CN113256566A - 一种管道焊缝缺陷识别方法 - Google Patents
一种管道焊缝缺陷识别方法 Download PDFInfo
- Publication number
- CN113256566A CN113256566A CN202110473973.7A CN202110473973A CN113256566A CN 113256566 A CN113256566 A CN 113256566A CN 202110473973 A CN202110473973 A CN 202110473973A CN 113256566 A CN113256566 A CN 113256566A
- Authority
- CN
- China
- Prior art keywords
- data
- layer
- ultrasonic
- frequency domain
- deep learning
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013136 deep learning model Methods 0.000 claims abstract description 51
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 37
- 238000011176 pooling Methods 0.000 claims description 34
- 238000003466 welding Methods 0.000 claims description 34
- 210000002569 neuron Anatomy 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 22
- 230000005284 excitation Effects 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 20
- 230000004913 activation Effects 0.000 claims description 14
- 239000000523 sample Substances 0.000 claims description 10
- 230000001131 transforming effect Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000005493 welding type Methods 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000007493 shaping process Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000004927 fusion Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000035515 penetration Effects 0.000 description 3
- 239000011148 porous material Substances 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 239000008399 tap water Substances 0.000 description 2
- 235000020679 tap water Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000010705 motor oil Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012795 verification 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种管道焊缝缺陷识别方法,以超声波检测仪对焊缝进行检测,进行数据收集,得到超声波时域图像,将时域数据进行离散傅里叶变换转换为频域数据,将频域数据映射到坐标系上,形成超声波频域图像,超声波频域图像能够更好地被深度学习模型识别。将超声波频域图像放入训练好的深度学习模型,最后通过深度学习模型的输出结果得出判断结果,提高了焊缝缺陷的识别的准确率和效率,建立的深度学习模型可通过深度学习,满足更多种类的焊缝缺的识别,灵活性更高。
Description
技术领域
本发明涉及无损识别技术领域,尤其涉及一种管道焊缝缺陷识别方法。
背景技术
焊接是维修自来水管道常见的技术,不同熟练度的工程师做出来的焊缝有很大的差别,在焊接过程中,底层的焊接处要是出现漏焊等问题,很难用肉眼看出问题来,需要用更多精密的仪器和更高效的检测方式进行检测。
目前检查焊缝缺陷较为通用的方法为超声波检测法。工程人员通过超声波检测仪,对焊缝释放超声波,并接收回波,从查看超声波检测仪上的回波图像进行缺陷判断。但是一些缺陷的超声波图像非常的类似,通过人工查看超声波图像识别焊缝缺陷类别困难,识别效率低下。
发明内容
针对现有技术的缺陷,本发明实施例提供一种管道焊缝缺陷识别方法,解决了人工使用超声波检测图像,对于焊缝缺陷的识别困难,效率低的问题,具有分析准确度高,速度快,无需过多人工干预等优点。
本发明实施例提供一种管道焊缝缺陷识别方法,所述方法包括:
采用超声波检测管道焊缝,得到所述管道焊缝的离散数据;
计算所述离散数据的相对幅度数据,并生成超声波时域图像;
对所述超声波时域图像进行离散傅里叶变换,得到频域数据,并生成超声波频域图像;
建立深度学习模型,进行深度学习模型的训练;
将所述超声波频域图像输入训练后的深度学习模型中,输出识别结果。
优选地,所述深度学习模型具体包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第四卷积层、第五卷积层、第三池化层、第一全连接层、第二全连接层和第三全连接层;其中,
所述第一卷积层输入的图像规格为227*227*3的RGB图像,使用步长为4,使用96个大小规格为11*11的卷积核进行特征提取,卷积后的数据为55*55*96,使用relu作为激励函数,此层输出后的数据为55*55*96;
所述第一池化层的池化核为3*3,步长为2,池化后的数据为27*27*96;
所述第二卷积层输入的图像规格为27*27*96,使用步长为1,使用256个5*5大小的卷积核进一步进行特征提取,使用relu作为激励函数,此层输出后的数据为为27*27*256;
所述第二池化层的池化核为3*3,步长为1,池化后的数据为13*13*256;
所述第三卷积层输入的图像规格为13*13*256,使用步长为1,使用384个3*3大小的卷积核进一步进行特征提取,使用relu作为激励函数,此层输出后的数据为13*13*384;
所述第四卷积层输入的图像规格为13*13*256,使用步长为1,使用384个3*3大小的卷积核进一步进行特征提取,使用relu作为激励函数,此层输出后的数据为为13*13*384;
所述第五卷积层输入的图像规格为13*13*384,使用步长为1,使用256个3*3大小的卷积核进一步进行特征提取,使用relu作为激励函数,此层输出后的数据为为13*13*256;
所述第三池化层的池化核为3*3,步长为2,池化后的数据为6*6*256;
所述第一全连接层使用4096个神经元,将所述第三池化层池化后的6*6*256=4096个数据全部一一输入到神经元上,激活函数为relu;
所述第二全连接层使用4096个神经元,激活函数为relu;
所述第三全连接层的神经元数量为i个,分别代表i个焊缝缺陷的识别目标,激活函数为softmax,i>0。
优选地,所述深度学习模型的训练过程,具体包括:
获取深度学习的数据集,所述数据集包括i种焊缝缺陷的管道焊缝的超声波频域图像,每种焊缝缺陷的超声波频域图像至少包括j张,标记每张超声波频域图像对应的焊缝缺陷,i,j>0;
将所述数据集输入到所述深度学习模型中;
设定所述深度学习模型训练的参数,所述参数包括定型周期和测评指标,对所述深度学习模型进行训练;
完成所述深度学习模型的训练,并输出N种神经元代表的N种分类结果。
优选地,所述采用超声波检测管道焊缝,得到所述管道焊缝的离散数据,具体包括:
采用中心频率为第一频率的超声波探头连续发出超声波信号,通过覆盖在所述管道焊缝上声耦合介质检测所述管道焊缝;
采集所述超声波探头接收的反射信号,并通过高频数据采集卡采集数据,将一个管道焊缝的数据保存为一组离散数据,所述离散数据包括一一对应的时间和电压幅度。
优选地,所述计算所述离散数据的相对幅度数据,并生成超声波时域图像,具体包括:
将所述离散数据的电压幅度除以初始电压幅度,得到相对幅度;
将所述电压幅度所对应的时间和所述的电压幅度对应的相对幅度一一映射到二维平面,得到所述超声波时域图像。
进一步地,所述对所述超声波时域图像进行离散傅里叶变换,得到频域数据,并生成超声波频域图像,具体包括:
根据变换后的频域数据得到所述超声波频域图像;
其中,X(k)为离散傅里叶变换后的频域数据,x(n)为离散傅里叶变换变换前的时域数据,N为一组离散数据的个数。
本发明提供了一种管道焊缝缺陷识别方法,以超声波检测仪对焊缝进行检测,进行数据收集,得到超声波时域图像,将时域数据进行离散傅里叶变换转换为频域数据,将频域数据映射到坐标系上,形成超声波频域图像,超声波频域图像能够更好地被深度学习模型识别。将超声波频域图像放入训练好的深度学习模型,最后通过深度学习模型的输出结果得出判断结果,提高了焊缝缺陷的识别的准确率和效率,建立的深度学习模型可通过深度学习,满足更多种类的焊缝缺的识别,灵活性更高。
附图说明
图1是本发明实施例提供的一种管道焊缝缺陷识别方法的流程示意图;
图2是本发明实施例提供的一种深度学习模型的结构示意图;
图3是本发明实施例提供的焊缝缺陷的超声波频域图像;图a)为气孔焊缝缺陷的超声波频域图像;图b)为裂纹焊缝缺陷的超声波频域图像;图c)为未熔合焊缝缺陷的超声波频域图像;图d)为裂纹焊缝缺陷的超声波频域图像;
具体实施方式
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前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供一种管道焊缝缺陷识别方法,参见图1所示,是本发明实施例提供的一种管道焊缝缺陷识别方法的流程示意图,所述方法包括步骤S101~S105,具体地:
S101,采用超声波检测管道焊缝,得到所述管道焊缝的离散数据;
S102,计算所述离散数据的相对幅度数据,并生成超声波时域图像;
S103,对所述超声波时域图像进行离散傅里叶变换,得到频域数据,并生成超声波频域图像;
S104,建立深度学习模型,进行深度学习模型的训练;
S105,将所述超声波频域图像输入训练后的深度学习模型中,输出识别结果。
在本实施例具体实施时,采用超声波检测仪对管道焊缝进行检测,收集焊缝反射的超声波信号,收集所述管道焊缝的离散数据,对离散数据进行归一化处理,得到离散数据的时间-相对幅度数据,并生辰超声波时域图像,对超声波时域图像进行离散傅里叶变换,得到频域数据,生成超声波频域图像;将获取的超声波频域图像输入到预先建立并且训练好的深度学习模型中,通过深度学习模型输出识别结果,实现管道焊缝缺陷的识别,管道焊缝缺陷识别的准确率高,并且更加高效。
在本发明提供的另一实施例中,所述深度学习模型具体包括:
依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第四卷积层、第五卷积层、第三池化层、第一全连接层、第二全连接层和第三全连接层;其中,
所述第一卷积层输入的图像规格为227*227*3的RGB图像,使用步长为4,使用96个大小规格为11*11的卷积核进行特征提取,卷积后的数据为55*55*96,使用relu作为激励函数,此层输出后的数据为55*55*96;
所述第一池化层的池化核为3*3,步长为2,池化后的数据为27*27*96;
所述第二卷积层输入的图像规格为27*27*96,使用步长为1,使用256个5*5大小的卷积核进一步进行特征提取,使用relu作为激励函数,此层输出后的数据为为27*27*256;
所述第二池化层的池化核为3*3,步长为1,池化后的数据为13*13*256;
所述第三卷积层输入的图像规格为13*13*256,使用步长为1,使用384个3*3大小的卷积核进一步进行特征提取,使用relu作为激励函数,此层输出后的数据为为13*13*384;
所述第四卷积层输入的图像规格为13*13*256,使用步长为1,使用384个3*3大小的卷积核进一步进行特征提取,使用relu作为激励函数,此层输出后的数据为为13*13*384;
所述第五卷积层输入的图像规格为13*13*384,使用步长为1,使用256个3*3大小的卷积核进一步进行特征提取,使用relu作为激励函数,此层输出后的数据为为13*13*256;
所述第三池化层的池化核为3*3,步长为2,池化后的数据为6*6*256;
所述第一全连接层使用4096个神经元,将所述第三池化层池化后的6*6*256=4096个数据全部一一输入到神经元上,激活函数为relu;
所述第二全连接层使用4096个神经元,激活函数为relu;
所述第三全连接层的神经元数量为i个,分别代表i个焊缝缺陷的识别目标,激活函数为softmax,i>0。
结合上述实施例,在本实施例具体实施时,参见图2所示,是本发明实施例提供的一种深度学习模型的结构示意图,所述深度学习模型为Python和TensorFlow的环境中搭建Alexnet深度学习模型,具体如下:
第一层为第一卷积层,其输入的图像规格为227*227*3的RGB图像,使用步长(stride)为4,使用96个大小规格(CONV)为11*11的卷积核(kemels)进行特征提取,卷积后的数据为55*55*96,使用relu作为激励函数,此层输出后的数据为55*55*96;
第二层为第一池化层(overlapping Max POOL),池化核为3*3,步长为2,池化后的数据为27*27*96;
第三层为第二卷积层,输入的图像规格为27*27*96,使用步长为1,使用256个5*5大小的卷积核进一步进行特征提取,使用relu作为激励函数,此层输出后的数据为27*27*256;
第四层也为第二池化层,池化核为3*3,步长(pad)为1,池化后的数据为13*13*256;
第五层为第三卷积层,输入的图像规格为13*13*256,使用步长为1,使用384个3*3大小的卷积核进一步进行特征提取,使用relu作为激励函数,此层输出后的数据为为13*13*384;
第六层为第四卷积层,输入的图像规格为13*13*256,使用步长为1,使用384个3*3大小的卷积核进一步进行特征提取,使用relu作为激励函数,此层输出后的数据为为13*13*384;
第七层为第五卷积层,输入的图像规格为13*13*384,使用步长为1,使用256个3*3大小的卷积核进一步进行特征提取,使用relu作为激励函数,此层输出后的数据为为13*13*256;
第八层为第三池化层,池化核为3*3,步长为2,池化后的数据为6*6*256;
第九层为第一全连接层(Fully Fonnected,FC),使用4096个神经元,将所述第三池化层池化后的6*6*256=4096个数据全部一一输入到神经元上,激活函数为relu;
第十层为第二全连接层,使用4096个神经元,激活函数为relu;
第十一层为第三全连接层,神经元数量为i个,分别代表i个焊缝缺陷的识别目标,激活函数为softmax,i>0。
在本实施例中,识别的焊缝缺陷类别为四个,因此i=4。
本实施例构建的alexnet深度学习模型,使用relu作为激活函数,验证效果远远好于sigmoid模型,解决了网络较深时的梯度弥散问题,加快了模型训练的速度;并且alexnet深度学习模型,能够在训练时使用dropout函数来避免模型过拟合,提高训练的精准度。
在本发明提供的又一实施例中,所述深度学习模型的训练过程,具体包括:
获取深度学习的数据集,所述数据集包括i种焊缝缺陷的管道焊缝的超声波频域图像,每种焊缝缺陷的超声波频域图像至少包括j张,标记每张超声波频域图像对应的焊缝缺陷,i,j>0;
将所述数据集输入到所述深度学习模型中;
设定所述深度学习模型训练的参数,所述参数包括定型周期和测评指标,对所述深度学习模型进行训练;
完成所述深度学习模型的训练,并输出N种神经元代表的N种分类结果。
结合上述实施例,在本实施例具体实施时,采用上述实施例提供的超声波频域图像获取方法,获取四种焊缝缺陷的超声波频域图像,分别为气孔、未焊透、未熔合和裂纹,各100张,总计400张超声波频域图像作为深度学习的数据集,并标记每张超声波频域图像的焊缝缺陷类型;
需要说明的是,在本实施例中,采用的数据集包含的焊缝缺陷为四种,分别为气孔、未焊透、未熔合和裂纹;每种超声波频域图像100张,但是在其他实施例中,焊缝缺陷可不为四种,超声波图像数量也可不同。
参见图3所示,是本发明实施例提供的焊缝缺陷的超声波频域图像,图a)为气孔焊缝缺陷的超声波频域图像;图b)为裂纹焊缝缺陷的超声波频域图像;图c)为未熔合焊缝缺陷的超声波频域图像;图d)为裂纹焊缝缺陷的超声波频域图像;
将数据集输入到建立的深度学习模型中,设定深度学习模型的参数,具体地将epochs(定型周期)设置为1000,metrics(测评指标)设置为accuracy(准确率);
需要说明的是,在本实施例中,设定的参数为一种优选的实施例,在其他实施例中,也可设置为其他参数。
深度学习模型的训练最终输出的结果是softmax激活函数,此函数可以应用于多分类任务,输出应该为三个神经元每一种神经元代表一种分类结果,我们应用softmax激活函数神经元输出结果1000代表气孔焊缝缺陷,0100代表未焊透焊缝缺陷,0010代表未熔合焊缝缺陷,0001代表裂纹焊缝缺陷。softmax本身的函数特性,不会出现两个1以上同时出现的情况,识别结果唯一。
通过对深度学习模型的训练,训练后的深度学习模型对于焊缝缺陷的识别准确度高,效率快,并可通过添加训练的数据集中,焊缝缺陷的种类和超声波频域图像数量提高准确率和增加识别焊缝缺陷的种类,更加灵活。
在本发明提供的又一实施例中,步骤S101具体包括:
采用中心频率为第一频率的超声波探头连续发出超声波信号,通过覆盖在所述管道焊缝上声耦合介质检测所述管道焊缝;
采集所述超声波探头接收的反射信号,并通过高频数据采集卡采集数据,将一个管道焊缝的数据保存为一组离散数据,所述离散数据包括一一对应的时间和电压幅度。
结合上述实施例,在本实施例具体实施时,采用中心频率为5MHz,频率范围为0.5~10MHz的超声波探头连续发出超声波信号打在自来水管道对接的焊缝上,并将移动探头扫查焊缝,其中超声波探头与待测样件之间采用机油作为声耦合介质,超声波传感器接收反射信号并记录在高频数据采集卡中,一个焊缝扫描完毕后保存为一组离散数据保存,一组离散数据为电压幅度和时间一一对应的数组。
通过声耦合介质能够提高超声波探测的质量,提高识别精度。
在本发明提供的又一实施例中,步骤S102具体包括:
将所述离散数据的电压幅度除以初始电压幅度,得到相对幅度;
将所述电压幅度所对应的时间和所述的电压幅度对应的相对幅度一一映射到二维平面,得到所述超声波时域图像。
结合上述实施例,本实施例具体实施时,检查每组离散数据完整性,并将数据完整的离散数据组导入计算机中,离散数据包括电压幅度,单位mV,时间,单位us,将所有的电压幅度数据除以光滑平面上的电压幅度,得到相对幅度,将一组离散数据一一映射到二维平面上,其中横坐标为时间,单位为us,纵坐标为相对幅度,映射后不同缺陷的超声波时域图像。
通过归一化,将电压幅度转化为相对幅度,减少因超声波探测器发出的超声波的幅值不同导致的对后续管道焊缝缺陷的干扰,提高焊缝缺陷识别的准确率。
在本发明提供的又一实施例中,步骤S103具体包括:
根据变换后的频域数据得到所述超声波频域图像;
其中,X(k)为离散傅里叶变换后的频域数据,x(n)为离散傅里叶变换变换前的时域数据,N为一组离散数据的个数。
结合上述实施例,在本实施例具体实施时,将超声波时域图像里的时域数据即为时间-相对幅度数据进行离散傅里叶变换,通过变换公式:将时域数据转换为频域数据,其中X(k)表示离散傅里叶变换后的数据,x(n)为时域数据,N为一组离散数据的个数。离散傅里叶变换变换后的超声波频域图像。
通过将超声波时域图像变换为超声波频域图像,能够将不同焊缝缺陷的超声波图像相似性大大减小,较少识别难度。
本发明实施例提供的管道焊缝缺陷识别方法,通过输入一张声波频域图像到训练后的深度学习模型中,输出结果,并根据输出结果判断焊缝缺陷,例输出结果为0010,即说明这个焊缝存在未融合的缺陷,那么就可以通知工程人员准备相对应工具现场解决此问题。
本发明提供的一种管道焊缝缺陷识别方法,以超声波检测仪对焊缝进行检测,进行数据收集,得到超声波时域图像,将时域数据进行离散傅里叶变换转换为频域数据,将频域数据映射到坐标系上,形成超声波频域图像,超声波频域图像能够更好地被深度学习模型识别。将超声波频域图像放入训练好的深度学习模型,最后通过深度学习模型的输出结果得出判断结果,提高了焊缝缺陷的识别的准确率和效率,建立的深度学习模型可通过深度学习,满足更多种类的焊缝缺的识别,灵活性更高。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (6)
1.一种管道焊缝缺陷识别方法,其特征在于,所述方法包括:
采用超声波检测管道焊缝,得到所述管道焊缝的离散数据;
计算所述离散数据的相对幅度数据,并生成超声波时域图像;
对所述超声波时域图像进行离散傅里叶变换,得到频域数据,并生成超声波频域图像;
建立深度学习模型,进行深度学习模型的训练;
将所述超声波频域图像输入训练后的深度学习模型中,输出识别结果。
2.根据权利要求1所述的管道焊缝缺陷识别方法,其特征在于,所述深度学习模型具体包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第四卷积层、第五卷积层、第三池化层、第一全连接层、第二全连接层和第三全连接层;其中,
所述第一卷积层输入的图像规格为227*227*3的RGB图像,使用步长为4,使用96个大小规格为11*11的卷积核进行特征提取,卷积后的数据为55*55*96,使用relu作为激励函数,此层输出后的数据为55*55*96;
所述第一池化层的池化核为3*3,步长为2,池化后的数据为27*27*96;
所述第二卷积层输入的图像规格为27*27*96,使用步长为1,使用256个5*5大小的卷积核进一步进行特征提取,使用relu作为激励函数,此层输出后的数据为为27*27*256;
所述第二池化层的池化核为3*3,步长为1,池化后的数据为13*13*256;
所述第三卷积层输入的图像规格为13*13*256,使用步长为1,使用384个3*3大小的卷积核进一步进行特征提取,使用relu作为激励函数,此层输出后的数据为13*13*384;
所述第四卷积层输入的图像规格为13*13*256,使用步长为1,使用384个3*3大小的卷积核进一步进行特征提取,使用relu作为激励函数,此层输出后的数据为为13*13*384;
所述第五卷积层输入的图像规格为13*13*384,使用步长为1,使用256个3*3大小的卷积核进一步进行特征提取,使用relu作为激励函数,此层输出后的数据为为13*13*256;
所述第三池化层的池化核为3*3,步长为2,池化后的数据为6*6*256;
所述第一全连接层使用4096个神经元,将所述第三池化层池化后的6*6*256=4096个数据全部一一输入到神经元上,激活函数为relu;
所述第二全连接层使用4096个神经元,激活函数为relu;
所述第三全连接层的神经元数量为i个,分别代表i个焊缝缺陷的识别目标,激活函数为softmax,i>0。
3.根据权利要求2所述的管道焊缝缺陷识别方法,其特征在于,所述深度学习模型的训练过程,具体包括:
获取深度学习的数据集,所述数据集包括i种焊缝缺陷的管道焊缝的超声波频域图像,每种焊缝缺陷的超声波频域图像至少包括j张,标记每张超声波频域图像对应的焊缝缺陷,i,j>0;
将所述数据集输入到所述深度学习模型中;
设定所述深度学习模型训练的参数,所述参数包括定型周期和测评指标,对所述深度学习模型进行训练;
完成所述深度学习模型的训练,并输出N种神经元代表的N种分类结果。
4.根据权利要求1所述的管道焊缝缺陷识别方法,其特征在于,所述采用超声波检测管道焊缝,得到所述管道焊缝的离散数据,具体包括:
采用中心频率为第一频率的超声波探头连续发出超声波信号,通过覆盖在所述管道焊缝上声耦合介质检测所述管道焊缝;
采集所述超声波探头接收的反射信号,并通过高频数据采集卡采集数据,将一个管道焊缝的数据保存为一组离散数据,所述离散数据包括一一对应的时间和电压幅度。
5.根据权利要求4所述的管道焊缝缺陷识别方法,其特征在于,所述计算所述离散数据的相对幅度数据,并生成超声波时域图像,具体包括:
将所述离散数据的电压幅度除以初始电压幅度,得到相对幅度;
将所述电压幅度所对应的时间和所述的电压幅度对应的相对幅度一一映射到二维平面,得到所述超声波时域图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110473973.7A CN113256566A (zh) | 2021-04-29 | 2021-04-29 | 一种管道焊缝缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110473973.7A CN113256566A (zh) | 2021-04-29 | 2021-04-29 | 一种管道焊缝缺陷识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113256566A true CN113256566A (zh) | 2021-08-13 |
Family
ID=77223425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110473973.7A Pending CN113256566A (zh) | 2021-04-29 | 2021-04-29 | 一种管道焊缝缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113256566A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116000453A (zh) * | 2023-03-06 | 2023-04-25 | 深圳精科视觉科技有限公司 | 一种激光焊接质量实时监控方法及系统 |
CN117994636A (zh) * | 2024-04-03 | 2024-05-07 | 华中科技大学同济医学院附属协和医院 | 基于交互学习的穿刺目标识别方法、系统及存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6128092A (en) * | 1999-07-13 | 2000-10-03 | National Research Council Of Canada | Method and system for high resolution ultrasonic imaging of small defects or anomalies. |
CN102914592A (zh) * | 2012-10-31 | 2013-02-06 | 安泰科技股份有限公司 | 管状复合件中扩散焊连接界面的超声检测成像方法 |
US20140074410A1 (en) * | 2011-02-18 | 2014-03-13 | Rolls-Royce Corporation | Detection and measurement of defect size and shape using ultrasonic fourier-transformed waveforms |
CN107451997A (zh) * | 2017-07-31 | 2017-12-08 | 南昌航空大学 | 一种基于深度学习的焊缝超声tofd‑d扫描缺陷类型的自动识别方法 |
US20180165543A1 (en) * | 2016-12-12 | 2018-06-14 | Texas Instruments Incorporated | Methods and systems for analyzing images in convolutional neural networks |
CN110231400A (zh) * | 2019-04-24 | 2019-09-13 | 武汉工程大学 | 面向汽车焊缝微小缺陷的高清晰度非线性检测方法 |
CN110243934A (zh) * | 2019-05-30 | 2019-09-17 | 中国计量大学上虞高等研究院有限公司 | 一种基于小波卷积神经网络的超声波焊缝检测方法 |
CN110554393A (zh) * | 2019-07-12 | 2019-12-10 | 华南理工大学 | 基于深度学习的高对比度最小方差成像方法 |
CN110751628A (zh) * | 2019-09-24 | 2020-02-04 | 河海大学常州校区 | 一种基于超声图像的焊缝缺陷自动识别方法 |
CN111141825A (zh) * | 2020-01-07 | 2020-05-12 | 陈雄 | 小口径钢管超声波时域分段成像检测方法 |
CN111561901A (zh) * | 2020-04-15 | 2020-08-21 | 交通运输部水运科学研究所 | 一种基于深度学习的钢结构应变检测故障识别方法 |
JP2020134284A (ja) * | 2019-02-19 | 2020-08-31 | 学校法人 中央大学 | 情報処理装置、情報処理方法、及びプログラム |
CN112232400A (zh) * | 2020-10-12 | 2021-01-15 | 太原科技大学 | 一种基于深浅特征融合的不锈钢焊缝超声缺陷检测方法 |
-
2021
- 2021-04-29 CN CN202110473973.7A patent/CN113256566A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6128092A (en) * | 1999-07-13 | 2000-10-03 | National Research Council Of Canada | Method and system for high resolution ultrasonic imaging of small defects or anomalies. |
US20140074410A1 (en) * | 2011-02-18 | 2014-03-13 | Rolls-Royce Corporation | Detection and measurement of defect size and shape using ultrasonic fourier-transformed waveforms |
CN102914592A (zh) * | 2012-10-31 | 2013-02-06 | 安泰科技股份有限公司 | 管状复合件中扩散焊连接界面的超声检测成像方法 |
US20180165543A1 (en) * | 2016-12-12 | 2018-06-14 | Texas Instruments Incorporated | Methods and systems for analyzing images in convolutional neural networks |
CN107451997A (zh) * | 2017-07-31 | 2017-12-08 | 南昌航空大学 | 一种基于深度学习的焊缝超声tofd‑d扫描缺陷类型的自动识别方法 |
JP2020134284A (ja) * | 2019-02-19 | 2020-08-31 | 学校法人 中央大学 | 情報処理装置、情報処理方法、及びプログラム |
CN110231400A (zh) * | 2019-04-24 | 2019-09-13 | 武汉工程大学 | 面向汽车焊缝微小缺陷的高清晰度非线性检测方法 |
CN110243934A (zh) * | 2019-05-30 | 2019-09-17 | 中国计量大学上虞高等研究院有限公司 | 一种基于小波卷积神经网络的超声波焊缝检测方法 |
CN110554393A (zh) * | 2019-07-12 | 2019-12-10 | 华南理工大学 | 基于深度学习的高对比度最小方差成像方法 |
CN110751628A (zh) * | 2019-09-24 | 2020-02-04 | 河海大学常州校区 | 一种基于超声图像的焊缝缺陷自动识别方法 |
CN111141825A (zh) * | 2020-01-07 | 2020-05-12 | 陈雄 | 小口径钢管超声波时域分段成像检测方法 |
CN111561901A (zh) * | 2020-04-15 | 2020-08-21 | 交通运输部水运科学研究所 | 一种基于深度学习的钢结构应变检测故障识别方法 |
CN112232400A (zh) * | 2020-10-12 | 2021-01-15 | 太原科技大学 | 一种基于深浅特征融合的不锈钢焊缝超声缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
JING LIU等: "Defect intelligent identification in resistance spot welding ultrasonic detection based on wavelet packet and neural network", THE INTERNATIONAL JOURNAL OF ADVANCED MANUFACTURING TECHNOLOGY, vol. 90, pages 2581, XP036233778, DOI: 10.1007/s00170-016-9588-y * |
魏若峰: "基于深度学习的铝型材表面瑕疵识别技术研究", 中国优秀硕士学位论文全文数据库工程科技Ⅰ辑, pages 022 - 18 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116000453A (zh) * | 2023-03-06 | 2023-04-25 | 深圳精科视觉科技有限公司 | 一种激光焊接质量实时监控方法及系统 |
CN116000453B (zh) * | 2023-03-06 | 2023-09-26 | 深圳精科视觉科技有限公司 | 一种激光焊接质量实时监控方法及系统 |
CN117994636A (zh) * | 2024-04-03 | 2024-05-07 | 华中科技大学同济医学院附属协和医院 | 基于交互学习的穿刺目标识别方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112232400B (zh) | 一种基于深浅特征融合的不锈钢焊缝超声缺陷检测方法 | |
Merazi Meksen et al. | Automatic crack detection and characterization during ultrasonic inspection | |
CN114295728B (zh) | 一种针对复杂曲面工件内部缺陷超声波三维层析成像方法 | |
CN109239206B (zh) | 缺陷自动识别辅助电熔接头智能相控阵的超声检测方法 | |
CN1743839A (zh) | 一种结构缺陷超声在线智能识别系统及识别方法 | |
CN106770664A (zh) | 一种基于全聚焦成像算法改进边缘缺陷检测的方法 | |
CN101501487A (zh) | 利用超声波对铸造产品的无损测试 | |
CN111257426A (zh) | 火箭燃料贮箱焊缝的多模式全聚焦检测方法、系统及介质 | |
CN113256566A (zh) | 一种管道焊缝缺陷识别方法 | |
CN2809640Y (zh) | 一种结构缺陷超声在线智能识别系统 | |
CN114092411A (zh) | 一种高效快速的双目3d点云焊点缺陷检测方法 | |
CN117214294A (zh) | 管道损伤超声导波检测装置及其损伤信号三维重构方法 | |
CN112816557B (zh) | 一种缺陷检测方法、装置、设备和存储介质 | |
CN116721080A (zh) | 基于形状位置感知和均衡采样的小径管焊接缺陷检测方法 | |
CN114062497A (zh) | 一种针对复杂曲面工件表面缺陷的超声波三维成像方法 | |
CN114778689A (zh) | 高密度聚乙烯管道热熔对接接头的缺陷检测及识别系统与方法 | |
CN114660172A (zh) | 一种针对复杂曲面工件缺陷的透射式超声波成像方法 | |
Bai et al. | Ultrasonic defect characterization using time-domain scattering matrices and convolutional sparse coding | |
CN113567992A (zh) | 超声合成孔径聚焦的变压器套管内引线检测方法及系统 | |
Yu et al. | A convolutional neural network method for damage location based on raw guided Lamb wave technique | |
Liu et al. | Recognition confidence of welding seam defects in TOFD images based on artificial intelligence | |
JPH09210970A (ja) | 超音波探傷データ評価装置 | |
McKnight et al. | 3-Dimensional residual neural architecture search for ultrasonic defect detection | |
Maalmi et al. | Towards automatic analysis of ultrasonic time-of-flight diffraction data using genetic-based Inverse Hough Transform | |
Guarneri et al. | Comparative evaluation of artificial neural networks models to classify weld flaws using pulse-echo ultrasonic signals |
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 |