CN112083017A - 焊缝内部缺陷智能检测装置、方法及介质 - Google Patents
焊缝内部缺陷智能检测装置、方法及介质 Download PDFInfo
- Publication number
- CN112083017A CN112083017A CN202010949152.1A CN202010949152A CN112083017A CN 112083017 A CN112083017 A CN 112083017A CN 202010949152 A CN202010949152 A CN 202010949152A CN 112083017 A CN112083017 A CN 112083017A
- Authority
- CN
- China
- Prior art keywords
- defect
- image
- neural network
- network model
- welding seam
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 215
- 238000001514 detection method Methods 0.000 title claims abstract description 91
- 238000003466 welding Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000013135 deep learning Methods 0.000 claims abstract description 41
- 238000003384 imaging method Methods 0.000 claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 238000004088 simulation Methods 0.000 claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 123
- 238000012549 training Methods 0.000 claims description 75
- 238000010586 diagram Methods 0.000 claims description 54
- 230000006870 function Effects 0.000 claims description 39
- 238000003062 neural network model Methods 0.000 claims description 38
- 238000012216 screening Methods 0.000 claims description 17
- 230000002950 deficient Effects 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 239000002893 slag Substances 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 5
- 238000003707 image sharpening Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000005204 segregation Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 14
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000012854 evaluation process Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 238000012372 quality testing Methods 0.000 abstract 1
- 238000011156 evaluation Methods 0.000 description 13
- 238000011478 gradient descent method Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003706 image smoothing Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- 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
- 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
- G01N2223/60—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
-
- 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
- G06T2207/10116—X-ray image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明提供了一种焊缝内部缺陷智能检测装置、方法及介质，X射线管发出的X射线透照焊缝在成像板上得到包含焊缝内部质量信息的数字图像，通过光路仿真与控制单元实现最佳成像，生成图像自动上传至云平台服务器后，通过采用数字图像处理技术、深度学习神经网络算法对图像进行智能预处理、判读缺陷存在与否、缺陷定位、缺陷类型识别、缺陷评级,实现图像表征质量的检测。本发明在检测过程中实现了对复杂结构焊缝检测过程的精确控制；在图像评价过程通过缺陷智能识别，代替人工评片过程，有效地缩减人工检测时长，在保证缺陷识别准确率的前提下，避免人为误差，提高焊缝质量检测工作效率。
Description
技术领域
本发明涉及智能化检测技术领域，具体地，涉及焊缝内部缺陷智能检测装置、方法及介质。
背景技术
目前在工业领域，焊缝内部缺陷检测是生产过程质量检测的重要一环，通常采用数字射线成像技术对焊缝内部信息拍片，之后由经验丰富的工人根据片子对焊缝内部缺陷判读。但是，数字射线图像的缺陷评判需要具有资质的技能工人才能完成，培养技能工人需要耗费大量的时间和金钱，而且，大量的评片工作易导致技能工人的疲劳，极易导致误判、漏判等人为误差。同时，伴随生产力的发展，产量的增加，对评片效率提出了更高要求。随着人工智能技术的发展，基于数字图像的深度学习神经网络算法在无损检测领域中承担起越来越重要的任务。
现有技术通过检测人员制定检测工艺实现焊缝检测，检测光路的布置严重依靠检测人员知识贮备与经验，检测图像评价靠检测人员，检测图像质量与评价受主观影响严重，检测效率和检测一致性不高。
专利文献CN107748200B(申请号：CN201710712559.0)公开了一种基于特征导波的焊缝缺陷检测压电阵列式柔性传感器及检测方法。传感器由多个压电单元构成矩阵，排列在柔性衬底上；每个压电单元上覆盖阻尼块，周围填充吸声材料，传感器外壳以柔性保护膜封装；所有压电单元正极引线串联一个逻辑开关和延时器后，并联至正极总线。压电单元分三种类别，分别激发三种不同模式导波，对不同类型的缺陷敏感程度不一，实现互补。该传感器通过逻辑开关选择不同的压电阵列检测方式，且适应不同曲率表面和结构的焊缝检测需求；延时器调节激励时间差，实现声束的合成与聚焦。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种焊缝内部缺陷智能检测装置、方法及介质。
根据本发明提供的一种焊缝内部缺陷智能检测装置，包括：X射线管、成像板、光路仿真与控制单元、云平台服务器；
光路仿真与控制单元根据焊缝外形选择透照光路，并根据选择的透照光路，调整X射线管和成像板的位置，使焊缝位于X射线管与成像板之间的预设位置；X射线透射焊缝后，在成像板上成像，得到X射线图像，即焊缝原始灰度图像，将图像推送至云平台服务器。
优选地，所述预设位置指：
成像板位于X射线管发出射线的焦点所在的焦平面。
根据本发明提供的一种基于上述所述的焊缝内部缺陷智能检测装置的焊缝内部缺陷智能检测方法，光路仿真与控制单元根据焊缝外形，选择最佳透照光路，并根据最佳透照光路，调整X射线管和成像板的位置，使焊缝位于X射线管与成像板之间的预设位置；X射线透射焊缝后，在成像板上成像，得到X射线图像，即焊缝原始灰度图像，将图像推送至云平台服务器；
云平台服务器，对焊缝原始灰度图像进行预处理，使得原始灰度图像的对比度达到要求，得到预处理后的图像；将预处理后的图像输入卷积神经网络模型CNN，进行缺陷筛选，判断预处理后的图像中是否含有缺陷；
将判定为含有缺陷的图像，输入到带有感兴趣区域的卷积神经网络模型RCNN，对有缺陷的图像中的缺陷定位，并标注缺陷所在位置的最小框图，实现缺陷定位；
提取缺陷定位后最小框图内的图像，输入深度学习神经网络模型DNN，进行缺陷分类，得到缺陷的类型。
优选地，所述对焊缝原始灰度图像进行预处理，所述预处理方式包括：图像增强、图像非线性变化、滤波降噪以及图像锐化；
原始灰度图像的对比度要求，具体为：一个像素点相邻四个像素点的灰度差值满足检测阈值最低区分限度要求；
缺陷，包括气孔、夹渣、缩松、裂纹、偏析这几类缺陷。
优选地，所述卷积神经网络模型CNN经过预先训练，具体训练方式如下：
(1)建立带标签的训练图像集，训练图像为焊缝原始灰度图像经过预处理后的图像，预先将图像有无缺陷进行标记，形成标签；标签分为有缺陷和无缺陷标记；
(2)将训练图像集中的图像逐个输入至未经训练的卷积神经网络模型CNN，根据预先设定卷积神经网络模型CNN的结构、目标函数、模型参数优化方法，对卷积神经网络模型CNN进行训练，得到训练好的卷积神经网络模型CNN，即已对卷积神经网络模型CNN中参数进行优化。
优选地，所述训练好的卷积神经网络模型CNN能够输出标签，根据标签判断焊缝是否有缺陷，实现缺陷筛选。
缺陷所在位置的最小框图，是指：与缺陷最长径相切的一组平行线和与其垂直的一组平行线组成的矩形框。
优选地，所述带有感兴趣区域的卷积神经网络模型RCNN，需要经过预先训练，训练方式如下：
(1)建立带有缺陷最小框图的训练图像集；
(2)将带有缺陷最小框图的训练图像集中的图像逐个输入至初始卷积神经网络模型RCNN，根据预先设定带有感兴趣区域的卷积神经网络模型RCNN的结构、目标函数、模型参数优化方法，对带有感兴趣区域的卷积神经网络模型RCNN进行训练，得到训练好的带有感兴趣区域的RCNN模型，即已对带有感兴趣区域的卷积神经网络模型RCNN中参数进行优化。
优选地，所述训练好的带有感兴趣区域的卷积神经网络模型RCNN能够输出缺陷所在位置的最小框图，根据缺陷所在位置的最小框图，实现缺陷定位。
优选地，所述深度学习神经网络模型DNN，需要经过预先训练，训练方式如下：
(1)建立带缺陷类型标签的带有缺陷最小框图的训练图像集；每个带有缺陷最小框图的训练图像的缺陷类型标签对应一种缺陷类型；
(2)将带缺陷类型标签的带有缺陷最小框图的训练图像集中的图像逐个输入初始深度学习神经网络模型DNN，根据预先设定深度学习神经网络模型DNN的结构、目标函数、模型参数优化方法，对深度学习神经网络模型DNN进行训练，得到训练好的深度学习神经网络模型DNN，即已对深度学习神经网络模型DNN中参数进行优化。
优选地，所述计算机程序被处理器执行时实现上述中任一项所述的焊缝内部缺陷智能检测方法的步骤。
与现有技术相比，本发明具有如下的有益效果：
(1)本发明通过采用光路仿真与控制模块实现最优检测光路确认，代替检测人员依靠经验制定的光路布置，得到最优图像，提高图像精度与灵敏度。
(2)本发明通过采用云平台服务器进行数字射线图像智能分析，通过云服务，可以有效收集汇总检测过程中不同产品，不同时间的逐渐质量信息与内部缺陷，为设计与生产工艺优化提升数据支撑，最终提升产品的质量
(3)本发明通过计算机深度学习方法对数字射线图像分析，智能判读结果，部分或全部代替人工评片过程，有效地缩减人工检测时长，在保证缺陷识别准确率的前提下，避免人因误差，提高焊缝质量检测工作效率。
(4)本发明通过卷积神经网络模型CNN进行数字射线图像缺陷筛选，该方法可以有效识别图像中的宏观信息和微观信息，并且可以随着数据量积累进行模型升级优化，为缺陷筛选算法迭代提供支撑。
(5)本发明通过带有感兴趣区域的卷积神经网络模型RCNN进行数字射线图像缺陷定位，该方法可以有效识别缺陷最小框图，为后续缺陷尺寸测量进行缺陷评级提供支撑。
(6)通过云平台服务器实现检测数据实时上传与处理，为生产全流程数字化创造条件
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明焊缝数字射线图像智能缺陷检测方法示意框图；
图2为本发明焊缝内部缺陷智能检测装置示意图；
图3为本发明焊缝数字射线图像缺陷筛选算法示意图；
图4为本发明焊缝数字射线图像缺陷定位算法示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
下面通过实施例，对本发明进行更为具体地说明。
实施例1：
下面结合附图和具体实施例对本发明做进一步详细描述。
本发明主要应用于复杂结构件的焊缝检测中，有效提高检测质量与检测一致性，提高检测图像评价的准确度与效率，最终提升焊缝质量，同时检测数据实现云平台存储与推送，为生产流程的数字化与智能化应用提供基础。
图1为本发明焊缝数字射线图像智能缺陷检测方法示意框图，图1中，1-原始图像，2-图像预处理，3-缺陷筛选，4-缺陷定位，5-缺陷类型识别，6-缺陷1，7-缺陷2，8-缺陷3，9-合格，10-返工维修，11-让步接收，12-报废。图2为本发明焊缝内部缺陷智能检测装置示意图，图2中，①-光路仿真与控制单元，②-X射线管，③-成像板，④-云平台。图3为本发明焊缝数字射线图像缺陷筛选算法示意图，图3中，a-卷积层，b-降采样层，c-卷积层，d-降采样层，e-全连接层，f-输出层(全连接+Softmax激活)。图4为本发明焊缝数字射线图像缺陷定位算法示意图，图4中，A-提取候选框，B-CNN提取特征图，C-ROI pooling，D-分类，5-回归。
本发明的一种焊缝内部缺陷智能检测装置，包括：X射线管、成像板、光路仿真与控制单元、云平台服务器；如图2所示；
光路仿真与控制单元，能够根据焊缝的形貌特征或三维模型，通过内置仿真模块优选最佳透照光路，即X射线从射线管发出，垂直于焊缝表面或其切面透射焊缝至成像板，或因焊缝特殊结构无法从垂直表面射入时，保证射线透射焊缝的路径最短；根据最佳透照管路控制X射线管和成像板，调整其位置，使焊缝位于X射线管与成像板之间的最佳位置，即成像板位于X射线管发出射线的焦点所在的焦平面；光路仿真与控制单元控制X射线管发出X射线，X射线透射焊缝后，在成像板上成像，光路仿真与控制单元控制成像板获取X射线图像，即焊缝原始灰度图像；光路仿真与控制单元，将焊缝原始灰度图像推送至云平台服务器；
云平台服务器，对焊缝原始灰度图像进行预处理，使得原始灰度图像的对比度达到要求，得到预处理后的图像；将预处理后的图像输入卷积神经网络模型CNN，进行缺陷筛选，判断预处理后的图像中是否含有缺陷。云平台服务器可以将缺陷智能检测方法打包集成，同时还可以部署在互联网上，输出云服务；并可有效收集汇总检测过程中不同产品，形成不同产品的焊缝数字射线图像数据集，为缺陷智能检测方法的研发提供基础。
将判定为含有缺陷的图像，输入到带有感兴趣区域的卷积神经网络模型RCNN，对有缺陷的图像中的缺陷定位，并标注缺陷所在位置的最小框图，实现缺陷定位。
提取缺陷定位后最小框图内的图像，输入深度学习神经网络模型DNN，进行缺陷分类，得到缺陷的类型。
成像板位于X射线管辐射的焦点上。
对焊缝原始灰度图像进行预处理，具体如下：
针对厚度梯度变化剧烈的原始灰度图像，预处理方式包括但不限于：图像增强、图像非线性变化、滤波降噪、图像锐化等。
针对表面粗糙的原始灰度图像，预处理方式包括但不限于：图像增强、滤波降噪、图像平滑等。
针对焊缝边缘的原始灰度图像，预处理方式包括但不限于：图像增强、图像非线性变化、滤波降噪、小波变换等。
实际进行图像预处理时，会尝试不同的预处理方法组合、参数，并从中优选出效果较好的预处理方法组合、参数。
原始灰度图像的对比度要求，优选为：一个像素点相邻四个像素点的灰度差值满足检测阈值最低区分限度要求。
缺陷，优选包括气孔、夹渣、未焊透这几类缺陷。
卷积神经网络模型CNN经过预先训练，优选训练方式如下：
①建立带标签的训练图像集，训练图像为焊缝原始灰度图像经过预处理后的图像，预先将图像有无缺陷进行标记，形成标签；标签分为有缺陷和无缺陷标记；
②将训练图像集中的图像逐个输入至未经训练的卷积神经网络模型CNN，即在VGG网络模型结构的基础上利用随机函数初始化模型参数，之后将模型输出与输入的误差定义为目标函数，采用误差反向传播的方法更新模型参数，并用梯度下降的方法寻找参数更新下求得目标函数极小值，采用上述流程对卷积神经网络模型CNN进行训练，如图3所示，图像输入后，经过卷积得到特征图，经过降采样得到特征图，再重复卷积、降采样过程，将最终得到的特征图输入全连接层，通过输出层输出筛选结果。训练后得到训练好的卷积神经网络模型CNN，即已对卷积神经网络模型CNN中参数进行优化。实际训练过程中，卷积神经网络模型CNN的结构、目标函数、模型参数优化可以进行多种组合进行训练测试，如CNN的结构除VGG网络外，还可以选择AlexNet、ResNet等网络结构；目标函数除了输出与输入的误差外，还可以增加学习率、正则项等参数，组成相对复杂的目标函数；模型参数优化除了梯度下降方法外，还可以选择随机梯度下降、动量梯度下降、小批量梯度下降等方法，训练时，可以选取各种方法进行组合，从中选取效果较好的组合，如准确率高、虚检率低、训练速度快等，作为参数进行卷积神经网络模型CNN训练。
训练好的卷积神经网络模型CNN能够输出标签，根据标签判断焊缝是否有缺陷，实现缺陷筛选。
带有感兴趣区域的卷积神经网络模型RCNN，需要经过预先训练，优选训练方式如下：
①建立带有缺陷最小框图的训练图像集；训练图像集中的训练图像，带有焊缝所有可能发生的缺陷，每个训练图像至少包含一个缺陷，所有可能发生的缺陷，包括：气孔、夹渣、未焊透。
②将带有缺陷最小框图的训练图像集中的图像逐个输入至未经训练的带有感兴趣区域的卷积神经网络模型RCNN，即在YOLO网络模型结构的基础上利用随机函数初始化模型参数，之后将模型输出与输入的误差定义为目标函数，采用误差反向传播的方法更新模型参数，并用梯度下降的方法寻找参数更新放下求得目标函数极小值，采用上述流程对带有感兴趣区域的卷积神经网络模型RCNN进行训练，如图4所示，在输入图像上提取候选框，通过CNN提取特征图的方法将候选框映射到特征图ROI，再通过ROI pooling将ROI调整到固定尺寸，获取ROI特征后进行分类和回归。训练后得到训练好的带有感兴趣区域的卷积神经网络模型RCNN，即已对带有感兴趣区域的卷积神经网络模型RCNN中参数进行优化。实际训练过程中，卷积神经网络模型RCNN的结构、目标函数、模型参数可以进行多种组合进行训练测试，如RCNN的结构除YOLO网络外，还可以选择SDD等网络结构；目标函数除了输出与输入的误差外，还可以增加学习率、正则项等参数，组成相对复杂的目标函数；模型参数优化除了梯度下降方法外，还可以选择随机梯度下降、动量梯度下降、小批量梯度下降等方法，训练时，可以选取各种方法进行组合，从中选取效果好的组合，如准确率高、虚检率低、训练速度快等，作为参数进行卷积神经网络模型RCNN训练。
训练好的带有感兴趣区域的卷积神经网络模型RCNN优选能够输出缺陷所在位置的最小框图，根据缺陷所在位置的最小框图，实现缺陷定位。
深度学习神经网络模型DNN，需要经过预先训练，优选训练方式如下：
①建立带缺陷类型标签的带有缺陷最小框图的训练图像集；每个带有缺陷最小框图的训练图像的缺陷类型标签对应一种缺陷类型；
②将带缺陷类型标签的带有缺陷最小框图的训练图像集中的图像逐个输入至未经训练的深度学习神经网络模型DNN，即在AlexNet网络模型结构的基础上利用随机函数初始化模型参数，之后将模型输出与输入的误差定义为目标函数，采用误差反向传播的方法更新模型参数，并用梯度下降的方法寻找参数更新放下求得目标函数极小值，采用上述流程对深度学习神经网络模型DNN进行训练，得到训练好的深度学习神经网络模型DNN，即已对深度学习神经网络模型DNN中参数进行优化。实际训练过程中，卷积神经网络模型DNN的结构、目标函数、模型参数可以进行多种组合进行训练测试，如DNN的结构除AlexNet网络外，还可以选择VGG、ResNet等网络结构；目标函数除了输出与输入的误差外，还可以增加学习率、正则项等参数，组成相对复杂的目标函数；模型参数优化除了梯度下降方法外，还可以选择随机梯度下降、动量梯度下降、小批量梯度下降等方法，训练时，可以选取各种方法进行组合，从中选取效果好的组合，如准确率高、虚检率低、训练速度快等，作为参数进行卷积神经网络模型DNN训练。
深度学习神经网络模型DNN能够输出带缺陷类型标签，根据带缺陷类型标签，实现缺陷分类。
在缺陷分类后，还可以对经过分类后的缺陷，进行缺陷评级，判断其缺陷等级是否满足预先输入的同种缺陷的不同级别图样，并输出检测结果；
本发明进行预处理，实现缺陷对比度提高的进一步方案为：引入优化算法，寻找缺陷对比度最大化的预处理组合。
本发明设定原始灰度图像的对比度要求，实现图像对比度提高的进一步方案为：根据待检焊缝的尺寸、材料，调整X射线辐照强度。
本发明卷积神经网络模型CNN进行训练，实现缺陷筛选提高的进一步方案为：选择残差网络ResNet的结构作为卷及神经网络模型CNN的结构进行训练。
本发明带有感兴趣区域的卷积神经网络模型RCNN进行训练，实现缺陷定位提高的进一步方案为：选择Faster R-CNN模型的结构作为带有感兴趣区域的卷及神经网络模型RCNN的结构进行训练。
本发明深度学习神经网络模型DNN进行训练，实现缺陷分类提高的进一步方案为：在深度学习神经网络模型DNN的目标函数中优化学习率、正则项部分
本发明在缺陷分类后，还可以对经过分类后的缺陷，进行缺陷评级，判断其缺陷等级是否满足检验标准，并输出检测结果，优选方案为：
在缺陷分类后，应用DNN网络对经过分类后的缺陷，进行缺陷评级，具体是将待评级图像输入已经训练好的网络，并输出表征缺陷等级的标签，判断依据是评价其是否满足事先DNN网络训练人员输入的同种缺陷的不同级别图样。
本发明能够实现装置什么指标提高的进一步方案为：实现智能评片的漏判率降低的进一步方案为，将漏判率写入目标函数，进行优化
在焊缝检测过程中，本发明克服了通常采用的射线成像技术对焊缝内部信息拍片，之后由经验丰富的工人根据片子对焊缝内部缺陷判读的问题。并且解决了质量检测期间，用工成本高、经验丰富的工人稀缺、培养具备检测资质的技术工人周期长，且随着检测工作强度的增加，人工检测往往伴随着检测效率低、检测结果误判漏判等人为误差，严重影响产品质量检测工作的问题。
以舱体环焊缝为例，本发明提出的焊缝缺陷智能检测装置及方法关键流程如下：(1)射线源至于圆筒形舱体内部，X射线自射线源发出，垂直于焊缝舱体表面切面射入，形成最佳透照光路，由置于舱体外部且位于射线焦平面上的成像板接收，形成舱体环焊缝数字射线原始灰度图像，推送至云平台服务器。(2)云平台服务器对舱体环焊缝数字射线原始灰度图像进行预处理，使得原始灰度图像的对比度达到要求，得到预处理后的图像；(3)将预处理后的图像输入卷积神经网络模型CNN，进行缺陷筛选，判断预处理后的图像中是否含有缺陷。卷积神经网络模型CNN需要预先训练，在VGG网络模型结构的基础上利用随机函数初始化模型参数得到未经训练的卷积神经网络模型CNN，将模型输出与输入的误差定义为目标函数，采用误差反向传播的方法更新模型参数，并用梯度下降的方法寻找参数更新放下求得目标函数极小值，完成对卷积神经网络模型CNN的训练。训练后的卷积神经网络模型CNN具备缺陷筛选能力，能够将输入图像进行有无缺陷的筛选。(4)将判定为含有缺陷的图像，输入到带有感兴趣区域的卷积神经网络模型RCNN，对有缺陷的图像中的缺陷定位，并标注缺陷所在位置的最小框图，实现缺陷定位。带有感兴趣区域的卷积神经网络模型RCNN需要预先训练，在YOLO网络模型结构的基础上利用随机函数初始化模型参数得到未经训练的带有感兴趣区域的卷积神经网络模型RCNN，将模型输出与输入的误差定义为目标函数，采用误差反向传播的方法更新模型参数，并用梯度下降的方法寻找参数更新放下求得目标函数极小值，完成对带有感兴趣区域的卷积神经网络模型RCNN的训练。训练后的带有感兴趣区域的卷积神经网络模型RCNN具备缺陷定位能力，能够标注缺陷所在位置的最小框图，实现缺陷定位。(5)提取缺陷定位后最小框图内的图像，输入深度学习神经网络模型DNN，进行缺陷分类，得到缺陷的类型。深度学习神经网络模型DNN需要预先训练，在AlexNet网络模型结构的基础上利用随机函数初始化模型参数得到未经训练的深度学习神经网络模型DNN，将模型输出与输入的误差定义为目标函数，采用误差反向传播的方法更新模型参数，并用梯度下降的方法寻找参数更新放下求得目标函数极小值，完成对深度学习神经网络模型DNN的训练。训练后的深度学习神经网络模型DNN具备缺陷分类能力，能够将输入的最小框图内的缺陷图像具体类别(气孔、夹渣、未焊透)进行分类。
本发明进行了评片效率测试，从焊缝数字射线图像中随机抽取500张图像，分别交给有经验的评片师评片和本发明所提及的缺陷智能检测装置及方法评片，记录人工评片和机器评片的总时间，计算每一张图像的评片时间。测试结果为，人工平片时间28.6秒每张，机器平片时间14.3秒每张。本发明提及的缺陷智能检测装置及方法比传统人工评片方式提升效率约100％。
通过对比可知，本发明中以计算机结合深度学习神经网络人工智能算法的检测方式代替传统人工检测方式，将经验丰富的检验技能人员的检测知识转换为可被计算机量化的机器语言，通过对X射线检测设备采集到的数字图像，采用人工智能新技术进行分析图像，对图像中的缺陷定位、识别、评级，自动化、智能化判读输出结果，在保证检测准确率的前提下，可以长时间稳定工作，避免人为误差，提高工作效率，缩减用工成本。且在检测数据量不断积累的情况下，检测正确率也将随之提高。
实施例2：
本发明解决的技术问题为：克服现有技术不足，提供一种焊缝内部缺陷智能检测装置及方法，应用于焊缝的质量检测任务，根据焊缝内部缺陷特征，运用计算机深度学习方法对数字射线图像分析，智能判读结果，有效地缩减人工检测时长，在保证缺陷识别准确率的前提下，避免人为操作引起的误差，提高焊缝质量检测工作效率。
本发明解决的技术方案为：一种焊缝内部缺陷智能检测装置及方法，包括：X射线管、成像板、光路仿真与控制单元、云平台服务器；
光路仿真与控制单元，能够根据焊缝的外形或三维模型，选择最佳透照光路，并能够根据最佳透照光路，调整X射线管和成像板的位置，使焊缝位于X射线管与成像板之间的最佳位置；光路仿真与控制单元控制X射线管发出X射线，X射线透射焊缝后，在成像板上成像，得到X射线图像，即焊缝原始灰度图像；将焊缝原始灰度图像推送至云平台服务器；
云平台服务器，对焊缝原始灰度图像进行预处理，使得原始灰度图像的对比度达到要求，即得到预处理后的图像；将预处理后的图像输入卷积神经网络模型CNN，进行缺陷筛选，判断预处理后的图像中是否含有缺陷。
将判定为含有缺陷的图像，输入到带有感兴趣区域的卷积神经网络模型RCNN，对有缺陷的图像中的缺陷定位，并标注缺陷所在位置的最小框图，实现缺陷定位。
提取缺陷定位后最小框图内的图像，输入深度学习神经网络模型DNN，进行缺陷分类，得到缺陷的类型。
优选的，成像板要位于X射线管辐射的焦点上。
优选的，对焊缝原始灰度图像进行预处理，具体如下：
针对厚度梯度变化剧烈的原始灰度图像，预处理方式包括但不限于：图像增强、图像非线性变化、滤波降噪、图像锐化。
针对表面粗糙的原始灰度图像，预处理方式包括但不限于：图像增强、滤波降噪、图像平滑。
针对焊缝边缘的原始灰度图像，预处理方式包括但不限于：图像增强、图像非线性变化、滤波降噪、小波变换。
优选的，原始灰度图像的对比度要求，具体为：一个像素点相邻四个像素点的灰度差值满足检测阈值最低区分限度要求。
优选的，缺陷，包括气孔、夹渣、未焊透这几类缺陷。
优选的，卷积神经网络模型CNN经过预先训练，具体训练方式如下：
(1)建立带标签的训练图像集，训练图像为焊缝原始灰度图像经过预处理后的图像，预先将图像有无缺陷进行标记，形成标签；标签分为有缺陷和无缺陷标记；
(2)将训练图像集中的的图像逐个输入至未经训练的卷积神经网络模型CNN，根据预先设定卷积神经网络模型CNN的结构、目标函数、模型参数优化方法，对卷积神经网络模型CNN进行训练，得到训练好的卷积神经网络模型CNN，即已对卷积神经网络模型CNN中参数进行优化。
优选的，训练好的卷积神经网络模型CNN能够输出标签，根据标签判断焊缝是否有缺陷，实现缺陷筛选。
优选的，缺陷所在位置的最小框图，是指：与缺陷最长径相切的一组平行线和与其垂直的一组平行线(与缺陷边缘最外侧可相切部位)组成的矩形框。
优选的，带有感兴趣区域的卷积神经网络模型RCNN，需要经过预先训练，训练方式如下：
(1)建立带有缺陷最小框图的训练图像集；
(2)将带有缺陷最小框图的训练图像集中的图像逐个输入至未经训练的带有感兴趣区域的卷积神经网络模型RCNN，根据预先设定带有感兴趣区域的卷积神经网络模型RCNN的结构、目标函数、模型参数优化方法，对带有感兴趣区域的卷积神经网络模型RCNN进行训练，得到训练好的带有感兴趣区域的卷积神经网络模型RCNN，即已对带有感兴趣区域的卷积神经网络模型RCNN中参数进行优化。
优选的，训练好的带有感兴趣区域的卷积神经网络模型RCNN能够输出缺陷所在位置的最小框图，根据缺陷所在位置的最小框图，实现缺陷定位。
优选的，深度学习神经网络模型DNN，需要经过预先训练，训练方式如下：
(1)建立带缺陷类型标签的带有缺陷最小框图的训练图像集；每个带有缺陷最小框图的训练图像的缺陷类型标签对应一种缺陷类型；
(2)将带缺陷类型标签的带有缺陷最小框图的训练图像集中的图像逐个输入至未经训练的深度学习神经网络模型DNN，根据预先设定深度学习神经网络模型DNN的结构、目标函数、模型参数优化方法，对深度学习神经网络模型DNN进行训练，得到训练好的深度学习神经网络模型DNN，即已对深度学习神经网络模型DNN中参数进行优化。
优选的，深度学习神经网络模型DNN能够输出带缺陷类型标签，根据带缺陷类型标签，实现缺陷分类。
优选的，在缺陷分类后，还可以对经过分类后的缺陷，进行缺陷评级，判断其缺陷等级是否满足预先DNN网络训练输入的同种缺陷的不同级别图样，并输出检测结果。
在本申请的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种焊缝内部缺陷智能检测装置，其特征在于，包括：X射线管、成像板、光路仿真与控制单元、云平台服务器；
光路仿真与控制单元根据焊缝外形选择透照光路，并根据选择的透照光路，调整X射线管和成像板的位置，使焊缝位于X射线管与成像板之间的预设位置；X射线透射焊缝后，在成像板上成像，得到X射线图像，即焊缝原始灰度图像，将图像推送至云平台服务器。
2.根据权利要求1所述的一种焊缝内部缺陷智能检测装置及方法，其特征在于，所述预设位置指：
成像板位于X射线管发出射线的焦点所在的焦平面。
3.一种基于权利要求1所述的焊缝内部缺陷智能检测装置的焊缝内部缺陷智能检测方法，其特征在于，光路仿真与控制单元根据焊缝外形，选择最佳透照光路，并根据最佳透照光路，调整X射线管和成像板的位置，使焊缝位于X射线管与成像板之间的预设位置；X射线透射焊缝后，在成像板上成像，得到X射线图像，即焊缝原始灰度图像，将图像推送至云平台服务器；
云平台服务器，对焊缝原始灰度图像进行预处理，使得原始灰度图像的对比度达到要求，得到预处理后的图像；将预处理后的图像输入卷积神经网络模型CNN，进行缺陷筛选，判断预处理后的图像中是否含有缺陷；
将判定为含有缺陷的图像，输入到带有感兴趣区域的卷积神经网络模型RCNN，对有缺陷的图像中的缺陷定位，并标注缺陷所在位置的最小框图，实现缺陷定位；
提取缺陷定位后最小框图内的图像，输入深度学习神经网络模型DNN，进行缺陷分类，得到缺陷的类型。
4.基于权利要求3所述的一种焊缝内部缺陷智能检测方法，其特征在于，所述对焊缝原始灰度图像进行预处理，所述预处理方式包括：图像增强、图像非线性变化、滤波降噪以及图像锐化；
原始灰度图像的对比度要求，具体为：一个像素点相邻四个像素点的灰度差值满足检测阈值最低区分限度要求；
缺陷，包括气孔、夹渣、缩松、裂纹、偏析这几类缺陷。
5.根据权利要求3所述的一种焊缝内部缺陷智能检测方法，其特征在于，所述卷积神经网络模型CNN经过预先训练，具体训练方式如下：
(1)建立带标签的训练图像集，训练图像为焊缝原始灰度图像经过预处理后的图像，预先将图像有无缺陷进行标记，形成标签；标签分为有缺陷和无缺陷标记；
(2)将训练图像集中的图像逐个输入至未经训练的卷积神经网络模型CNN，根据预先设定卷积神经网络模型CNN的结构、目标函数、模型参数优化方法，对卷积神经网络模型CNN进行训练，得到训练好的卷积神经网络模型CNN，即已对卷积神经网络模型CNN中参数进行优化。
6.根据权利要求5所述的一种焊缝内部缺陷智能检测方法，其特征在于，所述训练好的卷积神经网络模型CNN能够输出标签，根据标签判断焊缝是否有缺陷，实现缺陷筛选。
缺陷所在位置的最小框图，是指：与缺陷最长径相切的一组平行线和与其垂直的一组平行线组成的矩形框。
7.根据权利要求3所述的一种焊缝内部缺陷智能检测方法，其特征在于，所述带有感兴趣区域的卷积神经网络模型RCNN，需要经过预先训练，训练方式如下：
(1)建立带有缺陷最小框图的训练图像集；
(2)将带有缺陷最小框图的训练图像集中的图像逐个输入至初始卷积神经网络模型RCNN，根据预先设定带有感兴趣区域的卷积神经网络模型RCNN的结构、目标函数、模型参数优化方法，对带有感兴趣区域的卷积神经网络模型RCNN进行训练，得到训练好的带有感兴趣区域的RCNN模型，即已对带有感兴趣区域的卷积神经网络模型RCNN中参数进行优化。
8.根据权利要求7所述的一种焊缝内部缺陷智能检测方法，其特征在于，所述训练好的带有感兴趣区域的卷积神经网络模型RCNN能够输出缺陷所在位置的最小框图，根据缺陷所在位置的最小框图，实现缺陷定位。
9.根据权利要求3所述的一种焊缝内部缺陷智能检测方法，其特征在于，所述深度学习神经网络模型DNN，需要经过预先训练，训练方式如下：
(1)建立带缺陷类型标签的带有缺陷最小框图的训练图像集；每个带有缺陷最小框图的训练图像的缺陷类型标签对应一种缺陷类型；
(2)将带缺陷类型标签的带有缺陷最小框图的训练图像集中的图像逐个输入初始深度学习神经网络模型DNN，根据预先设定深度学习神经网络模型DNN的结构、目标函数、模型参数优化方法，对深度学习神经网络模型DNN进行训练，得到训练好的深度学习神经网络模型DNN，即已对深度学习神经网络模型DNN中参数进行优化。
10.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被处理器执行时实现权利要求3至9中任一项所述的焊缝内部缺陷智能检测方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010949152.1A CN112083017A (zh) | 2020-09-10 | 2020-09-10 | 焊缝内部缺陷智能检测装置、方法及介质 |
| PCT/CN2021/117548 WO2022053001A1 (zh) | 2020-09-10 | 2021-09-10 | 焊缝内部缺陷智能检测装置、方法及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010949152.1A CN112083017A (zh) | 2020-09-10 | 2020-09-10 | 焊缝内部缺陷智能检测装置、方法及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112083017A true CN112083017A (zh) | 2020-12-15 |
Family
ID=73736378
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010949152.1A Pending CN112083017A (zh) | 2020-09-10 | 2020-09-10 | 焊缝内部缺陷智能检测装置、方法及介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112083017A (zh) |
| WO (1) | WO2022053001A1 (zh) |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113222938A (zh) * | 2021-05-14 | 2021-08-06 | 珠海埃克斯智能科技有限公司 | 芯片缺陷检测方法及系统与计算机可读存储介质 |
| CN113298738A (zh) * | 2021-07-13 | 2021-08-24 | 上海航天精密机械研究所 | X射线焊缝图像自动增强装置及方法 |
| CN113379721A (zh) * | 2021-06-29 | 2021-09-10 | 广东科学技术职业学院 | 一种基于云平台的电子元器件质量检测装置 |
| CN113409245A (zh) * | 2021-04-06 | 2021-09-17 | 中国电子技术标准化研究院 | 一种电子元器件x射线检查缺陷自动识别方法 |
| CN113421304A (zh) * | 2021-06-21 | 2021-09-21 | 沈阳派得林科技有限责任公司 | 一种工业射线底片图像焊道区域智能定位方法 |
| CN113418940A (zh) * | 2021-06-24 | 2021-09-21 | 电子科技大学 | 一种基于x射线示踪颗粒的检测方法及检测装置 |
| CN113781415A (zh) * | 2021-08-30 | 2021-12-10 | 广州大学 | 一种x射线图像的缺陷检测方法、装置、设备及介质 |
| CN113866189A (zh) * | 2021-08-24 | 2021-12-31 | 上海航天精密机械研究所 | 基于多机械手协同的射线数字成像检测装置及其检测方法 |
| CN114076775A (zh) * | 2021-11-15 | 2022-02-22 | 国核示范电站有限责任公司 | 一种管道焊缝射线检测几何不清晰度控制工艺 |
| WO2022053001A1 (zh) * | 2020-09-10 | 2022-03-17 | 上海航天精密机械研究所 | 焊缝内部缺陷智能检测装置、方法及介质 |
| CN114354623A (zh) * | 2021-12-30 | 2022-04-15 | 苏州凌云视界智能设备有限责任公司 | 弱印痕提取算法、装置、设备和介质 |
| CN114559177A (zh) * | 2022-03-07 | 2022-05-31 | 北京洞微科技发展有限公司 | 基于影像数据分析的焊接评估方法、装置及存储介质 |
| CN115100195A (zh) * | 2022-08-24 | 2022-09-23 | 浙江双元科技股份有限公司 | 一种用于片材检测的一体化工业相机 |
| CN115121895A (zh) * | 2022-04-28 | 2022-09-30 | 广东省威汇智能科技有限公司 | 基于深度学习的选择波峰焊预警方法、装置及存储介质 |
| WO2022221803A1 (en) * | 2021-04-12 | 2022-10-20 | Exxonmobil Upstream Research Company | Method and system for evaluating radiograph testing inspection of pipe welding |
| CN115229374A (zh) * | 2022-07-07 | 2022-10-25 | 武汉理工大学 | 一种基于深度学习的汽车白车身焊缝质量检测方法、装置 |
| CN115266774A (zh) * | 2022-07-29 | 2022-11-01 | 中国特种设备检测研究院 | 基于人工智能的焊缝射线检测评片方法 |
| WO2022252462A1 (zh) * | 2021-05-31 | 2022-12-08 | 华南理工大学 | 一种大型叶片超低热输入快频焊接修复方法 |
| CN115564766A (zh) * | 2022-11-09 | 2023-01-03 | 浙江振兴阿祥集团有限公司 | 水轮机蜗壳座环的制备方法及其系统 |
| CN116433659A (zh) * | 2023-06-09 | 2023-07-14 | 山东高速工程检测有限公司 | 一种三段式道路缺陷图像处理方法 |
| CN117710369A (zh) * | 2024-02-05 | 2024-03-15 | 山东省科院易达信息科技有限公司 | 基于计算机视觉技术的金属铝磷化膜缺陷检测方法及系统 |
Families Citing this family (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114742811B (zh) * | 2022-04-27 | 2024-03-29 | 桂林电子科技大学 | 一种基于改进Yolox的SMT产线焊点缺陷快速检测方法及系统 |
| CN115861162A (zh) * | 2022-08-26 | 2023-03-28 | 宁德时代新能源科技股份有限公司 | 定位目标区域的方法、装置及计算机可读存储介质 |
| CN115482227B (zh) * | 2022-09-26 | 2023-09-12 | 中机生产力促进中心有限公司 | 机器视觉自适应成像环境调整方法 |
| CN115797314B (zh) * | 2022-12-16 | 2024-04-12 | 哈尔滨耐是智能科技有限公司 | 零件表面缺陷检测方法、系统、设备及存储介质 |
| CN116051542B (zh) * | 2023-03-06 | 2023-07-14 | 深圳市深视智能科技有限公司 | 缺陷检测方法及缺陷检测装置 |
| CN116188475B (zh) * | 2023-05-05 | 2023-07-25 | 德中(深圳)激光智能科技有限公司 | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 |
| CN116258718B (zh) * | 2023-05-15 | 2023-10-31 | 超音速人工智能科技股份有限公司 | 基于3d相机的焊接质量检测方法、系统、设备及介质 |
| CN116612120B (zh) * | 2023-07-20 | 2023-10-10 | 山东高速工程检测有限公司 | 一种针对数据不平衡的两阶段式道路缺陷检测方法 |
| CN116958086B (zh) * | 2023-07-21 | 2024-04-19 | 盐城工学院 | 具有增强特征融合能力的金属表面缺陷检测方法及系统 |
| CN117299596B (zh) * | 2023-08-14 | 2024-05-24 | 江苏秦郡机械科技有限公司 | 一种自动检测的物料筛选系统及其筛选方法 |
| CN117079100B (zh) * | 2023-08-14 | 2024-02-09 | 北京大学 | 一种基于深度学习的焊缝缺陷识别系统 |
| CN116765635B (zh) * | 2023-08-18 | 2024-04-12 | 济南邦德激光股份有限公司 | 一种用于激光切割机的焊缝识别方法及识别系统 |
| CN116883400B (zh) * | 2023-09-07 | 2023-11-21 | 山东大学 | 一种激光选区熔化过程中的铺粉孔隙率预测方法及系统 |
| CN116930194B (zh) * | 2023-09-14 | 2023-12-08 | 张家港思复安全科技有限公司 | 一种搅拌摩擦焊的缺陷检测系统、方法、电子设备和介质 |
| CN117066690B (zh) * | 2023-09-28 | 2024-01-23 | 苏师大半导体材料与设备研究院(邳州)有限公司 | 一种半导体加工用对准焊接装置 |
| CN117036348B (zh) * | 2023-10-08 | 2024-01-09 | 中国石油大学(华东) | 基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法 |
| CN117437188B (zh) * | 2023-10-17 | 2024-05-28 | 广东电力交易中心有限责任公司 | 一种用于智慧电网的绝缘子缺陷检测系统 |
| CN117095245A (zh) * | 2023-10-19 | 2023-11-21 | 阿法龙(山东)科技有限公司 | 一种基于深度学习的无缝钢管小样本学习方法 |
| CN117115162A (zh) * | 2023-10-24 | 2023-11-24 | 中安芯界控股集团有限公司 | 基于视觉分析对电池进行检测的芯片生产控制系统 |
| CN117314916B (zh) * | 2023-11-29 | 2024-01-30 | 宝鸡市钛程金属复合材料有限公司 | 一种基于人工智能的金属复合板爆炸焊接检测方法 |
| CN117381261B (zh) * | 2023-12-13 | 2024-03-08 | 德阳市华建机械设备有限公司 | 一种自动化焊接机的故障识别装置及方法 |
| CN117438330B (zh) * | 2023-12-19 | 2024-04-02 | 武创芯研科技(武汉)有限公司 | 一种基于平面压痕的晶圆级封装rdl再布线层缺陷检测方法 |
| CN117607155B (zh) * | 2024-01-24 | 2024-04-19 | 山东大学 | 一种应变片外观缺陷检测方法及系统 |
| CN117745718A (zh) * | 2024-02-19 | 2024-03-22 | 工业云制造(四川)创新中心有限公司 | 一种基于云制造的信息交互方法 |
| CN117853493B (zh) * | 2024-03-08 | 2024-05-24 | 山东天意机械股份有限公司 | 一种基于图像处理的墙板生产质量检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030099330A1 (en) * | 2000-02-05 | 2003-05-29 | Domingo Mery | Method for automatically detecting casting defects in a test piece |
| US20180268257A1 (en) * | 2017-03-20 | 2018-09-20 | Rolls-Royce Plc | Surface defect detection |
| US20190197679A1 (en) * | 2017-12-25 | 2019-06-27 | Utechzone Co., Ltd. | Automated optical inspection method using deep learning and apparatus, computer program for performing the method, computer-readable storage medium storing the computer program,and deep learning system thereof |
| 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 |
| 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 |
| 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 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| HU190197B (en) * | 1983-12-05 | 1986-08-28 | Kohaszati Gyarepitoe Vallalat,Hu | Method and device for testing quality of the welds by videoradiography |
| JP2968442B2 (ja) * | 1994-09-26 | 1999-10-25 | 川崎重工業株式会社 | 溶接欠陥の評価システム |
| DE102008062866B4 (de) * | 2008-11-13 | 2012-03-08 | Daimler Ag | Verfahren zur Qualitätsüberwachung einer Verbindungsnaht sowie Vorrichtung zum Laserschweißen oder Laserlöten |
| CN105938620B (zh) * | 2016-04-14 | 2018-12-25 | 北京工业大学 | 一种小口径管内焊缝表面缺陷识别装置 |
| CN110930347B (zh) * | 2018-09-04 | 2022-12-27 | 京东方科技集团股份有限公司 | 卷积神经网络的训练方法、焊点缺陷的检测方法及装置 |
| CN112083017A (zh) * | 2020-09-10 | 2020-12-15 | 上海航天精密机械研究所 | 焊缝内部缺陷智能检测装置、方法及介质 |
| CN112184693B (zh) * | 2020-10-13 | 2023-10-24 | 东北大学 | 一种射线工业底片焊缝缺陷智能检测方法 |
| CN113298738A (zh) * | 2021-07-13 | 2021-08-24 | 上海航天精密机械研究所 | X射线焊缝图像自动增强装置及方法 |
-
2020
- 2020-09-10 CN CN202010949152.1A patent/CN112083017A/zh active Pending
-
2021
- 2021-09-10 WO PCT/CN2021/117548 patent/WO2022053001A1/zh active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030099330A1 (en) * | 2000-02-05 | 2003-05-29 | Domingo Mery | Method for automatically detecting casting defects in a test piece |
| US20180268257A1 (en) * | 2017-03-20 | 2018-09-20 | Rolls-Royce Plc | Surface defect detection |
| US20190197679A1 (en) * | 2017-12-25 | 2019-06-27 | Utechzone Co., Ltd. | Automated optical inspection method using deep learning and apparatus, computer program for performing the method, computer-readable storage medium storing the computer program,and deep learning system thereof |
| 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 |
| 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 |
| 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 (1)
| Title |
|---|
| 李博;: "焊缝X射线图像缺陷识别技术研究" * |
Cited By (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022053001A1 (zh) * | 2020-09-10 | 2022-03-17 | 上海航天精密机械研究所 | 焊缝内部缺陷智能检测装置、方法及介质 |
| CN113409245A (zh) * | 2021-04-06 | 2021-09-17 | 中国电子技术标准化研究院 | 一种电子元器件x射线检查缺陷自动识别方法 |
| CN113409245B (zh) * | 2021-04-06 | 2024-04-02 | 中国电子技术标准化研究院 | 一种电子元器件x射线检查缺陷自动识别方法 |
| WO2022221803A1 (en) * | 2021-04-12 | 2022-10-20 | Exxonmobil Upstream Research Company | Method and system for evaluating radiograph testing inspection of pipe welding |
| CN113222938A (zh) * | 2021-05-14 | 2021-08-06 | 珠海埃克斯智能科技有限公司 | 芯片缺陷检测方法及系统与计算机可读存储介质 |
| WO2022252462A1 (zh) * | 2021-05-31 | 2022-12-08 | 华南理工大学 | 一种大型叶片超低热输入快频焊接修复方法 |
| CN113421304A (zh) * | 2021-06-21 | 2021-09-21 | 沈阳派得林科技有限责任公司 | 一种工业射线底片图像焊道区域智能定位方法 |
| CN113421304B (zh) * | 2021-06-21 | 2024-05-28 | 沈阳派得林科技有限责任公司 | 一种工业射线底片图像焊道区域智能定位方法 |
| CN113418940A (zh) * | 2021-06-24 | 2021-09-21 | 电子科技大学 | 一种基于x射线示踪颗粒的检测方法及检测装置 |
| CN113379721A (zh) * | 2021-06-29 | 2021-09-10 | 广东科学技术职业学院 | 一种基于云平台的电子元器件质量检测装置 |
| CN113298738A (zh) * | 2021-07-13 | 2021-08-24 | 上海航天精密机械研究所 | X射线焊缝图像自动增强装置及方法 |
| CN113866189A (zh) * | 2021-08-24 | 2021-12-31 | 上海航天精密机械研究所 | 基于多机械手协同的射线数字成像检测装置及其检测方法 |
| CN113781415B (zh) * | 2021-08-30 | 2024-06-07 | 广州大学 | 一种x射线图像的缺陷检测方法、装置、设备及介质 |
| CN113781415A (zh) * | 2021-08-30 | 2021-12-10 | 广州大学 | 一种x射线图像的缺陷检测方法、装置、设备及介质 |
| CN114076775B (zh) * | 2021-11-15 | 2024-04-23 | 国核示范电站有限责任公司 | 一种管道焊缝射线检测几何不清晰度控制工艺 |
| CN114076775A (zh) * | 2021-11-15 | 2022-02-22 | 国核示范电站有限责任公司 | 一种管道焊缝射线检测几何不清晰度控制工艺 |
| CN114354623A (zh) * | 2021-12-30 | 2022-04-15 | 苏州凌云视界智能设备有限责任公司 | 弱印痕提取算法、装置、设备和介质 |
| CN114559177A (zh) * | 2022-03-07 | 2022-05-31 | 北京洞微科技发展有限公司 | 基于影像数据分析的焊接评估方法、装置及存储介质 |
| CN114559177B (zh) * | 2022-03-07 | 2023-12-05 | 北京洞微科技发展有限公司 | 基于影像数据分析的焊接评估方法、装置及存储介质 |
| CN115121895A (zh) * | 2022-04-28 | 2022-09-30 | 广东省威汇智能科技有限公司 | 基于深度学习的选择波峰焊预警方法、装置及存储介质 |
| CN115229374A (zh) * | 2022-07-07 | 2022-10-25 | 武汉理工大学 | 一种基于深度学习的汽车白车身焊缝质量检测方法、装置 |
| CN115229374B (zh) * | 2022-07-07 | 2024-04-26 | 武汉理工大学 | 一种基于深度学习的汽车白车身焊缝质量检测方法、装置 |
| CN115266774B (zh) * | 2022-07-29 | 2024-02-13 | 中国特种设备检测研究院 | 基于人工智能的焊缝射线检测评片方法 |
| CN115266774A (zh) * | 2022-07-29 | 2022-11-01 | 中国特种设备检测研究院 | 基于人工智能的焊缝射线检测评片方法 |
| CN115100195A (zh) * | 2022-08-24 | 2022-09-23 | 浙江双元科技股份有限公司 | 一种用于片材检测的一体化工业相机 |
| CN115564766B (zh) * | 2022-11-09 | 2023-06-13 | 浙江振兴阿祥集团有限公司 | 水轮机蜗壳座环的制备方法及其系统 |
| CN115564766A (zh) * | 2022-11-09 | 2023-01-03 | 浙江振兴阿祥集团有限公司 | 水轮机蜗壳座环的制备方法及其系统 |
| CN116433659A (zh) * | 2023-06-09 | 2023-07-14 | 山东高速工程检测有限公司 | 一种三段式道路缺陷图像处理方法 |
| CN116433659B (zh) * | 2023-06-09 | 2023-08-29 | 山东高速工程检测有限公司 | 一种三段式道路缺陷图像处理方法 |
| CN117710369B (zh) * | 2024-02-05 | 2024-04-30 | 山东省科院易达信息科技有限公司 | 基于计算机视觉技术的金属铝磷化膜缺陷检测方法及系统 |
| CN117710369A (zh) * | 2024-02-05 | 2024-03-15 | 山东省科院易达信息科技有限公司 | 基于计算机视觉技术的金属铝磷化膜缺陷检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022053001A1 (zh) | 2022-03-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112083017A (zh) | 焊缝内部缺陷智能检测装置、方法及介质 | |
| CN110779937B (zh) | 一种铸件产品内部缺陷智能检测装置 | |
| CN110070008B (zh) | 一种采用无人机图像的桥梁病害识别方法 | |
| CN104977313A (zh) | 一种焊缝x射线图像缺陷检测与识别方法和装置 | |
| CN110111331A (zh) | 基于机器视觉的蜂窝纸芯缺陷检测方法 | |
| CN109919243A (zh) | 一种基于cnn的废钢铁种类自动识别方法及装置 | |
| Sammons et al. | Segmenting delaminations in carbon fiber reinforced polymer composite CT using convolutional neural networks | |
| CN107230203A (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
| CN110097547B (zh) | 一种基于深度学习的焊缝底片造假的自动检测方法 | |
| CN113421230B (zh) | 基于目标检测网络的车载液晶屏导光板缺陷视觉检测方法 | |
| EP3896602A1 (en) | A method and system for training a machine learning model for classification of components in a material stream | |
| CN113474814A (zh) | 用于对一种或多种材料执行表征的方法和系统 | |
| CN111783616B (zh) | 一种基于数据驱动自学习的无损检测方法 | |
| CN115760837A (zh) | 一种基于深度神经网络的晶体质量评估方法及系统 | |
| Naddaf-Sh et al. | Defect detection and classification in welding using deep learning and digital radiography | |
| CN115861170A (zh) | 基于改进yolo v4算法的表面缺陷检测方法 | |
| CN115294033A (zh) | 一种基于语义分割网络的轮胎带束层差级和错边缺陷检测方法 | |
| CN114515705B (zh) | 基于多模态成像分析的煤矸石分选系统 | |
| CN111145168A (zh) | 碳纤维复合材料缺陷的检测方法及系统、存储介质 | |
| CN115205255A (zh) | 基于深度学习的石料自动分级方法与系统 | |
| CN117372402A (zh) | 一种焊缝缺陷检测方法、装置、计算机设备及存储介质 | |
| CN112418362B (zh) | 一种目标检测训练样本筛选方法 | |
| CN115953568A (zh) | 一种基于轻量级目标检测架构的矿物智能分选方法 | |
| Sutcliffe et al. | Automatic defect recognition of single-v welds using full matrix capture data, computer vision and multi-layer perceptron artificial neural networks | |
| CN111257422B (zh) | 基于机器视觉的轮轴缺陷识别模型构建方法和缺陷识别方法 |
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: 20201215 |
|
| RJ01 | Rejection of invention patent application after publication |