CN112365491A - 容器焊缝检测的方法、电子设备及存储介质 - Google Patents

容器焊缝检测的方法、电子设备及存储介质 Download PDF

Info

Publication number
CN112365491A
CN112365491A CN202011358668.5A CN202011358668A CN112365491A CN 112365491 A CN112365491 A CN 112365491A CN 202011358668 A CN202011358668 A CN 202011358668A CN 112365491 A CN112365491 A CN 112365491A
Authority
CN
China
Prior art keywords
training
weld
container
defect
information
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
Application number
CN202011358668.5A
Other languages
English (en)
Inventor
吴红金
陈晔洲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SHANGHAI INSTITUTE OF COMPUTING TECHNOLOGY
Original Assignee
SHANGHAI INSTITUTE OF COMPUTING TECHNOLOGY
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SHANGHAI INSTITUTE OF COMPUTING TECHNOLOGY filed Critical SHANGHAI INSTITUTE OF COMPUTING TECHNOLOGY
Priority to CN202011358668.5A priority Critical patent/CN112365491A/zh
Publication of CN112365491A publication Critical patent/CN112365491A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/21—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
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30152—Solder

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)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例涉及容器生产领域，公开了一种容器焊缝检测的方法、电子设备及存储介质。本发明中容器焊缝检测的方法，包括获取待测容器的容器图像；将容器图像输入预设的容器焊缝检测模型中，获取第一指示信息和/或第二指示信息，第一指示信息包括：焊缝缺陷的缺陷位置、焊缝缺陷的缺陷类型以及焊缝缺陷的尺寸信息；容器焊缝检测模型是基于预设的训练模型对训练集训练后获得，训练集中的训练样本中包括标注信息，标注信息包括用于表征焊缝缺陷的定位框、定位框的尺寸信息、定位框的位置信息以及每个焊缝缺陷的缺陷类型。采用本实施例，使得能够准确、快速地检测出特种容器的焊缝缺陷、缺陷位置以及缺陷类型，提高检测的效率。

Description

容器焊缝检测的方法、电子设备及存储介质
技术领域
本发明实施例涉及容器生产领域，特别涉及一种容器焊缝检测的方法、电子设备及存储介质。
背景技术
随着视觉识别技术的发展，将人工智能的视觉识别技术用于对工业领域上的产品进行质检检测，例如对特种容器无损检测，特种容器无损检测是产品出厂前的必需环节，对特种容器的检测包括对容器中焊缝缺陷检测、缺陷的位置检测，缺陷的类型检测。
然而，目前对容器焊缝的检测中，由于焊缝较小，导致目前的检测方法无法准确地确定焊缝缺陷等，同时目前采用的深度神经算法对容器焊缝缺陷的检测速度慢，若要获取焊缝缺陷的位置、类型以及尺寸信息需要多次测量，降低了对容器焊缝检测的效率。
发明内容
本发明实施方式的目的在于提供一种容器焊缝检测的方法、电子设备及存储介质，使得能够准确、快速地检测出特种容器的焊缝缺陷、缺陷位置以及缺陷类型，提高检测的效率。
为解决上述技术问题，本发明的实施方式提供了一种容器焊缝检测的方法，包括获取待测容器的容器图像，所述待测容器包括至少2个焊缝区域；将所述容器图像输入预设的容器焊缝检测模型中，获取用于指示所述待测容器存在焊缝缺陷的第一指示信息和/或用于指示所述待测容器中不存在焊缝缺陷的第二指示信息，所述第一指示信息包括：所述焊缝缺陷的缺陷位置、所述焊缝缺陷的缺陷类型以及所述焊缝缺陷的尺寸信息；所述容器焊缝检测模型是基于预设的训练模型对训练集训练后获得，训练集中的训练样本中包括标注信息，所述标注信息包括用于表征焊缝缺陷的定位框、所述定位框的尺寸信息、所述定位框的位置信息以及每个所述焊缝缺陷的缺陷类型，所述定位框是根据所述焊缝缺陷的至少两个端点确定。
本发明的实施方式还提供了一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的容器焊缝检测的方法。
本发明的实施方式还提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述的容器焊缝检测的方法。
本申请实施例中容器焊缝检测的方法，将该容器图像输入容器焊缝检测模型中，得到该用于指示待测容器中存在焊缝缺陷的第一指示信息和/或用于指示不存在焊缝缺陷的第二指示信息，第一指示信息中包括了焊缝缺陷的位置、缺陷类型以及缺陷尺寸，待测容器的容器图像中包含至少2个焊缝区域，通过本示例中的方式，通过一次检测即可对多个焊缝区域进行检测，若存在焊缝缺陷时，不仅可以检测出焊缝缺陷，还可以获取该焊缝缺陷的类型、位置以及尺寸信息，从而有利于对容器的焊缝进行改进；该容器焊缝缺陷检测模型是通过预设的训练模型对训练集中的训练样本训练后获得，该训练样本中包括标注信息，通过焊缝缺陷的至少两个端点确定定位框，使得确定的定位框中焊缝缺陷的特征多，提高训练的准确性，同时标注有多个焊缝缺陷的缺陷类型，尺寸信息，使得训练后的容器焊缝检测模型可以同时检测出容器焊缝缺陷的类型、尺寸以及位置信息等，提高容器焊缝检测的速度和效率。
容器焊缝检测模型的训练方法包括：将N个训练样本输入所述训练模型，获取对所述训练样本中所述焊缝缺陷的预测信息，所述预测信息包括用于表征实际预测的焊缝缺陷的信息，其中，所述训练模型中初始的权重以及初始的偏置值均为预先设置，N为大于0的整数；根据所述标注信息以及所述预测信息，确定所述训练模型的当前的损失函数；判断本次所述损失函数对应的值是否小于1或判断训练次数是否达到预设的最大次数，若是，则将当前的所述训练模型作为所述容器焊缝检测模型，否则，调整所述训练模型中的所述权重以及所述偏置值，并返回执行将N个所述训练样本输入所述训练模型的步骤。通过损失函数的检测或最大训练次数的判断，获得该容器焊缝检测模型。
另外，预测信息包括：用于表征预测的焊缝缺陷的预测定位框、所述预测定位框的第二位置信息、所述预测定位框的第二尺寸信息、所述预测定位框内存在指定类别的焊缝缺陷的分类概率、所述预测定位框内存在所述焊缝缺陷或焊缝的存在置信度；所述根据所述标注信息以及所述预测信息，确定所述训练模型的当前的损失函数，包括：根据所述定位框的位置信息与所述预测定位框的位置信息，确定所述预测定位框的定位框误差；根据所述分类概率，确定焊缝缺陷的类别误差；根据标注的所述存在置信度，确定所述焊缝缺陷的置信度误差。根据所述定位框误差、所述置信度误差以及所述类别误差，确定所述损失函数，所述损失函数表示为：loss＝λcoord*losscoord+lossIOU+lossclasses；其中，losscoord表示为定位框误差，lossIOU表示置信度误差，lossclasse表示类别误差，λcoord表示误差系数，λcoord的范围为3～8。通过确定定位框、置信度以及缺陷类型的误差，确定当前训练模型的损失函数，通过以上三个误差可以准确得到对应的误差函数。
另外，在所述将N个所述训练样本输入所述训练模型之前，包括：针对每个训练样本进行如下处理：检测所述训练样本中是否存在面积超过预设的第一阈值的白色图像区域，若存在，则从所述原始容器图像中裁切除所述白色图像区域，更新所述训练样本。裁切除白色图像区域，可以减少训练中的干扰，提高训练的速度和准确度。
另外，在所述将N个所述训练样本输入所述训练模型之前，所述方法还包括：针对每个训练样本进行如下处理：按照不同的方向旋转所述训练样本，生成至少一个模拟样本，或者，对所述训练样本进行镜像处理，生成模拟样本。通过旋转训练样本，可以得到更多的训练样本，增强了训练样本的数量。
另外，在所述将N个所述训练样本输入所述训练模型之前，所述方法还包括：针对每个所述训练样本进行如下处理：对所述训练样本进行缩小或放大操作，生成不同尺寸的模拟样本；将所述模拟样本添加至所述训练集中。对训练样本进行缩放操作，增强了训练样本的数量。
另外，训练模型的结构包括：设置在各卷积层之间的丢弃层和设置在各卷积层之后的残差层；丢弃层用于丢弃训练模型的结构中隐藏层中的指定节点。在各卷积层之间设置丢弃层，通过丢弃隐藏层中的指定节点，可以防止训练过程中的过度拟合；通过设置的残差曾，可以解决随着卷积神经网络的深度增加导致的模型退化的问题，提升网络模型的预测准确性。
另外，训练模型采用YOLOv3的神经网络结构；缺陷类型包括：未熔合类型、裂纹类型、气孔类型、夹钨类型、未焊透类型、夹渣类型及伪缺陷类型。YOLOv3的神经网络结构的苏联速度快，可以包含多层卷积层，提高训练的准确度，同时YOLOv3可以实现输出不同尺寸图像的检测结果。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1是根据本发明第一实施例提供的一种容器焊缝检测的方法的流程图；
图2是根据本发明第二实施例提供的一种容器焊缝检测的方法的流程图；
图3是根据本发明第二实施例提供的一种容器焊缝检测的方法中残差块的结构示意图；
图4是根据本发明第二实施例提供的一种容器焊缝检测的方法中Darknet-53网络结构示意图；
图5是根据本发明第二实施例提供的一种容器焊缝检测的方法中res8的结构示意图；
图6是根据本发明第三实施例提供的对训练样本进行处理的一种实现示意图；
图7是根据本发明第三实施例提供的对训练样本进行处理的一种实现示意图；
图8是根据本发明第三实施例提供的对训练样本进行处理的一种实现示意图；
图9是根据本发明第三实施例提供的一种包含白色图像区域的训练样本示意图；
图10是根据本发明第三实施例提供的一种裁切除白色图像区域的训练样本示意图；
图11是根据本发明第三实施例提供的一种旋转训练样本的示意图；
图12是根据本发明第四实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。
以下各个实施例的划分是为了描述方便，不应对本发明的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。
目前在工业领域的质检阶段，通常采用人工智能的视觉应用对产品进行质检，例如，对特种容器无损检测是产品出厂前的必要环节。目前采用深度神经网络的方式对特种容器焊缝进行焊缝缺陷检测。主流的目标检测算法主要是基于深度学习模型，其可以分成两大类：
(1)two-stage检测算法，其将检测问题划分为两个阶段，首先产生候选区域，然后对候选区域分类，这类算法的典型代表是基于候选区域的R-CNN系算法，如R-CNN，Fast R-CNN，Faster R-CNN等。
(2)one-stage检测算法，其不需要候选区域阶段，直接产生物体的类别概率和位置坐标值，比较典型的算法如YOLO，RetinaNet和SSD。
但是，目前的检测算法并未同时检测出焊缝缺陷的位置、缺陷类型以及缺陷尺寸等。一次检测获到的有用信息少，需要经过多次不同模型的检测，才能获得焊缝缺陷的位置、缺陷类型以及缺陷尺寸信息等，检测效率低。
本发明的第一实施方式涉及一种容器焊缝检测的方法。具体流程如图1所示。
步骤101：获取待测容器的容器图像，待测容器包括至少2个焊缝区域。
步骤102：将容器图像输入预设的容器焊缝检测模型中，获取用于指示待测容器存在焊缝缺陷的第一指示信息和/或用于指示待测容器中不存在焊缝缺陷的第二指示信息，第一指示信息包括：焊缝缺陷的缺陷位置、焊缝缺陷的缺陷类型以及焊缝缺陷的尺寸信息。
容器焊缝检测模型是基于预设的训练模型对训练集训练后获得，训练集中的训练样本中包括标注信息，标注信息包括至少一个用于表征焊缝缺陷的定位框、定位框的尺寸信息、定位框的位置信息以及每个焊缝缺陷的缺陷类型，定位框是根据焊缝缺陷的至少两个端点确定。
本申请实施例中容器焊缝检测的方法，将该容器图像输入容器焊缝检测模型中，得到该用于指示待测容器中存在焊缝缺陷的第一指示信息和/或用于指示不存在焊缝缺陷的第二指示信息，第一指示信息中包括了焊缝缺陷的位置、缺陷类型以及缺陷尺寸，待测容器的容器图像中包含至少2个焊缝区域，通过本示例中的方式，通过一次检测即可对多个焊缝区域进行检测，若存在焊缝缺陷时，不仅可以检测出焊缝缺陷，还可以获取该焊缝缺陷的类型、位置以及尺寸信息，从而有利于对容器的焊缝进行改进；该容器焊缝缺陷检测模型是通过预设的训练模型对训练集中的训练样本训练后获得，该训练样本中包括标注信息，通过焊缝缺陷的至少两个端点确定定位框，使得确定的定位框中焊缝缺陷的特征多，提高训练的准确性，同时标注有多个焊缝缺陷的缺陷类型，尺寸信息，使得训练后的容器焊缝检测模型可以同时检测出容器焊缝缺陷的类型、尺寸以及位置信息等，提高容器焊缝检测的速度和效率。
本发明的第二实施方式涉及一种容器焊缝检测的方法，第二实施方式是对第一实施方式的过程的详细介绍，其流程如图2所示：
步骤201：将N个训练样本输入训练模型，获取对训练样本中焊缝缺陷的预测信息，预测信息包括用于表征实际预测的焊缝缺陷的信息，其中，训练模型中初始的权重以及初始的偏置值均为预先设置，N为大于0的整数。
在一个例子中，训练模型采用YOLOv3的神经网络结构，为了便于理解，下面本示例中先介绍YOLOv3。
YOLOv3在特征提取网络中采用了Darknet-53网络结构。在整个网络中没有池化层和固定输出的连接层，而是采用了完整的卷积层，图像输入在正向计算中，通过卷积层改变卷积核的步幅来实现尺寸变化。Darknet-53网络结构为了构建出更复杂的模型，引入了Resnet的残差块结构，这个结构如图3所示，不同于YOLOv2直接采用类似VGG的网络，采用Resnet的残参块设计，残差这种结构能保证网络结构在很深的情况下，仍能收敛，模型能训练下去；网络越深，表达的特征越好，分类和目标检测的效果都会提升；此外，残差中的1*1卷积大大减少了每个卷积的信道，减少了参数的数量，同时计算量也会减少到一定程度。其中，Darknet-53网络结构如图4所示，其中，图4中每个res8表示含有8个残差结构，res8的结构如图5所示，其中DBL表示为卷积层、归一化层和激活层的叠加。
对于大多数卷积神经网络，通过特征提取层提取输入图像以获得最终特征图，然后在该特征图上直接预测。这样直接获取最后一层的热图，丢失了浅层的语义信息，对于小目标检测是不利。对于目标检测，输入图片可能存在不同尺寸的目标，不同目标之间存在不同的特征，需要利用浅层特征来区分小目标，利用深层特征来区分大目标。对于YOLOv3来说，每一次尺寸变化的特征图对后面目标区域预测都是有用的，YOLOv3借鉴了FPN的多尺度特征融合，将不同分辨率的特征图融合之后单独输出，分别进行目标预测。如图4主结构所示，它将darknet-53的中间层某一层和后面的某一层的上采样进行拼接，最后输出了3个不同尺度的热图，如图4中的y1，y2，y3，采用多尺度特征融合来对不同尺寸的目标进行分别检测，越精细的网格单元就可以检测出越精细的物体，极大改善YOLOv3在小目标检测方面的提升。
YOLOv3借鉴了残差网络结构，形成更深的网络层次以及多尺度检测，提升了对小目标检测的准确率。在保证精度正确率的情况下，比Faster R-CNN快4～5倍以上。
本示例中采用该YOLOv3作为预设的训练模型，可以提高训练速度和训练的准确度。
在一个例子中，训练模型的结构包括：设置在各卷积层之间的丢弃层和设置在各卷积层之后的残差层；丢弃层用于丢弃训练模型的结构中隐藏层中的指定节点。
具体地，训练模型的结构包括输入层、相互连接的卷积层、激活函数层、丢弃层、残差层、全连接层、逻辑输出层；相邻两个层之间，上一层级的输出值作为下一层级的输入值。该训练模型中可以包括52个卷积层，每个卷积层可以采用1×1或3×3的小卷积核；图像每经过一个卷积核，对图像进行一次图的抽样，得到抽样后的特征图；卷积层之间使用ReLU激活函数，用以提升神经网络模型的非线性表达能力；丢弃层(简称“dropout层”)可以穿插在各个卷积模块之间，用于防止深度学习训练的过拟合；残差层在各个卷积模块之后出现，用以解决随着卷积神经网络的深度增加导致的模型退化的问题，提升网络模型的预测准确性；池化层在卷积模块之后出现，用于对输入矩阵进行缩小概括；全连接层得到网络权重参数；最后一层为逻辑层，用于网络权重的输出。指定节点可以是隐藏层中随机的节点，通过删除隐藏层中的指定节点，可以防止深度学习训练的过拟合。
在确定了训练模型之后，需要构建训练集，训练集中包括至少两个训练样本。本示例中每个训练样本可以为特种容器包含焊缝缺陷的图像。
每个容器的训练样本中包括该容器的图像，每个训练样本中包括至少2个焊缝区域，训练样本中还包括了标注信息，标注信息包括至少一个用于表征焊缝缺陷的定位框、定位框的尺寸信息、定位框的位置信息以及每个焊缝缺陷的缺陷类型，定位框是根据焊缝缺陷的至少两个端点确定。
具体地，可以利用矩形定位框对焊缝区域的两个端点进行框选，并标记为端点类型。将多张此类图像作为训练集，其中，缺陷类型可以包括：未熔合类型、裂纹类型、气孔类型、夹钨类型、未焊透类型、夹渣类型及伪缺陷类型。
在一个例子中，预测信息包括用于表征预测的焊缝缺陷的预测定位框、预测定位框的第二位置信息、预测定位框的第二尺寸信息、预测定位框对应的第二缺陷类型、预测定位框内存在所述焊缝缺陷的第一存在概率以及预测定位框内存在指定类别的焊缝缺陷的第二存在概率。
具体地，训练模型中的初始权重以及初始的偏置值可以利用压力容器检测模型训练得到参数，例如，将初始的权重设置为W，初始的偏置值为b。设定最大训练次数为500000、学习率为0.001；设置训练模型的初始的权重W、偏置值b、最大训练次数、学习率之后，按照输入图片尺寸要求将训练集中的训练样本转化成输入训练样本N个，N＝1，2，3…m，m为训练集中的训练样本的总数。该训练模型得到该预测信息，预测信息包括：用于表征预测的焊缝缺陷的预测定位框、预测定位框的第二位置信息、预测定位框的第二尺寸信息、预测定位框内存在指定类别的焊缝缺陷的分类概率、预测定位框内存在焊缝缺陷或焊缝的存在置信度。
步骤202：根据标注信息以及预测信息，确定训练模型的当前的损失函数。
在一个例子中，根据定位框的位置信息与预测定位框的位置信息，确定预测定位框的定位框误差；根据分类概率，确定焊缝缺陷的类别误差；根据标注的存在置信度，确定焊缝缺陷的置信度误差；根据定位框误差、置信度；根据定位框误差、置信度误差以及类别误差，确定损失函数，损失函数表示为如公式(1)所示：
loss＝λcoord*losscoord+lossIOU+lossclasses，公式(1)；
其中，losscoord表示为定位框误差，lossIOU表示置信度误差，lossclasses表示类别误差，λcoord表示误差系数，λcoord的范围为3～8。
具体地，本示例中设定最大训练次数为500000、学习率为0.001。λcoord可以取值5。其中，
定位框误差losscoord可以采用如公式2所示的方式确定，
Figure BDA0002803361730000071
其中，
Figure BDA0002803361730000072
和
Figure BDA0002803361730000073
为第p个预测定位框的端点坐标，端点可以是预测定位框的中心点，也可以是该预测定位框的边界顶点，如矩形的四个顶点，
Figure BDA0002803361730000081
和
Figure BDA0002803361730000082
为第P个预测定位框的宽和高。
置信度误差lossIOU可以采用如公式(3)所示：
Figure BDA0002803361730000083
其中，
Figure BDA0002803361730000084
表示预测定位框内包含焊缝或焊缝缺陷的存在置信度；
Figure BDA0002803361730000085
表示预测定位框内包含焊缝或焊缝缺陷的置信度误差，
Figure BDA0002803361730000086
表示预测定位框内不包含焊缝且不包含焊缝缺陷的置信度误差。
类别误差lossclasses可以采用如公式(4)所示：
Figure BDA0002803361730000087
pp为预测定位框内存在焊缝或焊缝缺陷的概率，存在时，pp＝1，反之，pp＝0；n为标记的缺陷类型数，n＝7；
Figure BDA0002803361730000088
为预测定位框内存在的焊缝或焊缝缺陷属于指定类别的概率。
需要说明的是，本示例中，预测定位框和训练集中预先标注的定位框可以均采用矩形定位框。
步骤203:判断本次损失函数对应的值是否小于1或判断训练次数是否达到预设的最大次数，若是，则执行步骤204，否则，执行步骤205。
步骤204：将当前的训练模型作为容器焊缝检测模型。
步骤205：调整训练模型中的权重以及偏置值，并返回执行步骤201。
具体地，可以采用梯度下降的方式调整当前的权重和偏置值，调整后，从训练集中随机调出N个训练样本，继续执行步骤201，N为大于0的整数。
直至满足损失函数的值小于1或达到最大训练次数，结束模型的训练，得到容器焊缝检测模型。
需要说明的是，训练集中用于训练的训练样本的数量占比大于用于测试的测试样本的占比，优选，训练样本的数量占例为60％和测试样本的占比为40％。
步骤206：获取待测容器的容器图像，待测容器包括至少2个焊缝区域。
具体地，在实际应用中，拍摄容器的图像，可以对拍摄的图像进行预处理，例如，增加噪声扰动等操作。经过预处理后的图像作为容器图像。
步骤207：将容器图像输入预设的容器焊缝检测模型中，获取用于指示待测容器存在焊缝缺陷的第一指示信息和/或用于指示待测容器中不存在焊缝缺陷的第二指示信息。
具体地，若该容器图像中不存在焊缝缺陷，则输出第二指示信息，若存在焊缝缺陷，则输出第一指示信息，第一指示信息包括焊缝缺陷的位置、焊缝缺陷的缺陷类型以及焊缝缺陷的尺寸信息。焊缝缺陷的尺寸信息即是该容器焊缝检测模型输出的定位框的尺寸信息。
获取300张包含特征容器焊缝缺陷的容器图像，其中，焊缝缺陷可以分为6大类，分别为：裂纹、未熔合、未焊透、条形缺陷(气孔、夹渣、夹钨)、圆形缺陷(气孔、夹渣、夹钨)、伪显示。可以将长宽比大于3mm的气孔、夹渣、夹钨称为条形缺陷，长宽比小于等于3mm的气孔、夹渣、夹钨称为圆形缺陷。将300张容器图像输入该容器焊缝检测模型，得到检测结果。该容器焊缝检测模型对各缺陷类型的检测结果如表1所示：
Figure BDA0002803361730000091
表1
本方法通过对容器图像中焊缝区域、焊缝图像中缺陷区域、焊缝的端点区域进行框选，利用前向传播和后向传播对网络权重、偏置参数进行不断地调整优化，得到准确的输入和输出映射对，保证YOLO v3卷积神经网络准确预测出的焊缝位置、缺陷位置、类别准确、预测框选区域与实际框选区域重合度最大，完成焊缝及焊缝缺陷的卷积神经网络结构训练；本实施例能够有效识别焊缝图像中的缺陷；对于存在多个焊缝区域的大尺寸特种容器图像，先进行焊缝区域的有效识别，在针对焊缝区域进行具体缺陷的识别，增加了对缺陷区域定位的准确性。
上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。
本发明第三实施方式涉及一种容器焊缝检测的方法，本实施方式是对第二实施方式中进一步改进，主要改进在于，本示例中，在训练容器焊缝检测模型前，对训练样本进行的多种处理方式，以提高训练集中训练样本的准确性。其对训练样本进行处理的示意图可以如图6～图8所示。
可以针对每个训练样本进行如图6所示的处理操作：
步骤601：检测训练样本中是否存在面积超过预设的第一阈值的白色图像区域，若存在，则执行步骤602，否则，执行步骤603。
具体地，训练样本为拍摄的包含焊缝的容器图像，可以检测该训练样本中是否存在面积超过第一阈值的白色图像区域，若是存在，表明当前容器图像中含有无效图像信息的白边，为了提高训练的准确度，应从该训练样本中删除该白边图像。如图9所示，虚线区域为图像中的非白色图像区域，
步骤602：从训练样本中裁切除白色图像区域，更新该训练样本。
裁切除该白色图像区域，覆盖原始的训练样本。将图9中的白色图像区域裁切除后，得到如图10所示的训练样本。
步骤603：维持该训练样本不变。
在另一个例子中，还可以针对每个训练样本进行如图7所示的处理操作：
步骤701：按照不同的方向旋转训练样本，生成至少一个模拟样本，或者，对训练样本进行镜像处理，生成模拟样本。
具体地，可以以预设角度进行旋转，例如，以90度旋转该训练样本，得到三个角度的模拟样本。也可以是多种旋转叠加，如水平翻转+垂直翻转。图11分别给出了未旋转的训练样本、右上角图是水平翻转后的模拟样本，左下角图是垂直翻转后的模拟样本，右下角是水平翻转和垂直翻转叠加后的模拟样本。
或者，也可以对当前训练样本进行镜像处理，生成模拟样本。
步骤702：将模拟样本添加至训练集中。
将模拟样本作为新的训练样本添加至训练集中。
可以理解的是，可以先执行如图6所示的方式后，再执行如图7所示的处理方式。
在另一个例子中，还可以针对每个训练样本进行如图8所示的处理操作
步骤801：对训练样本进行缩小或放大操作，生成不同尺寸的模拟样本。
步骤802：将模拟样本添加至训练集中。
需要说明的是，在容器焊缝检测模型训练完成之后，可以对输入该容器焊缝检测模型的图像进行如图6～8所示方式进行处理。
本实施例中提供了多种方式增加训练样本，从而增加训练样本的数量，提高训练该容器焊缝检测模型的准确性。
不难发现，本实施方式为与第一实施方式相对应的系统实施例，本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式中。
本发明第四实施方式涉及一种电子设备，其结构框图如图所示，包括：至少一个处理器401；以及，与至少一个处理器401通信连接的存储器402；其中，存储器402存储有可被至少一个处理器401执行的指令，指令被至少一个处理器401执行，以使至少一个处理器401能够执行上述的容器焊缝检测的方法。
其中，存储器和处理器采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器和存储器的各种电路链接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器。
本发明第五实施方式涉及一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述的容器焊缝检测的方法。
处理器负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

Claims (10)

1.一种容器焊缝检测的方法，其特征在于，包括：
获取待测容器的容器图像，所述待测容器包括至少2个焊缝区域；
将所述容器图像输入预设的容器焊缝检测模型中，获取用于指示所述待测容器存在焊缝缺陷的第一指示信息和/或用于指示所述待测容器中不存在焊缝缺陷的第二指示信息，所述第一指示信息包括：所述焊缝缺陷的缺陷位置、所述焊缝缺陷的缺陷类型以及所述焊缝缺陷的尺寸信息；
所述容器焊缝检测模型是基于预设的训练模型对训练集训练后获得，训练集中的训练样本中包括标注信息，所述标注信息包括至少一个用于表征焊缝缺陷的定位框、所述定位框的尺寸信息、所述定位框的位置信息以及每个所述焊缝缺陷的缺陷类型，所述定位框是根据所述焊缝缺陷的至少两个端点确定。
2.根据权利要求1所述的容器焊缝检测的方法，其特征在于，所述容器焊缝检测模型的训练方法包括：
将N个所述训练样本输入所述训练模型，获取对所述训练样本中所述焊缝缺陷的预测信息，所述预测信息包括用于表征实际预测的焊缝缺陷的信息，其中，所述训练模型中初始的权重以及初始的偏置值均为预先设置，N为大于1的整数；
根据所述标注信息以及所述预测信息，确定所述训练模型的当前的损失函数；
判断本次所述损失函数对应的值是否小于1或判断训练次数是否达到预设的最大次数，若是，则将当前的所述训练模型作为所述容器焊缝检测模型，否则，调整所述训练模型中的所述权重以及所述偏置值，并返回执行将N个所述训练样本输入所述训练模型的步骤。
3.根据权利要求2所述的容器焊缝检测的方法，其特征在于，所述预测信息包括：用于表征预测的焊缝缺陷的预测定位框、所述预测定位框的第二位置信息、所述预测定位框的第二尺寸信息、所述预测定位框内存在指定类别的焊缝缺陷的分类概率、所述预测定位框内存在所述焊缝缺陷或焊缝的存在置信度；
所述根据所述标注信息以及所述预测信息，确定所述训练模型的当前的损失函数，包括：
根据所述定位框的位置信息与所述预测定位框的位置信息，确定所述预测定位框的定位框误差；
根据所述分类概率，确定焊缝缺陷的类别误差；
根据标注的所述存在置信度，确定所述焊缝缺陷的置信度误差；
根据所述定位框误差、所述置信度误差以及所述类别误差，确定所述损失函数，所述损失函数表示为：loss＝λcoord*losscoord+lossIOU+lossclasses；
其中，losscoord表示为定位框误差，lossIOU表示置信度误差，lossclasses表示类别误差，λcoord表示误差系数，λcoord的范围为3～8。
4.根据权利要求3所述的容器焊缝检测的方法，其特征在于，在所述将N个所述训练样本输入所述训练模型之前，包括：
针对每个训练样本进行如下处理：
检测所述训练样本中是否存在面积超过预设的第一阈值的白色图像区域，若存在，则从所述训练样本中裁切除所述白色图像区域，更新所述训练样本。
5.根据权利要求2至4中任一项所述的容器焊缝检测的方法，其特征在于，在所述将N个所述训练样本输入所述训练模型之前，所述方法还包括：
针对每个所述训练样本进行如下处理：
按照不同的方向旋转所述训练样本，生成至少一个模拟样本，或者，对所述训练样本进行镜像处理，生成模拟样本；
将所述模拟样本添加至所述训练集中。
6.根据权利要求2所述的容器焊缝检测的方法，其特征在于，在所述将N个所述训练样本输入所述训练模型之前，所述方法还包括：
针对每个所述训练样本进行如下处理：
对所述训练样本进行缩小或放大操作，生成不同尺寸的模拟样本；
将所述模拟样本添加至所述训练集中。
7.根据权利要求5所述的容器焊缝检测的方法，其特征在于，所述训练模型的结构包括：设置在各卷积层之间的丢弃层和设置在各卷积层之后的残差层；
所述丢弃层用于丢弃所述训练模型的结构中隐藏层中的指定节点。
8.根据权利要求1中任一项所述的容器焊缝检测的方法，其特征在于，所述训练模型采用YOLOv3的神经网络结构；
所述缺陷类型包括：未熔合类型、裂纹类型、气孔类型、夹钨类型、未焊透类型、夹渣类型及伪缺陷类型。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-8任一所述的容器焊缝检测的方法。
10.一种计算机可读存储介质，存储有计算机程序，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1至8中任一项所述的容器焊缝检测的方法。
CN202011358668.5A 2020-11-27 2020-11-27 容器焊缝检测的方法、电子设备及存储介质 Pending CN112365491A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011358668.5A CN112365491A (zh) 2020-11-27 2020-11-27 容器焊缝检测的方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011358668.5A CN112365491A (zh) 2020-11-27 2020-11-27 容器焊缝检测的方法、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN112365491A true CN112365491A (zh) 2021-02-12

Family

ID=74536118

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011358668.5A Pending CN112365491A (zh) 2020-11-27 2020-11-27 容器焊缝检测的方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112365491A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112950560A (zh) * 2021-02-20 2021-06-11 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 电子元器件缺陷检测方法、装置及系统
CN113674218A (zh) * 2021-07-28 2021-11-19 中国科学院自动化研究所 焊缝特征点提取方法、装置、电子设备与存储介质
CN113780900A (zh) * 2021-11-09 2021-12-10 深圳市裕展精密科技有限公司 基于边缘计算的焊接检测系统及方法
CN114167189A (zh) * 2021-12-08 2022-03-11 华中科技大学鄂州工业技术研究院 一种焊接缺陷检测方法、电子设备及存储介质
CN114354882A (zh) * 2021-12-29 2022-04-15 博迈科海洋工程股份有限公司 一种工艺管线焊缝的信息提取及缺陷检测方法
CN115187595A (zh) * 2022-09-08 2022-10-14 北京东方国信科技股份有限公司 端塞焊缝缺陷检测模型训练方法、检测方法和电子设备
WO2023171095A1 (ja) * 2022-03-09 2023-09-14 株式会社神戸製鋼所 溶接における欠陥予測システム、機械学習装置、欠陥予測方法、およびプログラム

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110047073A (zh) * 2019-05-05 2019-07-23 北京大学 一种x射线焊缝图像缺陷定级方法及系统
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
CN110689531A (zh) * 2019-09-23 2020-01-14 云南电网有限责任公司电力科学研究院 一种基于yolo的输电线路机巡图像缺陷自动识别方法
US20200115093A1 (en) * 2017-04-11 2020-04-16 P.E. Labellers S.P.A. Device and method for automatically orienting containers entering a labeling machine
CN111091538A (zh) * 2019-12-04 2020-05-01 上海君睿信息技术有限公司 一种管道焊缝自动识别、缺陷检测方法及装置
KR102118809B1 (ko) * 2018-12-03 2020-06-03 세종대학교산학협력단 용접 결함의 종류 판단 방법 및 이를 수행하는 단말 장치
CN111353413A (zh) * 2020-02-25 2020-06-30 武汉大学 一种输电设备低漏报率缺陷识别方法
US20200234428A1 (en) * 2019-01-18 2020-07-23 Kla Corporation Methods And Systems For Inspection Of Semiconductor Structures With Automatically Generated Defect Features
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
CN111681220A (zh) * 2020-06-04 2020-09-18 阿丘机器人科技(苏州)有限公司 缺陷检测模型的构建方法、装置、系统及存储介质
CN111709948A (zh) * 2020-08-19 2020-09-25 深兰人工智能芯片研究院（江苏）有限公司 容器瑕疵检测方法和装置
CN111768363A (zh) * 2020-05-13 2020-10-13 华南农业大学 基于深度学习的电路板表面缺陷检测方法及检测系统
CN111932489A (zh) * 2020-06-03 2020-11-13 西安电子科技大学 焊缝缺陷检测方法、系统、存储介质、计算机设备、终端
CN111929309A (zh) * 2020-09-14 2020-11-13 成都卓识维景科技有限公司 一种基于机器视觉的铸造件外观缺陷检测方法及系统
CN111986178A (zh) * 2020-08-21 2020-11-24 北京百度网讯科技有限公司 产品缺陷检测方法、装置、电子设备和存储介质

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200115093A1 (en) * 2017-04-11 2020-04-16 P.E. Labellers S.P.A. Device and method for automatically orienting containers entering a labeling machine
KR102118809B1 (ko) * 2018-12-03 2020-06-03 세종대학교산학협력단 용접 결함의 종류 판단 방법 및 이를 수행하는 단말 장치
US20200234428A1 (en) * 2019-01-18 2020-07-23 Kla Corporation Methods And Systems For Inspection Of Semiconductor Structures With Automatically Generated Defect Features
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
CN110047073A (zh) * 2019-05-05 2019-07-23 北京大学 一种x射线焊缝图像缺陷定级方法及系统
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
CN110689531A (zh) * 2019-09-23 2020-01-14 云南电网有限责任公司电力科学研究院 一种基于yolo的输电线路机巡图像缺陷自动识别方法
CN111091538A (zh) * 2019-12-04 2020-05-01 上海君睿信息技术有限公司 一种管道焊缝自动识别、缺陷检测方法及装置
CN111353413A (zh) * 2020-02-25 2020-06-30 武汉大学 一种输电设备低漏报率缺陷识别方法
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
CN111768363A (zh) * 2020-05-13 2020-10-13 华南农业大学 基于深度学习的电路板表面缺陷检测方法及检测系统
CN111932489A (zh) * 2020-06-03 2020-11-13 西安电子科技大学 焊缝缺陷检测方法、系统、存储介质、计算机设备、终端
CN111681220A (zh) * 2020-06-04 2020-09-18 阿丘机器人科技(苏州)有限公司 缺陷检测模型的构建方法、装置、系统及存储介质
CN111709948A (zh) * 2020-08-19 2020-09-25 深兰人工智能芯片研究院（江苏）有限公司 容器瑕疵检测方法和装置
CN111986178A (zh) * 2020-08-21 2020-11-24 北京百度网讯科技有限公司 产品缺陷检测方法、装置、电子设备和存储介质
CN111929309A (zh) * 2020-09-14 2020-11-13 成都卓识维景科技有限公司 一种基于机器视觉的铸造件外观缺陷检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
蔡彪;沈宽;付金磊;张理泽;: "基于Mask R-CNN的铸件X射线DR图像缺陷检测研究", 仪器仪表学报, no. 03 *
陈宏彩;任亚恒;郝存明;程煜;张效玮;: "基于YOLOv3的医药玻璃瓶缺陷检测方法", 包装工程, no. 07 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112950560A (zh) * 2021-02-20 2021-06-11 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 电子元器件缺陷检测方法、装置及系统
CN113674218A (zh) * 2021-07-28 2021-11-19 中国科学院自动化研究所 焊缝特征点提取方法、装置、电子设备与存储介质
CN113780900A (zh) * 2021-11-09 2021-12-10 深圳市裕展精密科技有限公司 基于边缘计算的焊接检测系统及方法
CN114167189A (zh) * 2021-12-08 2022-03-11 华中科技大学鄂州工业技术研究院 一种焊接缺陷检测方法、电子设备及存储介质
CN114167189B (zh) * 2021-12-08 2023-11-03 华中科技大学鄂州工业技术研究院 一种焊接缺陷检测方法、电子设备及存储介质
CN114354882A (zh) * 2021-12-29 2022-04-15 博迈科海洋工程股份有限公司 一种工艺管线焊缝的信息提取及缺陷检测方法
WO2023171095A1 (ja) * 2022-03-09 2023-09-14 株式会社神戸製鋼所 溶接における欠陥予測システム、機械学習装置、欠陥予測方法、およびプログラム
CN115187595A (zh) * 2022-09-08 2022-10-14 北京东方国信科技股份有限公司 端塞焊缝缺陷检测模型训练方法、检测方法和电子设备

Similar Documents

Publication Publication Date Title
CN112365491A (zh) 容器焊缝检测的方法、电子设备及存储介质
CN108898047B (zh) 基于分块遮挡感知的行人检测方法及系统
CN111815572B (zh) 一种基于卷积神经网络对锂电池焊接质量的检测方法
CN109919934B (zh) 一种基于多源域深度迁移学习的液晶面板缺陷检测方法
CN110765951B (zh) 基于边界框修正算法的遥感图像飞机目标检测方法
CN110992349A (zh) 一种基于深度学习的地下管道异常自动化定位与识别方法
CN111553303A (zh) 基于卷积神经网络的遥感正射影像密集建筑物提取方法
CN101127119B (zh) 图案检查装置以及半导体检查系统
KR102346676B1 (ko) 딥러닝 기반의 시설물 손상영상 분류를 활용한 손상도 생성방법
EP3605453A1 (en) Convolutional neural network based inspection of blade-defects of a wind turbine
US20220076404A1 (en) Defect management apparatus, method and non-transitory computer readable medium
CN111062383A (zh) 一种基于图像的船舶检测深度神经网络算法
CN117152484B (zh) 基于改进的YOLOv5s的小目标布匹瑕疵检测方法
CN111815576B (zh) 金属部件腐蚀状况检测方法、装置、设备和存储介质
CN113420619A (zh) 一种遥感影像建筑物提取方法
CN113077416A (zh) 一种基于图像处理的焊点焊接缺陷检测方法与系统
CN111429431A (zh) 一种基于卷积神经网络的元件定位识别方法
CN114596309A (zh) 焊缝缺陷的检测、模型训练方法、系统、设备和存储介质
CN113962980A (zh) 基于改进yolov5x的玻璃容器瑕疵检测方法及系统
CN115239733B (zh) 裂缝检测方法、装置、终端设备以及存储介质
CN111738991A (zh) 一种焊缝缺陷的数字射线检测模型的创建方法
CN116452942A (zh) 基于神经网络的封装质量预测方法和系统
CN116246161A (zh) 领域知识引导下的遥感图像目标精细类型识别方法及装置
CN115620083A (zh) 模型训练方法、人脸图像质量评价方法、设备及介质
CN112199984B (zh) 一种大尺度遥感图像的目标快速检测方法

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