CN112435245A - 基于物联网的磁痕缺陷自动识别方法 - Google Patents
基于物联网的磁痕缺陷自动识别方法 Download PDFInfo
- Publication number
- CN112435245A CN112435245A CN202011362017.3A CN202011362017A CN112435245A CN 112435245 A CN112435245 A CN 112435245A CN 202011362017 A CN202011362017 A CN 202011362017A CN 112435245 A CN112435245 A CN 112435245A
- Authority
- CN
- China
- Prior art keywords
- image
- scar
- magnetic mark
- things
- internet
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000007547 defect Effects 0.000 title claims abstract description 33
- 230000005291 magnetic effect Effects 0.000 title claims abstract description 31
- 231100000241 scar Toxicity 0.000 claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 18
- 208000032544 Cicatrix Diseases 0.000 claims description 11
- 230000037387 scars Effects 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 235000002566 Capsicum Nutrition 0.000 claims description 4
- 239000006002 Pepper Substances 0.000 claims description 4
- 235000016761 Piper aduncum Nutrition 0.000 claims description 4
- 235000017804 Piper guineense Nutrition 0.000 claims description 4
- 235000008184 Piper nigrum Nutrition 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 4
- 150000003839 salts Chemical class 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 244000203593 Piper nigrum Species 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000004458 analytical method Methods 0.000 abstract description 7
- 239000006247 magnetic powder Substances 0.000 abstract description 7
- 239000006249 magnetic particle Substances 0.000 abstract description 3
- 238000009659 non-destructive testing Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 6
- 238000007689 inspection Methods 0.000 description 6
- 241000722363 Piper Species 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006837 decompression Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000003302 ferromagnetic material Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000005415 magnetization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/83—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws by investigating stray magnetic fields
- G01N27/84—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws by investigating stray magnetic fields by applying magnetic powder or magnetic ink
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明公开基于物联网的磁痕缺陷自动识别方法，属于无损检测技术领域，在磁粉探伤机对工件进行磁痕探伤的过程中，首先对探伤的工件进行实时图像采集读取；实时采集读取的视频图像逐帧分解；分解的帧图像进行图像预处理；预处理图像进行可疑伤痕特征提取；提取的可以伤痕特征信息进行伤痕智能判断；判断为真的伤痕图像进行处理，将伤痕信息保存并对外发送；本方法结合图像识别和BP神经网络分析，对磁痕缺陷探伤过程进行实时数据采集、分析、决策和结果保存推送，将传统的磁粉检测技术充分地与图像处理技术融合到一起，提高工件缺陷识别率和判别精确度。解决了现有技术中存在的问题。
Description
技术领域
本发明涉及基于物联网的磁痕缺陷自动识别方法，属于器材无损检测技术领域。
背景技术
磁粉检测是无损检测五大常规方法之一，是铁磁性材料表面缺陷检测中用得最多、最成熟的方法，磁粉探伤技术自诞生以来已经有八十余年的历史。随着磁化技术的不断完善与成熟，以及计算机的快速普及使用，使得磁粉探伤应用技术也得到了不断地发展与进步，在检测灵敏度与精度等方面得到了显著的提升。但是由于设备APP之间没有涉及到网络数据库模式，所以现行使用的大部分磁粉探伤设备始终沿用检测结果由现场操作人员对磁化零件采用人工观察的方法进行零件缺陷有无的识别判断。这一过程存在着如下缺点：工作力度大、检测速度慢、工作效率低、对操作人员而言工作内容单调重复，导致漏检率高,荧光磁粉探伤工作现场紫外光较强对长时间工作的人员容易造成比较严重的身体伤害,并且不利于信息管理。所以对零件缺陷有无的判断急需要进行智能化改进。
目前磁痕缺陷识别中还处于手动或低智能化状态，磁痕探伤过程中缺陷不能实时准确的将有缺陷的部分自动识别并保存和通知设备报警，尤其是现在物联网的兴起，不能很好的借助物联网的优势对磁痕探伤过程进行实时智能识别及保存通知实时探伤结果，导致磁痕探伤过程中工人工作强度大，工作效率低。
发明内容
针对现有技术的不足，本发明的目的在于提供一种基于物联网的磁痕缺陷自动识别方法，解决了现有技术中出现的问题。
本发明所述的基于物联网的磁痕缺陷自动识别方法，包括以下步骤：
步骤1：在磁痕探伤的过程中，对探伤的工件进行实时图像采集读取；
步骤2：对上述步骤1中实时采集读取的视频图像逐帧分解；
步骤3：对上述步骤2中分解的帧图像进行图像预处理；
步骤4：对上述步骤3中预处理图像进行可疑伤痕特征提取；
步骤5：对上述步骤4中提取的伤痕特征信息进行伤痕智能判断；
步骤6：对上述步骤5中判断为伪的图像丢弃掉，进入下一帧图像重复步骤2；
步骤7：对于上述步骤5中判断为真的伤痕图像进行处理；
步骤8：将上述处理完成伤痕信息保存并对外发送。
进一步的，所述的步骤2中实时采集读取的实时视频图像逐帧分解具体包括以下步骤：
步骤21：对上传实时视频图像进行实时解压处理；
步骤22：对解压视频图像进行集合处理，使用队列加字典的结构对加压后的视频图像进行处理。
进一步的，步骤3中图像预处理具体包括以下步骤：
步骤31：对图像进行滤波处理，采用高斯-拉普拉斯算法和中值滤波，滤除掉图像中存在的椒盐噪音；
步骤32：对步骤31中滤波后的图像进行二值化处理和图像平滑度操作，提高图像的对比度；
步骤33：对步骤32中处理的图像使用索贝尔算子进行区域分割。
进一步的，步骤4中对预处理图像进行特征信息提取，具体包括以下步骤：
步骤41：对分割处理后的图像区域逐个进一步进行局部二值化操作；
步骤42：对二值化后的图像进行过滤，保留可疑磁痕区域作为对比区域；
步骤43：对步骤42中得到的二值图像为前景掩码，提取可疑伤痕区域中的疑似伤痕与背景的亮度比；
步骤44：以步骤43中得到的可疑伤痕边缘检测结果，提取可疑伤痕区域中的疑似伤痕的边界链码统计特征；
步骤45：提取可疑伤痕区域的HOG特征。
进一步的，步骤5中对提取的特征信息进行识别，具体包括如下步骤：
步骤51：将步骤4中提取的伤痕特征形成特征向量，使用样本机器学习得到的识别器对特征向量做出设别，判定可疑伤痕区域中疑似伤痕的真伪；
步骤52：机器学习识别器使用BP神经网络进行构建，BP神经网络使用经典的三层网络；
步骤53：将提取的特征向量输入到BP神经网络中，与样品训练数据库中的数据进行比较，确定特征的置信度；
步骤54：根据置信度和设定的阈值对比来确定在测图像是否为伤痕图像；
步骤55：根据置信度和设定的阈值对比来确定在测图像是否为伤痕图像；
步骤56：对可疑伤痕区域中的所有疑似伤痕循环进行步骤51到步骤55的操作，直到可疑伤痕区域中的所有疑似伤痕都进行了真伪判定；
进一步的，步骤7中对判断为真的图像进行整合，整合包括对原图像的图像滤噪和图像增强。
进一步的，步骤8中对步骤7中经过滤噪和图像增强后的伤痕图像进行保存，并通过网络发送给设备。
本发明与现有技术相比，具有如下有益效果：
本发明所述的基于物联网的磁痕缺陷自动识别方法，基于物联网技术，结合图像识别和BP神经网络分析，对磁痕缺陷探伤过程进行实时数据采集、分析、决策和结果保存推送，将传统的磁粉检测技术充分地与图像处理技术融合到一起，提高工件识别率和判别精确度。解决了现有技术中存在的问题。
附图说明
图1为本发明实施例中方法的流程图；
图2为本发明实施例中图形识别的步骤流程图。
下面结合附图和实施例对本发明作进一步的说明：
实施例1：
如图1所示，本发明所述的一种基于物联网的磁痕缺陷自动识别方法，包括以下步骤：
步骤1：在磁痕探伤的过程中，对探伤的工件进行实时图像采集读取；
步骤2：对上述步骤1中实时采集读取的视频图像逐帧分解；
步骤3：对上述步骤2中分解的帧图像进行图像预处理；
步骤4：对上述步骤3中预处理图像进行可疑伤痕特征提取；
步骤5：对上述步骤4中提取的伤痕特征信息进行伤痕智能判断；
步骤6：对上述步骤5中判断为伪的图像丢弃掉，进入下一帧图像重复步骤2；
步骤7：对于上述步骤5中判断为真的伤痕图像进行处理；
步骤8：将上述处理完成伤痕信息保存并对外发送。
步骤2中实时采集读取的实时视频图像逐帧分解具体包括以下步骤：
步骤21：对上传实时视频图像进行实时解压处理；
步骤22：对解压视频图像进行集合处理，使用队列加字典的结构对加压后的视频图像进行处理。
步骤3中图像预处理具体包括以下步骤：
步骤31：对图像进行滤波处理，采用高斯-拉普拉斯算法和中值滤波，滤除掉图像中存在的椒盐噪音；
步骤32：对步骤31中滤波后的图像进行二值化处理和图像平滑度操作，提高图像的对比度；
步骤33：对步骤32中处理的图像使用索贝尔算子进行区域分割。
步骤4中对预处理图像进行特征信息提取，具体包括以下步骤：
步骤41：对分割处理后的图像区域逐个进一步进行局部二值化操作；
步骤42：对二值化后的图像进行过滤，保留可疑磁痕区域作为对比区域；
步骤43：对步骤42中得到的二值图像为前景掩码，提取可疑伤痕区域中的疑似伤痕与背景的亮度比；
步骤44：以步骤43中得到的可疑伤痕边缘检测结果，提取可疑伤痕区域中的疑似伤痕的边界链码统计特征；
步骤45：提取可疑伤痕区域的HOG特征。
步骤5中对提取的特征信息进行识别，具体包括如下步骤：
步骤51：将步骤4中提取的伤痕特征形成特征向量，使用样本机器学习得到的识别器对特征向量做出识别，判定可疑伤痕区域中疑似伤痕的真伪；
步骤52：机器学习识别器使用BP神经网络进行构建，BP神经网络使用经典的三层网络；
步骤53：将提取的特征向量输入到BP神经网络中，与样品训练数据库中的数据进行比较，确定特征的置信度；
步骤54：根据置信度和设定的阈值对比来确定在测图像是否为伤痕图像；
步骤55：根据置信度和设定的阈值对比来确定在测图像是否为伤痕图像；
步骤56：对可疑伤痕区域中的所有疑似伤痕循环进行步骤51到步骤55的操作，直到可疑伤痕区域中的所有疑似伤痕都进行了真伪判定；
步骤7中对判断为真的图像进行整合，整合包括对原图像的图像滤噪和图像增强。
步骤8中对步骤7中经过滤噪和图像增强后的伤痕图像进行保存，并通过网络发送给设备。
本实施例的工作原理为：
(1)图像处理
首先对实时采集读取的视频图像解压逐帧分解，视频图像格式可以是.MP4格式或其他格式。对帧图像进行集合处理，可以使用队列加字典的结构对帧图像进行处理。
接着对图像集合中的帧图像进行预处理，预处理方式很多，针对磁粉工件图像需要先对其进行滤波处理，采用高斯-拉普拉斯算法和中值滤波，滤除掉图像中存在的椒盐噪音；对滤波后的图像进行二值化处理和图像平滑度操作，提高图像的对比度；
最后对处理的帧图像使用索贝尔算子进行区域分割，方便后期输入识别模块进行缺陷识别。
(2)特征值提取
对分割处理后的图像区域逐个进一步进行局部二值化操作。对二值化后的图像进行过滤，保留可疑磁痕区域作为对比区域。对得到的二值图像为前景掩码，提取可疑伤痕区域中的疑似伤痕与背景的亮度比。接着从得到的可疑伤痕边缘检测结果，提取可疑伤痕区域中的疑似伤痕的边界链码统计特征。紧接着提取可疑伤痕区域的HOG特征。
最后将提取的特征值形成特征向量，作为BP神经网络的输入值。其中，特征向量包括各分割图像的长度、宽度、面积、长宽比、亮度以及灰度值等。
(3)图像特征信息识别
如图2所示，对提取的伤痕特征信息进行伤痕智能判断时，首先进行分割图像的缺陷特征提取，然后将提取的特征值组合成特征向量，用于识别器模块的输入向量。然后将特征向量输入进BP神经网络识别器，BP神经网络识别器分为多个分模块，用于各分割图像的缺陷识别。
识别器对是否为缺陷图像进行设别，识别为真则输出到结果，识别为假则直接过滤掉。当识别结果中超过1/5的识别器结果为真时，则判定该帧图像为缺陷图像，进而保存并报警。
机器学习识别器使用训练后的BP神经网络进行构建，BP神经网络使用经典的三层网络：输入层，选取分割图特征值数据，作为输入层的输入数据。根据上述可知影响识别结果的特征值为6项参数，因此输入层的节点数为6，输入向量＝(x1+x2+x3+…+x6),然后进行统一的变换处理，以使输入的目标值在区间[0,1]中，对数据进行归一化处理，公式如下：
隐含层个数由经验公式推导，即
其中n1为隐含层个数，n为输入层个数，m为输出层个数，a为[1,10]之间的常数，即隐含层个数最大为12，
传递函数应用的是非线性函数logsig()。其中
计算出0到1之间的输出。本实例选用多输入多隐含的神经元与单输出的BP神经网络。其中，BP神经网络输入节点由xi表示，而隐含层节点由yj表示，输出节点由ol表示，wij为输入节点和隐藏节点网络权值，Tj为隐藏层节点和输出节点网络权值。
隐含层，对于隐含层节点的个数的设置，在本实例中，先设置10个节点，再进行不断的训练，通过误差分析来逐步增减隐含层的神经元数目，直至得到满意的性能，计算公式如下：
wij表示节点i和节点j之间的权值，首先随机化权值的大小，取(-1，1)之间的随机数，通过训练调整权值的大小。
输出层，输出层节点数为标签个数，神经元的传递函数用非线性变换函数Sigmoid函数，计算公式如下：
通过函数S(x)的计算，得出输出节点的值，数值为[0,1]之间的数，通过概率的大小对识别结果进行判断。数值越大，缺陷概率就越大。根据置信度和设定的阈值对比来确定在测图像是否为缺陷图像，当各分识别器中有1/5存在判断为真的缺陷图像时，就判断此帧图像为缺陷图像；最后将图像集合发送给客户端进行保存和报警。
采用以上结合附图描述的本发明的实施例的基于物联网的磁痕缺陷自动识别方法，基于物联网技术，结合图像识别和BP神经网络分析，对磁痕缺陷探伤过程进行实时数据采集，分析，决策和结果保存推送，将传统的磁粉检测技术充分地与图像处理技术融合到一起，提高工件识别率和判别精确度。但本发明不局限于所描述的实施方式，在不脱离本发明的原理和精神的情况下这些对实施方式进行的变化、修改、替换和变形仍落入本发明的保护范围内。
Claims (7)
1.一种基于物联网的磁痕缺陷自动识别方法，其特征在于：所述的方法包括以下步骤：
步骤1：在磁痕探伤的过程中，对探伤的工件进行实时图像采集读取；
步骤2：对上述步骤1中实时采集读取的视频图像逐帧分解；
步骤3：对上述步骤2中分解的帧图像进行图像预处理；
步骤4：对上述步骤3中预处理图像进行可疑伤痕特征提取；
步骤5：对上述步骤4中提取的伤痕特征信息进行伤痕智能判断；
步骤6：对上述步骤5中判断为伪的图像丢弃掉，进入下一帧图像重复步骤2；
步骤7：对于上述步骤5中判断为真的伤痕图像进行处理；
步骤8：将上述处理完成伤痕信息保存并对外发送。
2.根据权利要求1所述的基于物联网的磁痕缺陷自动识别方法，其特征在于：所述的步骤2中实时采集读取的视频图像逐帧分解具体包括以下步骤：
步骤21：对上传实时视频图像进行解压处理；
步骤22：对解压视频图像进行集合处理，使用队列加字典的结构对加压后的视频图像进行处理。
3.根据权利要求1所述的基于物联网的磁痕缺陷自动识别方法，其特征在于：所述的步骤3中图像预处理具体包括以下步骤：
步骤31：对图像进行滤波处理，采用高斯-拉普拉斯算法和中值滤波，滤除掉图像中存在的椒盐噪音；
步骤32：对步骤31中滤波后的图像进行二值化处理和图像平滑度操作，提高图像的对比度；
步骤33：对步骤32中处理的图像使用索贝尔算子进行区域分割。
4.根据权利要求1所述的基于物联网的磁痕缺陷自动识别方法，其特征在于：所述的步骤4中对预处理图像进行特征信息提取，具体包括以下步骤：
步骤41：对分割处理后的图像区域逐个进一步进行局部二值化操作；
步骤42：对二值化后的图像进行过滤，保留可疑磁痕区域作为对比区域；
步骤43：对步骤42中得到的二值图像为前景掩码，提取可疑伤痕区域中的疑似伤痕与背景的亮度比；
步骤44：以步骤43中得到的可疑伤痕边缘检测结果，提取可疑伤痕区域中的疑似伤痕的边界链码统计特征；
步骤45：提取可疑伤痕区域的HOG特征。
5.根据权利要求1所述的基于物联网的磁痕缺陷自动识别方法，其特征在于：所述的步骤5中对提取的特征信息进行识别，具体包括如下步骤：
步骤51：将步骤4中提取的伤痕特征形成特征向量，使用样本机器学习得到的识别器对特征向量做出识别，判定可疑伤痕区域中疑似伤痕的真伪；
步骤52：机器学习识别器使用BP神经网络进行构建，BP神经网络使用经典的三层网络；
步骤53：将提取的特征向量输入到BP神经网络中，与样品训练数据库中的数据进行比较，确定特征的置信度；
步骤54：根据置信度和设定的阈值对比来确定在测图像是否为伤痕图像；
步骤55：对可疑伤痕区域中的所有疑似伤痕循环进行步骤51到步骤55的操作，直到可疑伤痕区域中的所有疑似伤痕都进行了真伪判定。
6.根据权利要求1所述的基于物联网的磁痕缺陷自动识别方法，其特征在于：所述的步骤7中对判断为真的图像进行整合，整合包括对原图像的图像滤噪和图像增强。
7.根据权利要求1所述的基于物联网的磁痕缺陷自动识别方法，其特征在于：所述的步骤6中对步骤7中经过滤噪和图像增强后的伤痕图像进行保存，并通过网络发送给设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011362017.3A CN112435245A (zh) | 2020-11-27 | 2020-11-27 | 基于物联网的磁痕缺陷自动识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011362017.3A CN112435245A (zh) | 2020-11-27 | 2020-11-27 | 基于物联网的磁痕缺陷自动识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112435245A true CN112435245A (zh) | 2021-03-02 |
Family
ID=74698636
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011362017.3A Pending CN112435245A (zh) | 2020-11-27 | 2020-11-27 | 基于物联网的磁痕缺陷自动识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112435245A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114252507A (zh) * | 2021-12-20 | 2022-03-29 | 济宁鲁科检测器材有限公司 | 基于卷积神经网络的磁粉探伤缺陷识别系统及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101852768A (zh) * | 2010-05-05 | 2010-10-06 | 电子科技大学 | 磁粉探伤环境下基于复合特征的工件伤痕识别方法 |
| CN103984951A (zh) * | 2014-04-25 | 2014-08-13 | 西南科技大学 | 一种磁粉检测缺陷自动识别方法及系统 |
| CN109991306A (zh) * | 2017-12-29 | 2019-07-09 | 西南科技大学 | 基于荧光磁粉的金属工件焊接缺陷的分类识别与定位 |
| CN110992329A (zh) * | 2019-11-28 | 2020-04-10 | 上海微创医疗器械（集团）有限公司 | 一种产品表面缺陷检测方法、电子设备及可读存储介质 |
| CN111179223A (zh) * | 2019-12-12 | 2020-05-19 | 天津大学 | 基于深度学习的工业自动化缺陷检测方法 |
| CN111862067A (zh) * | 2020-07-28 | 2020-10-30 | 中山佳维电子有限公司 | 一种焊接缺陷检测方法、装置、电子设备以及存储介质 |
| CN111965247A (zh) * | 2020-08-17 | 2020-11-20 | 北京聚龙科技发展有限公司 | 一种物联网探伤控制装置及控制方法 |
-
2020
- 2020-11-27 CN CN202011362017.3A patent/CN112435245A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101852768A (zh) * | 2010-05-05 | 2010-10-06 | 电子科技大学 | 磁粉探伤环境下基于复合特征的工件伤痕识别方法 |
| CN103984951A (zh) * | 2014-04-25 | 2014-08-13 | 西南科技大学 | 一种磁粉检测缺陷自动识别方法及系统 |
| CN109991306A (zh) * | 2017-12-29 | 2019-07-09 | 西南科技大学 | 基于荧光磁粉的金属工件焊接缺陷的分类识别与定位 |
| CN110992329A (zh) * | 2019-11-28 | 2020-04-10 | 上海微创医疗器械（集团）有限公司 | 一种产品表面缺陷检测方法、电子设备及可读存储介质 |
| CN111179223A (zh) * | 2019-12-12 | 2020-05-19 | 天津大学 | 基于深度学习的工业自动化缺陷检测方法 |
| CN111862067A (zh) * | 2020-07-28 | 2020-10-30 | 中山佳维电子有限公司 | 一种焊接缺陷检测方法、装置、电子设备以及存储介质 |
| CN111965247A (zh) * | 2020-08-17 | 2020-11-20 | 北京聚龙科技发展有限公司 | 一种物联网探伤控制装置及控制方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114252507A (zh) * | 2021-12-20 | 2022-03-29 | 济宁鲁科检测器材有限公司 | 基于卷积神经网络的磁粉探伤缺陷识别系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111292305B (zh) | 一种改进型yolo-v3的金属加工表面缺陷检测方法 | |
| CN109977808B (zh) | 一种晶圆表面缺陷模式检测与分析方法 | |
| CN108765412B (zh) | 一种带钢表面缺陷分类方法 | |
| Xiao et al. | Surface defect detection using image pyramid | |
| Cord et al. | Automatic road defect detection by textural pattern recognition based on AdaBoost | |
| CN114549522A (zh) | 基于目标检测的纺织品质量检测方法 | |
| CN112734734A (zh) | 一种基于改进残差网络的铁路隧道裂缝检测方法 | |
| You et al. | Machine vision based adaptive online condition monitoring for milling cutter under spindle rotation | |
| CN114581764B (zh) | 基于深度学习算法的地下结构裂纹病害判别方法 | |
| WO2006113979A1 (en) | Method for identifying guignardia citricarpa | |
| CN111369526B (zh) | 基于半监督深度学习的多类型旧桥裂痕识别方法 | |
| CN114372955A (zh) | 一种基于改进神经网络的铸件缺陷x射线图自动识别法 | |
| Daniel et al. | Automatic road distress detection and analysis | |
| Yusof et al. | Automated asphalt pavement crack detection and classification using deep convolution neural network | |
| CN108764330A (zh) | 基于超像素分割和卷积反卷积网络的sar图像分类方法 | |
| CN114298948A (zh) | 基于PSPNet-RCNN的球机监控异常检测方法 | |
| CN112329664A (zh) | 一种原核期胚胎原核数量的评估方法 | |
| Guo et al. | WDXI: The dataset of X-ray image for weld defects | |
| CN115526852A (zh) | 基于目标检测的选区激光熔融过程中熔池与飞溅监测方法及应用 | |
| Mi et al. | Research on steel rail surface defects detection based on improved YOLOv4 network | |
| CN112435245A (zh) | 基于物联网的磁痕缺陷自动识别方法 | |
| CN113674225A (zh) | 一种基于卷积神经网络的电力设备故障检测方法 | |
| CN115953666B (zh) | 一种基于改进Mask-RCNN的变电站现场进度识别方法 | |
| Paramanandham et al. | Vision Based Crack Detection in Concrete Structures Using Cutting-Edge Deep Learning Techniques. | |
| Zhang et al. | Design of tire damage image recognition system based on deep learning |
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: 20210302 |
|
| RJ01 | Rejection of invention patent application after publication |