CN111882557A - 一种焊接缺陷检测方法、装置、电子设备及存储介质 - Google Patents
一种焊接缺陷检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111882557A CN111882557A CN202011036773.7A CN202011036773A CN111882557A CN 111882557 A CN111882557 A CN 111882557A CN 202011036773 A CN202011036773 A CN 202011036773A CN 111882557 A CN111882557 A CN 111882557A
- Authority
- CN
- China
- Prior art keywords
- welding
- defect
- image
- target component
- characteristic region
- 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
Links
- 238000003466 welding Methods 0.000 title claims abstract description 265
- 230000007547 defect Effects 0.000 title claims abstract description 224
- 238000001514 detection method Methods 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000003062 neural network model Methods 0.000 claims abstract description 26
- 238000004590 computer program Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 abstract description 36
- 238000012545 processing Methods 0.000 abstract description 19
- 238000013528 artificial neural network Methods 0.000 description 14
- 238000013527 convolutional neural network Methods 0.000 description 13
- 230000004927 fusion Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000007781 pre-processing Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 11
- 238000000605 extraction Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 239000003208 petroleum Substances 0.000 description 7
- 238000005070 sampling Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 239000007921 spray Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000000994 depressogenic effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011112 process operation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013529 biological neural network Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
Abstract
本申请提供一种焊接缺陷检测方法、装置、电子设备及存储介质,该方法包括:获得焊接图像,焊接图像是对目标部件进行焊接时采集的;使用神经网络模型对焊接图像中的特征区域进行定位检测;根据检测出的特征区域确定目标部件在焊接时的缺陷检测结果,缺陷检测结果包括:目标部件是否出现缺陷以及缺陷类型。在上述的实现过程中,通过使用神经网络模型定位焊接图像中的特征区域,替代传统的使用基于图像处理技术定位特征区域的方式,有效地避免了焊接图像的亮度和模糊程度等因素导致特征区域定位不准确的情况,从而提高了对目标部件进行焊接缺陷进行检测的准确率。
Description
技术领域
本申请涉及图像识别和图像检测的技术领域,具体而言,涉及一种焊接缺陷检测方法、装置、电子设备及存储介质。
背景技术
焊接缺陷,是指在对目标部件进行焊接的过程中,焊接接头部位形成的缺陷,常见的焊接缺陷包括:焊偏和填充不足缺陷等等,焊接缺陷出现的原因也有很多种,这些原因例如:目标部件没有清理干净、温度和湿度等等。
目前,在焊接缺陷检测的过程中,大都是基于图像处理技术定位对目标部件进行焊接时采集的焊接图像中的特征区域,然后再根据定位出的特征区域判断目标部件在焊接时是否出现缺陷;定位特征区域的过程具体例如:在检测焊接图像中的喷头区域时,此处的喷头区域是指焊接头在焊接图像出现的位置区域,需要对获得的原始焊接图像进行降噪、二值化处理和腐蚀膨胀等操作,从而获得喷头区域;在检测焊缝边界时,此处的焊缝边界是指石油管道的焊缝两侧边界在焊接图像出现的位置区域,需要对原始焊接图像做锐化、提取边缘和寻找直线等操作,从而获得焊缝边界。在具体的实践过程中发现,使用基于图像处理技术定位出的特征区域,对目标部件的图像进行缺陷检测的准确率较低。
发明内容
本申请实施例的目的在于提供一种焊接缺陷检测方法、装置、电子设备及存储介质,用于改善对目标部件的图像进行缺陷检测的准确率较低的问题。
本申请实施例提供了一种焊接缺陷检测方法,包括:获得焊接图像,焊接图像是对目标部件进行焊接时采集的;使用神经网络模型对焊接图像中的特征区域进行定位检测;根据检测出的特征区域确定目标部件在焊接时的缺陷检测结果,缺陷检测结果包括:目标部件是否出现缺陷以及缺陷类型。在上述的实现过程中,使用神经网络模型对焊接图像中的特征区域进行定位检测,然后再根据检测出的特征区域确定目标部件在焊接时的缺陷检测结果;也就是说,通过使用神经网络模型定位焊接图像中的特征区域,替代传统的使用基于图像处理技术定位特征区域的方式,有效地避免了焊接图像的亮度和模糊程度等因素导致特征区域定位不准确的情况,从而提高了对目标部件进行焊接缺陷进行检测的准确率。
可选地,在本申请实施例中,特征区域包括:喷头区域、喷火团区域和多个焊缝边界;根据检测出的特征区域确定目标部件在焊接时的缺陷检测结果,包括:若喷头区域与多个焊缝边界中的任一焊缝边界的距离小于预设阈值,则将目标部件的缺陷类型确定为焊偏缺陷;若喷火团区域与多个焊缝边界均存在交集,则将目标部件的缺陷类型确定为填充不足缺陷。在上述的实现过程中,通过检测出的特征区域来确定目标部件的缺陷类型,可以有效地检测出焊偏缺陷或者填充不足缺陷等等,提高了缺陷类型的检测效率。
可选地,在本申请实施例中,在根据检测出的特征区域确定目标部件在焊接时的缺陷检测结果之后,还包括:若缺陷类型为焊偏缺陷,则生成并输出第一提示信息,第一提示信息用于提示焊接人员调节焊接头位置;若缺陷类型为填充不足缺陷,则生成并输出第二提示信息,第二提示信息用于提示焊接人员调节焊接火焰大小。在上述的实现过程中,通过在目标部件出现焊偏缺陷时,则生成并输出用于提示焊接人员操作提示信息;从而及时避免焊接人员的操作不当导致更加严重的后果,有效地提高了焊接人员在焊接过程中的安全性。
可选地,在本申请实施例中,在根据检测出的特征区域确定目标部件在焊接时的缺陷检测结果之后,还包括:若目标部件出现缺陷,则根据缺陷类型生成控制命令,并向焊接设备发送控制命令,控制命令用于使焊接设备停止工作。在上述的实现过程中,通过若目标部件出现缺陷,则根据缺陷类型生成控制命令,并向焊接设备发送控制命令,以使焊接设备停止工作;从而及时避免焊接人员的操作不当导致更加严重的后果,有效地提高了焊接人员在焊接过程中的安全性。
可选地,在本申请实施例中,在根据检测出的特征区域确定目标部件在焊接时的缺陷检测结果之后,还包括:若目标部件出现缺陷,则生成并输出缺陷类型对应的预警信息。在上述的实现过程中,通过若目标部件出现缺陷,则生成并输出缺陷类型对应的预警信息;从而及时避免焊接人员的操作不当导致更加严重的后果,有效地提高了焊接人员在焊接过程中的安全性。
可选地,在本申请实施例中,获得焊接图像,包括:使用红外摄像机对目标部件的焊缝进行拍摄,获得焊接图像。在上述的实现过程中,通过使用红外摄像机对目标部件的焊缝进行拍摄,获得焊接图像;从而有效地避免焊接过程中发出的刺眼光造成图像采集效果不好的问题,提高了焊接图像采集的质量效果。
可选地,在本申请实施例中,在获得焊接图像之后,还包括:对焊接图像进行预处理,预处理包括:去除背景、旋转矫正、直方图均衡化、图像灰度化、二值化、图像缩放和/或去除噪点。在上述的实现过程中,通过对焊接图像进行去除背景、旋转矫正、直方图均衡化、图像灰度化、二值化、图像缩放和/或去除噪点等预处理操作;从而有效地提高了对图像的处理效率,以及消除了图像中噪音对缺陷检测结果的影响。
本申请实施例还提供了一种焊接缺陷检测装置,包括:焊接图像获得模块,用于获得焊接图像,焊接图像是对目标部件进行焊接时采集的;特征区域定位模块,用于使用神经网络模型对焊接图像中的特征区域进行定位检测;检测结果确定模块,用于根据检测出的特征区域确定目标部件在焊接时的缺陷检测结果,缺陷检测结果包括:目标部件是否出现缺陷以及缺陷类型。在上述的实现过程中,使用神经网络模型对焊接图像中的特征区域进行定位检测,然后再根据检测出的特征区域确定目标部件在焊接时的缺陷检测结果;也就是说,通过使用神经网络模型定位焊接图像中的特征区域,替代传统的使用基于图像处理技术定位特征区域的方式,有效地避免了焊接图像的亮度和模糊程度等因素导致特征区域定位不准确的情况,从而提高了对目标部件进行焊接缺陷进行检测的准确率。
可选地,在本申请实施例中,特征区域包括:喷头区域、喷火团区域和多个焊缝边界;检测结果确定模块,包括:焊偏缺陷确定模块,用于若喷头区域与多个焊缝边界中的任一焊缝边界的距离小于预设阈值,则将目标部件的缺陷类型确定为焊偏缺陷;填充不足缺陷确定模块,用于若喷火团区域与多个焊缝边界均存在交集,则将目标部件的缺陷类型确定为填充不足缺陷。
可选地,在本申请实施例中,焊接缺陷检测装置,还包括:第一信息输出模块,用于若缺陷类型为焊偏缺陷,则生成并输出第一提示信息,第一提示信息用于提示焊接人员调节焊接头位置;第二信息输出模块,用于若缺陷类型为填充不足缺陷,则生成并输出第二提示信息,第二提示信息用于提示焊接人员调节焊接火焰大小。
可选地,在本申请实施例中,焊接缺陷检测装置,还包括:命令生成发送模块,用于若目标部件出现缺陷,则根据缺陷类型生成控制命令,并向焊接设备发送控制命令,控制命令用于使焊接设备停止工作。
可选地,在本申请实施例中,焊接缺陷检测装置,还包括:预警信息输出模块,用于若目标部件出现缺陷,则生成并输出缺陷类型对应的预警信息。
可选地,在本申请实施例中,焊接图像获得模块,包括;目标部件拍摄模块,用于使用红外摄像机对目标部件的焊缝进行拍摄,获得焊接图像。
可选地,在本申请实施例中,焊接缺陷检测装置,还包括:焊接图像预处理模块,用于对焊接图像进行预处理,预处理包括:去除背景、旋转矫正、直方图均衡化、图像灰度化、二值化、图像缩放和/或去除噪点。
本申请实施例还提供了一种电子设备,包括:处理器和存储器,存储器存储有处理器可执行的机器可读指令,机器可读指令被处理器执行时执行如上面描述的方法。
本申请实施例还提供了一种存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上面描述的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出的本申请实施例提供的焊接缺陷检测方法的流程示意图;
图2示出的本申请实施例提供的深度卷积神经网络的网络结构示意图;
图3示出的本申请实施例提供的在焊接石油管道时检测出的特征区域的示意图;
图4示出的本申请实施例提供的焊接缺陷检测装置的结构示意图;
图5示出的本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述。
在介绍本申请实施例提供的焊接缺陷检测方法之前,先介绍本申请实施例中所涉及的一些概念:
焊接缺陷,是指在使用焊枪对目标部件进行焊接的过程中,焊接后的接头部位形成的缺陷;常见的焊接缺陷包括:焊偏缺陷、咬边缺陷、焊瘤缺陷、填充不足缺陷和未熔合缺陷等等。
神经网络(Neural Network,NN),又被称为人工神经网络或类神经网络,在机器学习和认知科学领域,是一种模仿生物神经网络(例如:动物的中枢神经系统,可以是大脑)的结构和功能的数学模型或计算模型,人工神经网络用于对函数进行估计或近似。神经网络模型是指使用预设的训练数据对未经训练的神经网络进行训练后获得的神经网络模型。
卷积神经网络(Convolutional Neural Networks,CNN),是一种人工神经网络,人工神经网络的人工神经元可以响应周围单元,可以进行大型图像处理;卷积神经网络可以包括卷积层和池化层。
目标检测网络,是指对图像中的目标对象进行检测的神经网络,即检测出图像中的目标对象,并给出目标对象在图像中的位置范围、分类和概率,位置范围具体可以为检测框的形式标注,分类是指目标对象的具体类别,概率是指检测框中的目标对象为具体类别的概率。目标检测网络模型则是指使用训练数据对目标检测网络进行训练后获得的神经网络模型。
YOLO的全称为You only look once,译为你只能看一眼,是指一种实时目标检测(real-time object detection)方法;YOLO模型则是指根据上述的目标检测方法使用神经网络训练后的模型。
服务器是指通过网络提供计算服务的设备,服务器例如:x86服务器以及非x86服务器,非x86服务器包括:大型机、小型机和UNIX服务器。
需要说明的是,本申请实施例提供的焊接缺陷检测方法可以被电子设备执行,这里的电子设备是指具有执行计算机程序功能的设备终端或者上述的服务器,设备终端例如:智能手机、个人电脑(personal computer,PC)、平板电脑、个人数字助理(personaldigital assistant,PDA)、移动上网设备(mobile Internet device,MID)、网络交换机或网络路由器等。
在介绍本申请实施例提供的焊接缺陷检测方法之前,先介绍该焊接缺陷检测方法适用的应用场景,这里的应用场景包括但不限于:在石油管道焊接作业过程中,对焊接中的目标部件进行缺陷检测,根据获得的缺陷检测结果进行后续处理等;其中,这里的后续处理包括:停止焊接、调整焊接源位置、调整目标部件位置、输出提示信息或者预警信息等;上述的缺陷检测结果包括但不限于:焊偏缺陷、咬边缺陷、焊瘤缺陷、填充不足缺陷和未熔合缺陷等等。
请参见图1示出的本申请实施例提供的焊接缺陷检测方法的流程示意图;该焊接缺陷检测方法的主要思路是,使用神经网络模型对焊接图像中的特征区域进行定位检测,然后再根据检测出的特征区域确定目标部件在焊接时的缺陷检测结果;也就是说,通过使用神经网络模型定位焊接图像中的特征区域,替代传统的使用基于图像处理技术定位特征区域的方式,有效地避免了焊接图像的亮度和模糊程度等因素导致特征区域定位不准确的情况,从而提高了对目标部件进行焊接缺陷进行检测的准确率;上述的焊接缺陷检测方法可以包括:
步骤S110:获得焊接图像。
焊接图像,是指使用专用图像采集设备对目标部件进行焊接时采集的图像,此处的专用图像采集设备可以是红外摄像机;这里的目标部件是指需要焊接的目标零部件,可以是金属零部件,目标部件有很多选择,为了便于理解和说明,下面均以石油管道作为需要焊接的目标部件为例进行详细地说明。
上述步骤S110中的焊接图像的获得方式有很多种,包括但不限于这几种:第一种获得方式,使用专用图像采集设备对目标部件的焊缝进行拍摄,获得焊接图像,其中,专用图像采集设备包括:红外摄像机和其它热感摄像机等;然后该专用图像采集设备向电子设备发送焊接图像,然后电子设备接收专用图像采集设备发送的焊接图像,电子设备可以将焊接图像存储至文件系统、数据库或移动存储设备中;第二种获得方式,获取预先存储的焊接图像,具体例如:从文件系统中获取焊接图像,或者从数据库中获取焊接图像,或者从移动存储设备中获取焊接图像;第三种获得方式,使用浏览器等软件获取互联网上的焊接图像,或者使用其它应用程序访问互联网获得焊接图像。
可选地,在获得焊接图像之后,还可以进行对焊接图像进行预处理,预处理包括:去除背景、旋转矫正、直方图均衡化、图像灰度化、二值化、图像缩放和去除噪点等处理方式中的一种及一种以上。
在步骤S110之后,执行步骤S120:使用神经网络模型对焊接图像中的特征区域进行定位检测。
上述步骤S120的实施方式有很多种,包括但不限于如下几种:
第一种实施方式,使用深度神经网络(Deep Neural Networks, DNN)对焊接图像中的特征区域进行定位检测,DNN是一种判别模型,可以使用反向传播算法进行训练;可以使用现有的深度神经网络包括:VGG网络、Resnet网络、Wide Resnet网络和Inception网络等。
请参见图2示出的本申请实施例提供的深度卷积神经网络的网络结构示意图;当然,在具体的实践过程中,也可以使用构建并训练的深度卷积神经网络(DeepConvolutional Neural Networks,DCNN)对焊接图像中的特征区域进行定位检测,其中,深度卷积神经网络包括:至少一个卷积层(Convolutional Layer)、至少一个上采样(Upsample)层、至少一个拼接(Concatenate)层和至少一个卷积模块(ConvolutionalBlock);卷积模块又包括:子残差(Residual)层、第一子卷积层和第二子卷积层。在具体的实践过程中,上述的深度卷积神经网络的网络结构可以根据具体实际情况进行调整,例如包含更多的卷积层或者更少或者更多的输出分支等等,输出分支用于输出特征区域,可以根据具体情况设置输出特征区域的个数。
可以理解的是,上述的深度卷积神经网络还需要使用大量的焊接图像的训练数据和特征区域的训练标签对其进行训练,即可获得训练后的深度卷积神经网络模型,从而使得该神经网络模型能够很好地从各种模糊图像或者亮度不高的图像提取特征区域,即该神经网络模型具有很好的泛化能力,从而提高了深度卷积神经网络模型的泛化能力。
第二种实施方式,使用单阶段的目标检测网络模型对焊接图像中的特征区域进行定位检测,其中,单阶段的目标检测网络模型又被简称为单阶段检测模型,是指不需要单独寻找候选区域,直接输出目标的区域和类别信息的网络模型;可以使用的单阶段检测模型具体例如:特征融合单点多盒检测器(Feature Fusion Single Shot Multibox Detector,FSSD)和YOLO等网络模型。在具体的实施过程中,由于单阶段的目标检测网络模型包括:边框回归分支和分类分支,可以依次使用边框回归分支和分类分支对焊接图像进行处理,具体的实施原理和处理方式与下面第三种实施方式的实施原理和处理方式是类似的,有不清楚的地方请参见下面第三种实施方式的内容。
第三种实施方式,使用两阶段的目标检测网络模型对焊接图像中的特征区域进行定位检测,其中,两阶段的目标检测网络模型又被简称为两阶段检测模型或者双阶段检测模型,是指检测算法需要进行获取候选区域和对候选区域进行分类,需要这两步才能完成的网络模型;可以使用的两阶段检测模型具体例如:RCNN、fast RCNN和faster RCNN系列的网络。在具体的实施过程中,由于两阶段的目标检测网络模型包括:边框回归分支和分类分支,可以依次使用边框回归分支和分类分支对焊接图像进行处理,该实施方式可以包括:
步骤S121:使用目标检测网络模型中的特征提取网络提取焊接图像中的目标特征。
上述步骤S121的实施方式例如:使用目标检测网络模型中的特征提取网络提取焊接图像中的目标特征;其中,特征提取网络是指从图像中提取图像特征的神经网络;这里的特征提取网络可以包括:骨干神经网络或尺度提取网络;这里骨干神经网络可用于提取图像中的图像特征,这里的尺度提取网络用于提取待检测图像的多尺度特征,可以将上述的图像特征或者多尺度特征确认为上述的目标特征。
步骤S122:使用目标检测网络模型中的边框回归分支根据目标特征预测出焊接图像中的特征区域。
上述步骤S122的实施方式例如:使用目标检测网络模型中的边框回归分支预测目标特征中的多个候选区域,并从多个候选区域中筛选出包含目标对象概率最大的候选区域,并将概率最大的候选区域确认为上述的特征区域;其中,该候选区域表征预测出焊接图像中包含目标对象的区域,此处的目标对象是指有助于确定焊接缺陷的目标对象。
步骤S123:使用目标检测网络模型中的分类分支预测出焊接图像中的特征区域对应的类别信息。
上述步骤S123的实施方式例如:使用目标检测网络模型中的分类分支预测特征区域对应的多个类别的概率值,并从多个类别的概率值最大的类别确定为该特征区域对应的类别信息,从而获得特征区域和该特征区域对应的类别信息。
第四种实施方式,结合第二种实施方式和第三种实施方式,可以在单阶段或者两阶段的目标检测网络模型中加入上采样网络,以及特征融合网络,上采样网络用于提取焊接图像的细节信息,即可以使用上采样网络使得从焊接图像提取的特征信息更加清楚,相当于将焊接图像放大到清晰版本的图像之后再提取特征信息,该实施方式可以包括:
步骤S124:使用目标检测网络模型中的特征提取网络提取焊接图像中的目标特征。
其中,该步骤S124的实施原理和实施方式与步骤S121的实施原理和实施方式是类似的,因此,这里不再对该步骤的实施方式和实施原理进行说明,如有不清楚的地方,可以参考对步骤S121的描述。
步骤S125:使用目标检测网络模型中的上采样网络提取焊接图像的上采样特征。
上述步骤S125中的上采样特征的提取方式包括:第一种提取方式,使用插值算法对焊接图像进行插值运算,获得插值图像,然后使用目标检测网络模型中的上采样网络提取插值图像的上采样特征;其中,插值算法包括但不限于:最近邻插值算法、双线性插值算法和双三次插值算法。第二种提取方式,使用上采样网络提取焊接图像的上采样特征;其中,第一种实施方式和第二种实施方式中的上采样网络模型包括但不限于:卷积神经网络(CNN)模型和卷积循环神经网络(Convolutional Recurrent Neural Networks,CRNN)。
步骤S126:使用目标检测网络模型中的特征融合网络将目标特征和上采样特征进行融合,获得融合特征。
上述步骤S126的实施方式例如:使用特征融合网络将目标特征和上采样特征进行融合,获得融合特征;其中,特征融合网络可以采用的融合方式包括:均值融合、加权融合和通道级别的融合。
步骤S127:使用目标检测网络模型中的边框回归分支根据该融合特征预测出焊接图像中的特征区域。
步骤S128:使用目标检测网络模型中的分类分支预测出焊接图像中的特征区域对应的类别信息。
其中,上述步骤S127至S128的实施原理和实施方式与步骤S122至步骤S123的实施原理和实施方式是类似的,区别仅在于,步骤S122中是根据目标特征预测特征区域的,而步骤S127中是根据融合特征预测特征区域的,因此,这里不再对该步骤的实施方式和实施原理进行说明,如有不清楚的地方,可以参考对步骤S122至步骤S123的描述。
可以理解的是,上述的目标检测网络均需要使用大量的焊接图像的训练数据和特征区域的训练标签对其进行训练,即可获得训练后的目标检测网络模型,从而使得该神经网络模型能够很好地从各种模糊图像或者亮度不高的图像中提取特征区域,即该神经网络模型具有很好的泛化能力,从而提高了目标检测网络模型的泛化能力。
在步骤S120之后,执行步骤S130:根据检测出的特征区域确定目标部件在焊接时的缺陷检测结果,缺陷检测结果包括:目标部件是否出现缺陷以及缺陷类型。
请参见图3示出的本申请实施例提供的在焊接石油管道时检测出的特征区域的示意图;特征区域是指用于确定目标部件在焊接时的缺陷检测结果的特征位置所在的区域;特征区域包括:喷头区域、喷火团区域、多个焊缝边界、下凹区域和月牙区域等等;其中,喷头区域是指焊枪所喷火的头部火焰焰心所在的区域,喷火团区域是指焊枪喷出的火团外焰所在的区域,换句话说,喷头区域和喷火团区域均是火焰的一部分;多个焊缝边界可以包括:左焊缝边界和右焊缝边界,可以理解的是,左焊缝边界是左边的石油管道的右边缘边界,右焊缝边界是右边的石油管道的左边缘边界;下凹区域和月牙区域均是在焊接过程中出现的缺陷形状所在的区域,月牙区域一般出现在边界区域的正上方附近。
上述步骤S130的实施方式有很多种,包括但不限于如下几种:
步骤S131:若喷头区域与多个焊缝边界中的任一焊缝边界的距离小于预设阈值,则将目标部件的缺陷类型确定为焊偏缺陷。
上述步骤S131的实施方式例如:若检测到喷头区域过于靠近左焊缝边界或者右焊缝边界,即若喷头区域与多个焊缝边界中的任一焊缝边界的距离小于预设阈值时,则可以确定此时的目标部件出现焊偏缺陷,即焊枪偏离焊缝的中间位置。
步骤S132:若喷火团区域与多个焊缝边界均存在交集,则将目标部件的缺陷类型确定为填充不足缺陷。
上述步骤S132的实施方式例如:若喷火团区域与多个焊缝边界均存在交集,即在火势过大的情况下,喷火团区域两侧均超过左焊缝边界和右焊缝边界,则可以确定此时的目标部件出现填充不足缺陷。
在上述的实现过程中,通过检测出的特征区域来确定目标部件的缺陷类型,可以有效地检测出焊偏缺陷或者填充不足缺陷等等,提高了缺陷类型的检测效率。
步骤S133:若没有检测到焊缝边界,且检测到月牙区域,则将目标部件的缺陷类型确定为咬边缺陷。
步骤S134:若没有检测到焊缝边界,且检测到下凹区域,则将目标部件的缺陷类型确定为焊瘤缺陷。
步骤S135:若检测到喷火团区域的喷火方向的两侧出现直线段,则将目标部件的缺陷类型确定为未熔合缺陷。
其中,上述步骤S133至步骤S135的实施原理和实施方式与步骤S131的实施原理和实施方式是类似的,因此,这里不再对该步骤的实施方式和实施原理进行说明,如有不清楚的地方,可以参考对步骤S131的描述。
在上述的实现过程中,使用神经网络模型对焊接图像中的特征区域进行定位检测,然后再根据检测出的特征区域确定目标部件在焊接时的缺陷检测结果;也就是说,由于该神经网络模型是通过使用大量的焊接图像的训练数据和特征区域的训练标签进行训练获得的,从而使得该神经网络模型能够很好地从各种模糊图像或者亮度不高的图像中提取特征区域,即该神经网络模型具有很好的泛化能力。因此,通过使用神经网络模型定位焊接图像中的特征区域,替代传统的使用基于图像处理技术定位特征区域的方式,有效地避免了焊接图像的亮度和模糊程度等因素导致特征区域定位不准确的情况,从而提高了对目标部件进行焊接缺陷进行检测的准确率。
可选地,在根据检测出的特征区域确定目标部件在焊接时的缺陷检测结果之后,还可以根据缺陷检测结果进行更多处理操作,这些处理操作包括:
第一种处理操作,根据缺陷类型提示焊接人员注意操作规范,该处理操作过程可以包括:
步骤S210:若缺陷类型为焊偏缺陷,则生成并输出第一提示信息,第一提示信息用于提示焊接人员调节焊接头位置。
上述步骤S210的实施方式例如:若在焊接过程中出现焊偏缺陷,则生成并向电子显示屏上输出第一提示信息,该第一提示信息可以提示焊接人员调节焊接头位置;当然,也可以向声音播放设备输出第一提示信息,使用该声音播放设备播放第一提示信息,从而提示焊接人员重新调整焊枪的位置或者方向。
步骤S220:若缺陷类型为填充不足缺陷,则生成并输出第二提示信息,第二提示信息用于提示焊接人员调节焊接火焰大小。
其中,该步骤S220的实施原理和实施方式与步骤S210的实施原理和实施方式是类似的,当然,在出现其它缺陷时,也可以对应的生成并输出提示信息,这里的其它缺陷包括但不限于:咬边缺陷、焊瘤缺陷、填充不足缺陷和未熔合缺陷等。因此,这里不再对该步骤的实施方式和实施原理进行说明,如有不清楚的地方,可以参考对步骤S210的描述。
在上述的实现过程中,通过在目标部件出现焊偏缺陷时,则生成并输出用于提示焊接人员操作提示信息;从而及时避免焊接人员的操作不当导致更加严重的后果,有效地提高了焊接人员在焊接过程中的安全性。
第二种处理操作,控制焊接设备停止焊接人工修复,或者控制焊接设备修复焊接缺陷,该处理操作过程可以包括:
步骤S230:若目标部件出现缺陷,则向焊接设备发送第一控制命令,使得焊接设备停止工作。
步骤S240:若目标部件出现缺陷,且根据缺陷类型确定危险程度小于预设阈值,则根据缺陷类型生成第二控制命令,并向焊接设备发送第二控制命令,使得焊接设备修复缺陷类型对应的焊接缺陷。
在上述的实现过程中,通过若目标部件出现缺陷,则根据缺陷类型生成控制命令,并向焊接设备发送控制命令,以使焊接设备停止工作;从而及时避免焊接人员的操作不当导致更加严重的后果,有效地提高了焊接人员在焊接过程中的安全性。
第三种处理操作,在出现缺陷时发出预警信息,该处理操作过程可以包括:
步骤S250:若目标部件出现缺陷,则生成并输出缺陷类型对应的预警信息。
上述步骤S250的实施方式例如:将缺陷类型按照严重程度分为多个缺陷等级,若目标部件出现缺陷,则从多个等级中确定缺陷类型对应的缺陷等级,根据缺陷等级生成并输出预警信息;具体例如:缺陷等级共分为九等,其中,第一等级为最低等级,对应的预警信息仅仅是语音提示信息,第九等级是最高等级,对应的预警信息是立即响起警铃以及发出警示灯光,表示立即停止所有焊接工作;假设焊偏缺陷等级为第一等级,焊瘤等级为第九等级,那么当出现焊偏缺陷时,则语音提示焊接人员注意操作规范;当出现焊瘤缺陷时,则立即响起警铃以及发出警示灯光。
在上述的实现过程中,通过若目标部件出现缺陷,则生成并输出缺陷类型对应的预警信息;从而及时避免焊接人员的操作不当导致更加严重的后果,有效地提高了焊接人员在焊接过程中的安全性。
请参见图4示出的本申请实施例提供的焊接缺陷检测装置的结构示意图;本申请实施例提供了一种焊接缺陷检测装置300,包括:
焊接图像获得模块310,用于获得焊接图像,焊接图像是对目标部件进行焊接时采集的。
特征区域定位模块320,用于使用神经网络模型对焊接图像中的特征区域进行定位检测。
检测结果确定模块330,用于根据检测出的特征区域确定目标部件在焊接时的缺陷检测结果,缺陷检测结果包括:目标部件是否出现缺陷以及缺陷类型。
可选地,在本申请实施例中,特征区域包括:喷头区域、喷火团区域和多个焊缝边界;检测结果确定模块,包括:
焊偏缺陷确定模块,用于若喷头区域与多个焊缝边界中的任一焊缝边界的距离小于预设阈值,则将目标部件的缺陷类型确定为焊偏缺陷。
填充不足缺陷确定模块,用于若喷火团区域与多个焊缝边界均存在交集,则将目标部件的缺陷类型确定为填充不足缺陷。
可选地,在本申请实施例中,焊接缺陷检测装置,可以包括:
第一信息输出模块,用于若缺陷类型为焊偏缺陷,则生成并输出第一提示信息,第一提示信息用于提示焊接人员调节焊接头位置。
第二信息输出模块,用于若缺陷类型为填充不足缺陷,则生成并输出第二提示信息,第二提示信息用于提示焊接人员调节焊接火焰大小。
可选地,在本申请实施例中,焊接缺陷检测装置,还可以包括:
命令生成发送模块,用于若目标部件出现缺陷,则根据缺陷类型生成控制命令,并向焊接设备发送控制命令,控制命令用于使焊接设备停止工作。
可选地,在本申请实施例中,焊接缺陷检测装置还可以包括:
预警信息输出模块,用于若目标部件出现缺陷,则生成并输出缺陷类型对应的预警信息。
可选地,在本申请实施例中,焊接图像获得模块,包括。
目标部件拍摄模块,用于使用红外摄像机对目标部件的焊缝进行拍摄,获得焊接图像。
可选地,在本申请实施例中,该焊接缺陷检测装置,还可以包括:
焊接图像预处理模块,用于对焊接图像进行预处理,预处理包括:去除背景、旋转矫正、直方图均衡化、图像灰度化、二值化、图像缩放和/或去除噪点。
应理解的是,该装置与上述的焊接缺陷检测方法实施例对应,能够执行上述方法实施例涉及的各个步骤,该装置具体的功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。该装置包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置的操作系统(operating system,OS)中的软件功能模块。
请参见图5示出的本申请实施例提供的电子设备的结构示意图。本申请实施例提供的一种电子设备400,包括:处理器410和存储器420,存储器420存储有处理器410可执行的机器可读指令,机器可读指令被处理器410执行时执行如上的方法。
本申请实施例还提供了一种存储介质430,该存储介质430上存储有计算机程序,该计算机程序被处理器410运行时执行如上的方法。
其中,存储介质430可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory, 简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory, 简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory, 简称EPROM),可编程只读存储器(Programmable Red-Only Memory, 简称PROM),只读存储器(Read-Only Memory, 简称ROM),磁存储器,快闪存储器,磁盘或光盘。
本申请实施例提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其他的方式实现。以上所描述的装置实施例仅是示意性的,例如,附图中的流程图和框图显示了根据本申请实施例的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以和附图中所标注的发生顺序不同。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这主要根据所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以使用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请实施例中的各个实施例的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上的描述,仅为本申请实施例的可选实施方式,但本申请实施例的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请实施例揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请实施例的保护范围之内。
Claims (10)
1.一种焊接缺陷检测方法,其特征在于,包括:
获得焊接图像,所述焊接图像是对目标部件进行焊接时采集的;
使用神经网络模型对所述焊接图像中的特征区域进行定位检测;
根据检测出的所述特征区域确定所述目标部件在焊接时的缺陷检测结果,所述缺陷检测结果包括:所述目标部件是否出现缺陷以及缺陷类型。
2.根据权利要求1所述的方法,其特征在于,所述特征区域包括:喷头区域和多个焊缝边界;所述根据检测出的所述特征区域确定所述目标部件在焊接时的缺陷检测结果,包括:
若所述喷头区域与所述多个焊缝边界中的任一焊缝边界的距离小于预设阈值,则将所述目标部件的缺陷类型确定为焊偏缺陷。
3.根据权利要求2所述的方法,其特征在于,在所述根据检测出的所述特征区域确定所述目标部件在焊接时的缺陷检测结果之后,还包括:
若所述缺陷类型为所述焊偏缺陷,则生成并输出第一提示信息,所述第一提示信息用于提示焊接人员调节焊接头位置。
4.根据权利要求1所述的方法,其特征在于,所述特征区域包括:喷火团区域和多个焊缝边界;所述根据检测出的所述特征区域确定所述目标部件在焊接时的缺陷检测结果,包括:
若所述喷火团区域与所述多个焊缝边界均存在交集,则将所述目标部件的缺陷类型确定为填充不足缺陷。
5.根据权利要求4所述的方法,其特征在于,在所述根据检测出的所述特征区域确定所述目标部件在焊接时的缺陷检测结果之后,还包括:
若所述缺陷类型为所述填充不足缺陷,则生成并输出第二提示信息,所述第二提示信息用于提示焊接人员调节焊接火焰大小。
6.根据权利要求1-5任一所述的方法,其特征在于,在所述根据检测出的所述特征区域确定所述目标部件在焊接时的缺陷检测结果之后,还包括:
若所述目标部件出现缺陷,则根据所述缺陷类型生成控制命令,并向焊接设备发送控制命令,所述控制命令用于使所述焊接设备停止工作。
7.根据权利要求1-5任一所述的方法,其特征在于,在所述根据检测出的所述特征区域确定所述目标部件在焊接时的缺陷检测结果之后,还包括:
若所述目标部件出现缺陷,则生成并输出所述缺陷类型对应的预警信息。
8.一种焊接缺陷检测装置,其特征在于,包括:
焊接图像获得模块,用于获得焊接图像,所述焊接图像是对目标部件进行焊接时采集的;
特征区域定位模块,用于使用神经网络模型对所述焊接图像中的特征区域进行定位检测;
检测结果确定模块,用于根据检测出的所述特征区域确定所述目标部件在焊接时的缺陷检测结果,所述缺陷检测结果包括:所述目标部件是否出现缺陷以及缺陷类型。
9.一种电子设备,其特征在于,包括:处理器和存储器,所述存储器存储有所述处理器可执行的机器可读指令,所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的方法。
10.一种存储介质,其特征在于,该存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011036773.7A CN111882557B (zh) | 2020-09-28 | 2020-09-28 | 一种焊接缺陷检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011036773.7A CN111882557B (zh) | 2020-09-28 | 2020-09-28 | 一种焊接缺陷检测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111882557A true CN111882557A (zh) | 2020-11-03 |
CN111882557B CN111882557B (zh) | 2021-01-05 |
Family
ID=73199187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011036773.7A Active CN111882557B (zh) | 2020-09-28 | 2020-09-28 | 一种焊接缺陷检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111882557B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344901A (zh) * | 2021-06-25 | 2021-09-03 | 北京市商汤科技开发有限公司 | 涂胶缺陷检测方法、装置、存储介质及电子设备 |
CN114713948A (zh) * | 2021-01-04 | 2022-07-08 | 株式会社东芝 | 处理装置、焊接系统、处理方法及存储介质 |
CN116630319A (zh) * | 2023-07-24 | 2023-08-22 | 深圳信迈科技有限公司 | 基于机器学习的数据采集板卡焊接缺陷检测方法 |
CN117408974A (zh) * | 2023-10-26 | 2024-01-16 | 广州欧派集成家居有限公司 | 一种板式集成家具封边自动检测方法、装置及存储介质 |
CN117408974B (zh) * | 2023-10-26 | 2024-04-26 | 广州欧派集成家居有限公司 | 一种板式集成家具封边自动检测方法、装置及存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567745A (zh) * | 2011-12-29 | 2012-07-11 | 北京航天时代光电科技有限公司 | 一种光纤熔接质量的自动检测方法 |
CN107451997A (zh) * | 2017-07-31 | 2017-12-08 | 南昌航空大学 | 一种基于深度学习的焊缝超声tofd‑d扫描缺陷类型的自动识别方法 |
CN108932713A (zh) * | 2018-07-20 | 2018-12-04 | 成都指码科技有限公司 | 一种基于深度学习的焊缝气孔缺陷自动检测方法 |
CN109239206A (zh) * | 2018-06-20 | 2019-01-18 | 诸暨市逍遥管道科技有限公司 | 缺陷自动识别辅助电熔接头智能相控阵的超声检测方法 |
CN109285139A (zh) * | 2018-07-23 | 2019-01-29 | 同济大学 | 一种基于深度学习的x射线成像焊缝检测方法 |
CN109886298A (zh) * | 2019-01-16 | 2019-06-14 | 江苏大学 | 一种基于卷积神经网络的焊缝质量检测方法 |
CN110264457A (zh) * | 2019-06-20 | 2019-09-20 | 浙江大学 | 基于旋转区域候选网络的焊缝自主识别方法 |
CN110570410A (zh) * | 2019-09-05 | 2019-12-13 | 河北工业大学 | 一种自动识别检测焊缝缺陷的检测方法 |
CN110599469A (zh) * | 2019-08-30 | 2019-12-20 | 中国铁道科学研究院集团有限公司 | 一种动车组关键部位的缺陷检测方法、系统及电子设备 |
CN110675370A (zh) * | 2019-09-04 | 2020-01-10 | 武汉理工大学 | 一种基于深度学习的焊接模拟器虚拟焊缝缺陷检测方法 |
WO2020048119A1 (en) * | 2018-09-04 | 2020-03-12 | Boe Technology Group Co., Ltd. | Method and apparatus for training a convolutional neural network to detect defects |
CN111079623A (zh) * | 2019-12-09 | 2020-04-28 | 成都睿沿科技有限公司 | 一种目标检测方法、装置及存储介质 |
CN111359912A (zh) * | 2020-04-08 | 2020-07-03 | 苏州正德行智能物联有限公司 | 一种基于机器视觉的smt生产线智能化检测系统及方法 |
CN111539923A (zh) * | 2020-04-17 | 2020-08-14 | 西安数合信息科技有限公司 | 一种焊缝缺陷的数字射线检测方法、系统及服务器 |
-
2020
- 2020-09-28 CN CN202011036773.7A patent/CN111882557B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567745A (zh) * | 2011-12-29 | 2012-07-11 | 北京航天时代光电科技有限公司 | 一种光纤熔接质量的自动检测方法 |
CN107451997A (zh) * | 2017-07-31 | 2017-12-08 | 南昌航空大学 | 一种基于深度学习的焊缝超声tofd‑d扫描缺陷类型的自动识别方法 |
CN109239206A (zh) * | 2018-06-20 | 2019-01-18 | 诸暨市逍遥管道科技有限公司 | 缺陷自动识别辅助电熔接头智能相控阵的超声检测方法 |
CN108932713A (zh) * | 2018-07-20 | 2018-12-04 | 成都指码科技有限公司 | 一种基于深度学习的焊缝气孔缺陷自动检测方法 |
CN109285139A (zh) * | 2018-07-23 | 2019-01-29 | 同济大学 | 一种基于深度学习的x射线成像焊缝检测方法 |
WO2020048119A1 (en) * | 2018-09-04 | 2020-03-12 | Boe Technology Group Co., Ltd. | Method and apparatus for training a convolutional neural network to detect defects |
CN109886298A (zh) * | 2019-01-16 | 2019-06-14 | 江苏大学 | 一种基于卷积神经网络的焊缝质量检测方法 |
CN110264457A (zh) * | 2019-06-20 | 2019-09-20 | 浙江大学 | 基于旋转区域候选网络的焊缝自主识别方法 |
CN110599469A (zh) * | 2019-08-30 | 2019-12-20 | 中国铁道科学研究院集团有限公司 | 一种动车组关键部位的缺陷检测方法、系统及电子设备 |
CN110675370A (zh) * | 2019-09-04 | 2020-01-10 | 武汉理工大学 | 一种基于深度学习的焊接模拟器虚拟焊缝缺陷检测方法 |
CN110570410A (zh) * | 2019-09-05 | 2019-12-13 | 河北工业大学 | 一种自动识别检测焊缝缺陷的检测方法 |
CN111079623A (zh) * | 2019-12-09 | 2020-04-28 | 成都睿沿科技有限公司 | 一种目标检测方法、装置及存储介质 |
CN111359912A (zh) * | 2020-04-08 | 2020-07-03 | 苏州正德行智能物联有限公司 | 一种基于机器视觉的smt生产线智能化检测系统及方法 |
CN111539923A (zh) * | 2020-04-17 | 2020-08-14 | 西安数合信息科技有限公司 | 一种焊缝缺陷的数字射线检测方法、系统及服务器 |
Non-Patent Citations (6)
Title |
---|
CHEN-ZHAO FU 等: "Study of a Detection and Recognition Algorithm for High-Voltage Switch Cabinet Based on Deep Learning with an Improved Faster-RCNN", 《2018 INTERNATIONAL CONFERENCE ON ENGINEERING SIMULATION AND INTELLIGENT CONTROL》 * |
K. ARIVU SELVAN 等: "DETECTION OF WELD DEFECTS IN RADIOGRAPHIC IMAGES BASED ON REGION COUNTING AND CLASSIFICATION USING FEED FORWARD NEURAL NETWORK WITH BACK PROPAGATION", 《COMPOSITES: MECHANICS, COMPUTATIONS, APPLICATIONS: AN INTERNATIONAL JOURNAL》 * |
丛树毅 等: "《熔焊基础与金属材料焊接》", 31 March 2016, 北京理工大学出版社 * |
嵇伟伟: "基于深度学习的医学CT图像中器官的区域检测", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
常海涛 等: "Fatser R-CNN 在工业CT图像缺陷检测中的应用", 《中国图象图形学报》 * |
谷静 等: "基于改进深度学习模型的焊缝缺陷检测算法", 《宇航计测技术》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114713948A (zh) * | 2021-01-04 | 2022-07-08 | 株式会社东芝 | 处理装置、焊接系统、处理方法及存储介质 |
CN113344901A (zh) * | 2021-06-25 | 2021-09-03 | 北京市商汤科技开发有限公司 | 涂胶缺陷检测方法、装置、存储介质及电子设备 |
CN116630319A (zh) * | 2023-07-24 | 2023-08-22 | 深圳信迈科技有限公司 | 基于机器学习的数据采集板卡焊接缺陷检测方法 |
CN116630319B (zh) * | 2023-07-24 | 2023-10-10 | 深圳信迈科技有限公司 | 基于机器学习的数据采集板卡焊接缺陷检测方法 |
CN117408974A (zh) * | 2023-10-26 | 2024-01-16 | 广州欧派集成家居有限公司 | 一种板式集成家具封边自动检测方法、装置及存储介质 |
CN117408974B (zh) * | 2023-10-26 | 2024-04-26 | 广州欧派集成家居有限公司 | 一种板式集成家具封边自动检测方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111882557B (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111882557B (zh) | 一种焊接缺陷检测方法、装置、电子设备及存储介质 | |
US11704631B2 (en) | Analyzing images and videos of damaged vehicles to determine damaged vehicle parts and vehicle asymmetries | |
US20200349875A1 (en) | Display screen quality detection method, apparatus, electronic device and storage medium | |
CN110689054B (zh) | 一种工人违规行为监测方法 | |
CN112836676B (zh) | 一种异常行为检测方法、装置、电子设备及存储介质 | |
JP7272533B2 (ja) | 知覚システムを評価するシステム及び方法 | |
CN112001375B (zh) | 一种火焰检测方法、装置、电子设备及存储介质 | |
US11538141B2 (en) | Method and apparatus for processing video | |
KR101207225B1 (ko) | 옵트로닉 감시 시스템에서, 포인트형 타겟들을 검출 및추적하는 방법 | |
CN111178446A (zh) | 一种基于神经网络的目标分类模型的优化方法、装置 | |
US10963720B2 (en) | Estimating grouped observations | |
Dhanush et al. | Automating the Statutory Warning Messages in the Movie using Object Detection Techniques | |
CN111860429B (zh) | 高炉风口异常检测方法、装置、电子设备和存储介质 | |
JP2019117556A (ja) | 情報処理装置、情報処理方法及びプログラム | |
EP3696771A1 (en) | System for processing an input instance, method, and medium | |
CN111666973B (zh) | 车辆损伤图片处理方法、装置、计算机设备及存储介质 | |
Ghahremani et al. | Cascaded CNN method for far object detection in outdoor surveillance | |
CN115147756A (zh) | 一种视频流处理方法、装置、电子设备及存储介质 | |
CN114898273A (zh) | 一种视频监控异常检测方法、装置及设备 | |
CN114359669A (zh) | 图片分析模型调整方法、装置以及计算机可读存储介质 | |
US20210312213A1 (en) | Automated Salience Assessment of Pixel Anomalies | |
CN109064485B (zh) | 一种基于cmt算法的特征库维护方法 | |
CN111582221A (zh) | 车道线识别方法、装置和设备 | |
CN112686155A (zh) | 图像识别方法、装置、计算机可读存储介质及处理器 | |
Yemelyanova et al. | APPLICATION OF MACHINE LEARNING FOR RECOGNIZING SURFACE WELDING DEFECTS IN VIDEO SEQUENCES |
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 |