CN112264731A - 一种改善焊接质量的控制方法及装置 - Google Patents
一种改善焊接质量的控制方法及装置 Download PDFInfo
- Publication number
- CN112264731A CN112264731A CN202011126359.5A CN202011126359A CN112264731A CN 112264731 A CN112264731 A CN 112264731A CN 202011126359 A CN202011126359 A CN 202011126359A CN 112264731 A CN112264731 A CN 112264731A
- Authority
- CN
- China
- Prior art keywords
- welding
- neural network
- real
- image
- time video
- 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.)
- Withdrawn
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups
- B23K31/12—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups relating to investigating the properties, e.g. the weldability, of materials
- B23K31/125—Weld quality monitoring
Abstract
本发明公开一种改善焊接质量的控制方法及装置。工件焊接完后立即获取工件焊接处的射线检测的第一实时视频；获取工件焊接处的超声检测的第二实时视频；通过图像处理单元对所述第一实时视频和第二实时视频进行预处理获取射线图像集和超声图像集；将所述射线图像集和所述超声图像集输入到识别单元进行缺陷识别；如果有缺陷类型输出则对焊接机器人的缺陷原因进行分析；焊接机器人继续焊接N个工件，统计N个工件的缺陷率是否高于设定阈值，如果缺陷率高出设定阈值则焊接工件的焊接机器人停机，如果缺陷率低于设定阈值则焊接工件的焊接机器人正常工作。本发明通过识别模块识别缺陷提高检测效率实现实时质量检测。实时发现缺陷避免批量缺陷工件产生。
Description
技术领域
本发明涉及焊接质量检测技术领域，尤其涉及一种改善焊接质量的控制方法及装置。
背景技术
在焊接过程中，经常会产生裂纹、孔穴、固体夹杂、未熔合和未焊透等缺陷；在当前随着自动化的发展，很多焊接过程往往通过焊接机器人进行焊接。
现有技术中，对于焊接机器人焊接的焊接目前往往通过定时抽样检测的方式进行品控，通过观察的方式对工件表面的焊接质量进行初步检测，然后通过对焊接好的工件进行射线检测和超声检测，通过射线成像和超声成像检测工件内部缺陷，但是由于采用定时抽样检测的方式，不会在焊接机器人焊接缺陷产生的时刻就能够获知焊接机器人出现焊接缺陷，焊接机器人在出结果前焊接的工件会出现批次的质量问题，对于能够修复的可以通过修复以降低损失，对于无法修复的，就只能报废，造成成本的提高。
发明内容
本发明提供一种改善焊接质量的控制方法，旨在解决现有技术中定时抽样检测焊接缺陷的方式由于检测的时间延迟性容易导致焊接产生批量缺陷工件的问题。
为实现上述目的，本发明提供一种改善焊接质量的控制方法，包括：
工件焊接完后立即获取工件焊接处的射线检测的第一实时视频；获取工件焊接处的超声检测的第二实时视频；
通过图像处理单元对所述第一实时视频和第二实时视频进行预处理获取射线图像集和超声图像集；
将所述射线图像集和所述超声图像集输入到识别单元进行缺陷识别；
如果有缺陷类型输出则对焊接机器人的缺陷原因进行分析；
焊接机器人继续焊接N个工件，统计N个工件的缺陷率是否高于设定阈值，如果缺陷率高出设定阈值则焊接工件的焊接机器人停机，如果缺陷率低于设定阈值则焊接工件的焊接机器人正常工作。
优选地，
确定所述图像处理单元的图像处理模式；
当所述第一实时视频或者第二实时视频的画面能够涵盖全部的焊接处时，选用第一处理模式；
当所述第一实时视频或者第二实时视频的画面不能涵盖全部的焊接处时，选用第二处理模式。
优选地，所述图像处理单元的所述第一处理模式为：
所述图像处理单元取第一实时视频或者第二实时视频的任一一帧作为静态识别帧；
所述图像处理单元按照所述识别单元输入图像的尺寸比例对所述静态识别帧的焊接处进行裁切；
利用数字图像处理技术增强图像对比度和清晰度；
将图像处理为灰度图像；
将灰度图像转换为二值图像。
优选地，所述图像处理单元的所述第二处理模式为：
设定抽帧间隔时间；
按照所述抽帧间隔时间对所述第一实时视频或者所述第二实时视频进行抽帧获取多张动态识别帧；所述多张动态识别帧中焊接处的交集包含工件的全部焊接处；
所述图像处理单元按照所述识别单元输入图像的尺寸比例对全部的所述动态识别帧的焊接处进行裁切，
利用数字图像处理技术增强图像对比度和清晰度；
将图像处理为灰度图像；
将灰度图像转换为二值图像。
优选地，所述识别单元包括第一神经网络、第二神经网络和融合判断模块，所述第一神经单元根据射线图像集识别缺陷类型，所述第二神经单元根据超声图像集识别缺陷类型，所述融合判断模块根据所述第一神经网络的输出和第二神经网络的输出进行判断输出最终输出结果。
优选地，统计焊接过程中遇到的缺陷类型；获取每个缺陷类型的射线成像和超声成像；
通过所述射线成像对第一神经网络训练，使所述第一神经网络能够识别所述射线成像的所对应缺陷类型；通过所述超声成像对第二神经网络训练，使所述第二神经网络能够识别所述超声成像的所对应缺陷类型。
优选地，所述融合判断模块根据所述第一神经网络的输出和第二神经网络的输出进行判断输出最终输出结果包括：
如果所述第一神经网络所输出的缺陷类型与所述第二神经网络所输出的缺陷类型相同，则输出该缺陷类型；
如果第一神经网络所输出的缺陷类型与所述第二神经网络所输出的缺陷类型不同，则获取所述第一神经网络决定输出缺陷类型的第一权重，获取第二神经网络决定输出缺陷类型的第二权重；
对比所述第一权重和所述第二权重的大小，
当第一权重大于第二权重，则所述融合判断模块输出第一神经网络输出的缺陷类型，
当第一权重小于第二权重，则所述融合判断模块输出第二神经网络输出的缺陷类型。
优选地，N为可接受的最小损失工件数量，N小于常规受抽样检测方式一个检测周期内焊接机器人焊接的工件数量，N根据工件类型由人设定。
本发明还提供一种改善焊接质量的控制装置，包括射线检测单元，超声检测单元，流水线，处理装置与分拣装置；
所述射线检测单元用于获取第一实时视频；
所述超声检测单元用于获取第二实时视频；
所述流水线用于将工件从焊接机器人处送到所述射线检测单元和超声检测单元处进行检测；
所述分拣装置用于将正常工件与缺陷工件从所述流水线上分开放置；
所述处理装置用于配置所述图像检测单元和识别单元；
所述处理装置控制所述射线检测单元、所述超声检测单元，所述流水线，以及所述分拣装置实现各自功能。
本申请提出的一种改善焊接质量的控制方法及装置具体有以下有益效果：
本发明通过所述图像识别单元对工件焊接处第一实时视频和第二实时视频进行处理提取射线图像集和超声图像集；通过所述识别单元识别所述射线图像集和所述超声图像集来实时检测工件焊接处是否存在缺陷以及缺陷的缺陷类型。通过持续焊接N个工件并检测后续N个工件出现缺陷的概率是否高于设定阈值，如果高于设定阈值则停机。如果低于设定阈值则继续加工。本发明实现通过所述识别模块对工件焊接处进行是否出现缺陷进行实时检测，能够避免常规定时抽样检测方式在一个检测周期内，焊接机器人已经加工批量的工件，造成批量工件出现缺陷的问题。
替代人工识别，识别效率高，使得实时检测成为可能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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示出的结构获得其他的附图。
图1是本发明实施例中改善焊接质量的控制方法的流程图；
图2是本发明实施例中所述图像处理单元执行所述第一处理模式的流程图；
图3是本发明实施例中所述图像处理单元执行所述第二处理模式的流程图；
图4是本发明实施例中训练所述第一神经网络和第二神经网络的流程图；
图5是本发明实施例中所述融合判断模块融合第一神经网络和第二神经网络输出的流程图；
图6是本实施例中一种改善焊接质量的控制装置示意图。
本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参阅图1所示，本发明提供一种改善焊接质量的控制方法，包括：
S100，工件焊接完后立即获取工件焊接处的射线检测的第一实时视频；获取工件焊接处的超声检测的第二实时视频；
S200，通过图像处理单元对所述第一实时视频和第二实时视频进行预处理获取射线图像集和超声图像集；
S300，将所述射线图像集和所述超声图像集输入到识别单元进行缺陷识别；
S400，如果有缺陷类型输出则对焊接机器人的缺陷原因进行分析；因为常规的焊接过程中不论采用何种工艺进行焊接、焊接机器人设置为何种参数进行焊接，焊接总会存在一定的加工缺陷率，但所述加工缺陷率并不是焊接机器人焊接调整工艺或者修改参数所能改变的。但当参数或者工艺出问题时，焊接机器人焊接工件过程中的缺陷会持续发生。
焊接机器人继续焊接N个工件，统计N个工件的缺陷率是否高于设定阈值，如果缺陷率高出设定阈值则焊接工件的焊接机器人停机并根据缺陷类型对焊接机器人进行相应的调机过程，如果缺陷率低于设定阈值则焊接工件的焊接机器人正常工作。其中，N为可接受的最小损失工件数量，N小于常规受抽样检测方式一个检测周期内焊接机器人焊接的工件数量，N根据工件类型由人设定。
对于S200，通过图像处理单元对所述第一实时视频和第二实时视频进行预处理获取射线图像集和超声图像集；的具体过程如下：
首先要确定所述图像处理单元的图像处理模式，具体的，根据实际情况手动设置所述图像处理单元的图像处理模式；选择依据如下：
当所述第一实时视频或者第二实时视频的画面能够涵盖全部的焊接处时，选用第一处理模式；
当所述第一实时视频或者第二实时视频的画面不能涵盖全部的焊接处时，选用第二处理模式。
然后执行选择的第一处理模式和第二处理模式获取射线图像集和超声图像集。
具体的，参阅图2所示，所述图像处理单元执行所述第一处理模式的过程为：
S201，所述图像处理单元取第一实时视频或者第二实时视频的任一一帧作为静态识别帧；
S202，所述图像处理单元按照所述识别单元输入图像的尺寸比例对所述静态识别帧的焊接处进行裁切；
S203，利用数字图像处理技术增强S202中获取的图像对比度和清晰度；
S204，将S203中获取的图像处理为灰度图像；
S205，将S204中获取灰度图像转换为二值图像。从而获取静态识别帧的射线图像集或者超声图像集。
参阅图3所示，所述图像处理单元执行所述第二处理模式的过程为：
S211，设定抽帧间隔时间；所述抽帧间隔时间T根据工件在进行检测时移动的速度V和第一实时视频和第二实时视频在移动方向上的尺寸L决定，公式为：
一般取T稍小于
以保证抽取的动态识别帧能涵盖全部的焊接处；
S212，按照所述抽帧间隔时间对所述第一实时视频或者所述第二实时视频进行抽帧获取多张动态识别帧；全部所述动态识别帧中焊接处的交集包含工件的全部焊接处；
S213，所述图像处理单元按照所述识别单元输入图像的尺寸比例对全部的所述动态识别帧的焊接处进行裁切，
S214，利用数字图像处理技术增强S213中获取的图像对比度和清晰度；
S215，将S214中获取的图像处理为灰度图像；
S216，将S215中获取的灰度图像转换为二值图像。
从而获取动态识别帧的射线图像集或者超声图像集。
S300，将所述射线图像集和所述超声图像集输入到识别单元进行缺陷识别；
我们将步骤S200中获取的射线图像集和超声图像集输入所述识别单元进行识别，获取识别结果；
具体的，所述识别单元的构成如下：
所述识别单元包括第一神经网络、第二神经网络和融合判断模块，所述第一神经单元根据射线图像集识别缺陷类型，所述第二神经单元根据超声图像集识别缺陷类型，所述融合判断模块根据所述第一神经网络的输出和第二神经网络的输出进行判断输出最终输出结果。所述第一神经网络和第二神经网络均为ALEXCNN神经网络构型包括输入层、2D卷积层、ReLU层、归一化层、2Dmax池化层、2D卷积层、ReLU层、归一化层、2Dmax池化层、2D卷积层、ReLU层、2D卷积层、ReLU层、2D卷积层、ReLU层、2Dmax池化层、全连接层、ReLU层、DROPOUT层、全连接层、ReLU层、DROPOUT层、全连接层、Softmax层、分类输出层。
参阅图4所示，其中所述第一神经网络和第二神经网络获取过程如下：
S301，统计焊接过程中遇到的缺陷类型；获取每个缺陷类型的射线成像和超声成像；
S302，构建缺陷类型的标签，
S303，初始化第一神经网络权重阈值参数，所述射线成像对第一神经网络训练；
具体的，将所述射线成像分为射线训练成像和射线测试成像，通过所述训练射线成像对第一神经网络训练，直至达到设定的训练目标，使所述第一神经网络能够使射线成像与标签对应；利用所述射线测试成像对训练好的第一神经网络进行测试，如果成功率达到设定的阈值则完成第一神经网络对某一缺陷类型识别，如果成功率低于设定的阈值则继续训练；重复上述步骤完成第一神经网络对全部的权限类型的识别。
初始化第二神经网络权重阈值参数，所述超声成像对第二神经网络训练；具体的，将所述超声成像分为超声训练成像和超声测试成像，通过所述训练超声成像对第二神经网络训练，直至达到设定的训练目标，使所述第二神经网络能够使超声成像与所述标签对应；利用所述超声测试成像对训练好的第二神经网络进行测试，如果成功率达到设定的阈值则完成第二神经网络对某一缺陷类型识别，如果成功率低于设定的阈值则继续训练；重复上述步骤完成第二神经网络对全部的权限类型的识别。
参阅图5所示，所述融合判断模块根据所述第一神经网络的输出和第二神经网络的输出进行判断输出最终输出结果包括：
S311，所述融合判断模块获取所述第一神经网络的输出和第二神经网络的输出并判断是否相同，
如果所述第一神经网络所输出的缺陷类型与所述第二神经网络所输出的缺陷类型相同，则执行S312，输出该缺陷类型；
如果第一神经网络所输出的缺陷类型与所述第二神经网络所输出的缺陷类型不同，则执行S313，所述融合判断模块获取所述第一神经网络决定输出缺陷类型的第一权重，获取第二神经网络决定输出缺陷类型的第二权重；
所述融合判断模块对比所述第一权重和所述第二权重的大小，
当第一权重大于第二权重，则执行S314，所述融合判断模块输出第一神经网络输出的缺陷类型，
当第一权重小于第二权重，则执行S315，所述融合判断模块输出第二神经网络输出的缺陷类型。
参阅图6所示，本发明提供一种改善焊接质量的控制装置，包括射线检测单元，超声检测单元，流水线，处理装置与分拣装置；
所述射线检测单元用于获取第一实时视频，并传输给所述处理装置；
所述超声检测单元用于获取第二实时视频，并传输给所述处理装置；
所述流水线设置三条，其中所述流水线1用于将工件从焊接机器人处送到所述射线检测单元和超声检测单元处进行检测；流水线2和流水线3并行设置于所述流水线1的下游，且分别位于所述流水线1的两侧；
所述分拣装置用于将正常工件与缺陷工件分开；所述分拣装置设置可控转动的摆臂，所述分拣装置在所述处理装置控制下顺时针转动所述摆臂将将缺陷工件推到所述流水线2上，所述分拣装置在所述处理装置控制下逆时针转动所述将正常工件推到所述流水线3上
所述处理装置用于配置所述图像检测单元和识别单元；所述处理装置可以为电脑。
所述处理装置控制所述射线检测单元、所述超声检测单元，所述流水线，以及所述分拣装置实现各自功能。
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种改善焊接质量的控制方法，其特征在于，包括：
工件焊接完后立即获取工件焊接处的射线检测的第一实时视频；获取工件焊接处的超声检测的第二实时视频；
通过图像处理单元对所述第一实时视频和第二实时视频进行预处理获取射线图像集和超声图像集；
将所述射线图像集和所述超声图像集输入到识别单元进行缺陷识别；
如果有缺陷类型输出则对焊接机器人的缺陷原因进行分析；
焊接机器人继续焊接N个工件，统计N个工件的缺陷率是否高于设定阈值，如果缺陷率高出设定阈值则焊接工件的焊接机器人停机，如果缺陷率低于设定阈值则焊接工件的焊接机器人正常工作。
2.根据权利要求1所述的改善焊接质量的控制方法，其特征在于，
确定所述图像处理单元的图像处理模式；
当所述第一实时视频或者第二实时视频的画面能够涵盖全部的焊接处时，选用第一处理模式；
当所述第一实时视频或者第二实时视频的画面不能涵盖全部的焊接处时，选用第二处理模式。
3.根据权利要求2所述的改善焊接质量的控制方法，其特征在于，所述图像处理单元的所述第一处理模式为：
所述图像处理单元取第一实时视频或者第二实时视频的任一一帧作为静态识别帧；
所述图像处理单元按照所述识别单元输入图像的尺寸比例对所述静态识别帧的焊接处进行裁切；
利用数字图像处理技术增强图像对比度和清晰度；
将图像处理为灰度图像；
将灰度图像转换为二值图像。
4.根据权利要求2所述的改善焊接质量的控制方法，其特征在于，所述图像处理单元的所述第二处理模式为：
设定抽帧间隔时间；
按照所述抽帧间隔时间对所述第一实时视频或者所述第二实时视频进行抽帧获取多张动态识别帧；所述多张动态识别帧中焊接处的交集包含工件的全部焊接处；
所述图像处理单元按照所述识别单元输入图像的尺寸比例对全部的所述动态识别帧的焊接处进行裁切；
利用数字图像处理技术增强图像对比度和清晰度；
将图像处理为灰度图像；
将灰度图像转换为二值图像。
5.根据权利要求4所述的改善焊接质量的控制方法，其特征在于，所述识别单元包括第一神经网络、第二神经网络和融合判断模块，所述第一神经单元根据射线图像集识别缺陷类型，所述第二神经单元根据超声图像集识别缺陷类型，所述融合判断模块根据所述第一神经网络的输出和第二神经网络的输出进行判断输出最终输出结果。
6.根据权利要求5所述的改善焊接质量的控制方法，其特征在于，统计焊接过程中遇到的缺陷类型；获取每个缺陷类型的射线成像和超声成像；
通过所述射线成像对第一神经网络训练，使所述第一神经网络能够识别所述射线成像的所对应缺陷类型；通过所述超声成像对第二神经网络训练，使所述第二神经网络能够识别所述超声成像的所对应缺陷类型。
7.根据权利要求6所述的改善焊接质量的控制方法，其特征在于，所述融合判断模块根据所述第一神经网络的输出和第二神经网络的输出进行判断输出最终输出结果包括：
如果所述第一神经网络所输出的缺陷类型与所述第二神经网络所输出的缺陷类型相同，则输出该缺陷类型；
如果第一神经网络所输出的缺陷类型与所述第二神经网络所输出的缺陷类型不同，则获取所述第一神经网络决定输出缺陷类型的第一权重，获取第二神经网络决定输出缺陷类型的第二权重；
对比所述第一权重和所述第二权重的大小，
当第一权重大于第二权重，则所述融合判断模块输出第一神经网络输出的缺陷类型，
当第一权重小于第二权重，则所述融合判断模块输出第二神经网络输出的缺陷类型。
8.根据权利要求7所述的改善焊接质量的控制方法，其特征在于，N为可接受的最小损失工件数量，N小于常规受抽样检测方式一个检测周期内焊接机器人焊接的工件数量，N根据工件类型设定。
9.一种改善焊接质量的控制装置，其特征在于，包括射线检测单元，超声检测单元，流水线，处理装置与分拣装置；
所述射线检测单元用于获取第一实时视频；
所述超声检测单元用于获取第二实时视频；
所述流水线用于将工件从焊接机器人处送到所述射线检测单元和超声检测单元处进行检测；
所述分拣装置用于将正常工件与缺陷工件从所述流水线上分开放置；
所述处理装置用于配置图像检测单元和识别单元；
所述处理装置控制所述射线检测单元、所述超声检测单元，所述流水线，以及所述分拣装置实现各自功能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011126359.5A CN112264731A (zh) | 2020-10-20 | 2020-10-20 | 一种改善焊接质量的控制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011126359.5A CN112264731A (zh) | 2020-10-20 | 2020-10-20 | 一种改善焊接质量的控制方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112264731A true CN112264731A (zh) | 2021-01-26 |
Family
ID=74341603
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011126359.5A Withdrawn CN112264731A (zh) | 2020-10-20 | 2020-10-20 | 一种改善焊接质量的控制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112264731A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2616336A (en) * | 2021-12-22 | 2023-09-06 | Cavendish Nuclear Ltd | Improvements in and relating to welding and quality control |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102565103A (zh) * | 2011-12-16 | 2012-07-11 | 清华大学 | 一种基于x射线图像的焊缝缺陷跟踪检测方法 |
| JP2017161333A (ja) * | 2016-03-09 | 2017-09-14 | 株式会社東芝 | 欠陥検査装置、欠陥検査プログラム、欠陥検査方法 |
| CN109900706A (zh) * | 2019-03-20 | 2019-06-18 | 易思维（杭州）科技有限公司 | 一种基于深度学习的焊缝及焊缝缺陷检测方法 |
| CN109977948A (zh) * | 2019-03-20 | 2019-07-05 | 哈尔滨工业大学 | 一种基于卷积神经网络的搅拌摩擦焊缝缺陷识别方法 |
| CN110243934A (zh) * | 2019-05-30 | 2019-09-17 | 中国计量大学上虞高等研究院有限公司 | 一种基于小波卷积神经网络的超声波焊缝检测方法 |
| CN111007073A (zh) * | 2019-12-23 | 2020-04-14 | 华中科技大学 | 一种増材制造过程中零件缺陷在线检测的方法及检测系统 |
| CN111044522A (zh) * | 2019-12-14 | 2020-04-21 | 中国科学院深圳先进技术研究院 | 缺陷检测方法、装置及终端设备 |
-
2020
- 2020-10-20 CN CN202011126359.5A patent/CN112264731A/zh not_active Withdrawn
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102565103A (zh) * | 2011-12-16 | 2012-07-11 | 清华大学 | 一种基于x射线图像的焊缝缺陷跟踪检测方法 |
| JP2017161333A (ja) * | 2016-03-09 | 2017-09-14 | 株式会社東芝 | 欠陥検査装置、欠陥検査プログラム、欠陥検査方法 |
| CN109900706A (zh) * | 2019-03-20 | 2019-06-18 | 易思维（杭州）科技有限公司 | 一种基于深度学习的焊缝及焊缝缺陷检测方法 |
| CN109977948A (zh) * | 2019-03-20 | 2019-07-05 | 哈尔滨工业大学 | 一种基于卷积神经网络的搅拌摩擦焊缝缺陷识别方法 |
| CN110243934A (zh) * | 2019-05-30 | 2019-09-17 | 中国计量大学上虞高等研究院有限公司 | 一种基于小波卷积神经网络的超声波焊缝检测方法 |
| CN111044522A (zh) * | 2019-12-14 | 2020-04-21 | 中国科学院深圳先进技术研究院 | 缺陷检测方法、装置及终端设备 |
| CN111007073A (zh) * | 2019-12-23 | 2020-04-14 | 华中科技大学 | 一种増材制造过程中零件缺陷在线检测的方法及检测系统 |
Non-Patent Citations (1)
| Title |
|---|
| 陈慧岩 等: "《无人驾驶汽车概论》", 31 July 2014, 北京理工大学出版社 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2616336A (en) * | 2021-12-22 | 2023-09-06 | Cavendish Nuclear Ltd | Improvements in and relating to welding and quality control |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10803573B2 (en) | Method for automated detection of defects in cast wheel products | |
| CN113362326B (zh) | 一种电池焊点缺陷的检测方法及装置 | |
| CN107657603B (zh) | 一种基于智能视觉的工业外观检测方法 | |
| CN107966454A (zh) | 一种基于fpga的端塞缺陷检测装置及检测方法 | |
| CN110766664B (zh) | 一种基于深度学习的电子元器件外观不良品的检测方法 | |
| CN110308151A (zh) | 一种基于机器视觉的金属工件表面缺陷识别方法及装置 | |
| CN110942450A (zh) | 一种基于深度学习的多生产流水线实时缺陷检测方法 | |
| CN109726730A (zh) | 自动光学检测图像分类方法、系统及计算机可读介质 | |
| CN111127454A (zh) | 基于深度学习生成工业缺陷样本的方法及系统 | |
| CN115601359A (zh) | 一种焊缝检测方法及装置 | |
| CN112264731A (zh) | 一种改善焊接质量的控制方法及装置 | |
| CN112802017B (zh) | 一种基于工作台的产品外部合格性检测方法及装置 | |
| CN113012228A (zh) | 一种工位定位系统及基于深度学习的工件定位方法 | |
| CN111738991A (zh) | 一种焊缝缺陷的数字射线检测模型的创建方法 | |
| CN114677597B (zh) | 基于改进YOLOv5网络的齿轮缺陷视觉检测方法及系统 | |
| CN115266774B (zh) | 基于人工智能的焊缝射线检测评片方法 | |
| CN116309475A (zh) | 自动检测滚筒齿座焊接质量的机器视觉检测方法 | |
| CN116912165A (zh) | 一种基于改进YOLOv5的铝合金薄板焊接缺陷检测方法 | |
| CN112927170B (zh) | 半导体制造工艺中的自动缺陷去除方法 | |
| CN115047015A (zh) | 一种在线式x射线无损探伤检测方法及其系统 | |
| CN116977241A (zh) | 检测车辆部件的缺陷的方法、装置、计算机可读存储介质以及计算机程序产品 | |
| TWM604396U (zh) | 基於射線照相的焊道檢查系統 | |
| CN108810784A (zh) | 一种通话设备中听筒的质量检测系统、方法及装置 | |
| CN117350947A (zh) | 一种半导体封装测试环节芯片外观缺陷的检测方法及系统 | |
| Santos et al. | Rule-based Machine Vision System on Clear Empty Glass Base Inspection of Foreign Materials for Philippine MSMEs |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210126 |