CN112862763A - 基于深度学习的高钢级厚壁管件热处理状态检测系统及方法 - Google Patents
基于深度学习的高钢级厚壁管件热处理状态检测系统及方法 Download PDFInfo
- Publication number
- CN112862763A CN112862763A CN202110100601.XA CN202110100601A CN112862763A CN 112862763 A CN112862763 A CN 112862763A CN 202110100601 A CN202110100601 A CN 202110100601A CN 112862763 A CN112862763 A CN 112862763A
- Authority
- CN
- China
- Prior art keywords
- pipe fitting
- steel
- wall pipe
- neural network
- convolutional neural
- 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
- 238000010438 heat treatment Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims description 8
- 229910000831 Steel Inorganic materials 0.000 claims description 7
- 238000005498 polishing Methods 0.000 claims description 7
- 239000010959 steel Substances 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 2
- GRYLNZFGIOXLOG-UHFFFAOYSA-N Nitric acid Chemical compound O[N+]([O-])=O GRYLNZFGIOXLOG-UHFFFAOYSA-N 0.000 claims description 2
- 230000002950 deficient Effects 0.000 claims description 2
- 229910017604 nitric acid Inorganic materials 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 9
- 229910001563 bainite Inorganic materials 0.000 description 8
- 238000007689 inspection Methods 0.000 description 6
- 238000000227 grinding Methods 0.000 description 5
- 229910001568 polygonal ferrite Inorganic materials 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000002184 metal Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 229920000742 Cotton Polymers 0.000 description 2
- 239000000110 cooling liquid Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 238000005088 metallography Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007431 microscopic evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910001562 pearlite Inorganic materials 0.000 description 1
- 238000010791 quenching Methods 0.000 description 1
- 230000000171 quenching effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000005496 tempering Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Abstract
本发明提供的基于深度学习的高钢级厚壁管件热处理状态检测系统及方法，包括以下步骤：步骤1，获取高钢级厚壁管件的待检测区域的内、外表面金相组织图像；步骤2，建立数据集，将数据集分为训练集和测试集；步骤3，构建卷积神经网络，对构建的卷积神经网络进行训练，得到训练好的卷积神经网络；对训练好的卷积神经网络进行预测，并将预测结果进行分类，得到分类结果图；步骤4，对热处理后的待测高钢级厚壁管件进行预测，对预测结果进行判定，进而判断热处理后的待测高钢级厚壁管件是否合格；本发明实现了经济、高效、客观、准确检验高钢级后壁管件热处理状态检验目的。
Description
技术领域
本发明属于热处理及金相微观分析领域，涉及一种基于深度学习的高钢级厚壁管件热处理状态检测系统及方法。
背景技术
为了实现高效输送和降低管道建设成本，越来越多的油气长输管线采用了高压输送、大口径、高钢级和厚壁管材。国家重点工程西气东输、中亚、中缅、中俄等油气管线在建设时，需要使用大量的X70、X80厚壁管件(三通、弯管等)。目前，国内外X70、X80厚壁管件的主要制作工艺为：热加工成型，即淬火+回火的热处理。其中，管件的热处理状态决定了管件的最终性能。高钢级厚壁管件在热处理时，如果采用了不正确或不充分的热处理工艺，会导致管件强度不足或过高、或者冲击韧性很差。热处理状态不合格的管件一旦服役，严重影响了管线的运行安全。
目前，检测高钢级厚壁管件热处理状态是否合格的方法主要有：
方法1：对管件进行理化性能取样，检测分析管件的力学性能、金相组织等。该方法首先需要破坏管件本体，加工成标准试样后进行检验分析。试验周期长，费用代价高，并且需要配备专业的试验技术人员。
方法2：检验管件的外表面硬度，并通过对硬度结果分析，确认管件材料热处理状态是否合格。该方法虽然经济便捷，但是仅仅对管件的外表面进行了硬度检验，检测结果不能代表厚壁管件的实际热处理状态。
实际上，高钢级厚壁管件在经过正确的热处理工艺后，管件外表面处的金相组织应为贝氏体为主，即：贝氏体组织，或粒状贝氏体+多边形铁素体组织等；而管件内表面处金相组织应存在贝氏体，即：贝氏体组织，或粒状贝氏体+多边形铁素体组织，或多边形铁素体+粒状贝氏体组织等。在分析以上组织类型时，需要经验丰富的金相分析师。
综上所述，现有技术在检测高钢级厚壁管件热处理状态时，存在费时费力、检验代价与费用高、需要配备专业的试验技术人员，检验结果不客观全面等缺点。
发明内容
本发明的目的在于提供基于深度学习的高钢级厚壁管件热处理状态检测方法，解决了现有技术在检测高钢级厚壁管件热处理状态时，存在费时费力、检验代价与费用高、需要配备专业的试验技术人员、以及检验结果不客观全面的缺点。
为了达到上述目的，本发明采用的技术方案是：
本发明提供的基于深度学习的高钢级厚壁管件热处理状态检测方法，包括以下步骤：
步骤1，获取高钢级厚壁管件的待检测区域的内、外表面金相组织图像；
步骤2，根据步骤1中得到的内、外表面金相组织图像建立数据集，将数据集分为训练集和测试集；
步骤3，构建卷积神经网络，并通过步骤2中得到的训练集对构建的卷积神经网络进行训练，得到训练好的卷积神经网络；利用步骤2中得到的测试集对训练好的卷积神经网络进行预测，并将预测结果进行分类，得到分类结果图；
步骤4，利用步骤3中训练好的卷积神经网络对热处理后的待测高钢级厚壁管件进行预测，并利用步骤3中得到的分类结果图对预测结果进行判定，进而判断热处理后的待测高钢级厚壁管件是否合格。
优选地，步骤1中，获取高钢级厚壁管件的待检测区域的内、外表面金相组织图像，具体方法是：
对高钢级厚壁管件待检测区域的内、外表面分别进行打磨，直至内、外表面的打磨处形成镜面；
分别对两个镜面处进行硝酸酒精溶液进行擦拭，得到抛光面；
获取内、外表面抛光面处的金相组织图像，得到待检测区域的内、外表面金相组织图像。
优选地，步骤2中，根据步骤1中得到的内、外表面金相组织图像建立数据集，具体方法是：
将获取的内表面金相组织图像进行等像素切割，得到包括有多个子图像的内子数据集；
将获取的外表面金相组织图像进行等像素切割，得到包括有多个子图像的外子数据集；
将内子数据集和外子数据集中的子图像进行合并，得到数据集。
优选地，将数据集分为训练集和测试集，具体方法是：
将内子数据集中的部分子图像和外子数据集中的部分子图像合并，得到训练数据集；
确定训练数据集中每个子图像的组织类别，得到组织类别表；
对得到组织类别表进行one-hot编码，得到相应的label表；
根据得到的相应的label表将多个子图像进行分类，将相同类别的子图像存入同一文件夹，得到训练集；
将内子数据集中的剩余部分子图像和外子数据集中的剩余部分子图像合并，得到测试集。
优选地，步骤3中，构建卷积神经网络，具体方法是：
所述卷积神经网络为ResNet-50网络；
所述ResNet-50网络包括输入层，所述输入层依次连接有卷积层、池化层、卷积层、池化层、全连接层和输出层。
优选地，通过步骤2中得到的训练样本集对构建的卷积神经网络进行训练，得到训练好的卷积神经网络，具体方法是：
利用Adam优化器以全局学习率0.001对卷积神经网络进行训练，得到训练好的卷积神经网络。
优选地，步骤3中，利用步骤2中得到的测试样本集对训练好的卷积神经网络进行预测，并将预测结果进行分类，得到分类结果图，具体方法是：
将步骤2中的测试集输入至训练好的卷积神经网络进行预测，得到每个子图像的分类结果；
将每个子图像的分类结果和其对应的位置索引进行合并，之后按照位置索引进行排列，得到分类结果图。
优选地，步骤4中，利用步骤3中得到的分类结果图对预测结果进行判定，进而判断热处理后的高钢级厚壁管件是否合格，具体方法是：
当内、外表面的预测结果同时符合分类结果图，则热处理后的高钢级厚壁管件为合格产品，否则为次品。
基于深度学习的高钢级厚壁管件热处理状态检测系统，该系统能够用于所述的基于深度学习的高钢级厚壁管件热处理状态检测方法，包括数据采集模块、数据分析模块、数据处理模块和数据判定模块，其中：
数据采集模块用于获取高钢级厚壁管件的待检测区域的内、外表面金相组织图像；
数据分析模块用于根据得到的内、外表面金相组织图像建立数据集，将数据集分为训练集和测试集；
数据处理模块用于构建卷积神经网络，并通过得到的训练集对构建的卷积神经网络进行训练，得到训练好的卷积神经网络；同时，利用得到的测试集对训练好的卷积神经网络进行预测，并将预测结果进行分类，得到分类结果图；
数据判定模块用于利用训练好的卷积神经网络对热处理后的待测高钢级厚壁管件进行预测，并利用得到的分类结果图对预测结果进行判定，进而判断热处理后的待测高钢级厚壁管件是否合格。
与现有技术相比，本发明的有益效果是：
本发明提供的基于深度学习的高钢级厚壁管件热处理状态检测方法，对管件内外表面进行了打磨，之后获取管件内外表面的金相组织图像，之后引用深度学习技术，对得到的管件内外表面的金相组织图像进行智能分析，进而判断待测管件的热处理状态是否合格，该方法解决了现有的由于金相组织图像的判断包括大量的专业性信息，在判断时存在人为因素，导致的判断结果效率低、准确率低的缺陷；该方法全步骤操作只需要少量的技术操作人员，同时避免了管件破坏和浪费，实现了经济、高效、客观、准确检验高钢级后壁管件热处理状态检验目的。
附图说明
图1是高钢级厚壁管件热处理状态检测方法流程图；
图2是高钢级厚壁管件金相组织图像数据集的文件存储示意图；
图3是采用本发明实施例获取的X70三通外表面金相组织；
图4是采用本发明实施例获取的X70三通内表面金相组织。
具体实施方式
下面结合附图，对本发明进一步详细说明。
目前国内外研究者在图像智能识别领域做了广泛研究。但对高钢级厚壁管件热处理状态进行智能分析，需要结合金属热处理、金相组织数据分类与管理、数字图像处理、特征提取及模式识别等技术，现阶段该分析技术领域尚属空白。
本发明引用了深度学习技术，对高钢级厚壁管件内外表面进行打磨和金相组织智能分析，可以实现经济、高效、客观、准确的热处理状态检验目的。
而金相组织图像是以金属学和金相学为基础的特殊显微图像，空间形貌和组织形状非常复杂，包含了大量的专业性信息，给金相图像的处理和智能识别带来了极大的困难和问题，因此，本发明基于图像识别技术，对管件内外表面进行了打磨和金相组织智能分析。
本发明提供的一种基于深度学习的高钢级厚壁管件热处理状态检测方法，具体包括以下步骤：
步骤1、管件内外表面的磨光、抛光与浸蚀
使用便携式电动金相打磨机对待测管件内外表面进行粗磨、细磨和抛光，直至打磨处形成镜面。以上过程需要不间断保持一定流量的水作为冷却液，防止钢管表面受热影响而导致组织变化。然后使用脱脂棉蘸浓度为2-8％的硝酸酒精溶液对上述操作得到的抛光表面进行擦拭3-10S，直至金属表面原镜面颜色变为浅灰色。
步骤2、获取管件内外表面金相组织
使用便携式金相显微镜在200倍～500倍镜头下观察管件内外表面微观组织形貌，获取管件打磨处的内外表面的典型金相组织照片。
步骤3、建立高钢级厚壁管件金相组织图像训练样本集
由于输入卷积神经网络的图片一般为正方形且像素数不宜过多，因此在数据集的构建中需要对原始图片进行等像素切割。
本方法中将原始组织图片切分为512×512像素的图块，将得到的多个子图像作为卷积神经网络的输入。
具体地：将获取的内表面金相组织图像进行等像素切割，得到包括有多个子图像的内子数据集；
将获取的外表面金相组织图像进行等像素切割，得到包括有多个子图像的外子数据集；
将内子数据集和外子数据集中的子图像进行合并，得到数据集。
将内子数据集中的部分子图像和外子数据集中的部分子图像合并，得到训练数据集；
确定训练数据集中每个子图像的组织类别，得到组织类别表；
对得到组织类别表进行one-hot编码，得到相应的label表，如表1所示；
根据得到的相应的label表将多个子图像进行分类，将相同类别的子图像存入同一文件夹，得到训练集，训练集的文件存储形式如图2所示。
将内子数据集中的剩余部分子图像和外子数据集中的剩余部分子图像合并，得到测试集
注意表1中的组织包括热处理不合格样品的组织特征，训练时需要将这类图片一并输入模型。预测时的合格判据将在下面的步骤中单独讨论。
表1数据集的类别及其label值
步骤4、管件内外表面金相组织智能识别
采用ResNet50(50层残差网络)模型实现对管件内外表面金相组织的分类。利用步骤3中构建的数据集对模型进行训练，训练采用Adam优化器以全局学习率0.001进行。根据训练结果调节L2正则化系数及dropout概率提高模型泛化能力，最终使其在测试集上实现最高的准确率(≥95％)。将训练后的模型保存后用于组织类别预测。
其中，残差网络是卷积神经网络的一种，主要是在输入输出引入了短路连接，即残差结构；本发明利用ResNet-50网络模型，ResNet-50网络模型的具体结构是：
预测时，利用训练好的卷积神经网络依次对测试样本集中的每张子图像的类别进行预测，并记录该子图像的位置索引；预测结束后输出该子图像对应的分类结果，之后将该分类结果与其对应的位置索引进行合成，并按照位置索引重新排列，得到测试样本集对应的分类结果图；
统计分类结果图中的每个组织类别的数目，取数量最多的组织类别为该图片的组织类别，最终结果是一张待测图片对应一个组织类别。
步骤5、管理热处理状态最终检测判定
根据步骤4分别得到内外表面金相组织的分类结果，记为R1和R2。在正确的热处理工艺下，R1与R2应分别为表2中规定的类别中的一种。当R1与R2同时符合表2规定时，判定该管件钢的热处理工艺合格；当R1或R2中的任何一个不符合表2规定时，则判定该管件的热处理工艺不合格。
表2热处理工艺合格管件内外表面金相组织
本申请还提供基于深度学习的高钢级厚壁管件热处理状态检测系统，该系统能够用于实现上述的基于深度学习的高钢级厚壁管件热处理状态检测方法，包括数据采集模块、数据分析模块、数据处理模块和数据判定模块，其中：
数据采集模块用于获取高钢级厚壁管件的待检测区域的内、外表面金相组织图像；
数据分析模块用于根据得到的内、外表面金相组织图像建立数据集，将数据集分为训练集和测试集；
数据处理模块用于构建卷积神经网络，并通过得到的训练集对构建的卷积神经网络进行训练，得到训练好的卷积神经网络；同时，利用得到的测试集对训练好的卷积神经网络进行预测，并将预测结果进行分类，得到分类结果图；
数据判定模块用于利用训练好的卷积神经网络对热处理后的待测高钢级厚壁管件进行预测，并利用得到的分类结果图对预测结果进行判定，进而判断热处理后的待测高钢级厚壁管件是否合格。
实施例1
应用本发明技术对某批次规格为DN1000×900mm X70厚壁三通进行热处理状态检验，具体步骤为：
步骤一、管件内外表面的磨光、抛光与浸蚀
使用便携式电动金相打磨机对三通内外表面进行粗磨、细磨和抛光。直至打磨处成镜面。以上过程需要不间断保持一定流量的水作为冷却液。然后使用脱脂棉蘸4％的硝酸酒精溶液对上述操作得到的抛光表面进行擦拭10S，直至金属表面原镜面颜色变为浅灰色。
步骤二、获取三通内外表面金相组织
使用便携式金相显微镜在500倍镜头下观察三通内外表面微观组织形貌，获取内外表面典型金相组织照片。
步骤三、建立高钢级厚壁管件金相组织图像训练样本集
根据X70三通在热处理后的组织特征可确定训练数据集的总组织类别，对其进行one-hot编码即可得到相应的label。根据表1中的类别将相同类别的训练图片存入同一文件夹，数据集的文件存储形式如图2所示。注意表1中的组织包括热处理不合格样品的组织特征，训练时需要将这类图片一并输入模型。预测时的合格判据将在下面的步骤中单独讨论。
由于输入卷积神经网络的图片一般为正方形且像素数不宜过多，因此在训练集的构建中需要对原始图片进行等像素切割。本方法中将原始组织图片切分为512×512像素的图块作为卷积神经网络的输入。将100～500张组织照片按照上述方法进行切分与归类，得到训练数据集。随机提取数据集中的一部分样本作为测试集用于在训练中测试模型的预测效果。
步骤四、三通内外表面金相组织智能识别
采用ResNet50(50层残差网络)模型实现对管件内外表面金相组织的分类。利用步骤三中构建的数据集对模型进行训练，训练采用Adam优化器以全局学习率0.001进行。根据训练结果调节L2正则化系数及dropout概率提高模型泛化能力，最终使其在测试集上实现最高的准确率(≥95％)。将训练后的模型保存后用于组织类别预测。
预测时，将待测图片切分为512×512像素的图块，调用训练后的模型依次对图块的类别进行预测，将分类结果按图块的原始位置进行合成，得到分类结果图。取分类结果图中数量最多的分类结果作为最终分类结果。
步骤五、管理热处理状态最终检测判定
其中一件X70厚壁三通内外表面金相照片如图3、图4所示。分别对三通内外表面金相组织智能分析，结果如下：
三通外表面金相组织：多边形铁素体+贝氏体；
三通内表面金相组织：多边形铁素体+珠光体。
该三通内外表组织均不符合表2所列的热处理工艺合格管件金相组织范围，因此判定该三通未进行合适的热处理工艺。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.基于深度学习的高钢级厚壁管件热处理状态检测方法，其特征在于，包括以下步骤：
步骤1，获取高钢级厚壁管件的待检测区域的内、外表面金相组织图像；
步骤2，根据步骤1中得到的内、外表面金相组织图像建立数据集，将数据集分为训练集和测试集；
步骤3，构建卷积神经网络，并通过步骤2中得到的训练集对构建的卷积神经网络进行训练，得到训练好的卷积神经网络；利用步骤2中得到的测试集对训练好的卷积神经网络进行预测，并将预测结果进行分类，得到分类结果图；
步骤4，利用步骤3中训练好的卷积神经网络对热处理后的待测高钢级厚壁管件进行预测，并利用步骤3中得到的分类结果图对预测结果进行判定，进而判断热处理后的待测高钢级厚壁管件是否合格。
2.根据权利要求1所述的基于深度学习的高钢级厚壁管件热处理状态检测方法，其特征在于，步骤1中，获取高钢级厚壁管件的待检测区域的内、外表面金相组织图像，具体方法是：
对高钢级厚壁管件待检测区域的内、外表面分别进行打磨，直至内、外表面的打磨处形成镜面；
分别对两个镜面处进行硝酸酒精溶液进行擦拭，得到抛光面；
获取内、外表面抛光面处的金相组织图像，得到待检测区域的内、外表面金相组织图像。
3.根据权利要求1所述的基于深度学习的高钢级厚壁管件热处理状态检测方法，其特征在于，步骤2中，根据步骤1中得到的内、外表面金相组织图像建立数据集，具体方法是：
将获取的内表面金相组织图像进行等像素切割，得到包括有多个子图像的内子数据集；
将获取的外表面金相组织图像进行等像素切割，得到包括有多个子图像的外子数据集；
将内子数据集和外子数据集中的子图像进行合并，得到数据集。
4.根据权利要求3所述的基于深度学习的高钢级厚壁管件热处理状态检测方法，其特征在于，将数据集分为训练集和测试集，具体方法是：
将内子数据集中的部分子图像和外子数据集中的部分子图像合并，得到训练数据集；
确定训练数据集中每个子图像的组织类别，得到组织类别表；
对得到组织类别表进行one-hot编码，得到相应的label表；
根据得到的相应的label表将多个子图像进行分类，将相同类别的子图像存入同一文件夹，得到训练集；
将内子数据集中的剩余部分子图像和外子数据集中的剩余部分子图像合并，得到测试集。
5.根据权利要求1所述的基于深度学习的高钢级厚壁管件热处理状态检测方法，其特征在于，步骤3中，构建卷积神经网络，具体方法是：
所述卷积神经网络为ResNet-50网络；
所述ResNet-50网络包括输入层，所述输入层依次连接有卷积层、池化层、卷积层、池化层、全连接层和输出层。
6.根据权利要求5所述的基于深度学习的高钢级厚壁管件热处理状态检测方法，其特征在于，通过步骤2中得到的训练样本集对构建的卷积神经网络进行训练，得到训练好的卷积神经网络，具体方法是：
利用Adam优化器以全局学习率0.001对卷积神经网络进行训练，得到训练好的卷积神经网络。
7.根据权利要求1所述的基于深度学习的高钢级厚壁管件热处理状态检测方法，其特征在于，步骤3中，利用步骤2中得到的测试样本集对训练好的卷积神经网络进行预测，并将预测结果进行分类，得到分类结果图，具体方法是：
将步骤2中的测试集输入至训练好的卷积神经网络进行预测，得到每个子图像的分类结果；
将每个子图像的分类结果和其对应的位置索引进行合并，之后按照位置索引进行排列，得到分类结果图。
8.根据权利要求1所述的基于深度学习的高钢级厚壁管件热处理状态检测方法，其特征在于，步骤4中，利用步骤3中得到的分类结果图对预测结果进行判定，进而判断热处理后的高钢级厚壁管件是否合格，具体方法是：
当内、外表面的预测结果同时符合分类结果图，则热处理后的高钢级厚壁管件为合格产品，否则为次品。
9.基于深度学习的高钢级厚壁管件热处理状态检测系统，其特征在于，该系统能够用于实现权利要求1-8中任一项所述的基于深度学习的高钢级厚壁管件热处理状态检测方法，包括数据采集模块、数据分析模块、数据处理模块和数据判定模块，其中：
数据采集模块用于获取高钢级厚壁管件的待检测区域的内、外表面金相组织图像；
数据分析模块用于根据得到的内、外表面金相组织图像建立数据集，将数据集分为训练集和测试集；
数据处理模块用于构建卷积神经网络，并通过得到的训练集对构建的卷积神经网络进行训练，得到训练好的卷积神经网络；同时，利用得到的测试集对训练好的卷积神经网络进行预测，并将预测结果进行分类，得到分类结果图；
数据判定模块用于利用训练好的卷积神经网络对热处理后的待测高钢级厚壁管件进行预测，并利用得到的分类结果图对预测结果进行判定，进而判断热处理后的待测高钢级厚壁管件是否合格。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110100601.XA CN112862763A (zh) | 2021-01-25 | 2021-01-25 | 基于深度学习的高钢级厚壁管件热处理状态检测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110100601.XA CN112862763A (zh) | 2021-01-25 | 2021-01-25 | 基于深度学习的高钢级厚壁管件热处理状态检测系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112862763A true CN112862763A (zh) | 2021-05-28 |
Family
ID=76008948
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110100601.XA Pending CN112862763A (zh) | 2021-01-25 | 2021-01-25 | 基于深度学习的高钢级厚壁管件热处理状态检测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112862763A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116071348A (zh) * | 2023-03-02 | 2023-05-05 | 深圳市捷牛智能装备有限公司 | 基于视觉检测的工件表面检测方法及相关装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106442522A (zh) * | 2016-06-29 | 2017-02-22 | 内蒙古第机械集团有限公司 | 一种检验60Si2CrVAT钢热处理质量评级方法 |
| CN106845524A (zh) * | 2016-12-28 | 2017-06-13 | 田欣利 | 一种渗碳淬火钢磨削表层组织与烧伤智能识别方法 |
| CN109342247A (zh) * | 2018-10-17 | 2019-02-15 | 内蒙古第机械集团股份有限公司 | 一种检验2a50铝负轮热处理质量的评级方法 |
| CN109886329A (zh) * | 2019-02-18 | 2019-06-14 | 中国铁建重工集团有限公司 | 围岩破碎等级检测方法、检测系统和掘进设备 |
| CN110232334A (zh) * | 2019-05-26 | 2019-09-13 | 天津大学 | 一种基于卷积神经网络的钢结构锈蚀识别方法 |
| CN110579473A (zh) * | 2019-09-03 | 2019-12-17 | 钢研纳克检测技术股份有限公司 | 金属材料中枝晶组织的自动全视场定量统计分布表征方法 |
| CN111008650A (zh) * | 2019-11-13 | 2020-04-14 | 江苏大学 | 一种基于深度卷积对抗神经网络的金相组织自动评级方法 |
| CN112132086A (zh) * | 2020-09-29 | 2020-12-25 | 中国特种设备检测研究院 | 一种多尺度马氏体微观组织老化与损伤分级方法 |
-
2021
- 2021-01-25 CN CN202110100601.XA patent/CN112862763A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106442522A (zh) * | 2016-06-29 | 2017-02-22 | 内蒙古第机械集团有限公司 | 一种检验60Si2CrVAT钢热处理质量评级方法 |
| CN106845524A (zh) * | 2016-12-28 | 2017-06-13 | 田欣利 | 一种渗碳淬火钢磨削表层组织与烧伤智能识别方法 |
| CN109342247A (zh) * | 2018-10-17 | 2019-02-15 | 内蒙古第机械集团股份有限公司 | 一种检验2a50铝负轮热处理质量的评级方法 |
| CN109886329A (zh) * | 2019-02-18 | 2019-06-14 | 中国铁建重工集团有限公司 | 围岩破碎等级检测方法、检测系统和掘进设备 |
| CN110232334A (zh) * | 2019-05-26 | 2019-09-13 | 天津大学 | 一种基于卷积神经网络的钢结构锈蚀识别方法 |
| CN110579473A (zh) * | 2019-09-03 | 2019-12-17 | 钢研纳克检测技术股份有限公司 | 金属材料中枝晶组织的自动全视场定量统计分布表征方法 |
| CN111008650A (zh) * | 2019-11-13 | 2020-04-14 | 江苏大学 | 一种基于深度卷积对抗神经网络的金相组织自动评级方法 |
| CN112132086A (zh) * | 2020-09-29 | 2020-12-25 | 中国特种设备检测研究院 | 一种多尺度马氏体微观组织老化与损伤分级方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116071348A (zh) * | 2023-03-02 | 2023-05-05 | 深圳市捷牛智能装备有限公司 | 基于视觉检测的工件表面检测方法及相关装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109035233B (zh) | 视觉注意力网络系统及工件表面缺陷检测方法 | |
| CN113643268B (zh) | 基于深度学习的工业制品缺陷质检方法、装置及存储介质 | |
| Sun et al. | Surface defects detection based on adaptive multiscale image collection and convolutional neural networks | |
| CN114119554A (zh) | 一种基于卷积神经网络的表面微缺陷检测方法及装置 | |
| 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 | |
| CN113628178B (zh) | 一种速度与精度平衡的钢铁产品表面缺陷检测方法 | |
| CN116664558B (zh) | 一种钢铁表面缺陷检测方法、系统及计算机设备 | |
| CN110555831A (zh) | 一种基于深度学习的排水管道缺陷分割方法 | |
| CN108717069A (zh) | 一种基于行变步长分割的高压容器热成像缺陷检测方法 | |
| CN116012337A (zh) | 一种基于改进YOLOv4的热轧带钢表面缺陷检测方法 | |
| CN111767874B (zh) | 一种基于深度学习的路面病害检测方法 | |
| CN112991271A (zh) | 基于改进yolov3的铝型材表面缺陷视觉检测方法 | |
| CN114897802A (zh) | 一种基于改进Faster RCNN算法的金属表面缺陷检测方法 | |
| CN112862763A (zh) | 基于深度学习的高钢级厚壁管件热处理状态检测系统及方法 | |
| CN113327243B (zh) | 基于AYOLOv3-Tiny新框架的PAD导光板缺陷可视化检测方法 | |
| CN116883393B (zh) | 一种基于无锚框目标检测算法的金属表面缺陷检测方法 | |
| CN112287884B (zh) | 一种考试异常行为检测方法、装置及计算机可读存储介质 | |
| CN116342542A (zh) | 一种基于轻量级神经网络的钢铁产品表面缺陷检测方法 | |
| CN116805416A (zh) | 排水管道缺陷识别模型训练方法、排水管道缺陷识别方法 | |
| Sampath et al. | Vision Transformer based knowledge distillation for fasteners defect detection | |
| CN116468686A (zh) | 一种基于软优化知识蒸馏的带钢表面缺陷识别方法 | |
| CN117169247A (zh) | 一种基于机器视觉的金属表面缺陷多维度检测方法及系统 | |
| CN116452505A (zh) | 基于改进YOLOv5的连铸坯内部缺陷检测与评级方法 | |
| CN116402753A (zh) | 一种基于改进的YOLOv5的钢材缺陷检测方法 | |
| CN115359399A (zh) | 一种基于改进yolox的地下排水管道缺陷检测识别方法 |
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 |