CN113192045A - 一种焊缝图像的缺陷尺寸分析方法 - Google Patents

一种焊缝图像的缺陷尺寸分析方法 Download PDF

Info

Publication number
CN113192045A
CN113192045A CN202110524258.1A CN202110524258A CN113192045A CN 113192045 A CN113192045 A CN 113192045A CN 202110524258 A CN202110524258 A CN 202110524258A CN 113192045 A CN113192045 A CN 113192045A
Authority
CN
China
Prior art keywords
defect
standard
cluster center
type
weld
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
CN202110524258.1A
Other languages
English (en)
Inventor
董磊
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.)
Xi'an Digital Information Technology Co ltd
Original Assignee
Xi'an Digital Information Technology 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 Xi'an Digital Information Technology Co ltd filed Critical Xi'an Digital Information Technology Co ltd
Priority to CN202110524258.1A priority Critical patent/CN113192045A/zh
Publication of CN113192045A publication Critical patent/CN113192045A/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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种焊缝图像的缺陷尺寸分析方法，包括：获取待检测照片；确定标准焊缝的缺陷种类以及标准边界框；通过交并比算法计算待检测照片中的焊缝与标准边界框的距离并分类，得到至少一类焊缝缺陷；采用聚类算法分别计算每一类焊缝缺陷与其各自对应的标准边界框的簇中心之间的距离，直至距离小于或等于预定阈值；采用平均交并比算法计算簇中心与该簇中心对应的标准边界框之间的平均值；确定平均值的簇数k并分析焊缝缺陷类别。本发明采用交并比算法与聚类算法相结合的方法，通过对现有缺陷标记的聚类，快速准确对数字射线缺陷进行分析统计。本发明使用范围广泛，不受焊缝缺陷形状限制，便于实际生产中对缺陷的尺寸进行分析统计。

Description

一种焊缝图像的缺陷尺寸分析方法
技术领域
本发明涉及工业图像领域，特别是涉及一种焊缝图像的缺陷尺寸分析方法。
背景技术
随着计算机和图像处理技术的发展，传统的人工评片方法已经不能满足当代工业生产的需求，对焊缝数字射线图像的自动提取、识别以及统计成为可能，而对焊缝图像自动识别的首要工作是对焊接缺陷的分析与统计。焊缝缺陷包含有气孔、夹杂、钨夹渣、裂纹和未焊透等多种缺陷类型，缺陷的定性不仅与缺陷形态有关，而且还依赖于定量信息，即使是同一种缺陷类型，其形态差异也可能很大，通过不同缺陷的特征参数必须采用不同的缺陷分类方法。目前国内该方面的研究尚处于起步阶段，尚不具备完善的夹杂缺陷的分析和统计方法，无法对缺陷的形貌、尺寸和分布进行统计，无法系统的开展概率风险评估研究。因此，制定一种合理的缺陷分析和统计方法成为一个亟待解决的新问题。
发明内容
为了克服上述问题，本发明的目的是提供一种数字射线焊缝图像的缺陷尺寸分析方法，能够快速、准确的对缺陷的尺寸进行分析和统计，解决现阶段国内概率风险评估以及实际生产中对夹杂缺陷分析和统计的问题。具体技术方案如下：
本发明实施例提供了一种焊缝图像的缺陷尺寸分析方法，应用于处理器，包括：
获取待检测照片，其中所述待检测照片中包含有至少一条焊缝；
确定标准焊缝的至少一个缺陷种类以及每一个所述缺陷种类所对应的标准边界框；
通过交并比算法计算所述待检测照片中的焊缝与所述标准边界框的距离，并按照所述缺陷种类对所述焊缝进行缺陷分类，得到至少一类焊缝缺陷；
采用聚类算法分别计算每一类所述焊缝缺陷与其各自对应的所述标准边界框的簇中心之间的距离，直至所述距离小于或等于预定阈值，得到每一个所述标准边界框所确定的新的簇中心；
采用平均交并比算法计算：簇中心、该簇中心对应的标准边界框，得到二者之间的平均值；
采用手肘法则确定平均值的簇数k，并生成每一个所述簇数k所对应的缺陷图像；
采用预设标准，分析所述缺陷图像的焊缝缺陷类别。
进一步的，所述交并比算法为：
Intersection＝(min(A.x2，B.x2)-max(A.x1，B.x1)×(min(A.y2，B.y2)-max(A.y1，B.y1))
Figure BDA0003065210780000021
式中，Intersection为焊缝与标准边界框的重叠面积、IOU(A，B)为焊缝与标准边界框的交并比、A为焊缝的面积、B为标准边界框的面积。
进一步的，所述聚类算法为：
d(X1，X2)＝1-IOU(X1，X2)
式中，d(X1，X2)为焊缝缺陷的簇中心与标准边界框的簇中心之间的距离；X1为焊缝缺陷的簇中心、X2为标准边界框的簇中心。
进一步的，所述平均交并比算法为：
Figure BDA0003065210780000031
式中，N表示标准边界框的个数，表示第i个标准边界框对应的簇中心。
第二方面，本发明提供一种焊缝图像的缺陷尺寸分析方法，包括：
获取模块，用于获取待检测照片，其中所述待检测照片中包含有至少一条焊缝；
确定模块，用于确定标准焊缝的至少一个缺陷种类以及每一个所述缺陷种类所对应的标准边界框；
交并比计算模块，用于通过交并比算法计算所述待检测照片中的焊缝与所述标准边界框的距离，并按照所述缺陷种类对所述焊缝进行缺陷分类，得到至少一类焊缝缺陷；
聚类计算模块，用于采用聚类算法分别计算每一类所述焊缝缺陷与其各自对应的所述标准边界框的簇中心之间的距离，直至所述距离小于或等于预定阈值，得到每一个所述标准边界框所确定的新的簇中心；
平均交并比算法计算模块，用于采用平均交并比算法计算：簇中心、该簇中心对应的标准边界框，得到二者之间的平均值；
手肘法则计算模块，用于采用手肘法则确定平均值的簇数k，并生成每一个所述簇数k所对应的缺陷图像；
分析模块，用于采用预设标准，分析所述缺陷图像的焊缝缺陷类别。
本发明实施例提供了一种焊缝图像的缺陷尺寸分析方法，应用于处理器，包括：获取待检测照片，其中所述待检测照片中包含有至少一条焊缝；确定标准焊缝的至少一个缺陷种类以及每一个所述缺陷种类所对应的标准边界框；通过交并比算法计算所述待检测照片中的焊缝与所述标准边界框的距离，并按照所述缺陷种类对所述焊缝进行缺陷分类，得到至少一类焊缝缺陷；采用聚类算法分别计算每一类所述焊缝缺陷与其各自对应的所述标准边界框的簇中心之间的距离，直至所述距离小于或等于预定阈值，得到每一个所述标准边界框所确定的新的簇中心；采用平均交并比算法计算：簇中心、该簇中心对应的标准边界框，得到二者之间的平均值；采用手肘法则确定平均值的簇数k，并生成每一个所述簇数k所对应的缺陷图像；采用预设标准，分析所述缺陷图像的焊缝缺陷类别。本发明采用交并比算法与聚类算法相结合的方法，通过对现有缺陷标记的聚类，从而快速准确对数字射线缺陷进行分析统计。本发明使用范围广泛，不受焊缝缺陷形状限制，便于实际生产中对缺陷进行分析统计。本发明可以准确、快捷的分析和统计焊缝缺陷的尺寸。
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。
图1为本发明实施例提供的一种焊缝图像的缺陷尺寸分析方法流程意图。
图2为本发明实施例提供的一种交并比算法示意图。
图3为本发明实施例提供的基于AVEIOU及手肘法的最终结果示意图。
图4为本发明实施例提供的一种第一套管的结构示意图。
具体实施方式
为了使本发明的上述目的、特征和优点能够更加明显易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，均属于本发明保护的范围。
本实施例中涉及的专业术语解释：
IOU(Intersection over Union,交并比)
K-Means算法：K-means算法是硬聚类算法，是典型的基于原型的目标函数聚类方法的代表，它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度，它是求对应某一初始聚类中心向量V最优分类，使得评价指标J最小。算法采用误差平方和准则函数作为聚类准则函数。
实施例1
请参见图1-图4，本发明实施例提供了一种焊缝图像的缺陷尺寸分析方法，应用于处理器，包括：
S110.获取待检测照片，其中所述待检测照片中包含有至少一条焊缝。
S120.确定标准焊缝的至少一个缺陷种类以及每一个所述缺陷种类所对应的标准边界框。
具体的，焊缝的缺陷种类包括：气孔、夹杂、钨夹渣、裂纹和未焊透等多种缺陷类型，在本实施例中，可以将每一种缺陷种类的典型缺陷图像作作为本方案中的标准缺陷图，将标准缺陷图中，焊缝缺陷的边界框作为本实施例中的标准边界框。
S130.通过交并比算法计算所述待检测照片中的焊缝与所述标准边界框的距离，并按照所述缺陷种类对所述焊缝进行缺陷分类，得到至少一类焊缝缺陷。
具体的，本实施例中可以采用IOU(Intersection over Union，交并比)来衡量两个边界框的距离。使用聚类算法一个关键的地方在于定义样本之间的距离，传统的距离比如欧氏距离和余弦距离并不能适应本研究，故使用在目标检测中经常使用的IOU(Intersection over Union，交并比)来衡量两个边界框的距离，该值等于两个框相交的面积比上两个框并集的面积。
请参见图2，对于边界框A和边界框B而言，它们相交的面积和IOU可以计算：
Intersection＝(min(A.x2，B.x2)-max(A.x1，B.x1)×(min(A.y2，B.y2)-max(A.y1，B.y1))
Figure BDA0003065210780000061
S140.采用聚类算法分别计算每一类所述焊缝缺陷与其各自对应的所述标准边界框的簇中心之间的距离，直至所述距离小于或等于预定阈值，得到每一个所述标准边界框所确定的新的簇中心。
为了深入了解缺陷的尺寸特征，帮助定位的实现，本发明采用K-Means算法对缺陷的尺寸进行聚类，聚类后的结果有助于在网络中对anchor的初始化。K-Means是常用的聚类算法，通过随机选取簇中心，不断为样本选择最优的簇完成簇的更新，使得全局趋向于最优。本发明使用K-Means对缺陷定位框的宽和高进行聚类，期望获得预设的anchor box的尺寸。
在本发明中只是为了得到尺寸相关信息，所以对边界框的位置没有要求，或者说对边界框的簇中心坐标没有要求，在计算样本与样本之间或者样本与簇中心之间的IOU时，需要将两者的簇中心对应到统一的位置，定义两个边界框X1、X2之间的距离d为：
d(X1，X2)＝1-IOU(X1，X2)
使用图1中的K-Means算法对ground truth的宽w和高h进行聚类。算法首先随机选取k个ground truth的w和h作为簇中心，然后将剩下的每一个ground truth根据它到每个簇中心的距离进行划分，分别为它们选择距离最近的簇，完成一次划分后更新簇中心，然后重复以上过程直至簇中心的坐标不在发生变化，最后还可以对本次聚类的效果进行评价，方法为：
Figure BDA0003065210780000071
S150.采用平均交并比算法计算：簇中心、该簇中心对应的标准边界框，得到二者之间的平均值。
具体的，本发明采用平均IOU作为聚类效果的评判，通过计算每个边界框与最终聚类结果的平均IOU得到AVEIou：
Figure BDA0003065210780000072
式中，N表示边界框的个数，centroidsi表示第i个边界框对应的簇中心。对于簇数k的选取使用手肘法则，选取手肘点作为合适的类中心数，上述公式的值随着k值的增大应当呈现不断增大的趋势，但是过大的k值未消耗过多的计算资源，运用手肘法最终得到的结果如图3所示，图中为了更好显示对纵坐标进行放大处理。
S160.采用手肘法则确定平均值的簇数k，并生成每一个所述簇数k所对应的缺陷图像。
S170.采用预设标准，分析所述缺陷图像的焊缝缺陷类别。
如图4所示，在选取簇中心为6时得到的簇中心，可以看到图中聚类后的结果和实际缺陷类型相吻合，气孔类和钨夹渣类缺陷往往面积小，长宽比接近1∶1，而未焊透类往往是狭长类的缺陷。
在一种具体实施方式中，所述交并比算法为：
Intersection＝(min(A.x2，B.x2)-max(A.x1，B.x1)×(min(A.y2，B.y2)-max(A.y1，B.y1))
Figure BDA0003065210780000081
式中，Intersection为焊缝与标准边界框的重叠面积、IOU(A，B)为焊缝与标准边界框的交并比、A为焊缝的面积、B为标准边界框的面积。
在一种具体实施方式中，所述聚类算法为：
d(X1，X2)＝1-IOU(X1，X2)
式中，d(X1，X2)为焊缝缺陷的簇中心与标准边界框的簇中心之间的距离；X1为焊缝缺陷的簇中心、X2为标准边界框的簇中心。
在一种具体实施方式中，所述平均交并比算法为：
Figure BDA0003065210780000091
式中，N表示标准边界框的个数，表示第i个标准边界框对应的簇中心。
第二方面，本发明提供一种焊缝图像的缺陷尺寸分析方法，包括：
获取模块，用于获取待检测照片，其中所述待检测照片中包含有至少一条焊缝。
确定模块，用于确定标准焊缝的至少一个缺陷种类以及每一个所述缺陷种类所对应的标准边界框。
交并比计算模块，用于通过交并比算法计算所述待检测照片中的焊缝与所述标准边界框的距离，并按照所述缺陷种类对所述焊缝进行缺陷分类，得到至少一类焊缝缺陷。
聚类计算模块，用于采用聚类算法分别计算每一类所述焊缝缺陷与其各自对应的所述标准边界框的簇中心之间的距离，直至所述距离小于或等于预定阈值，得到每一个所述标准边界框所确定的新的簇中心。
平均交并比算法计算模块，用于采用平均交并比算法计算：簇中心、该簇中心对应的标准边界框，得到二者之间的平均值。
手肘法则计算模块，用于采用手肘法则确定平均值的簇数k，并生成每一个所述簇数k所对应的缺陷图像。
分析模块，用于采用预设标准，分析所述缺陷图像的焊缝缺陷类别。
本发明实施例提供了一种焊缝图像的缺陷尺寸分析方法，应用于处理器，包括：获取待检测照片，其中所述待检测照片中包含有至少一条焊缝；确定标准焊缝的至少一个缺陷种类以及每一个所述缺陷种类所对应的标准边界框；通过交并比算法计算所述待检测照片中的焊缝与所述标准边界框的距离，并按照所述缺陷种类对所述焊缝进行缺陷分类，得到至少一类焊缝缺陷；采用聚类算法分别计算每一类所述焊缝缺陷与其各自对应的所述标准边界框的簇中心之间的距离，直至所述距离小于或等于预定阈值，得到每一个所述标准边界框所确定的新的簇中心；采用平均交并比算法计算：簇中心、该簇中心对应的标准边界框，得到二者之间的平均值；采用手肘法则确定平均值的簇数k，并生成每一个所述簇数k所对应的缺陷图像；采用预设标准，分析所述缺陷图像的焊缝缺陷类别。本发明采用交并比算法与聚类算法相结合的方法，通过对现有缺陷标记的聚类，从而快速准确对数字射线缺陷进行分析统计。本发明使用范围广泛，不受焊缝缺陷形状限制，便于实际生产中对缺陷进行分析统计。本发明可以准确、快捷的分析和统计焊缝缺陷的尺寸。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (5)

1.一种焊缝图像的缺陷尺寸分析方法，应用于处理器，其特征在于，包括：
获取待检测照片，其中所述待检测照片中包含有至少一条焊缝；
确定标准焊缝的至少一个缺陷种类以及每一个所述缺陷种类所对应的标准边界框；
通过交并比算法计算所述待检测照片中的焊缝的边界框与所述标准边界框的距离，并按照所述缺陷种类对所述焊缝进行缺陷分类，得到至少一类焊缝缺陷；
采用聚类算法分别计算每一类所述焊缝缺陷与其各自对应的所述标准边界框的簇中心之间的距离，直至所述距离小于或等于预定阈值，得到每一个所述标准边界框所确定的新的簇中心；
采用平均交并比算法计算：簇中心、该簇中心对应的标准边界框，得到二者之间的平均值；
采用手肘法则确定平均值的簇数k，并生成每一个所述簇数k所对应的缺陷图像；
采用预设标准，分析所述缺陷图像的焊缝缺陷类别。
2.根据权利要求1所述的焊缝图像的缺陷尺寸分析方法，其特征在于，所述交并比算法为：
Ineersection＝(min(A.x2,B.x2)-max(A.x1,B.x1)×(min(A.y2,B.y2)-max(A.y1,B.y1))
Figure FDA0003065210770000011
式中，Intersection为焊缝与标准边界框的重叠面积、IOU(A,B)为焊缝与标准边界框的交并比、A为焊缝的面积、B为标准边界框的面积。
3.根据权利要求1所述的焊缝图像的缺陷尺寸分析方法，其特征在于，所述聚类算法为：
d(X1,X2)＝1-IOU(X1,X2)
式中，d(X1,X2)为焊缝缺陷的簇中心与标准边界框的簇中心之间的距离；X1为焊缝缺陷的簇中心、X2为标准边界框的簇中心。
4.根据权利要求1所述的焊缝图像的缺陷尺寸分析方法，其特征在于，所述平均交并比算法为：
Figure FDA0003065210770000021
式中，N表示标准边界框的个数，表示第i个标准边界框对应的簇中心。
5.一种焊缝图像的缺陷尺寸分析方法，其特征在于，包括：
获取模块，用于获取待检测照片，其中所述待检测照片中包含有至少一条焊缝；
确定模块，用于确定标准焊缝的至少一个缺陷种类以及每一个所述缺陷种类所对应的标准边界框；
交并比计算模块，用于通过交并比算法计算所述待检测照片中的焊缝与所述标准边界框的距离，并按照所述缺陷种类对所述焊缝进行缺陷分类，得到至少一类焊缝缺陷；
聚类计算模块，用于采用聚类算法分别计算每一类所述焊缝缺陷与其各自对应的所述标准边界框的簇中心之间的距离，直至所述距离小于或等于预定阈值，得到每一个所述标准边界框所确定的新的簇中心；
平均交并比算法计算模块，用于采用平均交并比算法计算：簇中心、该簇中心对应的标准边界框，得到二者之间的平均值；
手肘法则计算模块，用于采用手肘法则确定平均值的簇数k，并生成每一个所述簇数k所对应的缺陷图像；
分析模块，用于采用预设标准，分析所述缺陷图像的焊缝缺陷类别。
CN202110524258.1A 2021-05-13 2021-05-13 一种焊缝图像的缺陷尺寸分析方法 Pending CN113192045A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110524258.1A CN113192045A (zh) 2021-05-13 2021-05-13 一种焊缝图像的缺陷尺寸分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110524258.1A CN113192045A (zh) 2021-05-13 2021-05-13 一种焊缝图像的缺陷尺寸分析方法

Publications (1)

Publication Number Publication Date
CN113192045A true CN113192045A (zh) 2021-07-30

Family

ID=76981688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110524258.1A Pending CN113192045A (zh) 2021-05-13 2021-05-13 一种焊缝图像的缺陷尺寸分析方法

Country Status (1)

Country Link
CN (1) CN113192045A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116228776A (zh) * 2023-05-10 2023-06-06 威海职业学院(威海市技术学院) 一种机电设备焊接缺陷识别方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109325544A (zh) * 2018-10-11 2019-02-12 东北大学 一种基于中层特征的管道异常分类方法
US20190130580A1 (en) * 2017-10-26 2019-05-02 Qualcomm Incorporated Methods and systems for applying complex object detection in a video analytics system
CN109934121A (zh) * 2019-02-21 2019-06-25 江苏大学 一种基于YOLOv3算法的果园行人检测方法
AU2020101011A4 (en) * 2019-06-26 2020-07-23 Zhejiang University Method for identifying concrete cracks based on yolov3 deep learning model

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190130580A1 (en) * 2017-10-26 2019-05-02 Qualcomm Incorporated Methods and systems for applying complex object detection in a video analytics system
CN109325544A (zh) * 2018-10-11 2019-02-12 东北大学 一种基于中层特征的管道异常分类方法
CN109934121A (zh) * 2019-02-21 2019-06-25 江苏大学 一种基于YOLOv3算法的果园行人检测方法
AU2020101011A4 (en) * 2019-06-26 2020-07-23 Zhejiang University Method for identifying concrete cracks based on yolov3 deep learning model

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ZHIFEN ZHANG, SHANBEN CHEN;: "Real-time seam penetration identification in arc welding based on fusion of sound, voltage and spectrum signals", JOURNAL OF INTELLIGENT MANUFACTURING, vol. 207, 1 October 2014 (2014-10-01), pages 207 - 218, XP036127714, DOI: 10.1007/s10845-014-0971-y *
吕灿；: "基于SS-YOLO算法的管廊巡检机器人视觉检测技术研究与实现", 15 February 2021 (2021-02-15) *
吴伟浩;李青;: "基于改进Yolo v3的电连接器缺陷检测", 传感技术学报, vol. 33, no. 02, 15 February 2020 (2020-02-15), pages 299 - 307 *
戴光;崔巍;张颖;王学增;: "基于灰度-梯度共生矩阵的焊缝缺陷聚类分析", 中国安全科学学报, vol. 23, no. 03, 15 March 2013 (2013-03-15), pages 79 - 85 *
高炜欣;胡玉衡;穆向阳;武晓萌;: "埋弧焊X射线焊缝图像缺陷分割检测技术", 仪器仪表学报, vol. 32, no. 06, 15 June 2011 (2011-06-15), pages 1215 - 1224 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116228776A (zh) * 2023-05-10 2023-06-06 威海职业学院(威海市技术学院) 一种机电设备焊接缺陷识别方法及系统

Similar Documents

Publication Publication Date Title
CN114581742B (zh) 基于线性度的连通域聚类融合方法、装置、系统及介质
CN115082419B (zh) 一种吹塑箱包生产缺陷检测方法
CN115147414B (zh) 一种双极型功率晶体管表面击穿缺陷检测方法
US8086422B2 (en) Method for analyzing defect data and inspection apparatus and review system
CN115018828A (zh) 一种电子元器件的缺陷检测方法
CN113109368B (zh) 玻璃裂纹检测方法、装置、设备及介质
CN116664559B (zh) 基于机器视觉的内存条损伤快速检测方法
JP2006048322A (ja) オブジェクト画像検出装置、顔画像検出プログラムおよび顔画像検出方法
KR20150036230A (ko) 매칭 처리 장치, 매칭 처리 방법, 및 그것을 이용한 검사 장치
CN105912977B (zh) 基于点聚类的车道线检测方法
JPWO2020121564A1 (ja) 寸法計測装置、寸法計測プログラム及び半導体製造システム
CN111965197B (zh) 一种基于多特征融合的缺陷分类方法
CN114612469A (zh) 产品缺陷检测方法、装置、设备及可读存储介质
EP4060607A1 (en) Information processing device, information processing method, and program
CN111242957A (zh) 一种数据处理方法、装置及计算机存储介质和电子设备
CN108763575B (zh) 基于像控点数据库的像控点自动选取方法
CN114419007A (zh) 多策略融合深度学习网络模型的缺陷类型识别方法及系统
CN115375629A (zh) 一种lcd屏幕中线缺陷检测及缺陷信息提取方法
CN113192045A (zh) 一种焊缝图像的缺陷尺寸分析方法
CN110288040B (zh) 一种基于拓扑验证的图像相似评判方法及设备
CN116309577A (zh) 一种高强传送带物料智能检测方法及系统
CN116385440B (zh) 一种弧形刀片视觉检测方法
CN115311293B (zh) 一种印刷品图案的快速匹配方法
CN111814801A (zh) 一种机械图中标注串的提取方法
CN112750119B (zh) 一种面向白玻璃盖板表面微弱缺陷的检测与测量方法

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