CN112070728A - 基于目标检测算法的钢绳表面缺陷识别方法 - Google Patents
基于目标检测算法的钢绳表面缺陷识别方法 Download PDFInfo
- Publication number
- CN112070728A CN112070728A CN202010858256.1A CN202010858256A CN112070728A CN 112070728 A CN112070728 A CN 112070728A CN 202010858256 A CN202010858256 A CN 202010858256A CN 112070728 A CN112070728 A CN 112070728A
- Authority
- CN
- China
- Prior art keywords
- steel rope
- network
- steel
- detection
- picture
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 177
- 239000010959 steel Substances 0.000 title claims abstract description 177
- 230000007547 defect Effects 0.000 title claims abstract description 112
- 238000001514 detection method Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012544 monitoring process Methods 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 4
- 230000002950 deficient Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 2
- 238000011084 recovery Methods 0.000 claims description 2
- 238000005299 abrasion Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013145 classification model Methods 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000004804 winding 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20201—Motion blur correction
-
- 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
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于目标检测算法的钢绳表面缺陷识别方法,步骤包括:步骤1、实时图像采集;步骤2、DeblurGAN钢绳去运动模糊模型,将实时采集的钢绳模糊图片,利用DeblurGAN去运动模糊网络得到去运动模糊后的钢绳生成图片;步骤3、构建钢绳表面缺陷目标检测模型,钢绳表面缺陷目标监测模型采用Mobilenet+FPN轻量级目标检测网络结构,去运动模糊处理后的钢绳生成图片,通过钢绳表面缺陷目标检测模型,实现对钢绳表面缺陷的目标检测,输出为检测到的钢绳表面缺陷。本发明方法将图像的目标检测算法应用于钢绳表面缺陷的在线检测,实现了对同时存在多种缺陷的钢绳检测;检测的准确性及检测效率高。
Description
技术领域
本发明属于机械零部件状态检测与智能诊断技术领域,涉及一种基于目标检测算法的钢绳表面缺陷识别方法。
背景技术
钢绳具有抗拉强度和抗疲劳强度高、工作平稳可靠、承受过载能力强、高速运行条件下卷扬噪声小等优点,在冶金、建筑、旅游、交通运输、港口码头、石油钻探等许多工业领域有着广泛应用。由于钢绳的损伤程度与承载能力直接相关,为了避免因钢绳损伤造成事故,需要对钢绳的状态进行实时有效的在线检测。常用的钢绳在线检测方法是磁检测方法,但由于钢绳损伤缺陷相对于钢绳本身是十分微小的,且钢绳一般用于大型起重设备,大功率电机存在强电磁干扰,导致磁检测误差较大。
随着人工智能、机器视觉的发展,通过视觉图像识别检测钢绳状态具有较好的前景。图像分类与目标检测是计算机视觉领域的两大主要任务。图像分类模型是将图像划分为单个类别,但是现实世界的很多图片通常包含不只一个类别的目标,此时如果使用图像分类模型为图像分配一个单一标签其实是非常粗糙的,并不准确。对于这样的情况,就需要目标检测网络模型,目标检测网络模型可以识别一张图片的多个目标,并可以对不同目标定位。现有的钢绳状态图像识别方法都采用了图像分类模型,将实时采样的钢绳图片按照健康、磨损和断丝的不同程度进行分类识别。如中国发明专利“一种基于LBP特征的钢丝绳表面损伤智能检测方法及系统”(公开号CN 109859170 A,公开日20190607),其中将钢绳的状态分为健康、磨损和断丝三类,采用机器学习的分类方法,通过人工提取特征训练分类器,进而对钢绳的状态进行在线检测;中国发明专利“一种基于深度学习的在役钢丝绳表面缺陷检测方法与系统”(公开号CN 110930357 A,公开日20200327)则采用了深度学习的的分类网络对钢绳的健康、磨损和断丝三种状态进行分类识别。然而,考虑到钢绳的缺陷有断丝、磨损、腐蚀和变形等多种类型,实际采集的钢绳图片可能有多种缺陷同时存在,这时采用分类识别的方法就容易出现误识别,影响了在线监控的准确性。
发明内容
本发明的目的是提供一种基于目标检测算法的钢绳表面缺陷识别方法,解决了现有技术分类识别方法对同时存在多种缺陷的钢绳复杂状态不能进行识别,在线检测的准确性明显不足的问题。
本发明所采用的技术方案是,一种基于目标检测算法的钢绳表面缺陷识别方法,按照以下步骤具体实施:
步骤1、实时图像采集;
步骤2、DeblurGAN钢绳去运动模糊模型,
将实时采集的钢绳模糊图片Im,利用DeblurGAN去运动模糊网络得到去运动模糊后的钢绳生成图片Om;
步骤3、构建钢绳表面缺陷目标检测模型,
钢绳表面缺陷目标监测模型采用Mobilenet+FPN轻量级目标检测网络结构,
去运动模糊处理后的钢绳生成图片Om,通过钢绳表面缺陷目标检测模型,实现对钢绳表面缺陷的目标检测,输出为检测到的钢绳表面缺陷。
本发明的有益效果是,1)将目标检测算法应用到钢绳缺陷检测,实现了对钢绳复杂表面缺陷的检测;2)考虑钢绳运行中实时图像采集可能出现的模糊问题,图像预处理中采用DeblurGAN去运动模糊网络去除运动模糊,有利于提高运行中的钢绳缺陷检测的准确性;3)采用Mobilenet+FPN轻量级的目标检测网络模型检测效率高,适用于运行中钢绳状态的在线检测。
附图说明
图1是本发明方法的钢绳表面缺陷的在线智能检测流程图;
图2是本发明方法中DeblurGAN去运动模糊的网络结构图;
图3是本发明方法中的Mobilenet+FPN轻量级目标检测网络结构图;
图4是本发明方法中钢绳表面缺陷图片对Mobilenet+FPN轻量级目标检测网络的训练流程图;
图5为本发明方法中对钢绳缺陷进行标注的示例;
图6a为本发明方法中选取的钢绳断丝缺陷样本集的第一种图片;
图6b为本发明方法中选取的钢绳断丝缺陷样本集的第二种图片;
图6c为本发明方法中选取的钢绳断丝缺陷样本集的第三种图片;
图6d为本发明方法中选取的钢绳断丝缺陷样本集的第四种图片;
图7a为本发明实施例实时采集的运动中钢绳的模糊图片;
图7b为本发明实施例经过DeblurGAN去运动模糊模型后得到的清晰图片;
图7c为本发明实施例在线智能检测得到的钢绳表面两处断丝缺陷(broken)及标记;
图8为本发明方法应用到现场同时检测不同缺陷的标记结果实施例图片。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
参照图1,是钢绳表面缺陷的在线智能检测流程包括实时图像采样、DeblurGAN去运动模糊网络以及钢绳表面缺陷目标监测网络三个模块,输入为现场实时检测的钢绳模糊图片Im,输出结果为本发明方法识别出来的钢绳表面缺陷,按照以下步骤具体实施:
步骤1、实时图像采集,
在钢绳应用现场,利用高速摄像头,得到采样区段钢绳状态的实时视频图像流(一般为每秒25帧图像),对图像流每5帧进行一次帧提取,得到一张钢绳模糊图片Im;
步骤2、DeblurGAN钢绳去运动模糊模型,
上述采样过程中,由于钢绳时刻处于运动状态(钢绳前后移动或受周围气象因素导致的晃动、摆动)会导致实时采样的钢绳图片产生模糊,在进行钢绳表面缺陷在线智能检测前,需要对采集的钢绳模糊图片Im进行去运动模糊处理。
DeblurGAN是端到端的对抗网络,具有非常好的去模糊效果,将实时采集的钢绳模糊图片Im,利用DeblurGAN去运动模糊网络可以得到去运动模糊后的钢绳生成图片Om;
参照图2,是DeblurGAN去运动模糊网络的结构图,DeblurGAN去运动模糊网络由生成器G和判别器D组成,具体结构是:
2.1)生成器G的网络结构为:钢绳模糊图片Im经过1层卷积(7*7Conv)、实例归一化层(InstanceNorm)和激活层(ReLU)后,保持输入数据的尺寸不变;然后,进行2次上采样(Upsampling),将图像特征层增至256个;再经过9层残差卷积(每个残差卷积包含一个3*3卷积层3*3conv、实例归一化层InstanceNorm和ReLU激活层);随后,进行2次下采样(Downsampling)、1层卷积(7*7)以及激活函数(tanh)后输出;
上述像素为m*n的钢绳模糊图片Im,经过生成器G后得到的钢绳生成图片Om,其像素仍然为m*n;
2.2)判别器D的网络结构是:由1个卷积(4*4Conv)、4个下采样(Up sampling)、1个卷积(1*1Conv)以及激活函数(sigmoid)组成;判别器网络D的输入为:与钢绳模糊图片Im相对应的钢绳清晰图片Iq以及钢绳模糊图片Im经过生成器G后得到钢绳生成图片Om;判别器网络D对输入的两种图片进行相似程度判断。
DeblurGAN去运动模糊网络在应用到钢绳去运动模糊前,需要用一组钢绳图片样本集(RW-Im,RW-Iq)对DeblurGAN去运动模糊网络的生成器G和判别器D进行对抗训练,其中,RW-Im为钢绳模糊图片的样本集,RW-Iq为相应的钢绳清晰图片的样本集;经过大量钢绳图片样本训练,直到钢绳模糊图片样本集RW-Im经过生成器G后的生成图片样本集RW-Om与相应的钢绳清晰图片样本集RW-Iq相似度最好,从而达到去运动模糊的效果;最终将训练好的DeblurGAN去运动模糊网络的结构和参数设置在网络中,得到DeblurGAN钢绳去运动模糊模型用于钢绳表面缺陷的在线智能检测流程中。
步骤3、构建钢绳表面缺陷目标检测模型,
去运动模糊处理后的钢绳生成图片Om,通过钢绳表面缺陷目标检测模型,实现对钢绳表面缺陷的目标检测,输出为检测到的钢绳表面缺陷。
参照图3,钢绳表面缺陷目标监测模型采用Mobilenet+FPN轻量级目标检测网络结构,由轻量级Mobilenet特征提取网络、多尺度信息融合FPN检测网络组成。MobileNet特征提取网络是一种流线型架构的深度可分离卷积网络,用于图像特征提取,该MobileNet特征提取网络相对深度残差网络计算量小,效率高,是一种易满足嵌入式设备要求的模型。多尺度信息融合FPN检测网络将高层特征图的语义信息与低层特征图的细节信息相融合,大大提高了检测精度。
Mobilenet+FPN轻量级目标检测网络的具体结构是:
3.1)轻量级Mobilenet特征提取网络,由1个传统的卷积层加13个深度可分离卷积模块组成,每个模块采用了逐通道卷积+逐点卷积组合的结构,因此,轻量级Mobilenet特征提取网络总共有1+2*13=27层可分离卷积结构;
3.2)多尺度信息融合FPN检测网络,首先,将轻量级Mobilenet特征提取网络的第27层输出的13*13特征图,进行1*1和3*3的卷积操作(见图3中的Conv2D),得到13*13的检测特征图;其次,将13*13的检测特征图进行双线性插值上采样得到26*26的上采样特征图,将26*26的上采样特征图与轻量级Mobilenet特征提取网络的第23层输出的26*26特征图进行融合,再进行一组卷积(Conv2D)操作,得到26*26的检测特征图;再次,将26*26的检测特征图进行双线性插值上采样得到52*52的上采样特征图,将52*52的上采样特征图和轻量级Mobilenet特征提取网络的第11层输出的52*52特征图进行信息融合,以及卷积操作,得到52*52的检测特征图;最后,将上述的13*13的检测特征图、26*26的检测特征图以及52*52的检测特征图进行级联,最终形成钢绳缺陷检测的多尺度信息融合FNP检测结构。
利用钢绳不同缺陷(如断丝、磨损、腐蚀和变形等情形)的大量样本图片对Mobilenet+FPN轻量级目标检测网络进行训练,直到收敛,得到训练好的结构和参数,并设置到Mobilenet+FPN轻量级目标检测网络中得到钢绳表面缺陷目标检测模型,可以应用到钢绳表面缺陷的在线智能检测流程中;
参照图4,是钢绳表面缺陷图片对Mobilenet+FPN轻量级目标检测网络的训练流程图,具体过程包括:样本图片采集、钢绳缺陷标注、建立钢绳缺陷样本数据集、以及Mobilenet+FPN轻量级目标检测网络训练,具体实施步骤如下:
a)样本图片采集,在钢绳使用现场或缺陷钢绳回收处,收集不同光照条件下及不同损伤状态的钢绳缺陷图片;
b)进行钢绳的缺陷标注,利用labelImg软件对收集到的不同缺陷的钢绳缺陷图片进行缺陷标注,从而得到钢绳缺陷样本;
参照图5,是在labelImg环境下对图片中的断丝缺陷进行画框标注,并对画框样本标注“标签”,标注标签后该图片会自动保存为xml格式,以此得到一个钢绳缺陷样本。
c)建立钢绳缺陷样本数据集,重复步骤2)的钢绳缺陷标注过程,对钢绳缺陷图片中不同的缺陷进行标注,得到不同缺陷(如断丝、磨损、变形和腐蚀的情形)以及不同缺陷状态的样本集;
参照图6a、图6b、图6c、图6d,为本步骤建立的钢绳断丝缺陷样本集的四种样本图片(该四种形态的图片仅为选取的部分图片),采用类似的方法,能够建立起钢绳不同缺陷样本集。
d)Mobilenet+FPN轻量级目标检测网络训练,利用标注好的钢绳不同缺陷样本集对Mobilenet+FPN轻量级目标检测网络进行训练,直至模型收敛,然后,将训练好的网络结构和参数设置到Mobilenet+FPN轻量级目标检测网络中得到钢绳缺陷目标检测模型,可以应用到钢绳表面缺陷的在线智能检测中,实现钢绳表面缺陷的实时检测。
实施例
将本发明方法应用到施工现场塔式起重机起升钢绳缺陷的实时检测,采集了1500多张塔式起重机起升钢绳缺陷图片,建立了3000个不同工况的不同钢绳缺陷的样本集;同时在塔式起重机使用现场采集了2000多张钢绳模糊图片,以及不同角度的清晰图片,通过对DeblurGAN去运动模糊网络以及Mobilenet+FPN轻量级目标检测网络的训练,得到了DeblurGAN钢绳去运动模糊模型以及钢绳表面缺陷目标检测模型,并用于塔机起升钢绳的在线智能检测。
参照图7a,为实时采集的塔式起重机工作过程中的钢绳缺陷图片,该钢绳缺陷图片中的断丝部分由于钢绳运动出现模糊;图7b为经过DeblurGAN去运动模糊网络去除运动模糊后的图片,该图片清晰度已经明显提高;图7c为经过钢绳表面缺陷目标检测网络模型后,在线检测得到的结果:此时钢绳表面两处断丝缺陷(标记为broken)被识别出来,并得到了标记。
参照图8,是现场塔机另外一处缺陷钢绳的在线检测结果,检测出同一段钢绳上存在的两种不同的缺陷:即断丝(标记为broken)与磨损(标记为wear)。
经过现场测试,本发明方法的钢绳表面缺陷的目标检测算法执行时间约为50ms,满足速度低于3m/s的运动钢绳表面缺陷的在线检测要求。由此可见,本发明方法利用目标检测算法能够实现同时检测钢绳不同的缺陷类型、以及缺陷数量,并对不同位置的缺陷进行准确标记。
Claims (5)
1.一种基于目标检测算法的钢绳表面缺陷识别方法,其特征在于,按照以下步骤具体实施:
步骤1、实时图像采集;
步骤2、DeblurGAN钢绳去运动模糊模型,
将实时采集的钢绳模糊图片Im,利用DeblurGAN去运动模糊网络得到去运动模糊后的钢绳生成图片Om;
步骤3、构建钢绳表面缺陷目标检测模型,
钢绳表面缺陷目标监测模型采用Mobilenet+FPN轻量级目标检测网络结构,
去运动模糊处理后的钢绳生成图片Om,通过钢绳表面缺陷目标检测模型,实现对钢绳表面缺陷的目标检测,输出为检测到的钢绳表面缺陷。
2.根据权利要求1所述的基于目标检测算法的钢绳表面缺陷识别方法,其特征在于:所述的步骤1中,在钢绳应用现场,利用高速摄像头,得到采样区段钢绳状态的实时视频图像流,对图像流每5帧进行一次帧提取,得到一张钢绳模糊图片Im。
3.根据权利要求2所述的基于目标检测算法的钢绳表面缺陷识别方法,其特征在于:所述的步骤2中,所述的DeblurGAN去运动模糊网络由生成器G和判别器D组成,具体结构是:
2.1)生成器G的网络结构为:钢绳模糊图片Im经过1层卷积、实例归一化层和激活层后,保持输入数据的尺寸不变;然后,进行2次上采样,将图像特征层增至256个;再经过9层残差卷积,每个残差卷积包含一个3*3卷积层3*3conv、实例归一化层InstanceNorm和ReLU激活层;随后,进行2次下采样、1层卷积以及激活函数后输出;
2.2)判别器D的网络结构是:由1个卷积、4个下采样、1个卷积以及激活函数组成;判别器网络D的输入为:与钢绳模糊图片Im相对应的钢绳清晰图片Iq以及钢绳模糊图片Im经过生成器G后得到钢绳生成图片Om;判别器网络D对输入的两种图片进行相似程度判断;
DeblurGAN去运动模糊网络需要用一组钢绳图片样本集(RW-Im,RW-Iq)对DeblurGAN去运动模糊网络的生成器G和判别器D进行对抗训练,其中,RW-Im为钢绳模糊图片的样本集,RW-Iq为相应的钢绳清晰图片的样本集;经过大量钢绳图片样本训练,直到钢绳模糊图片样本集RW-Im经过生成器G后的生成图片样本集RW-Om与相应的钢绳清晰图片样本集RW-Iq相似度最好。最终将训练好的DeblurGAN去运动模糊网络的结构和参数设置在网络中,得到DeblurGAN钢绳去运动模糊模型。
4.根据权利要求3所述的基于目标检测算法的钢绳表面缺陷识别方法,其特征在于:所述的步骤3中,所述的Mobilenet+FPN轻量级目标检测网络结构是:
3.1)轻量级Mobilenet特征提取网络,由1个传统的卷积层加13个深度可分离卷积模块组成,每个模块采用了逐通道卷积+逐点卷积组合的结构,因此,轻量级Mobilenet特征提取网络总共有1+2*13=27层可分离卷积结构;
3.2)多尺度信息融合FPN检测网络,首先,将轻量级Mobilenet特征提取网络的第27层输出的13*13特征图,进行1*1和3*3的卷积操作,得到13*13的检测特征图;其次,将13*13的检测特征图进行双线性插值上采样得到26*26的上采样特征图,将26*26的上采样特征图与轻量级Mobilenet特征提取网络的第23层输出的26*26特征图进行融合,再进行一组卷积操作,得到26*26的检测特征图;再次,将26*26的检测特征图进行双线性插值上采样得到52*52的上采样特征图,将52*52的上采样特征图和轻量级Mobilenet特征提取网络的第11层输出的52*52特征图进行信息融合,以及卷积操作,得到52*52的检测特征图;最后,将上述的13*13的检测特征图、26*26的检测特征图以及52*52的检测特征图进行级联,最终形成钢绳缺陷检测的多尺度信息融合FNP检测结构。
5.根据权利要求4所述的基于目标检测算法的钢绳表面缺陷识别方法,其特征在于:所述的步骤3中,所述的Mobilenet+FPN轻量级目标检测网络在用于钢绳表面缺陷的在线智能检测前,需要利用钢绳各种缺陷的大量样本对目标检测网络模型进行训练,直到收敛,具体步骤如下:
a)样本图片采集,在钢绳使用现场或缺陷钢绳回收处,收集不同光照条件下及不同损伤状态的钢绳缺陷图片;
b)进行钢绳的缺陷标注,利用labelImg软件对收集到的不同缺陷的钢绳缺陷图片进行缺陷标注,从而得到钢绳缺陷样本;
c)建立钢绳缺陷样本数据集,重复步骤2)的钢绳缺陷标注过程,对钢绳缺陷图片中不同的缺陷进行标注,得到不同缺陷以及不同缺陷状态的样本集;
d)Mobilenet+FPN轻量级目标检测网络训练,利用标注好的钢绳不同缺陷样本集对Mobilenet+FPN轻量级目标检测网络进行训练,直至模型收敛。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010858256.1A CN112070728B (zh) | 2020-08-24 | 2020-08-24 | 基于目标检测算法的钢绳表面缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010858256.1A CN112070728B (zh) | 2020-08-24 | 2020-08-24 | 基于目标检测算法的钢绳表面缺陷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112070728A true CN112070728A (zh) | 2020-12-11 |
CN112070728B CN112070728B (zh) | 2022-04-22 |
Family
ID=73658855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010858256.1A Active CN112070728B (zh) | 2020-08-24 | 2020-08-24 | 基于目标检测算法的钢绳表面缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070728B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819748A (zh) * | 2020-12-16 | 2021-05-18 | 机科发展科技股份有限公司 | 一种带钢表面缺陷识别模型的训练方法及装置 |
CN113298792A (zh) * | 2021-06-01 | 2021-08-24 | 中国矿业大学 | 基于ai视觉的皮带跑偏监测调速控制装置及方法 |
CN113470027A (zh) * | 2021-09-03 | 2021-10-01 | 广东电网有限责任公司惠州供电局 | 基于生成对抗的绝缘护套识别方法、装置、系统及介质 |
CN113686878A (zh) * | 2021-09-03 | 2021-11-23 | 太原理工大学 | 一种特钢棒材表面缺陷多级联合检测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107328787A (zh) * | 2017-07-05 | 2017-11-07 | 北京科技大学 | 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 |
US9940534B1 (en) * | 2016-10-10 | 2018-04-10 | Gyrfalcon Technology, Inc. | Digital integrated circuit for extracting features out of an input image based on cellular neural networks |
CN108982514A (zh) * | 2018-07-12 | 2018-12-11 | 常州大学 | 一种铸件表面缺陷仿生视觉检测系统 |
CN109859170A (zh) * | 2019-01-04 | 2019-06-07 | 中国矿业大学 | 一种基于lbp特征的钢丝绳表面损伤智能监测方法及系统 |
CN110069975A (zh) * | 2018-12-25 | 2019-07-30 | 国网河北省电力有限公司电力科学研究院 | 一种基于神经网络的导线开股识别方法及系统 |
CN110930357A (zh) * | 2019-10-17 | 2020-03-27 | 中国矿业大学 | 一种基于深度学习的在役钢丝绳表面缺陷检测方法与系统 |
CN110992363A (zh) * | 2019-12-27 | 2020-04-10 | 中国石油大学(华东) | 一种基于生成对抗网络的三维漏磁检测缺陷重构方法 |
-
2020
- 2020-08-24 CN CN202010858256.1A patent/CN112070728B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9940534B1 (en) * | 2016-10-10 | 2018-04-10 | Gyrfalcon Technology, Inc. | Digital integrated circuit for extracting features out of an input image based on cellular neural networks |
CN107328787A (zh) * | 2017-07-05 | 2017-11-07 | 北京科技大学 | 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 |
CN108982514A (zh) * | 2018-07-12 | 2018-12-11 | 常州大学 | 一种铸件表面缺陷仿生视觉检测系统 |
CN110069975A (zh) * | 2018-12-25 | 2019-07-30 | 国网河北省电力有限公司电力科学研究院 | 一种基于神经网络的导线开股识别方法及系统 |
CN109859170A (zh) * | 2019-01-04 | 2019-06-07 | 中国矿业大学 | 一种基于lbp特征的钢丝绳表面损伤智能监测方法及系统 |
CN110930357A (zh) * | 2019-10-17 | 2020-03-27 | 中国矿业大学 | 一种基于深度学习的在役钢丝绳表面缺陷检测方法与系统 |
CN110992363A (zh) * | 2019-12-27 | 2020-04-10 | 中国石油大学(华东) | 一种基于生成对抗网络的三维漏磁检测缺陷重构方法 |
Non-Patent Citations (2)
Title |
---|
OREST KUPYN ET AL.: ""DeblurGAN: Blind Motion Deblurring Using Conditional Adversarial Networks"", 《ARXIV》 * |
徐镪 等: ""改进的YOLOv3网络在钢板表面缺陷检测研究"", 《计算机工程与应用》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819748A (zh) * | 2020-12-16 | 2021-05-18 | 机科发展科技股份有限公司 | 一种带钢表面缺陷识别模型的训练方法及装置 |
CN112819748B (zh) * | 2020-12-16 | 2023-09-19 | 机科发展科技股份有限公司 | 一种带钢表面缺陷识别模型的训练方法及装置 |
CN113298792A (zh) * | 2021-06-01 | 2021-08-24 | 中国矿业大学 | 基于ai视觉的皮带跑偏监测调速控制装置及方法 |
CN113298792B (zh) * | 2021-06-01 | 2024-03-08 | 中国矿业大学 | 基于ai视觉的皮带跑偏监测调速控制装置及方法 |
CN113470027A (zh) * | 2021-09-03 | 2021-10-01 | 广东电网有限责任公司惠州供电局 | 基于生成对抗的绝缘护套识别方法、装置、系统及介质 |
CN113686878A (zh) * | 2021-09-03 | 2021-11-23 | 太原理工大学 | 一种特钢棒材表面缺陷多级联合检测方法及系统 |
CN113470027B (zh) * | 2021-09-03 | 2022-03-25 | 广东电网有限责任公司惠州供电局 | 基于生成对抗的绝缘护套识别方法、装置、系统及介质 |
CN113686878B (zh) * | 2021-09-03 | 2024-02-09 | 太原理工大学 | 一种特钢棒材表面缺陷多级联合检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112070728B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112070728B (zh) | 基于目标检测算法的钢绳表面缺陷识别方法 | |
KR101863196B1 (ko) | 딥러닝 기반 표면 결함 검출장치 및 방법 | |
CN111080598B (zh) | 一种钩尾销安全吊的螺栓、螺母缺失检测方法 | |
CN110930357B (zh) | 一种基于深度学习的在役钢丝绳表面缺陷检测方法与系统 | |
CN111079631A (zh) | 一种铁路货车钩提杆脱落故障识别方法及系统 | |
CN114743119B (zh) | 基于无人机的高铁接触网吊弦螺母缺陷检测方法 | |
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 | |
CN110599469A (zh) | 一种动车组关键部位的缺陷检测方法、系统及电子设备 | |
CN112396635B (zh) | 一种基于多设备的复杂环境下多目标检测方法 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
JP2020128877A (ja) | 線状体の異常検出装置及び異常検出方法 | |
CN112101138A (zh) | 基于深度学习的桥梁拉索表面缺陷实时识别系统及方法 | |
CN112215907A (zh) | 一种焊缝缺陷自动提取方法 | |
CN115830407A (zh) | 一种基于yolov4目标检测模型的电缆管线故障判别算法 | |
CN114758125B (zh) | 基于深度学习的齿轮表面缺陷检测方法与系统 | |
CN113139572A (zh) | 一种基于图像的列车空气弹簧的故障检测方法 | |
CN114743099A (zh) | 列车关键部件故障识别方法、装置 | |
CN114331961A (zh) | 用于对象的缺陷检测的方法 | |
CN111915565B (zh) | 一种基于yolact算法对输变电线路瓷瓶裂缝实时分析方法 | |
CN111767919B (zh) | 一种多层双向特征提取与融合的目标检测方法 | |
CN111931577A (zh) | 一种电网线路特定异物智能巡检方法 | |
CN105699386A (zh) | 一种采用接触式图像传感器的自动验布标记方法 | |
CN116071299A (zh) | 一种绝缘子rtv喷涂缺陷检测方法及系统 | |
CN112001396B (zh) | 一种轴承表面形变及文字混合缺陷图像检测方法 | |
CN112614097B (zh) | 铁路火车轴箱转臂异物检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |