CN112037205A - 一种基于深度学习的起重机裂纹检测方法 - Google Patents
一种基于深度学习的起重机裂纹检测方法 Download PDFInfo
- Publication number
- CN112037205A CN112037205A CN202010902450.5A CN202010902450A CN112037205A CN 112037205 A CN112037205 A CN 112037205A CN 202010902450 A CN202010902450 A CN 202010902450A CN 112037205 A CN112037205 A CN 112037205A
- Authority
- CN
- China
- Prior art keywords
- crane
- crack
- surface element
- image
- detection method
- 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 36
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 16
- 238000002372 labelling Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000002087 whitening effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000007246 mechanism Effects 0.000 description 10
- 238000007689 inspection Methods 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000006249 magnetic particle Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/97—Determining parameters from multiple pictures
-
- 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
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Control And Safety Of Cranes (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于深度学习的起重机裂纹检测方法,包括数据获取、数据标注、神经网络建立、实际检测四个步骤;本发明通过深度学习技术中的卷积神经网络来对起重机大梁的照片进行处理,通过外置的摄像头不断取得起重机大梁的图片,即可随时导入到卷积神经网络模型中进行检测,从而随时随地的保持对起重机的检测,避免突发性裂纹的产生,从而更好的保护起重机大梁,具有更高的安全性能;本发明在建立完成卷积神经网络模型后,只需要架设好对准起重机大梁的摄像机,并将该摄像机连接到处理服务器即可,不需要额外的人工操作过程,也不需要在起重机上安装额外的设备,具有设置方便,检测迅速的优点。
Description
技术领域
本发明涉及起重机安全状况监测技术领域,具体涉及一种基于深度学习的起重机裂纹检测方法。
背景技术
起重机是现代工业中极其重要的一种机械设备。具体是指在一定范围内垂直提升和水平搬运重物的多动作起重机械,其工作特点是做间歇性运动,即在一个工作循环中取料、运移、卸载等动作的相应机构是交替工作的,起重机在建筑、航空航天、货运等行业上的发展和使用越来越广泛。
起重机主要包括起升机构、运行机构、变幅机构、回转机构和金属结构等。起升机构是起重机的基本工作机构,大多是由吊挂系统和绞车组成,也有通过液压系统升降重物的。运行机构用以纵向水平运移重物或调整起重机的工作位置,一般是由电动机、减速器、制动器和车轮组成。变幅机构只配备在臂架型起重机上,臂架仰起时幅度减小,俯下时幅度增大,分平衡变幅和非平衡变幅两种。回转机构用以使臂架回转,是由驱动装置和回转支承装置组成。
金属结构的大梁是起重机的骨架,主要承载件如桥架、臂架和门架可为箱形结构或桁架结构,也可为腹板结构,有的可用型钢作为支承梁。起重机的大梁因为在其中过程中起到主要的承力作用,导致长期使用后会因为金属疲劳而产生裂纹,如果裂纹的大小和数量超过一定的限度,就会极大的影响大梁的结构强度,带来强烈的安全隐患,因此在起重机安全领域中对于大梁上的裂纹检测是非常关键的一环。但是目前的检测方式通常为磁粉探伤、光学探伤、电阻探伤等方式,都需要在起重机停止状态下进行操作,而不能即时的检测起重机的裂纹损伤情况,导致时效性不强;另外目前的检测方式都需要使用大量检测设备配合使用,检测过程复杂,操作不便,导致工作效率不高。
发明内容
针对现有技术中所存在的不足,本发明提供了一种基于深度学习的起重机裂纹检测方法,用以解决目前的裂纹检测方式不能即时检测、时效性差,同时检测设备复杂、使用不便的问题。
为实现上述目的,本发明采用了如下的技术方案:
一种基于深度学习的起重机裂纹检测方法,包括如下步骤:
(1)数据获取:获取多张起重机大梁的图片,剪裁空白部分使得剩余部分全部为矩形的起重机大梁图像,然后将其调整为1024*512的大小,再以32*32为单位区域的大小将整张图像切分为512张图像,并且将全部的图片重复上述操作;
(2)数据标注:将步骤(1)中获取的剪切完毕的32*32图像分类为裂纹面元和背景面元,其中裂纹面元为包含有裂纹的图像,背景面元为不包含裂纹的图像,然后对裂纹面元和背景面元分别进行标注,将裂纹面元标注为1,将背景面元标注为0;
(3)神经网络建立:将步骤(2)中获得的标注完成的图像分别划分为训练集和测试集,其中训练集中图像的数量大于测试集,使用卷积神经网络对训练集进行训练,得到合适的卷积神经网络模型,然后将测试集导入到卷积神经网络模型中进行测试,直到满足预先设定的准确率;
(4)实际检测:将需要检测的起重机的大梁进行拍照获取图片,按照步骤(1)中的方式处理并切分为512张图像,然后使用步骤(3)中获得的模型对每一张图像依次进行处理,若识别出标注为1的裂纹面元,则通过其编号定位到原图片中的位置,然后实际检测起重机大梁的对应部位。
进一步的,所述步骤(3)、(4)中的卷积神经网络为宽残差网络,所述宽残差网络的残差模块如式a所述:
xl+1=xl+F(xl,Wl) (a)
式(a)中xl+1和x1分别表示的是第l个单元的输出和输入,F表示残差函数,W1表示残差模块的参数。
进一步的,所述宽残差网络的参数设置如下:
对于图像增强,本发明对原始图像进行ZCA白化,然后进行随机翻转;使用随机梯度下降算法训练整个网络,动量大小设置为不小于0.9;共训练不小于200个的epochs,初始学习率被设置为0.01,并在第80和160个epoch处学习率衰减为原来的0.1倍;权重衰减设置为0.0005。
进一步的,所述宽残差网络具体的逻辑判断方式如下:
使用带步长的卷积对图像缩放两次,每次为原来图像的二分之一,将最后输出的图像输入到全局平均池化层之后获得1*1的特征,该特征与神经元为2的全连接层相连,全连接层的输出经过sigmoid函数之后得到该图像属于0或1每一个类别的概率值,当概率值大于50%,即判断该图像属于该类别。
进一步的,所述宽残差网络的深度为16-40,宽度为1-12。
进一步的,所述步骤(3)中准确率Acc的计算公式如下:
式(b)中TP表示在数据集中能够正确识别出是背景面元和裂纹面元的个数,FN表示在数据集中识别错误是背景面元和裂纹面元的个数,TP+FN表示整个数据集。
进一步的,步骤(1)中获取的起重机大梁图片数量大于100张,从而使得切分后获取的图像数量大于50000张。
进一步的,所述步骤(2)中还包括灰度处理,所述灰度处理采用分量法、平均值法或加权平均法中的一种。
本发明在实施时主要包括如下部分:首先采集多张起重机大梁的图片进行数据切分处理,经处理后的图像分为训练集和测试集,其中训练集通过用于构建神经网络的模型,在构建完毕后将模型用于测试集进行调整,通过准确率来确定最终的卷积神经网络参数,此时卷积神经网络模型建立完成,通过摄像头任意采集现有的起重机大梁图片,在切分处理后即可导入到卷积神经网络进行判断,从而直接判断出不同裂纹在图像中的位置,从而即时检测到起重机大梁上的裂纹情况。
相比于现有技术,本发明具有如下有益效果:
1、本发明通过深度学习技术中的卷积神经网络来对起重机大梁的照片进行处理,通过外置的摄像头不断取得起重机大梁的图片,即可随时导入到卷积神经网络模型中进行检测,从而随时随地的保持对起重机的检测,避免突发性裂纹的产生,从而更好的保护起重机大梁,具有更高的安全性能;
2、本发明在建立完成卷积神经网络模型后,只需要架设好对准起重机大梁的摄像机,并将该摄像机连接到处理服务器即可,不需要额外的人工操作过程,也不需要在起重机上安装额外的设备,具有设置方便,检测迅速的优点。
附图说明
图1为本发明的整体流程示意图;
具体实施方式
下面结合附图及实施例对本发明中的技术方案进一步说明。
实施例:
如图1所示,本发明提出了一种基于深度学习的起重机裂纹检测方法,具体包括如下步骤:
(1)数据获取:获取多张起重机大梁的图片,剪裁空白部分使得剩余部分全部为矩形的起重机大梁图像,然后将其调整为1024*512的大小,再以32*32为单位区域的大小将整张图像切分为512张图像,并且将全部的图片重复上述操作;
(2)数据标注:将步骤(1)中获取的剪切完毕的32*32图像分类为裂纹面元和背景面元,其中裂纹面元为包含有裂纹的图像,背景面元为不包含裂纹的图像,然后对裂纹面元和背景面元分别进行标注,将裂纹面元标注为1,将背景面元标注为0;
(3)神经网络建立:将步骤(2)中获得的标注完成的图像分别划分为训练集和测试集,其中训练集中图像的数量大于测试集,使用卷积神经网络对训练集进行训练,得到合适的卷积神经网络模型,然后将测试集导入到卷积神经网络模型中进行测试,直到满足预先设定的准确率;
(4)实际检测:将需要检测的起重机的大梁进行拍照获取图片,按照步骤(1)中的方式处理并切分为512张图像,然后使用步骤(3)中获得的模型对每一张图像依次进行处理,若识别出标注为1的裂纹面元,则通过其编号定位到原图片中的位置,然后实际检测起重机大梁的对应部位。
本实施例优选的方案中,步骤(1)中获取的起重机大梁图片数量大于100张,从而使得切分后获取的图像数量大于50000张,本实施例中的训练集内包含有50000张图像,其中背景面元,即不含有裂纹的图像有40000张,裂纹面元,即含有裂纹的图像有10000 张;在测试集中共5000张图像,其中背景面元1000张,裂纹面元4000张。因在实际中背景面元的数目远大于裂纹面元的数目,故训练集中采用背景面元与裂纹面元4:1的方式取样,从而更为贴近真实情况;而测试集中裂纹面元更多,是为了更好的测试对裂纹面元的检测准确率。
进一步的,步骤(2)中还包括灰度处理,所述灰度处理采用分量法、平均值法或加权平均法中的一种,本实施例中采用平均值法。
本实施例具体的方案中,所述步骤(3)、(4)中的卷积神经网络为宽残差网络,其中宽残差网络的深度为16-40,宽度为1-12。本发明采取宽残差网络作为识别裂纹的基础网络。宽残差网络具有识别准确率高,训练速度快的优势。所述宽残差网络的残差模块如式a所述:
xl+1=xl+F(xl,Wl) (a)
式(a)中xl+1和x1分别表示的是第l个单元的输出和输入,F表示残差函数,W1表示残差模块的参数。
具体的,本发明中输入大小为32*32的宽残差网络结构如表1所示:
表1
表1中,B(3,3)表示每一个宽残差块是由两个3×3卷积层堆叠而成,k表示的是宽残差网络的宽度因子,通过调节k的值可以调节每一组中卷积层的通道数目;N表示的是宽残差网络的深度因子,通过调节N的值可以调节每一组中卷积层重复的次数,进而改变宽残差网络的深度。
进一步的,所述宽残差网络的参数设置如下:
对于图像增强,本发明对原始图像进行ZCA白化,然后进行随机翻转;使用随机梯度下降算法训练整个网络,动量大小设置为不小于0.9;共训练不小于200个的epochs,初始学习率被设置为0.01,并在第80和160个epoch处学习率衰减为原来的0.1倍;权重衰减设置为0.0005。
从表1中可以看到,输入到网络的图像的大小是32×32,为了避免经过网络之后图像太小而导致信息的损失,该网络只使用带步长的卷积对图像缩放两次,每次为原来图像的二分之一,所以网络最后的输出的大小是8×8,将8×8的图像输入到全局平均池化层之后获得1×1的特征。该特征与神经元为2(因为这里是二分类问题,即区分是裂纹面元还是背景面元)的全连接层相连,最后全连接层的输出经过sigmoid函数之后得到每一个类别的概率值,概率值越大,属于某一类的可能性就越高,本实施例中将超过50%概率的输出结果均认为有效数据并将其对应分类。
进一步的,所述步骤(3)中准确率Acc的计算公式如下:
式(b)中TP表示在数据集中能够正确识别出是背景面元和裂纹面元的个数,FN表示在数据集中识别错误是背景面元和裂纹面元的个数,TP+FN表示整个数据集。
在深度残差网络中,通过增加网络的宽度能够获得更加丰富的特征,而增加网络的深度能够提取到更高级的语义信息。本实施例中,使用训练集作为基础数据,通过对不同深度和宽度的残差网络进行了实验,从而得出不同的准确率,实验结果如同表2。
表2
由表2可知,在深度为28,宽度为10时,该残差网络具有最高的准确率,即本实施例中优选的使用WRN28-10作为最终的分类器模型,该代号中28表示网络的深度,10表示网络的宽度。WRN28-10的准确率是97.44%,在误差允许的范围内,其能够有效地区分出裂纹面元和背景面元。
在实际操作时,对于一张起重机大梁图片,将其拆分为512张32×32的图像,并按顺序从左往右从上往下标记每一张图像为1-512号,将这些图像送输入网络模型中进行类别判断,若发现了裂纹,则可通过编号对其进行快速定位,若有多个不同的含有裂纹的类型图像,则分别通过其编号定位到原始图片上相应的位置,从而完成了起重机大梁的裂纹检测。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于深度学习的起重机裂纹检测方法,其特征在于,包括如下步骤:
(1)数据获取:获取多张起重机大梁的图片,剪裁空白部分使得剩余部分全部为矩形的起重机大梁图像,然后将其调整为1024*512的大小,再以32*32为单位区域的大小将整张图像切分为512张图像,并且将全部的图片重复上述操作;
(2)数据标注:将步骤(1)中获取的剪切完毕的32*32图像分类为裂纹面元和背景面元,其中裂纹面元为包含有裂纹的图像,背景面元为不包含裂纹的图像,然后对裂纹面元和背景面元分别进行标注,将裂纹面元标注为1,将背景面元标注为0;
(3)神经网络建立:将步骤(2)中获得的标注完成的图像分别划分为训练集和测试集,其中训练集中图像的数量大于测试集,使用卷积神经网络对训练集进行训练,得到合适的卷积神经网络模型,然后将测试集导入到卷积神经网络模型中进行测试,直到满足预先设定的准确率;
(4)实际检测:将需要检测的起重机的大梁进行拍照获取图片,按照步骤(1)中的方式处理并切分为512张图像,然后使用步骤(3)中获得的模型对每一张图像依次进行处理,若识别出标注为1的裂纹面元,则通过其编号定位到原图片中的位置,然后实际检测起重机大梁的对应部位。
2.如权利要求1所述的一种基于深度学习的起重机裂纹检测方法,其特征在于:所述步骤(3)、(4)中的卷积神经网络为宽残差网络,所述宽残差网络的残差模块如式a所述:
xl+1=xl+F(xl,Wl) (a)
式(a)中xl+1和x1分别表示的是第l个单元的输出和输入,F表示残差函数,W1表示残差模块的参数。
3.如权利要求2所述的一种基于深度学习的起重机裂纹检测方法,其特征在于,所述宽残差网络的参数设置如下:
对于图像增强,本发明对原始图像进行ZCA白化,然后进行随机翻转;使用随机梯度下降算法训练整个网络,动量大小设置为不小于0.9;共训练不小于200个的epochs,初始学习率被设置为0.01,并在第80和160个epoch处学习率衰减为原来的0.1倍;权重衰减设置为0.0005。
4.如权利要求3所述的一种基于深度学习的起重机裂纹检测方法,其特征在于,所述宽残差网络具体的逻辑判断方式如下:
使用带步长的卷积对图像缩放两次,每次为原来图像的二分之一,将最后输出的图像输入到全局平均池化层之后获得1*1的特征,该特征与神经元为2的全连接层相连,全连接层的输出经过sigmoid函数之后得到该图像属于0或1每一个类别的概率值,当概率值大于50%,即判断该图像属于该类别。
5.如权利要求1-4中任意一项所述的一种基于深度学习的起重机裂纹检测方法,其特征在于:所述宽残差网络的深度为16-40,宽度为1-12。
7.如权利要求1-4中任意一项所述的一种基于深度学习的起重机裂纹检测方法,其特征在于:步骤(1)中获取的起重机大梁图片数量大于100张,从而使得切分后获取的图像数量大于50000张。
8.如权利要求1-4中任意一项所述的一种基于深度学习的起重机裂纹检测方法,其特征在于:所述步骤(2)中还包括灰度处理,所述灰度处理采用分量法、平均值法或加权平均法中的一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010902450.5A CN112037205A (zh) | 2020-09-01 | 2020-09-01 | 一种基于深度学习的起重机裂纹检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010902450.5A CN112037205A (zh) | 2020-09-01 | 2020-09-01 | 一种基于深度学习的起重机裂纹检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112037205A true CN112037205A (zh) | 2020-12-04 |
Family
ID=73587570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010902450.5A Pending CN112037205A (zh) | 2020-09-01 | 2020-09-01 | 一种基于深度学习的起重机裂纹检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112037205A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114627086A (zh) * | 2022-03-18 | 2022-06-14 | 江苏省特种设备安全监督检验研究院 | 一种基于改进特征金字塔网络的起重机表面损伤检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108334948A (zh) * | 2018-02-09 | 2018-07-27 | 武汉理工大学 | 一种基于宽残差网络学习模型的机械轴承故障诊断技术 |
CN108389181A (zh) * | 2018-01-23 | 2018-08-10 | 南京大学 | 一种基于深度学习和法向图的零件缺陷检测和定位方法 |
CN110276756A (zh) * | 2019-06-25 | 2019-09-24 | 百度在线网络技术(北京)有限公司 | 路面裂缝检测方法、装置及设备 |
CN110910339A (zh) * | 2019-07-10 | 2020-03-24 | 研祥智能科技股份有限公司 | Logo缺陷检测方法及装置 |
-
2020
- 2020-09-01 CN CN202010902450.5A patent/CN112037205A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108389181A (zh) * | 2018-01-23 | 2018-08-10 | 南京大学 | 一种基于深度学习和法向图的零件缺陷检测和定位方法 |
CN108334948A (zh) * | 2018-02-09 | 2018-07-27 | 武汉理工大学 | 一种基于宽残差网络学习模型的机械轴承故障诊断技术 |
CN110276756A (zh) * | 2019-06-25 | 2019-09-24 | 百度在线网络技术(北京)有限公司 | 路面裂缝检测方法、装置及设备 |
CN110910339A (zh) * | 2019-07-10 | 2020-03-24 | 研祥智能科技股份有限公司 | Logo缺陷检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
SERGEY ZAGORUYKO等: "Wide Residual Networks", 《COMPUTER VISION AND PATTERN RECOGNITION》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114627086A (zh) * | 2022-03-18 | 2022-06-14 | 江苏省特种设备安全监督检验研究院 | 一种基于改进特征金字塔网络的起重机表面损伤检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104535356B (zh) | 一种基于机器视觉的卷筒钢丝绳排绳故障监测方法及系统 | |
CN109977808A (zh) | 一种晶圆表面缺陷模式检测与分析方法 | |
CN107909564A (zh) | 一种基于深度学习的全卷积网络图像裂纹检测方法 | |
CN112037205A (zh) | 一种基于深度学习的起重机裂纹检测方法 | |
CN111591715A (zh) | 一种皮带纵向撕裂检测方法及装置 | |
CN109815950A (zh) | 一种基于深度卷积神经网络的钢筋端面识别方法 | |
CN109840900A (zh) | 一种应用于智能制造车间的故障在线检测系统及检测方法 | |
CN111815555A (zh) | 对抗神经网络结合局部二值的金属增材制造图像检测方法及装置 | |
CN111091546A (zh) | 铁路货车钩尾框折断故障识别方法 | |
CN112070728B (zh) | 基于目标检测算法的钢绳表面缺陷识别方法 | |
CN114359246A (zh) | 输送机皮带检测方法、装置、系统、电子设备及介质 | |
CN109019210A (zh) | 基于卷积神经网络的提升系统尾绳健康监测系统及方法 | |
CN112884717A (zh) | 实时工件表面检测与刀具寿命预测的系统及方法 | |
CN115082850A (zh) | 基于计算机视觉的模板支架安全风险识别方法 | |
CN109408998B (zh) | 基于样本持续增量快速获取应力谱进行疲劳寿命评估方法 | |
CN111721216A (zh) | 基于三维图像的钢丝绳检测装置、表面损伤检测及绳径计算方法 | |
CN114057106B (zh) | 一种双卷扬乱绳识别方法、装置和计算机可读存储介质 | |
CN113651245B (zh) | 一种起重机承载力监测系统 | |
Sun et al. | Wear status prediction of micro milling tools by transfer learning and ViT model | |
CN111259494B (zh) | 重机设备健康监测分析方法 | |
CN104361344B (zh) | 一种基于区间图像的无缝线路钢轨缺陷识别方法 | |
Ranjan et al. | Convolutional neural network based power crane defect analysis | |
CN112036403A (zh) | 基于注意力机制的输电塔螺栓销子缺失的智能检测方法 | |
CN116205856B (zh) | 基于深度学习的人力制动机轴链折断故障检测方法及系统 | |
CN116630296B (zh) | 基于轻量化网络的水下船体像素级缺陷检测方法及系统 |
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: 20201204 |
|
RJ01 | Rejection of invention patent application after publication |