CN112986285A - 缺陷类型确定方法、装置、云平台和介质 - Google Patents

缺陷类型确定方法、装置、云平台和介质 Download PDF

Info

Publication number
CN112986285A
CN112986285A CN201911204715.8A CN201911204715A CN112986285A CN 112986285 A CN112986285 A CN 112986285A CN 201911204715 A CN201911204715 A CN 201911204715A CN 112986285 A CN112986285 A CN 112986285A
Authority
CN
China
Prior art keywords
defect
defect type
image
dimensional
detection
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.)
Granted
Application number
CN201911204715.8A
Other languages
English (en)
Other versions
CN112986285B (zh
Inventor
孟嘉
刘奎
肖鹏
徐东坡
陈健
张继敏
陈智超
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.)
Commercial Aircraft Corp of China Ltd
Shanghai Aircraft Manufacturing Co Ltd
Original Assignee
Commercial Aircraft Corp of China Ltd
Shanghai Aircraft Manufacturing Co Ltd
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 Commercial Aircraft Corp of China Ltd, Shanghai Aircraft Manufacturing Co Ltd filed Critical Commercial Aircraft Corp of China Ltd
Priority to CN201911204715.8A priority Critical patent/CN112986285B/zh
Publication of CN112986285A publication Critical patent/CN112986285A/zh
Application granted granted Critical
Publication of CN112986285B publication Critical patent/CN112986285B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01N23/046—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 using tomography, e.g. computed tomography [CT]
    • 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
    • G01N23/06—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 measuring the absorption
    • G01N23/083—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 measuring the absorption the radiation being X-rays
    • 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
    • G01N23/06—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 measuring the absorption
    • G01N23/18—Investigating the presence of flaws defects or foreign matter

Landscapes

  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biochemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pulmonology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • Toxicology (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明实施例公开了一种缺陷类型确定方法、装置、云平台和介质。所述方法包括：获取用户端上传的原始检测数据，并对所述原始检测数据进行图像重建，得到重建图像，其中，所述原始检测数据为射线衰减系数；基于缺陷检测模型对所述重建图像进行缺陷类型检测，得到所述重建图像的缺陷类型，其中，所述缺陷类型包括孔隙缺陷以及裂纹缺陷中的至少一种，所述缺陷检测模型是基于卷积神经网络构建的。本发明实施例通过获取原始检测数据，并进行图像重建得到重建图像，利用缺陷检测模型对重建图像进行缺陷类型检测，得到重建图像的缺陷类型，实现了自动确定缺陷类型，减少了主观确定缺陷类型产生的误差和人力成本，且提高了确定缺陷类型的效率和可靠性。

Description

缺陷类型确定方法、装置、云平台和介质
技术领域
本发明实施例涉及缺陷检测技术领域，尤其涉及一种缺陷类型确定方法、装置、云平台和介质。
背景技术
金属3D打印技术是一种发源于20世纪80年代的先进制造技术，已被波音、空客和通用电气等公司用于民用飞机以及航空发动机中零件的制造。其在具有快速成型、材料利用率高和力学性能优异等多种优势的同时，也存在因工艺控制不当产生内部缺陷的可能。
现有CT设备配套的分析软件可以通过对3D打印零件的检测结果中灰度异常区域进行统计和测量，以得到3D打印零件的缺陷区域，但是对缺陷类型的判定主要还依靠检测人员对检测结果进行主观评价，评判效率低并且准确性较差，同时对操作人员的专业水平提出了较高的要求。
发明内容
本发明实施例提供一种缺陷类型确定方法、装置、设备和介质，以解决通过主观方法确定缺陷类型，存在的误差率高以及检测效率低的问题。
第一方面，本发明实施例提供了一种缺陷类型确定方法，由云平台执行，所述方法包括：
获取用户端上传的原始检测数据，并对所述原始检测数据进行图像重建，得到重建图像，其中，所述原始检测数据为射线衰减系数；
基于缺陷检测模型对所述重建图像进行缺陷类型检测，得到所述重建图像的缺陷类型，其中，所述缺陷类型包括孔隙缺陷以及裂纹缺陷中的至少一种，所述缺陷检测模型是基于卷积神经网络构建的。
第二方面，本发明实施例提供了一种缺陷类型确定装置，配置于云平台中，所述装置包括：
图像重建模块，用于获取用户端上传的原始检测数据，并对所述原始检测数据进行图像重建，得到重建图像，其中，所述原始检测数据为射线衰减系数；
缺陷类型确定模块，用于基于缺陷检测模型对所述重建图像进行缺陷类型检测，得到所述重建图像的缺陷类型，其中，所述缺陷类型包括孔隙缺陷以及裂纹缺陷中的至少一种，所述缺陷检测模型是基于卷积神经网络构建的。
第三方面，本发明实施例提供了一种云平台，所述云平台包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例中任一所述的缺陷类型确定方法。
第四方面，本发明实施例提供了一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如本发明实施例中任一所述的缺陷类型确定方法。
本发明实施例通过获取原始检测数据，并进行图像重建，得到重建图像，利用缺陷检测模型对重建图像进行缺陷类型检测，得到重建图像的缺陷类型，实现了自动确定缺陷类型，减少了主观确定缺陷类型产生的误差，并且提高了确定缺陷类型的效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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获得其他相关的附图。
图1为本发明实施例一提供的一种缺陷类型确定方法的流程图；
图2是本发明实施例二提供的一种缺陷类型确定方法的流程图；
图3为本发明实施例三提供的一种缺陷类型确定装置的结构示意图；
图4为本发明实施例四提供的一种云平台的结构示意图。
具体实施方式
下面结合附图和实施例对本发明实施例作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明实施例，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明实施例相关的结构而非全部结构。
实施例一
图1为本发明实施例一提供的一种缺陷类型确定方法的流程图。本实施例适用于确定图像包含缺陷的缺陷类型的情况，可以由本发明实施例提供的缺陷类型确定装置来执行，所述缺陷类型确定装置配置于云平台中，可以由软件和/或硬件的方式来实现。参见图1，该方法具体包括：
步骤101、获取用户端上传的原始检测数据，并对所述原始检测数据进行图像重建，得到重建图像，其中，所述原始检测数据为射线衰减系数。
具体的，用户端与采集待检测物体原始检测数据的采集设备通信连接，采集设备设置于车间工业CT无损检测工位上，并向待检测物体发射X射线，待检测物体包括但不限于金属3D打印零件等。由于待检测物体各部位的结构不同，此时即可得到待检测物体各部位的原始检测数据，即待检测物体各部位的射线衰减系数，将得到的待检测物体的射线衰减系数传输至用户端，用户端再将获取的待检测物体的射线衰减系数上传至预先建立的云平台中，在本实施例中，云平台是基于5G传输网络、WiFi6传输网络或者光纤传输网络搭建而成的。云平台根据预设的数学算法，求解出射线衰减系数在某个剖面的二维分布矩阵，以将待检测物体的射线衰减系数转变为图像画面上的灰度分布，从而完成图像重建，得到可视化的重建图像。
通过利用云平台高速数据传输性能以及高性能计算环境，对从用户端上传的原始检测数据进行图像重建，得到重建图像，大大提高了图像重建的速度，从而减少了缺陷类型确定的时间。
步骤102、基于缺陷检测模型对所述重建图像进行缺陷类型检测，得到所述重建图像的缺陷类型，其中，所述缺陷类型包括孔隙缺陷以及裂纹缺陷中的至少一种，所述缺陷检测模型是基于卷积神经网络构建的。
具体的，云平台将生成的重建图像输入到缺陷检测模型中，以得到重建图像中包含缺陷的缺陷类型。
可选的，所述缺陷检测模型通过如下方式建立：
A、从本地端获取缺陷样本的样本检测数据，并通过滤波反投影算法对所述样本检测数据进行三维图像重建，得到三维样本重建图像。
具体的，技术人员通过改变打印设备的打印参数，制备一系列含不同形貌、尺度以及分布缺陷的3D打印缺陷样本，缺陷尺寸从10微米到1毫米不等。采集设备通过改变检测参数，通过多个角度向缺陷样本发射X射线，得到缺陷样本的多角度样本检测数据并传输给云平台，云平台根据预设的滤波反投影算法对多角度样本检测数据进行三维图像重建，得到三维样本重建图像。
B、将所述三维样本重建图像进行二维切片处理得到二维样本切片图像，并通过缺陷检测方法对所述二维样本切片图像进行缺陷检测，得到缺陷图像。
具体的，云平台将得到三维样本重建图像进行等距的二维切片，得到三维样本重建图像中，若干剖面对应的二维样本切片图像，其中剖面的数量可任意设定本实施例不做限定。通过现有的缺陷检测方法对得到二维样本切片图像进行缺陷检测，得到其包含的缺陷，进而对所述缺陷进行图像裁切，得到缺陷图像，其中，缺陷图像的尺寸包括统一大小的1024*1024像素；得到缺陷图像后，还可以对缺陷图像进行包括灰度变换和中值滤波等增强处理操作。
C、对所述缺陷图像以及人工标注的缺陷类型进行训练，得到所述缺陷检测模型。
具体的，用户端从云平台中下载所述缺陷图像，并通过本领域技术人员对各缺陷图像的缺陷类型进行人工标注，例如孔隙类型的缺陷图像标注为“孔隙缺陷”，又例如裂纹类型的缺陷图像标注为“裂纹缺陷”。将人工标注完成的缺陷类型以及其对应的缺陷图像作为训练集，上传给云平台，云平台上建立多层卷积神经网络，并基于卷积神经网络以及训练算法对缺陷图像以及人工标注的缺陷类型进行训练，得到缺陷检测模型。其中，卷积神经网络的可选构架包括：使用Faster R-CNN架构，首先设计VGG16网络，卷积层共16层，卷积核大小为3*3，stride步长选1，Padding值选1，激活函数选用ReLU函数，池化层矩阵尺寸为2*2。
相应的，基于缺陷检测模型对所述重建图像进行缺陷类型检测的流程，可以包括：重建图像数据在经过VGG16网络后进入区域候选网络，对重建图像进行二分类，判断其为待评价的缺陷还是背景物体。然后将VGG16网络最后一层的特征图像和RPN网络中确定的缺陷候选区域一同输入到ROI池化层中，根据上一步16层卷积池化后图像的缩放比例，建立缺陷候选区域和VGG网络最后一层特征图像的映射关系。再次对缺陷候选区域进行池化处理并将池化后的特征图像送入分类器。在分类器中建立全连接层对上一步得到的特征图像进行全连接处理，使用softmax损失函数计算各个缺陷类型的概率，进而实现对缺陷的检测。在完成缺陷检测后，还可以包括：使用smooth L1损失函数实现对缺陷的定位。
通过基于缺陷检测模型对重建图像进行缺陷类型检测，得到重建图像的缺陷类型，实现了自动确定缺陷类型，减少了主观确定缺陷类型产生的误差，并且提高了确定缺陷类型的效率。
本发明实施例提供的技术方案，通过获取原始检测数据，并进行图像重建，得到重建图像，利用缺陷检测模型对重建图像进行缺陷类型检测，得到重建图像的缺陷类型，实现了自动确定缺陷类型，减少了主观确定缺陷类型产生的误差以及人力成本，并且提高了确定缺陷类型的效率和可靠性。
实施例二
图2是本发明实施例二提供的一种缺陷类型确定方法的流程图。本实施例为上述实施例提供了一种具体实现方式。具体可以包括如下：
步骤201、获取用户端上传的原始检测数据，并通过滤波反投影算法对所述原始检测数据进行三维图像重建，得到三维重建图像。
具体的，采集设备通过改变检测参数，通过多个角度向待检测物体发射X射线，得到待检测物体的多角度原始检测数据并传输给云平台，云平台根据预设的滤波反投影算法对多角度原始检测数据进行三维图像重建，得到三维重建图像。
通过对原始检测数据进行三维图像重建，得到三维重建图像，由于三维重建图像可以变换多角度的观测待检测物体，相比二维重建图像更加真实的还原待检测物体。
步骤202、将所述三维重建图像进行二维切片处理得到二维切片图像，并将所述二维切片图像输入到缺陷检测模型中进行缺陷类型检测，得到所述三维重建图像的缺陷类型，其中，所述缺陷类型包括孔隙缺陷以及裂纹缺陷中的至少一种，所述缺陷检测模型是基于卷积神经网络构建的。
具体的，将三维重建图像根据预设的剖面的数量进行等距的二维切片，得到各剖面对应的二维切片图像，并将得到的各二维切片图像输入到缺陷检测模型中进行缺陷类型检测，得到各二维切片图像中包含缺陷的缺陷类型，并将二维切片图像的检测结果以集合的形式作为三维重建图像的缺陷类型。
步骤203、根据所述缺陷类型以及所述三维重建图像生成缺陷类型检测报告。
具体的，缺陷类型检测报告中可以包括三维重建图像、各剖面的二维切片图像以及各二维切片图像包含缺陷的缺陷类型等。云平台生成缺陷类型检测报告后，会将缺陷类型检测报告存储在云平台中。
步骤204、获取用户端对于所述缺陷类型检测报告的请求信息，并将所述缺陷类型检测报告反馈至用户端。
具体的，委托方根据预设的账号密码登录用户端，并向云平台发送缺陷类型检测报告的请求信息，云平台验证身份后，会向对应的用户端反馈缺陷类型检测报告，供委托方查看。
本发明实施例提供的技术方案，通过滤波反投影算法对原始检测数据进行三维图像重建，得到三维重建图像，将三维重建图像进行二维切片处理得到二维切片图像，并将二维切片图像输入到缺陷检测模型中进行缺陷类型检测，实现了对待检测物体的多剖面二维切片图像的缺陷检测，缺陷检测结果更加全面；通过根据缺陷类型以及三维重建图像生成缺陷类型检测报告，并获取用户端对于缺陷类型检测报告的请求信息，将缺陷类型检测报告反馈至用户端，实现了用户端实时查看待检测物体的缺陷类型检测报告的技术效果。
实施例三
图3为本发明实施例三提供的一种缺陷类型确定装置的结构示意图，所述缺陷类型确定装置配置于云平台中，可执行本发明任一实施例所提供的一种缺陷类型确定方法，具备执行方法相应的功能模块和有益效果。如图3所示，该装置可以包括：
图像重建模块31，用于获取用户端上传的原始检测数据，并对所述原始检测数据进行图像重建，得到重建图像，其中，所述原始检测数据为射线衰减系数；
缺陷类型确定模块32，用于基于缺陷检测模型对所述重建图像进行缺陷类型检测，得到所述重建图像的缺陷类型，其中，所述缺陷类型包括孔隙缺陷以及裂纹缺陷中的至少一种，所述缺陷检测模型是基于卷积神经网络构建的。
在上述实施例的基础上，所述图像重建模块31，具体用于：
通过滤波反投影算法对所述原始检测数据进行三维图像重建，得到三维重建图像；
相应的，所述缺陷类型确定模块32具体用于：
将所述三维重建图像进行二维切片处理得到二维切片图像，并将所述二维切片图像输入到所述缺陷检测模型中进行缺陷类型检测。
在上述实施例的基础上，所述缺陷检测模型通过如下方式建立：
从本地端获取缺陷样本的样本检测数据，并通过滤波反投影算法对所述样本检测数据进行三维图像重建，得到三维样本重建图像；
将所述三维样本重建图像进行二维切片处理得到二维样本切片图像，并通过缺陷检测方法对所述二维样本切片图像进行缺陷检测，得到缺陷图像；
对所述缺陷图像以及人工标注的缺陷类型进行训练，得到所述缺陷检测模型。
在上述实施例的基础上，所述装置还包括缺陷类型检测报告反馈模块，用于：
根据所述缺陷类型以及所述重建图像生成缺陷类型检测报告；
获取用户端对于所述缺陷类型检测报告的请求信息，并将所述缺陷类型检测报告反馈至用户端。
本发明实施例所提供的一种缺陷类型确定装置，可执行本发明任一实施例所提供的缺陷类型确定方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任一实施例所提供的一种缺陷类型确定方法。
实施例四
图4为本发明实施例四提供的一种云平台的结构示意图。图4示出了适于用来实现本发明实施方式的示例性云平台400的框图。图4显示的云平台400仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，云平台400以通用计算云平台的形式表现。云平台400的组件可以包括但不限于：一个或者多个处理器或者处理单元401，系统存储器402，连接不同系统组件(包括系统存储器402和处理单元401)的总线403。
总线403表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
云平台400典型地包括多种计算机系统可读介质。这些介质可以是任何能够被云平台400访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器402可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)404和/或高速缓存存储器405。云平台400可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统406可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线403相连。存储器402可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块407的程序/实用工具408，可以存储在例如存储器402中，这样的程序模块407包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块407通常执行本发明所描述的实施例中的功能和/或方法。
云平台400也可以与一个或多个外部云平台409(例如键盘、指向云平台、显示器410等)通信，还可与一个或者多个使得用户能与该云平台400交互的云平台通信，和/或与使得该云平台400能与一个或多个其它计算云平台进行通信的任何云平台(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口411进行。并且，云平台400还可以通过网络适配器412与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器412通过总线403与云平台400的其它模块通信。应当明白，尽管图中未示出，可以结合云平台400使用其它硬件和/或软件模块，包括但不限于：微代码、云平台驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元401通过运行存储在系统存储器402中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的缺陷类型确定方法，包括：
获取用户端上传的原始检测数据，并对所述原始检测数据进行图像重建，得到重建图像，其中，所述原始检测数据为射线衰减系数；
基于缺陷检测模型对所述重建图像进行缺陷类型检测，得到所述重建图像的缺陷类型，其中，所述缺陷类型包括孔隙缺陷以及裂纹缺陷中的至少一种，所述缺陷检测模型是基于卷积神经网络构建的。
实施例五
本发明实施例五还提供了一种计算机可读存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种缺陷类型确定方法，该方法包括：
获取用户端上传的原始检测数据，并对所述原始检测数据进行图像重建，得到重建图像，其中，所述原始检测数据为射线衰减系数；
基于缺陷检测模型对所述重建图像进行缺陷类型检测，得到所述重建图像的缺陷类型，其中，所述缺陷类型包括孔隙缺陷以及裂纹缺陷中的至少一种，所述缺陷检测模型是基于卷积神经网络构建的。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的一种无线网络自主优化方法中的相关操作。本发明实施例的计算机可读存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Python、C++，还包括常规的面向过程程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种缺陷类型确定方法，其特征在于，由云平台执行，所述方法包括：
获取用户端上传的原始检测数据，并对所述原始检测数据进行图像重建，得到重建图像，其中，所述原始检测数据为射线衰减系数；
基于缺陷检测模型对所述重建图像进行缺陷类型检测，得到所述重建图像的缺陷类型，其中，所述缺陷类型包括孔隙缺陷以及裂纹缺陷中的至少一种，所述缺陷检测模型是基于卷积神经网络构建的。
2.根据权利要求1所述的方法，其特征在于，对所述原始检测数据进行图像重建，得到重建图像，包括：
通过滤波反投影算法对所述原始检测数据进行三维图像重建，得到三维重建图像；
相应的，基于缺陷检测模型对所述重建图像进行缺陷类型检测，包括：
将所述三维重建图像进行二维切片处理得到二维切片图像，并将所述二维切片图像输入到所述缺陷检测模型中进行缺陷类型检测。
3.根据权利要求2所述的方法，其特征在于，所述缺陷检测模型通过如下方式建立：
从本地端获取缺陷样本的样本检测数据，并通过滤波反投影算法对所述样本检测数据进行三维图像重建，得到三维样本重建图像；
将所述三维样本重建图像进行二维切片处理得到二维样本切片图像，并通过缺陷检测方法对所述二维样本切片图像进行缺陷检测，得到缺陷图像；
对所述缺陷图像以及人工标注的缺陷类型进行训练，得到所述缺陷检测模型。
4.根据权利要求1所述的方法，其特征在于，得到所述重建图像的缺陷类型之后，包括：
根据所述缺陷类型以及所述重建图像生成缺陷类型检测报告；
获取用户端对于所述缺陷类型检测报告的请求信息，并将所述缺陷类型检测报告反馈至用户端。
5.一种缺陷类型确定装置，其特征在于，配置于云平台中，所述装置包括：
图像重建模块，用于获取用户端上传的原始检测数据，并对所述原始检测数据进行图像重建，得到重建图像，其中，所述原始检测数据为射线衰减系数；
缺陷类型确定模块，用于基于缺陷检测模型对所述重建图像进行缺陷类型检测，得到所述重建图像的缺陷类型，其中，所述缺陷类型包括孔隙缺陷以及裂纹缺陷中的至少一种，所述缺陷检测模型是基于卷积神经网络构建的。
6.根据权利要求5所述的装置，其特征在于，所述图像重建模块，具体用于：
通过滤波反投影算法对所述原始检测数据进行三维图像重建，得到三维重建图像；
相应的，所述缺陷类型确定模块具体用于：
将所述三维重建图像进行二维切片处理得到二维切片图像，并将所述二维切片图像输入到所述缺陷检测模型中进行缺陷类型检测。
7.根据权利要求5所述的装置，其特征在于，所述缺陷检测模型通过如下方式建立：
从本地端获取缺陷样本的样本检测数据，并通过滤波反投影算法对所述样本检测数据进行三维图像重建，得到三维样本重建图像；
将所述三维样本重建图像进行二维切片处理得到二维样本切片图像，并通过缺陷检测方法对所述二维样本切片图像进行缺陷检测，得到缺陷图像；
对所述缺陷图像以及人工标注的缺陷类型进行训练，得到所述缺陷检测模型。
8.根据权利要求5所述的装置，其特征在于，所述装置还包括缺陷类型检测报告反馈模块，用于：
根据所述缺陷类型以及所述重建图像生成缺陷类型检测报告；
获取用户端对于所述缺陷类型检测报告的请求信息，并将所述缺陷类型检测报告反馈至用户端。
9.一种云平台，其特征在于，所述云平台还包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的缺陷类型确定方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一所述的缺陷类型确定方法。
CN201911204715.8A 2019-11-29 2019-11-29 缺陷类型确定方法、装置、云平台和介质 Active CN112986285B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911204715.8A CN112986285B (zh) 2019-11-29 2019-11-29 缺陷类型确定方法、装置、云平台和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911204715.8A CN112986285B (zh) 2019-11-29 2019-11-29 缺陷类型确定方法、装置、云平台和介质

Publications (2)

Publication Number Publication Date
CN112986285A true CN112986285A (zh) 2021-06-18
CN112986285B CN112986285B (zh) 2022-12-13

Family

ID=76330911

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911204715.8A Active CN112986285B (zh) 2019-11-29 2019-11-29 缺陷类型确定方法、装置、云平台和介质

Country Status (1)

Country Link
CN (1) CN112986285B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102715914A (zh) * 2012-06-29 2012-10-10 北京东方惠尔图像技术有限公司 G型臂x光机的三维图像生成方法及装置与g型臂x光机
CN103543167A (zh) * 2013-10-08 2014-01-29 华南理工大学 一种基于知识库的三维x射线断层扫描检测系统及方法
CN109772724A (zh) * 2019-03-14 2019-05-21 溧阳市新力机械铸造有限公司 一种铸件重点表面及内部缺陷的柔性检测分析系统
CN110045015A (zh) * 2019-04-18 2019-07-23 河海大学 一种基于深度学习的混凝土结构内部缺陷检测方法
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102715914A (zh) * 2012-06-29 2012-10-10 北京东方惠尔图像技术有限公司 G型臂x光机的三维图像生成方法及装置与g型臂x光机
CN103543167A (zh) * 2013-10-08 2014-01-29 华南理工大学 一种基于知识库的三维x射线断层扫描检测系统及方法
CN109772724A (zh) * 2019-03-14 2019-05-21 溧阳市新力机械铸造有限公司 一种铸件重点表面及内部缺陷的柔性检测分析系统
CN110045015A (zh) * 2019-04-18 2019-07-23 河海大学 一种基于深度学习的混凝土结构内部缺陷检测方法
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

Also Published As

Publication number Publication date
CN112986285B (zh) 2022-12-13

Similar Documents

Publication Publication Date Title
US9002088B2 (en) Method and apparatus for creating nondestructive inspection porosity standards
CN106897573A (zh) 使用深度卷积神经网络的用于医学图像的计算机辅助诊断系统
EP3781944A1 (en) Automated analysis of petrographic thin section images using advanced machine learning techniques
CN113362314B (zh) 医学图像识别方法、识别模型训练方法及装置
CN111751390A (zh) 一种工业ct图像分析自动交互系统及其使用方法
JP2014052375A5 (zh)
CN111476776A (zh) 胸部病灶位置确定方法、系统、可读存储介质和设备
CN113409284A (zh) 电路板故障检测方法、装置、设备以及存储介质
Yosifov et al. Probability of detection applied to X-ray inspection using numerical simulations
CN110544243B (zh) 一种ct图像小缺陷自动检出、定量及可靠性评价方法
Donahue et al. Deep learning for automated defect detection in high-reliability electronic parts
CN111753666A (zh) 输电线路中小目标故障检测方法、检测系统及存储介质
CN112986285B (zh) 缺陷类型确定方法、装置、云平台和介质
CN110738702A (zh) 一种三维超声图像的处理方法、装置、设备及存储介质
Ziabari et al. Simurgh: A Framework for CAD-Driven Deep Learning Based X-Ray CT Reconstruction
CN111583417A (zh) 一种图像语义和场景几何联合约束的室内vr场景构建的方法、装置、电子设备和介质
US9836833B2 (en) Non-intrusive measurement of the volume density of a phase in a part
US8306311B2 (en) Method and system for automated ball-grid array void quantification
KR102369293B1 (ko) 듀얼 딥러닝을 이용한 제품의 내부 결함 검사 시스템 및 방법
CN111272625B (zh) 一种孔隙率评估方法、装置、设备及存储介质
CN112530554B (zh) 一种扫描定位方法、装置、存储介质及电子设备
CN114399472A (zh) 承载鞍故障检测方法、装置、计算机设备和存储介质
Prieto et al. Use of the cross‐correlation component of the multiscale structural similarity metric (R* metric) for the evaluation of medical images
CN114140612A (zh) 电力设备隐患检测方法、装置、设备及存储介质
Kumaresan et al. Deep Learning Based Simple CNN Weld Defects Classification Using Optimization Technique

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
GR01 Patent grant
GR01 Patent grant