标检测模型对管状体工件的检测性能,准确率和召回率越高,代表检测效果越好,更能满足实际应用,FPS值越大,代表YOLOv3目标检测模型实时检测效果越好。
实验得到YOLOv3目标检测模型的FPS为8f/s,对缺陷样本(bad)检测的准确率(Accuracy)和召回率(Recall)如表1所示。
表1 YOLOv3目标检测模型对管状体工件的检测情况
从表1可以看出,YOLOv3目标检测模型对管状体工件检测的准确率为96.63%,召回率为93.76%。对管状体工件检测有较高的准确率和召回率,样本先经过拉普拉斯变换,成为黑底的图像,减少复杂环境对检测结果的干扰,然后运用YOLOv3目标检测模型进行缺陷机检测,对工厂现场管状体工件图像的测试情况,如图2所示。图2是YOLOv3目标检测模型对管状体工件的检测示意图,YOLOv3目标检测模型结合拉普拉及变换能克服复杂工业生产环境下对铁磁性产品缺陷识别的影响,能够满足工业生产中荧光磁粉缺陷检测的实际需求,具有良好的应用前景。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (10)
1.一种基于深度卷积神经网络的磁粉探伤检测方法,其特征在于,包括如下步骤:
步骤一,采集待探伤检测的工件在黑光灯下的荧光磁粉裂纹图像;
步骤二,预处理步骤一中的荧光磁粉裂纹图像,得到荧光磁粉裂纹图像集;
步骤三,对荧光磁粉裂纹图像集中的每一幅图像进行图像标注,得到训练和测试图集;
步骤四,利用训练图集训练YOLOv3模型,得到工件裂纹检测模型;
步骤五,将待测工件的荧光磁粉裂纹图像输入工件裂纹检测模型,得到工件裂纹情况。
2.根据权利要求1所述的一种基于深度卷积神经网络的磁粉探伤检测方法,其特征在于,所述步骤一中的采集待探伤检测的工件在紫外灯下的荧光磁粉裂纹图像包括如下过程:
将待检测的工件经过磁粉机上磁、喷洒磁悬液、黑光灯照射处理,得到待检测图像,通过拉普拉斯变换处理待检测图像,得到荧光磁粉裂纹图像。
3.根据权利要求1所述的一种基于深度卷积神经网络的磁粉探伤检测方法,其特征在于,所述的步骤二中的预处理包括:
(i)对采集到的图像进行切割,使其宽度与长度方向的像素数量相同;
(ii)对切割后的图片分别进行分割,得到分割图像;进行左右翻转,得到翻转图像;进行不同尺寸裁剪,得到多种尺寸的图像;进行多尺度缩放,得到多尺寸的缩放图像;所述的分割图像、翻转图像、多种尺寸的图像、多尺寸的缩放图像组成荧光磁粉裂纹图像集。
4.根据权利要求2所述的一种基于深度卷积神经网络的磁粉探伤检测方法,其特征在于,所述的图像分割方法是将图片均分成4个形状与该图片相同的小图片。
5.根据权利要求1所述的一种基于深度卷积神经网络的磁粉探伤检测方法,其特征在于,所述的步骤三中的标注为:对图像上的工件进行识别,并标记每个图片中工件缺陷所在的的位置。
6.根据权利要求1所述的一种基于深度卷积神经网络的磁粉探伤检测方法,其特征在于,锚框尺寸由K-means算法在VOC数据集上进行多次迭代获得,目标与预测框平均IoU达到67.2;当输入图像尺寸为416*416,YOLOv3锚框大小为{[10,13],[16,30],[33,23],[30,61],[62,45],[59,119],[116,90],[156,198],[373,326]}。
8.根据权利要求1所述的一种基于深度卷积神经网络的磁粉探伤检测方法,其特征在于,所述的训练图集对YOLOv3模型的训练过程如下:
将输入的训练图集的图像分成S*S网格;
S*S网格中的每个格子生成3个边界框,属性包括中心坐标、宽、高、置信度及属于工件裂纹目标的概率;通过对象置信度小于阈值th1剔除不包含目标的候选框,其次利用非极大值抑制选择与真实框交并比(IoU)最大的候选框进行目标预测,预测如下:
bx=σ(tx)+cx
by=σ(ty)+cy
bx,by,bw,bh即为网络最终预测边界框的中心坐标、宽和高。其中cx,cy是网格的坐标偏移量;pw,ph是锚框映射到特征图中的宽和高;tx,ty,tw,th是网络训练过程中需要学习的参数,tw,th表示预测框的尺度缩放程度,tx,ty表示预测框的中心坐标偏移程度,σ表示sigmoid函数;通过不断学习更新tx,ty,tw,th参数,使得预测框与真实框越来越接近,当网络损失小于设定阈值th2或者训练次数达到最大迭代次数N停止训练。
9.根据权利要求6所述的一种基于深度卷积神经网络的磁粉探伤检测方法,其特征在于,所述的数据集对YOLOv3模型的训练,采用3种尺度进行3个边界框预测:
尺度1,在特征提取网络后添加一些卷积层,降采样比例为32,输出特征图尺度为13*13,适合检测小目标;
尺度2,对尺度1的倒数第二层卷积层上采样(*2),降采样比例为16,再与尺度为26*26特征图进行串联,比尺度1增加2倍,适合检测中等尺度目标;
尺度3:类比尺度2,获得52*52大小的特征图,适合检测较大目标。
10.根据权利要求6所述的一种基于深度卷积神经网络的磁粉探伤检测方法,其特征在于,所述th1=0.5,th2=0.1,N=80000。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010395066.0A CN111652853A (zh) | 2020-05-11 | 2020-05-11 | 一种基于深度卷积神经网络的磁粉探伤检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010395066.0A CN111652853A (zh) | 2020-05-11 | 2020-05-11 | 一种基于深度卷积神经网络的磁粉探伤检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111652853A true CN111652853A (zh) | 2020-09-11 |
Family
ID=72348263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010395066.0A Pending CN111652853A (zh) | 2020-05-11 | 2020-05-11 | 一种基于深度卷积神经网络的磁粉探伤检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652853A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200225A (zh) * | 2020-09-23 | 2021-01-08 | 西南交通大学 | 基于深度卷积神经网络的钢轨伤损b显图像识别方法 |
CN112215824A (zh) * | 2020-10-16 | 2021-01-12 | 南通大学 | 基于YOLO-v3的布面疵点检测及辅助装置与方法 |
CN112508891A (zh) * | 2020-11-27 | 2021-03-16 | 济宁鲁科检测器材有限公司 | 基于手机的ai智能识别缺陷的磁粉探伤系统及其方法 |
CN112633213A (zh) * | 2020-12-29 | 2021-04-09 | 应急管理部国家自然灾害防治研究院 | 基于yolo神经网络的张衡卫星闪电哨声波检测方法及系统 |
CN113254875A (zh) * | 2021-04-23 | 2021-08-13 | 四川瑞精特科技有限公司 | 一种磁轭式磁粉探伤机提升力测量方法 |
CN114397356A (zh) * | 2022-01-13 | 2022-04-26 | 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 |
TWI770788B (zh) * | 2021-01-26 | 2022-07-11 | 鑫中田企業有限公司 | 智慧型光學缺陷辨識系統及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636772A (zh) * | 2018-10-25 | 2019-04-16 | 同济大学 | 基于深度学习的不规则形状金属加工表面的缺陷检测方法 |
CN109767423A (zh) * | 2018-12-11 | 2019-05-17 | 西南交通大学 | 一种沥青路面图像的裂缝检测方法 |
US20190213734A1 (en) * | 2018-01-09 | 2019-07-11 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and device for detecting a defect in a steel plate, as well as apparatus and server therefor |
CN110136116A (zh) * | 2019-05-15 | 2019-08-16 | 广东工业大学 | 一种注塑泵缺陷检测方法、装置、设备及存储介质 |
CN110310259A (zh) * | 2019-06-19 | 2019-10-08 | 江南大学 | 一种基于改进YOLOv3算法的木结瑕疵检测方法 |
CN110826416A (zh) * | 2019-10-11 | 2020-02-21 | 佛山科学技术学院 | 一种基于深度学习的卫浴陶瓷表面缺陷检测方法及装置 |
US20200103894A1 (en) * | 2018-05-07 | 2020-04-02 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for computerized maintenance management system using the industrial internet of things |
-
2020
- 2020-05-11 CN CN202010395066.0A patent/CN111652853A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190213734A1 (en) * | 2018-01-09 | 2019-07-11 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and device for detecting a defect in a steel plate, as well as apparatus and server therefor |
US20200103894A1 (en) * | 2018-05-07 | 2020-04-02 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for computerized maintenance management system using the industrial internet of things |
CN109636772A (zh) * | 2018-10-25 | 2019-04-16 | 同济大学 | 基于深度学习的不规则形状金属加工表面的缺陷检测方法 |
CN109767423A (zh) * | 2018-12-11 | 2019-05-17 | 西南交通大学 | 一种沥青路面图像的裂缝检测方法 |
CN110136116A (zh) * | 2019-05-15 | 2019-08-16 | 广东工业大学 | 一种注塑泵缺陷检测方法、装置、设备及存储介质 |
CN110310259A (zh) * | 2019-06-19 | 2019-10-08 | 江南大学 | 一种基于改进YOLOv3算法的木结瑕疵检测方法 |
CN110826416A (zh) * | 2019-10-11 | 2020-02-21 | 佛山科学技术学院 | 一种基于深度学习的卫浴陶瓷表面缺陷检测方法及装置 |
Non-Patent Citations (3)
Title |
---|
JOSEPH REDMON 等: "YOLOv3: An Incremental Improvement", 《AIXIV》 * |
向伟 等: "深度卷积神经网络在辐射环境下核废料检测中的应用", 《强激光与粒子束》 * |
郭毅强: "晶圆表面缺陷视觉检测研究", 《万方》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200225A (zh) * | 2020-09-23 | 2021-01-08 | 西南交通大学 | 基于深度卷积神经网络的钢轨伤损b显图像识别方法 |
CN112200225B (zh) * | 2020-09-23 | 2022-07-26 | 西南交通大学 | 基于深度卷积神经网络的钢轨伤损b显图像识别方法 |
CN112215824A (zh) * | 2020-10-16 | 2021-01-12 | 南通大学 | 基于YOLO-v3的布面疵点检测及辅助装置与方法 |
CN112508891A (zh) * | 2020-11-27 | 2021-03-16 | 济宁鲁科检测器材有限公司 | 基于手机的ai智能识别缺陷的磁粉探伤系统及其方法 |
CN112633213A (zh) * | 2020-12-29 | 2021-04-09 | 应急管理部国家自然灾害防治研究院 | 基于yolo神经网络的张衡卫星闪电哨声波检测方法及系统 |
TWI770788B (zh) * | 2021-01-26 | 2022-07-11 | 鑫中田企業有限公司 | 智慧型光學缺陷辨識系統及方法 |
CN113254875A (zh) * | 2021-04-23 | 2021-08-13 | 四川瑞精特科技有限公司 | 一种磁轭式磁粉探伤机提升力测量方法 |
CN113254875B (zh) * | 2021-04-23 | 2022-11-22 | 四川中测仪器科技有限公司 | 一种磁轭式磁粉探伤机提升力测量方法 |
CN114397356A (zh) * | 2022-01-13 | 2022-04-26 | 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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111652853A (zh) | 一种基于深度卷积神经网络的磁粉探伤检测方法 | |
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN108765412B (zh) | 一种带钢表面缺陷分类方法 | |
CN112967243A (zh) | 一种基于yolo的深度学习芯片封装裂纹缺陷检测方法 | |
CN110555842A (zh) | 一种基于锚点集优化的硅片图像缺陷检测方法 | |
CN112001253B (zh) | 基于改进Fast R-CNN的煤尘颗粒图像识别方法 | |
CN113643228B (zh) | 一种基于改进的CenterNet网络的核电站设备表面缺陷检测方法 | |
CN107328787A (zh) | 一种基于深度卷积神经网络的金属板带表面缺陷检测系统 | |
CN109544522A (zh) | 一种钢板表面缺陷检测方法及系统 | |
CN101140216A (zh) | 基于数字图像处理技术的气液两相流流型识别方法 | |
CN114627383B (zh) | 一种基于度量学习的小样本缺陷检测方法 | |
CN114581782B (zh) | 一种基于由粗到精检测策略的细微缺陷检测方法 | |
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 | |
CN115861190A (zh) | 一种基于对比学习的光伏组件无监督缺陷检测方法 | |
Kholief et al. | Detection of steel surface defect based on machine learning using deep auto-encoder network | |
CN113469951B (zh) | 一种基于级联区域卷积神经网络的轮毂缺陷检测方法 | |
Lv et al. | A novel pixel-wise defect inspection method based on stable background reconstruction | |
CN113989257A (zh) | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 | |
CN113012153A (zh) | 一种铝型材瑕疵检测方法 | |
Zeng et al. | Steel sheet defect detection based on deep learning method | |
CN117523555A (zh) | 一种基于自编码器的飞机零件缺陷检测方法 | |
CN116563250A (zh) | 一种复原式自监督疵点检测方法、装置及存储介质 | |
CN115861226A (zh) | 基于特征值梯度变化的深度神经网络智能识别表面缺陷方法 | |
CN115830302A (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN115601357A (zh) | 一种基于小样本的冲压件表面缺陷检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200911 |
|
RJ01 | Rejection of invention patent application after publication |