CN111830070A - 一种基于边缘计算的缺陷自动识别评判系统及方法 - Google Patents
一种基于边缘计算的缺陷自动识别评判系统及方法 Download PDFInfo
- Publication number
- CN111830070A CN111830070A CN202010794567.6A CN202010794567A CN111830070A CN 111830070 A CN111830070 A CN 111830070A CN 202010794567 A CN202010794567 A CN 202010794567A CN 111830070 A CN111830070 A CN 111830070A
- Authority
- CN
- China
- Prior art keywords
- image data
- ray image
- detected
- defect
- layer
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/03—Investigating materials by wave or particle radiation by transmission
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/10—Different kinds of radiation or particles
- G01N2223/101—Different kinds of radiation or particles electromagnetic radiation
- G01N2223/1016—X-ray
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/401—Imaging image processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/42—Imaging image digitised, -enhanced in an image processor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/60—Specific applications or type of materials
- G01N2223/629—Specific applications or type of materials welds, bonds, sealing compounds
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/60—Specific applications or type of materials
- G01N2223/646—Specific applications or type of materials flaws, defects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明涉及一种基于边缘计算的缺陷自动识别评判系统及方法,其特征在于,包括:设备录入层,用于采集和存储无损检测现场内待测焊缝的X射线图像数据,以及获取待测焊缝的传统无损检测图像数据;边缘计算层,用于采集无损检测现场内待测焊缝的X射线图像数据,以及采用Mask‑RCNN卷积神经网络对待测焊缝的X射线图像数据和传统无损检测图像数据进行分析和处理,确定待测焊缝的X射线图像数据中是否存在缺陷;云服务响应层,用于采用扫描定级算法,对存在缺陷的X射线图像数据进行缺陷个数标定和扫描定级,得到每一X射线图像数据的缺陷评判结果,并发送至边缘计算层,本发明可以广泛应用于储罐焊接领域中。
Description
技术领域
本发明是关于一种基于边缘计算的缺陷自动识别评判系统及方法,属于储罐焊接领域。
背景技术
在焊接缺陷检测领域,胶片X射线成像检测是常规无损检测常用的重要方法之一,这种方法稳定性较高,采集图片的尺寸大,易于检测判断。在目前实际生产中,主要采取的是人工分析焊缝图像的审核方式,凭经验确定有无缺陷及缺陷的类型、位置和尺寸等,由此评定焊接质量并给出相应的评级,而随着各个制造业领域对于焊接精度的要求逐步提高,人工操作越来越不能满足生产发展的需要。传统方法不可避免的要经历人工选取特征的过程,该过程耗时费力,且特征的选取是否合理具有很大主观性,一定程度上影响识别的正确率。
目前,绝大多数企业仍然采用人工方式审核X射线探伤缺陷,但是,这种方式易受设备、环境和个人自身经验等条件的影响,不仅工作量大,且效率低,容易影响缺陷的判别与定级的预测,无法满足现代制造业对于焊接精度的需求。现有技术中通过计算机图像处理方法,对X射线缺陷检测图像进行分析、检测和识别,可以较好地解决人工评定的上述问题。对于X射线缺陷检测图像需要统一进行调度和管理,以便于数据的处理运算和模型优化,然而,采用传统的云计算集中调度和管理方式,严重依赖无线网络带宽和云服务器的计算能力,实时性差,且系统运行效率低。
发明内容
针对上述问题,本发明的目的是提供一种实时性强且系统运行效率高的基于边缘计算的缺陷自动识别评判系统及方法。
为实现上述目的,本发明采取以下技术方案:一种基于边缘计算的缺陷自动识别评判系统,包括:
设备录入层,用于采集和存储无损检测现场内待测焊缝的X射线图像数据,以及获取待测焊缝的传统无损检测图像数据;
边缘计算层,用于采集无损检测现场内待测焊缝的X射线图像数据,以及采用Mask-RCNN卷积神经网络对待测焊缝的X射线图像数据和传统无损检测图像数据进行分析和处理,确定待测焊缝的X射线图像数据中是否存在缺陷;
云服务响应层,用于采用扫描定级算法,对存在缺陷的X射线图像数据进行缺陷个数标定和扫描定级,得到每一X射线图像数据的缺陷评判结果,并发送至所述边缘计算层。
进一步地,所述设备录入层包括:
无损检测单元,用于对待测焊缝进行X射线无损检测,生成待测焊缝的X射线图像数据,并通过数字通道上传至所述边缘计算层;
第一扫描识别输出单元,用于获取采用传统无损检测方法生成的待测焊缝射线胶片,并将其转换为图像数据,通过所述数字通道上传至所述边缘计算层。
进一步地,所述边缘计算层包括:
第二扫描识别输出单元,用于采集无损检测现场内待测焊缝的X射线图像数据,以及采用Mask-RCNN卷积神经网络,对待测焊缝的X射线图像数据和传统无损检测图像数据进行处理,确定待测储罐钢板焊缝的X射线图像数据中是否存在缺陷;
边缘算力单元,用于采用Map-reduce方法,对Mask-RCNN卷积神经网络进行优化,得到优化后的Mask-RCNN卷积神经网络。
进一步地,所述第二扫描识别输出单元包括:
扫描设备,用于对待测焊缝进行X射线无损检测,生成X射线图像数据;
显示设备,用于显示待测焊缝的缺陷评判结果;
计算机,用于采用Mask-RCNN卷积神经网络,对所述设备录入层或扫描设备上传的待测焊缝的X射线图像数据和传统无损检测图像数据进行处理,确定待测焊缝的X射线图像数据中是否存在缺陷。
进一步地,所述边缘算力单元为无损检测现场内的智能设备。
进一步地,所述数字通道为Modbus或Zigbee通道。
进一步地,所述云服务响应层通过传输通道将待测焊缝的缺陷评判结果传输至所述边缘计算层,其中,所述传输通道为4G、5G或WLAN通道。
一种基于边缘计算的缺陷自动识别评判方法,包括以下内容:
1)检测现场通过设备录入层、边缘计算层或焊缝缺陷自动检测和识别装置,对待测焊缝进行X射线无损检测,直接生成X射线图像数据;
2)检测现场通过设备录入层扫描采用传统无损检测方法生成的待测焊缝射线胶片并将其转换为图像数据,得到传统无损检测图像数据;
3)X射线图像数据和传统无损检测图像数据上传至边缘计算层;
4)边缘计算层采用Mask-RCNN卷积神经网络,对上传的图像数据进行初步分析和处理,初步确定待测储罐钢板焊缝X射线图像数据中是否存在缺陷,并传输至云服务响应层;
5)边缘计算层采用Map-reduce方法,对Mask-RCNN卷积神经网络进行优化,得到优化后的Mask-RCNN卷积神经网络;
6)边缘计算层采用优化后的Mask-RCNN卷积神经网络,对上传的图像数据进行处理,确定待测焊缝X射线图像数据中是否存在缺陷,并传输至云服务响应层;
7)云服务响应层采用扫描定级算法,通过滑动窗对存在缺陷的待测焊缝X射线图像数据中的缺陷进行个数标定和扫描定级,并根据焊缝缺陷定级标准,得到每一X射线图像数据的缺陷评判结果;
8)云服务响应层将每一X射线图像数据的缺陷评判结果存储至数据库,并传输至边缘计算层进行显示。
一种基于边缘计算的缺陷自动识别评判方法,包括以下内容:
I)边缘计算层根据预先获取的带有已知缺陷的X射线图像数据,对Mask-RCNN卷积神经网络进行训练,得到训练后的Mask-RCNN卷积神经网络;
II)检测现场通过设备录入层、边缘计算层或焊缝缺陷自动检测和识别装置,对待测焊缝进行X射线无损检测,直接生成X射线图像数据;
III)检测现场通过设备录入层扫描采用传统无损检测方法生成的待测焊缝射线胶片并将其转换为图像数据,得到传统无损检测图像数据;
IV)X射线图像数据和传统无损检测图像数据均上传至边缘计算层;
V)边缘计算层采用Map-reduce方法,对训练后的Mask-RCNN卷积神经网络进行优化,得到优化后的Mask-RCNN卷积神经网络;
VI)边缘计算层采用优化后的Mask-RCNN卷积神经网络,对上传的图像数据进行处理,确定待测焊缝X射线图像数据中是否存在缺陷,并传输至云服务响应层;
VII)云服务响应层采用扫描定级算法,通过滑动窗对存在缺陷的待测焊缝X射线图像数据中的缺陷进行个数标定和扫描定级,并根据焊缝缺陷定级标准,得到每一X射线图像数据的缺陷评判结果;
VIII)云服务响应层将每一X射线图像数据的缺陷评判结果存储至数据库,并传输至边缘计算层进行显示。
进一步地,云服务响应层采用扫描定级算法,通过滑动窗对存在缺陷的待测焊缝X射线图像数据中的缺陷进行个数标定和扫描定级,并根据焊缝缺陷定级标准,得到每一X射线图像数据的缺陷评判结果,具体过程为:
A)设置滑动窗,包括矩形框架和定级框,矩形框架内活动连接一定级框,其中,定级框是由圆形定级框外侧活动连接矩形定级框构成的,并根据待测焊缝的板厚信息,设置矩形框架窗口的大小;
B)将矩形框架压设固定待测焊缝的X射线图像数据,向右、向下以一定步长滑动定级框,在滑动定级框的同时确定其中圆形定级框的缺陷点数;
C)定级框遍历待测焊缝的X射线图像数据后,筛选得到待测焊缝X射线图像数据中缺陷点最多的圆形定级框所在位置及其对应的缺陷点数。
D)在筛选的位置按照一定的角度旋转矩形定级框,确定该矩形定级框内包含最多的缺陷点数,记录此时矩形定级框的位置与角度,并根据焊缝缺陷定级标准,对待测焊缝的X射线图像数据进行缺陷定级,得到最终的缺陷评判结果。
本发明由于采取以上技术方案,其具有以下优点:
1、本发明由于设置有边缘计算层,可以解决传统云计算实时性不够、带宽不足、能耗较大、不利于数据安全和隐私的问题,在边缘计算层进行数据处理的工作可以减轻网络带宽和数据中心功耗的压力,在靠近无损检测图像生产者处进行数据处理,大大减少系统延迟,增强服务响应能力,边缘计算不再上传无损检测图像,而是存储在边缘计算层上,能够保护用户数据安全和隐私。
2、本发明将需要实时反馈的计算任务部署在边缘计算层,靠近检测现场厂区无损检测的位置,计算发生在AI模式识别的附近,可以降低任务处理计算延迟,提高结果反馈的实时性。
3、将设备录入层产生的大量数据全部上传至云服务响应层会给网络带宽和设备能耗造成非常大的压力,且直接将原始数据上传至云端,泄露数据的风险极大,因此,本发明在边缘计算层存储部分数据并初步处理数据,能够减轻网络带宽和云服务响应层功耗的压力,降低数据泄露的风险,保护用户数据安全和隐私,适用于储罐和管道的X射线无损检测自动识别评判分析,可以广泛应用于海洋工程、化工站场和接收站、船舶设施和燃气电厂等领域中。
附图说明
图1是本发明系统的拓扑关系示意图;
图2是本发明中滑动窗的结构示意图。
具体实施方式
以下结合附图来对本发明进行详细的描绘。然而应当理解,附图的提供仅为了更好地理解本发明,它们不应该理解成对本发明的限制。
实施例一
如图1所示,本实施例提供一种基于边缘计算的缺陷自动识别评判系统包括设备录入层、边缘计算层和云服务响应层。
设备录入层用于采集和存储无损检测现场内待测焊缝的X射线图像数据,以及获取待测焊缝的传统无损检测图像数据,即采用传统无损检测方法生成的待测焊缝的传统无损检测图像数据,并将上述X射线图像数据和传统无损检测图像数据均通过数字通道上传至边缘计算层。
边缘计算层用于采集无损检测现场内待测焊缝的X射线图像数据,以及采用Mask-RCNN(掩膜基于区域的卷积神经网络)卷积神经网络对待测焊缝的X射线图像数据和传统无损检测图像数据进行初步分析和处理,确定待测储罐钢板焊缝X射线图像数据中是否存在缺陷,并通过传输通道上传至云服务响应层,也承担数据处理中间结果的作用。
云服务响应层用于采用扫描定级算法,根据EN14096或GB/T28266标准,对存在缺陷的X射线图像数据进行缺陷个数标定和扫描定级,得到每一X射线图像数据的缺陷评判结果,并存储至云数据库中,以及通过传输通道传输至边缘计算层进行缺陷评判结果的输出。
在一个优选的实施例中,设备录入层包括无损检测单元和第一扫描识别输出单元,其中,无损检测单元可以采用DR(数字X线摄影)或CR(计算机X线摄影)。
无损检测单元用于对待测焊缝进行X射线无损检测,生成X射线图像数据,并通过数字通道上传至边缘计算层。
第一扫描识别输出单元用于扫描采用传统无损检测方法生成的待测焊缝射线胶片,并将其转换为图像数据,通过数字通道上传至边缘计算层。
在一个优选的实施例中,边缘计算层包括第二扫描识别输出单元和边缘算力单元,其中,第二扫描识别输出单元包括扫描设备、显示设备和计算机。
扫描设备用于对待测焊缝进行X射线无损检测,生成待测焊缝的X射线图像数据。
显示设备用于显示待测焊缝的缺陷评判结果。
计算机用于采用Mask-RCNN卷积神经网络对设备录入层或扫描设备上传的待测焊缝的X射线图像数据和传统无损检测图像数据进行处理,确定待测储罐钢板焊缝的X射线图像数据中是否存在缺陷,其中,Mask-RCNN卷积神经网络采用批量更新模式。
边缘算力单元通过无损检测现场附近厂区内的智能设备提供部分算力,作为从节点(云服务响应层为主节点)用于采用Map-reduce(映射和归约)方法,进行并行运算,更新Mask-RCNN卷积神经网络的权值和偏置,即对Mask-RCNN卷积神经网络进行优化,得到优化后的Mask-RCNN卷积神经网络,以准确提取待测焊缝X射线图像数据中的缺陷位置、大小和类型。
在一个优选的实施例中,边缘算力单元为靠近扫描识别输出单元的无损检测现场内的智能设备,例如在接收站厂中具有一定计算能力的电脑或服务器等设备。
在一个优选的实施例中,云服务响应层属于企业私有云或部署在企业数据中心。
在一个优选的实施例中,数字通道为Modbus(工业领域通信协议的业界标准)或Zigbee(紫峰)通道。
在一个优选的实施例中,传输通道为4G、5G或WLAN通道。
实施例二
本实施例提供一种基于边缘计算的缺陷自动识别评判方法,包括以下步骤:
1)接收站厂通过无损检测单元、第二扫描识别输出单元或焊缝缺陷自动检测和识别装置,对待测储罐钢板焊缝进行X射线无损检测,直接生成X射线图像数据。
2)接收站厂通过第一扫描识别输出单元获取待测焊缝的传统无损检测图像数据,即采用传统无损检测方法生成的待测焊缝射线胶片,并将其转换为图像数据,得到传统无损检测图像数据。
3)X射线图像数据和传统无损检测图像数据均通过Modbus数字通道上传至第二扫描识别输出单元的计算机。
4)计算机采用Mask-RCNN卷积神经网络对待测焊缝的X射线图像数据和传统无损检测图像数据进行初步分析和处理,初步确定待测储罐钢板焊缝X射线图像数据中是否存在缺陷,并通过WLAN传输通道传输至云服务响应层例如企业私有云,其中,采用Mask-RCNN卷积神经网络对图像数据进行初步分析和处理提取缺陷位置、大小和类型为现有技术公开的方法,例如可以采用下述过程:
阶段一、通过深度卷积网络提取图像数据的特征,然后采用RPN(Region ProposalNetwork)网络提取特征中可能存在物体的区域。
阶段二、将这些提取出的区域进行筛选与微调,并进行分类,然后用像素级别目标分割出每类物体的轮廓,即前景和背景区分。
5)边缘算力单元采用Map-reduce方法,根据Mask-RCNN卷积神经网络中的神经元,在从节点进行并行运算,更新Mask-RCNN卷积神经网络的权值和偏置即对Mask-RCNN卷积神经网络进行优化,得到优化后的Mask-RCNN卷积神经网络,其中,从节点为边缘计算层,Map-reduce方法为现有技术公开的方法,Map-reduce方法的处理过程主要由Map函数和Reduce函数完成,例如可以采用下述过程:
Map函数过程:读取网络参数,对网络进行初始化,调用Map函数接收键值对,经前向传播和误差反向传播,计算各层神经网络权值和偏置的局部改变量,输出键值对。
Reduce函数过程:输入键值对,遍历输入的局部梯度改变量,求得全局梯度改变量,输出结果,利用reduce结果,对网络执行批量更新。
如果在多次MapReduce任务后,神经网络的权值变化已经很小,在满足规定误差范围内或达到最大迭代次数,则结束网络的训练。
6)计算机采用优化后的Mask-RCNN卷积神经网络,对上传的图像数据进行处理,确定待测储罐钢板焊缝X射线图像数据中是否存在缺陷,并通过WLAN传输通道传输至云服务响应层。
7)云服务响应层采用扫描定级算法,通过滑动窗对存在缺陷的待测储罐钢板焊缝X射线图像数据中的缺陷进行个数标定和扫描定级,并根据焊缝缺陷定级标准,得到每一X射线图像数据的缺陷评判结果,包括每一X射线图像数据中缺陷的大小、类型和位置,具体为:
7.1)如图2所示,设置滑动窗,包括矩形框架和定级框,矩形框架内活动连接一定级框,其中,定级框是由圆形定级框外侧活动连接矩形定级框构成的,并根据待测储罐钢板焊缝的板厚信息,设置矩形框架窗口的大小。
7.2)将矩形框架压设固定待测储罐钢板焊缝X射线图像数据,向右、向下以一定步长滑动定级框,在滑动定级框的同时确定其中圆形定级框的缺陷点数。
7.3)定级框遍历待测储罐钢板焊缝X射线图像数据后,筛选得到待测储罐钢板焊缝X射线图像数据中缺陷点最多的圆形定级框所在位置及其对应的缺陷点数。
7.4)在筛选的位置按照一定的角度旋转矩形定级框,确定该矩形定级框内包含最多的缺陷点数,记录此时矩形定级框的位置与角度,并根据焊缝缺陷定级标准例如EN14096标准,对待测储罐钢板焊缝X射线图像数据进行缺陷定级,得到最终的缺陷评判结果。
8)云服务响应层将每一X射线图像数据的缺陷评判结果存储至数据库,并通过WLAN传输通道传输至第二扫描识别输出单元的显示设备进行显示。
实施例三
本实施例与实施例二的内容基本相同,区别之处在于本实施例先采用大量带有已知缺陷的X射线图像数据对Mask-RCNN卷积神经网络进行训练,然后再采用待测储罐钢板焊缝X射线图像数据对Mask-RCNN卷积神经网络进行训练,使得Mask-RCNN卷积神经网络将更为与实际匹配,结果也将更加精准,即本实施例包括以下步骤:
1)获取若干带有已知缺陷的X射线图像数据。
2)计算机根据获取的带有已知缺陷的X射线图像数据,对Mask-RCNN卷积神经网络进行训练,得到训练后的Mask-RCNN卷积神经网络,其中,Mask-RCNN卷积神经网络的训练过程为现有技术公开的内容,具体过程在此不多做赘述。
3)接收站厂通过无损检测单元、第二扫描识别输出单元或焊缝缺陷自动检测和识别装置,对待测储罐钢板焊缝进行X射线无损检测,直接生成X射线图像数据。
4)接收站厂通过第一扫描识别输出单元获取待测焊缝的传统无损检测图像数据,即采用传统无损检测方法生成的待测焊缝射线胶片,并将其转换为图像数据,得到传统无损检测图像数据。
5)X射线图像数据和传统无损检测图像数据均通过Modbus数字通道上传至第二扫描识别输出单元的计算机。
6)边缘算力单元采用Map-reduce方法,更新训练后的Mask-RCNN卷积神经网络的权值和偏置即对训练后的Mask-RCNN卷积神经网络进行优化,得到优化后的Mask-RCNN卷积神经网络。
7)计算机采用优化后的Mask-RCNN卷积神经网络,对上传的图像数据进行处理,确定待测储罐钢板焊缝X射线图像数据中是否存在缺陷,并通过传输通道上传至云服务响应层。
8)云服务响应层采用扫描定级算法,通过滑动窗对存在缺陷的待测储罐钢板焊缝X射线图像数据中的缺陷进行个数标定和扫描定级,并根据焊缝缺陷定级标准,得到每一X射线图像数据的缺陷评判结果。
9)云服务响应层将每一X射线图像数据的缺陷评判结果存储至数据库,并通过WLAN传输通道传输至第二扫描识别输出单元的显示设备进行显示。
上述各实施例仅用于说明本发明,其中各部件的结构、连接方式和制作工艺等都是可以有所变化的,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (10)
1.一种基于边缘计算的缺陷自动识别评判系统,其特征在于,包括:
设备录入层,用于采集和存储无损检测现场内待测焊缝的X射线图像数据,以及获取待测焊缝的传统无损检测图像数据;
边缘计算层,用于采集无损检测现场内待测焊缝的X射线图像数据,以及采用Mask-RCNN卷积神经网络对待测焊缝的X射线图像数据和传统无损检测图像数据进行分析和处理,确定待测焊缝的X射线图像数据中是否存在缺陷;
云服务响应层,用于采用扫描定级算法,对存在缺陷的X射线图像数据进行缺陷个数标定和扫描定级,得到每一X射线图像数据的缺陷评判结果,并发送至所述边缘计算层。
2.如权利要求1所述的一种基于边缘计算的缺陷自动识别评判系统,其特征在于,所述设备录入层包括:
无损检测单元,用于对待测焊缝进行X射线无损检测,生成待测焊缝的X射线图像数据,并通过数字通道上传至所述边缘计算层;
第一扫描识别输出单元,用于获取采用传统无损检测方法生成的待测焊缝射线胶片,并将其转换为图像数据,通过所述数字通道上传至所述边缘计算层。
3.如权利要求1所述的一种基于边缘计算的缺陷自动识别评判系统,其特征在于,所述边缘计算层包括:
第二扫描识别输出单元,用于采集无损检测现场内待测焊缝的X射线图像数据,以及采用Mask-RCNN卷积神经网络,对待测焊缝的X射线图像数据和传统无损检测图像数据进行处理,确定待测储罐钢板焊缝的X射线图像数据中是否存在缺陷;
边缘算力单元,用于采用Map-reduce方法,对Mask-RCNN卷积神经网络进行优化,得到优化后的Mask-RCNN卷积神经网络。
4.如权利要求3所述的一种基于边缘计算的缺陷自动识别评判系统,其特征在于,所述第二扫描识别输出单元包括:
扫描设备,用于对待测焊缝进行X射线无损检测,生成X射线图像数据;
显示设备,用于显示待测焊缝的缺陷评判结果;
计算机,用于采用Mask-RCNN卷积神经网络,对所述设备录入层或扫描设备上传的待测焊缝的X射线图像数据和传统无损检测图像数据进行处理,确定待测焊缝的X射线图像数据中是否存在缺陷。
5.如权利要求3所述的一种基于边缘计算的缺陷自动识别评判系统,其特征在于,所述边缘算力单元为无损检测现场内的智能设备。
6.如权利要求2所述的一种基于边缘计算的缺陷自动识别评判系统,其特征在于,所述数字通道为Modbus或Zigbee通道。
7.如权利要求1所述的一种基于边缘计算的缺陷自动识别评判系统,其特征在于,所述云服务响应层通过传输通道将待测焊缝的缺陷评判结果传输至所述边缘计算层,其中,所述传输通道为4G、5G或WLAN通道。
8.一种基于边缘计算的缺陷自动识别评判方法,其特征在于,包括以下内容:
1)检测现场通过设备录入层、边缘计算层或焊缝缺陷自动检测和识别装置,对待测焊缝进行X射线无损检测,直接生成X射线图像数据;
2)检测现场通过设备录入层扫描采用传统无损检测方法生成的待测焊缝射线胶片并将其转换为图像数据,得到传统无损检测图像数据;
3)X射线图像数据和传统无损检测图像数据上传至边缘计算层;
4)边缘计算层采用Mask-RCNN卷积神经网络,对上传的图像数据进行初步分析和处理,初步确定待测储罐钢板焊缝X射线图像数据中是否存在缺陷,并传输至云服务响应层;
5)边缘计算层采用Map-reduce方法,对Mask-RCNN卷积神经网络进行优化,得到优化后的Mask-RCNN卷积神经网络;
6)边缘计算层采用优化后的Mask-RCNN卷积神经网络,对上传的图像数据进行处理,确定待测焊缝X射线图像数据中是否存在缺陷,并传输至云服务响应层;
7)云服务响应层采用扫描定级算法,通过滑动窗对存在缺陷的待测焊缝X射线图像数据中的缺陷进行个数标定和扫描定级,并根据焊缝缺陷定级标准,得到每一X射线图像数据的缺陷评判结果;
8)云服务响应层将每一X射线图像数据的缺陷评判结果存储至数据库,并传输至边缘计算层进行显示。
9.一种基于边缘计算的缺陷自动识别评判方法,其特征在于,包括以下内容:
I)边缘计算层根据预先获取的带有已知缺陷的X射线图像数据,对Mask-RCNN卷积神经网络进行训练,得到训练后的Mask-RCNN卷积神经网络;
II)检测现场通过设备录入层、边缘计算层或焊缝缺陷自动检测和识别装置,对待测焊缝进行X射线无损检测,直接生成X射线图像数据;
III)检测现场通过设备录入层扫描采用传统无损检测方法生成的待测焊缝射线胶片并将其转换为图像数据,得到传统无损检测图像数据;
IV)X射线图像数据和传统无损检测图像数据均上传至边缘计算层;
V)边缘计算层采用Map-reduce方法,对训练后的Mask-RCNN卷积神经网络进行优化,得到优化后的Mask-RCNN卷积神经网络;
VI)边缘计算层采用优化后的Mask-RCNN卷积神经网络,对上传的图像数据进行处理,确定待测焊缝X射线图像数据中是否存在缺陷,并传输至云服务响应层;
VII)云服务响应层采用扫描定级算法,通过滑动窗对存在缺陷的待测焊缝X射线图像数据中的缺陷进行个数标定和扫描定级,并根据焊缝缺陷定级标准,得到每一X射线图像数据的缺陷评判结果;
VIII)云服务响应层将每一X射线图像数据的缺陷评判结果存储至数据库,并传输至边缘计算层进行显示。
10.如权利要求8或9所述的一种基于边缘计算的缺陷自动识别评判方法,其特征在于,云服务响应层采用扫描定级算法,通过滑动窗对存在缺陷的待测焊缝X射线图像数据中的缺陷进行个数标定和扫描定级,并根据焊缝缺陷定级标准,得到每一X射线图像数据的缺陷评判结果,具体过程为:
A)设置滑动窗,包括矩形框架和定级框,矩形框架内活动连接一定级框,其中,定级框是由圆形定级框外侧活动连接矩形定级框构成的,并根据待测焊缝的板厚信息,设置矩形框架窗口的大小;
B)将矩形框架压设固定待测焊缝的X射线图像数据,向右、向下以一定步长滑动定级框,在滑动定级框的同时确定其中圆形定级框的缺陷点数;
C)定级框遍历待测焊缝的X射线图像数据后,筛选得到待测焊缝X射线图像数据中缺陷点最多的圆形定级框所在位置及其对应的缺陷点数。
D)在筛选的位置按照一定的角度旋转矩形定级框,确定该矩形定级框内包含最多的缺陷点数,记录此时矩形定级框的位置与角度,并根据焊缝缺陷定级标准,对待测焊缝的X射线图像数据进行缺陷定级,得到最终的缺陷评判结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010794567.6A CN111830070A (zh) | 2020-08-10 | 2020-08-10 | 一种基于边缘计算的缺陷自动识别评判系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010794567.6A CN111830070A (zh) | 2020-08-10 | 2020-08-10 | 一种基于边缘计算的缺陷自动识别评判系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111830070A true CN111830070A (zh) | 2020-10-27 |
Family
ID=72919694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010794567.6A Pending CN111830070A (zh) | 2020-08-10 | 2020-08-10 | 一种基于边缘计算的缺陷自动识别评判系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111830070A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113096065A (zh) * | 2021-02-25 | 2021-07-09 | 上海航天精密机械研究所 | 一种采用云检测技术的智能胶片影像评定系统及方法 |
CN113808094A (zh) * | 2021-09-10 | 2021-12-17 | 武汉联开检测科技有限公司 | 一种射线检测焊接缺陷图像评级系统及方法 |
CN115601707A (zh) * | 2022-11-03 | 2023-01-13 | 国网湖北省电力有限公司荆州供电公司(Cn) | 电力系统输电线路在线监测方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108027911A (zh) * | 2015-07-29 | 2018-05-11 | 伊利诺斯工具制品有限公司 | 促进焊接即服务软件的系统及方法 |
CN110047073A (zh) * | 2019-05-05 | 2019-07-23 | 北京大学 | 一种x射线焊缝图像缺陷定级方法及系统 |
CN110779937A (zh) * | 2019-10-11 | 2020-02-11 | 上海航天精密机械研究所 | 一种铸件产品内部缺陷智能检测装置 |
-
2020
- 2020-08-10 CN CN202010794567.6A patent/CN111830070A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108027911A (zh) * | 2015-07-29 | 2018-05-11 | 伊利诺斯工具制品有限公司 | 促进焊接即服务软件的系统及方法 |
CN110047073A (zh) * | 2019-05-05 | 2019-07-23 | 北京大学 | 一种x射线焊缝图像缺陷定级方法及系统 |
CN110779937A (zh) * | 2019-10-11 | 2020-02-11 | 上海航天精密机械研究所 | 一种铸件产品内部缺陷智能检测装置 |
Non-Patent Citations (2)
Title |
---|
孙志刚等: "基于深度学习的金属焊接管道内壁缺陷检测方法研究", 《焊管》 * |
蔡彪等: "基于Mask R-CNN的铸件X射线DR图像缺陷检测研究", 《仪器仪表学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113096065A (zh) * | 2021-02-25 | 2021-07-09 | 上海航天精密机械研究所 | 一种采用云检测技术的智能胶片影像评定系统及方法 |
CN113808094A (zh) * | 2021-09-10 | 2021-12-17 | 武汉联开检测科技有限公司 | 一种射线检测焊接缺陷图像评级系统及方法 |
CN115601707A (zh) * | 2022-11-03 | 2023-01-13 | 国网湖北省电力有限公司荆州供电公司(Cn) | 电力系统输电线路在线监测方法和系统 |
CN115601707B (zh) * | 2022-11-03 | 2024-01-23 | 国网湖北省电力有限公司荆州供电公司 | 电力系统输电线路在线监测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111830070A (zh) | 一种基于边缘计算的缺陷自动识别评判系统及方法 | |
CN110779937B (zh) | 一种铸件产品内部缺陷智能检测装置 | |
KR102121958B1 (ko) | 콘크리트 구조물 결함 분석 서비스 제공 방법, 시스템 및 컴퓨터 프로그램 | |
CN109658396A (zh) | 一种基于选择性搜索与cnn的铸件x光图像缺陷识别方法 | |
CN110222681A (zh) | 一种基于卷积神经网络的铸件缺陷识别方法 | |
CN108257114A (zh) | 一种基于深度学习的输电设备缺陷自动识别方法 | |
CN114548278A (zh) | 基于深度学习的在役隧道衬砌结构缺陷识别方法及系统 | |
KR102346676B1 (ko) | 딥러닝 기반의 시설물 손상영상 분류를 활용한 손상도 생성방법 | |
CN113344956B (zh) | 基于无人机航摄三维建模的地物轮廓提取分类方法 | |
CN111983732A (zh) | 一种基于深度学习的降水强度估计方法 | |
CN111896549A (zh) | 一种基于机器学习的建筑物裂缝监测系统和方法 | |
CN114022474A (zh) | 一种基于yolo-v4的颗粒级配快速检测方法 | |
CN114049618A (zh) | 一种基于图-点-图变换的路面三维病害pci计算方法 | |
CN114994261A (zh) | 环境空气监测的传感器远程校准方法 | |
CN116543303A (zh) | 一种基于深度学习的桥梁板式橡胶支座病害识别检测方法 | |
CN113971666A (zh) | 基于深度目标检测的输电线路机巡影像自适应识别方法 | |
De Gélis et al. | Benchmarking change detection in urban 3D point clouds | |
CN110321528B (zh) | 一种基于半监督地理空间回归分析的高光谱影像土壤重金属浓度评估方法 | |
CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN117011759A (zh) | 钻爆法隧道掌子面围岩多元地质信息解析方法及系统 | |
CN115019252B (zh) | 混凝土质量检测方法、装置及监控设备 | |
CN116562590A (zh) | 一种桥梁施工及运营维护方法、系统、设备及介质 | |
CN114820611B (zh) | 基于人工智能的机械零件质量评估方法及系统 | |
CN114170427B (zh) | 基于雨胞的无线微波雨衰减模型ssim图像相似度评价方法 | |
KR102576427B1 (ko) | 구름 이미지를 이용한 실시간 강수량 예측 장치, 이를 이용한 강수량 예측 방법 및 이를 제공하기 위한 컴퓨터 프로그램이 기록된 컴퓨터-판독가능매체 |
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 |