CN113269720A - 一种直缝焊管的缺陷检测方法、系统和可读介质 - Google Patents
一种直缝焊管的缺陷检测方法、系统和可读介质 Download PDFInfo
- Publication number
- CN113269720A CN113269720A CN202110414454.3A CN202110414454A CN113269720A CN 113269720 A CN113269720 A CN 113269720A CN 202110414454 A CN202110414454 A CN 202110414454A CN 113269720 A CN113269720 A CN 113269720A
- Authority
- CN
- China
- Prior art keywords
- image
- neural network
- network model
- layer
- welded pipe
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 63
- 238000001514 detection method Methods 0.000 title claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000003466 welding Methods 0.000 claims abstract description 20
- 238000011176 pooling Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 6
- 238000013526 transfer learning Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000000546 chi-square test Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 description 7
- 229910000831 Steel Inorganic materials 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 239000013598 vector Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000010960 cold rolled steel Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction 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
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G06T3/06—
Abstract
本发明属于焊管缺陷检测领域技术领域，涉及一种直缝焊管的缺陷检测方法、系统和可读介质，其包括以下步骤：S1获取若干直缝焊管的焊接处不同角度的图像；S2将图像进行重组，形成焊接处管道的3D图像；S3将3D图像展平，获得管道的平面图；S4根据不同时间端获得的多种管道的平面图，对神经网络模型进行训练，获得最优的神经网络模型；S5将待测直缝焊管的图像输入最优的神经网络模型进行缺陷判断。其能够更加直观准确的对直缝焊管的缺陷进行表征，并可以根据缺陷程度对焊管寿命进行预测。
Description
技术领域
本发明涉及一种直缝焊管的缺陷检测方法、系统和可读介质，属于缺陷检测技术领域，特别涉及焊管缺陷检测领域。
背景技术
直缝焊管，是用热轧或冷轧钢板或钢带卷焊制成的钢管在焊接设备上进行直缝焊接得到的钢管，由于钢管的焊接处成一条直线故而得名直缝焊管。在直缝焊管的焊接过程中，难免会存在焊接缺陷，如将带有缺陷的焊管投入使用，则会存在较大的安全隐患。
现有的缺陷检测方法主要包括：涡流探伤、超声检测或红外检测等，这些方法虽然在生产中广泛应用，但其都是采用间接的方式对缺陷进行检测，不能直观的对缺陷的形状、大小和深度等参数进行准确描述。
发明内容
针对上述问题，本发明的目的是提供一种直缝焊管的缺陷检测方法、系统和可读介质，其能够更加直观准确的对直缝焊管的缺陷进行表征，并可以根据缺陷程度对焊管寿命进行预测。
为实现上述目的，本发明采取以下技术方案：一种直缝焊管的缺陷检测方法，其包括以下步骤：S1获取若干直缝焊管的焊接处不同角度的图像；S2将图像进行重组，形成焊接处管道的3D图像；S3将3D图像展平，获得管道的平面图；S4根据不同时间端获得的多种管道的平面图，对神经网络模型进行训练，获得最优的神经网络模型；S5将待测直缝焊管的图像输入最优的神经网络模型进行缺陷判断。
进一步，步骤S2中形成管道3D图像的方法为：将直缝焊管焊接处的图像集中图像通过聚类算法进行位置分类，从第一类图像中任意选出一图像，并将其与位置相邻类型的图像依次进行组合，并对组合结果进行打分，选择分数最高的图像作为最终的图像组合，再将第二个图像和与其相邻类型的图像依次进行组合，并对组合结果进行打分，以此类推，直到获得最终的管道3D图像。
进一步，步骤S4中将已经确定具有缺陷的管道平面图进行特征提取，记录具有缺陷位置部分的轮廓坐标，并对图像进行二值化处理，剪裁掉图像中不具有缺陷的部分，并使图像尺寸一致，将图像输入神经网络模型，对神经网络模型进行训练。
进一步，二值化处理过程为：将轮廓坐标内的像素坐标值设为1，将轮廓坐标外的像素值设为0。
进一步，对神经网络模型进行训练的方法为：通过迁移学习，修正待训练神经网络模型的网络层参数，待训练神经网络模型包括网络层和全连接层，全连接层连接在网络层之后，对修正后的待训练神经网络模型进行训练，获得训练后的最优的神经网络模型。
进一步，神经网络模型的网络层包括第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层和第三最大池化层，神经网络模型的全连接层包括三层全连接层，其中，第一卷积层的卷积核大小为3x3，个数为256，步长为2；第一最大池化层窗口大小为3x3，步长为2；第二卷积层的卷积核大小为3x3，个数为256，步长为1；第二最大池化层窗口大小为3x3，步长为2；第三卷积层的卷积核大小为11x11，个数为384，步长为1；第三最大池化层窗口大小为11x11，步长为1；在整个网络中选择Relu函数作为激活函数。
进一步，神经网络模型的权重公式为：
其中，Wl,k(q)表示第l层第k个卷积核在第q个位置时的权重，t为迭代次数，η(t)是学习速度，Λ(k,k*)是窗函数，k*表示获胜卷积核的位置，Φq表示卷积核在特征图上第q个位置上所覆盖的像素；第l层表示卷积层或者全连接层；
表示更新完后的第l层第k个卷积核在第q个位置的权重，Wl,k(q+1)表示第l层第k个卷积核在第q+1个位置时的权重，μ和σ分别为网络初始化时第l层第k个卷积核权值的均值和方差。
进一步，步骤S4中获得最优的神经网络模型后需要对模型进行验证，将已知具有缺陷的管道图像和没有缺陷的管道图像均带入最优的神经网络模型，记录神经网络模型判断结果，并将判断结果输入卡方检验公式计算卡方值，将卡方值转化为P值，若P值小于阈值，则模型通过验证，若P值大于阈值则模型需要重新进行训练。
本发明还公开了一种直缝焊管的缺陷检测系统，包括以下步骤：图像获取模块，用于获取若干直缝焊管的焊接处不同角度的图像；3D成像模块，用于将图像进行重组，形成焊接处管道的3D图像；平面图模块，用于将3D图像展平，获得管道的平面图；模型训练模块，用于根据不同时间端获得的多种管道的平面图，对神经网络模型进行训练，获得最优的神经网络模型；缺陷判断模块，用于将待测直缝焊管的图像输入最优的神经网络模型进行缺陷判断。
本发明还公开了一种存储一个或多个程序的计算机可读存储介质，一个或多个程序包括指令，指令当由计算设备执行时，使得计算设备执行根据上述任一项的直缝焊管的缺陷检测方法。
本发明由于采取以上技术方案，其具有以下优点：本发明能够更加直观准确的对直缝焊管的结构进行表征，可以准确的对直缝焊管的缺陷进行判断，并可以根据缺陷程度对焊管寿命进行预测。
附图说明
图1是本发明一实施例中直缝焊管的缺陷检测方法的流程图；
图2是本发明一实施例中神经网络模型的结构示意图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方向，通过具体实施例对本发明进行详细的描绘。然而应当理解，具体实施方式的提供仅为了更好地理解本发明，它们不应该理解成对本发明的限制。在本发明的描述中，需要理解的是，所用到的术语仅仅是用于描述的目的，而不能理解为指示或暗示相对重要性。
实施例一
本实施例公开了一种直缝焊管的缺陷检测方法，如图1所示，其包括以下步骤：
S1获取若干直缝焊管的焊接处不同角度的图像。本实施例中选择从各个角度拍摄的直缝焊管同一焊接位置的图像。优选每隔15°拍摄一张照片，将所有的图像进行采集获得焊接位置的图像集。对图像集中所有的图像进行降噪处理，并去除明显不包含缺陷特征的图像，如只有管壁的图像等。
S2将图像进行重组，形成焊接处管道的3D图像。
其中，将直缝焊管焊接处的图像集中图像通过聚类算法进行位置分类，从第一类图像中任意选出一图像，并将其与位置相邻类型的图像依次进行组合，并对组合结果进行打分，选择分数最高的图像作为最终的图像组合，再将第二个图像和与其相邻类型的图像依次进行组合，并对组合结果进行打分，以此类推，直到获得最终的管道3D图像。如假设第一类图像的拍摄角度为0°，则与其相邻的第二类图像的拍摄角度为15°，与第二类图像相邻的图像类型的拍摄角度为30°，以此类推。本实施例中从第一类图像中任意选择一样图像，然后从第二类图像中任选一张图像与其匹配，并进行打分，选择分数最高的一张图像，其和第一类图像中选出的图像形成图像组合，然后在从第三类图像中选出与第二类图像匹配的图像，以此类推直到得到整个管道3D图像。
本实施例中聚类算法采用K均值聚类算法，其基本流程如下：
输入：样本集D＝{x1,x2,…,xm}，聚类簇数k；
算法过程：
#1从D＝{x1,x2,…,xm}中随机选择k个样本作为初始均值向量{μ1,μ2,…,μk},为每个聚类选择一个初始聚类中心；
#2将样本集D＝{x1,x2,…,xm}的m个数据通过欧氏距离最小分配到最近聚类，
为欧氏距离：
#3通过每个簇的数据均值计算新的聚类中心：
#4均值向量更新为{μ′1,μ'2,…,μ'k}；
#5重复步骤#2到#4，直到目标函数收敛，当前均值向量均未更新：
输出：k个簇，簇划分C＝{C1,C2,…,Ck}；
S3将3D图像展平，获得管道的平面图。
由于管道3D图像是圆柱形的图像，为了处理方便将其展开成平面图像。为了在后续输入神经网络模型时处理速度较快，故将平面图像进行剪切，去除明显不包括缺陷特征的部分，并将经过剪切的图像处理成相同的尺寸，以便后续进行模型训练。
S4根据不同时间端获得的多种管道的平面图，对神经网络模型进行训练，获得最优的神经网络模型。
将已经确定具有缺陷的管道平面图进行特征提取，记录具有缺陷位置部分的轮廓坐标，并对图像进行二值化处理，即将轮廓坐标内的像素坐标值设为1，将轮廓坐标外的像素值设为0，剪裁掉图像中不具有缺陷的部分，并使图像尺寸一致，将图像输入神经网络模型，对神经网络模型进行训练。
如图2所示，神经网络模型的网络层包括第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层和第三最大池化层，神经网络模型的全连接层包括三层全连接层，其中，第一卷积层的卷积核大小为3x3，个数为256，步长为2；第一最大池化层窗口大小为3x3，步长为2；第二卷积层的卷积核大小为3x3，个数为256，步长为1；第二最大池化层窗口大小为3x3，步长为2；第三卷积层的卷积核大小为11x11，个数为384，步长为1；第三最大池化层窗口大小为11x11，步长为1；在整个网络中选择Relu函数作为激活函数。
神经网络模型的权重公式为：
其中，Wl,k(q)表示第l层第k个卷积核在第q个位置时的权重，t为迭代次数，η(t)是学习速度，Λ(k,k*)是窗函数，k*表示获胜卷积核的位置，Φq表示卷积核在特征图上第q个位置上所覆盖的像素；第l层表示卷积层或者全连接层；
表示更新完后的第l层第k个卷积核在第q个位置的权重，Wl,k(q+1)表示第l层第k个卷积核在第q+1个位置时的权重，μ和σ分别为网络初始化时第l层第k个卷积核权值的均值和方差。
对神经网络模型进行训练的方法为：通过迁移学习，修正待训练神经网络模型的网络层参数，待训练神经网络模型包括网络层和全连接层，全连接层连接在网络层之后，对修正后的待训练神经网络模型进行训练，获得训练后的最优的神经网络模型。
本步骤中获得最优的神经网络模型后需要对模型进行验证，将已知具有缺陷的管道图像和没有缺陷的管道图像均带入最优的神经网络模型，记录神经网络模型判断结果，假设神经网络模型输出结果是可以用于判断缺陷类型的，据此将判断结果输入卡方检验公式计算卡方值，将卡方值转化为P值，若P值小于阈值，则模型通过验证，若P值大于阈值则模型需要重新进行训练。本实施例中，P值通常为0.01。
S5将待测直缝焊管的图像输入最优的神经网络模型进行缺陷判断。
实施例二
基于相同的发明构思，本实施例公开了一种直缝焊管的缺陷检测系统，包括以下步骤：
图像获取模块，用于获取若干直缝焊管的焊接处不同角度的图像；
3D成像模块，用于将图像进行重组，形成焊接处管道的3D图像；
平面图模块，用于将3D图像展平，获得管道的平面图；
模型训练模块，用于根据不同时间端获得的多种管道的平面图，对神经网络模型进行训练，获得最优的神经网络模型；
缺陷判断模块，用于将待测直缝焊管的图像输入最优的神经网络模型进行缺陷判断。
对神经网络模型进行训练的方法为：通过迁移学习，修正待训练神经网络模型的网络层参数，待训练神经网络模型包括网络层和全连接层，全连接层连接在网络层之后，对修正后的待训练神经网络模型进行训练，获得训练后的最优的神经网络模型。
实施例三
基于相同发明构思，本实施例公开了一种存储一个或多个程序的计算机可读存储介质，一个或多个程序包括指令，指令当由计算设备执行时，使得计算设备执行根据上述任一项的直缝焊管的缺陷检测方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。上述内容仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围。
Claims (10)
1.一种直缝焊管的缺陷检测方法，其特征在于，包括以下步骤：
S1获取若干直缝焊管的焊接处不同角度的图像；
S2将所述图像进行重组，形成焊接处管道的3D图像；
S3将3D图像展平，获得管道的平面图；
S4根据不同时间端获得的多种所述管道的平面图，对神经网络模型进行训练，获得最优的神经网络模型；
S5将待测直缝焊管的图像输入所述最优的神经网络模型进行缺陷判断。
2.如权利要求1所述的直缝焊管的缺陷检测方法，其特征在于，所述步骤S2中形成管道的3D图像的方法为：将直缝焊管焊接处的图像集中图像通过聚类算法进行位置分类，从第一类图像中任意选出一图像，并将其与位置相邻类型的图像依次进行组合，并对组合结果进行打分，选择分数最高的图像作为最终的图像组合，再将第二个图像和与其相邻类型的图像依次进行组合，并对组合结果进行打分，以此类推，直到获得最终的管道3D图像。
3.如权利要求1所述的直缝焊管的缺陷检测方法，其特征在于，所述步骤S4中将已经确定具有缺陷的管道平面图进行特征提取，记录具有缺陷位置部分的轮廓坐标，并对图像进行二值化处理，剪裁掉图像中不具有缺陷的部分，并使图像尺寸一致，将所述图像输入神经网络模型，对神经网络模型进行训练。
4.如权利要求3所述的直缝焊管的缺陷检测方法，其特征在于，所述二值化处理过程为：将轮廓坐标内的像素坐标值设为1，将轮廓坐标外的像素值设为0。
5.如权利要求3所述的直缝焊管的缺陷检测方法，其特征在于，所述对神经网络模型进行训练的方法为：通过迁移学习，修正待训练神经网络模型的网络层参数，所述待训练神经网络模型包括网络层和全连接层，所述全连接层连接在所述网络层之后，对修正后的待训练神经网络模型进行训练，获得训练后的最优的神经网络模型。
6.如权利要求3所述的直缝焊管的缺陷检测方法，其特征在于，所述神经网络模型的网络层包括第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层和第三最大池化层，神经网络模型的全连接层包括三层全连接层，其中，所述第一卷积层的卷积核大小为3x3，个数为256，步长为2；所述第一最大池化层窗口大小为3x3，步长为2；所述第二卷积层的卷积核大小为3x3，个数为256，步长为1；所述第二最大池化层窗口大小为3x3，步长为2；所述第三卷积层的卷积核大小为11x11，个数为384，步长为1；所述第三最大池化层窗口大小为11x11，步长为1；在整个网络中选择Relu函数作为激活函数。
7.如权利要求6所述的直缝焊管的缺陷检测方法，其特征在于，所述神经网络模型的权重公式为：
其中，Wl,k(q)表示第l层第k个卷积核在第q个位置时的权重，t为迭代次数，η(t)是学习速度，Λ(k,k*)是窗函数，k*表示获胜卷积核的位置，Φq表示卷积核在特征图上第q个位置上所覆盖的像素；第l层表示卷积层或者全连接层；
表示更新完后的第l层第k个卷积核在第q个位置的权重，Wl,k(q+1)表示第l层第k个卷积核在第q+1个位置时的权重，μ和σ分别为网络初始化时第l层第k个卷积核权值的均值和方差。
8.如权利要求1-6任一项所述的直缝焊管的缺陷检测方法，其特征在于，所述步骤S4中获得最优的神经网络模型后需要对所述模型进行验证，将已知具有缺陷的管道图像和没有缺陷的管道图像均带入所述最优的神经网络模型，记录所述神经网络模型判断结果，并将所述判断结果输入卡方检验公式计算卡方值，将所述卡方值转化为P值，若所述P值小于阈值，则所述模型通过验证，若所述P值大于阈值则模型需要重新进行训练。
9.一种直缝焊管的缺陷检测系统，其特征在于，包括：
图像获取模块，用于获取若干直缝焊管的焊接处不同角度的图像；
3D成像模块，用于将所述图像进行重组，形成焊接处管道的3D图像；
平面图模块，用于将3D图像展平，获得管道的平面图；
模型训练模块，用于根据不同时间端获得的多种所述管道的平面图，对神经网络模型进行训练，获得最优的神经网络模型；
缺陷判断模块，用于将待测直缝焊管的图像输入所述最优的神经网络模型进行缺陷判断。
10.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1-8任一项所述的直缝焊管的缺陷检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110414454.3A CN113269720B (zh) | 2021-04-16 | 2021-04-16 | 一种直缝焊管的缺陷检测方法、系统和可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110414454.3A CN113269720B (zh) | 2021-04-16 | 2021-04-16 | 一种直缝焊管的缺陷检测方法、系统和可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113269720A true CN113269720A (zh) | 2021-08-17 |
| CN113269720B CN113269720B (zh) | 2024-02-02 |
Family
ID=77228838
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110414454.3A Active CN113269720B (zh) | 2021-04-16 | 2021-04-16 | 一种直缝焊管的缺陷检测方法、系统和可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113269720B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114706358A (zh) * | 2022-06-02 | 2022-07-05 | 张家港华程机车精密制管有限公司 | 一种直缝焊管的焊接工艺信息处理方法及系统 |
| CN115855962A (zh) * | 2023-02-27 | 2023-03-28 | 合肥中科类脑智能技术有限公司 | 焊缝检测装置及其检测系统 |
| CN116674300A (zh) * | 2023-05-24 | 2023-09-01 | 常州润来科技有限公司 | 一种基于铜管探伤结果的自动喷墨标记系统及方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002025929A1 (en) * | 2000-09-22 | 2002-03-28 | Applied Science Fiction | Multiple-orientation image defect detection and correction |
| JP2006284447A (ja) * | 2005-04-01 | 2006-10-19 | Sony Corp | 欠陥検査装置及び欠陥検査方法 |
| WO2014067685A1 (en) * | 2012-10-30 | 2014-05-08 | Total Sa | A method for simplifying defect analysis |
| CN105891215A (zh) * | 2016-03-31 | 2016-08-24 | 浙江工业大学 | 基于卷积神经网络的焊接视觉检测方法及装置 |
| CN109740734A (zh) * | 2018-12-29 | 2019-05-10 | 北京工业大学 | 一种优化卷积神经网络中神经元空间排布的方法 |
| CN110125038A (zh) * | 2019-05-31 | 2019-08-16 | 张家港华程机车精密制管有限公司 | 一种用于直缝焊管的缺陷识别分拣系统 |
| CN110514148A (zh) * | 2019-08-30 | 2019-11-29 | 中国石油天然气集团有限公司 | 一种高频焊管焊接接头金属流线角自动测量方法 |
| CN110675370A (zh) * | 2019-09-04 | 2020-01-10 | 武汉理工大学 | 一种基于深度学习的焊接模拟器虚拟焊缝缺陷检测方法 |
| CN111062915A (zh) * | 2019-12-03 | 2020-04-24 | 浙江工业大学 | 一种基于改进YOLOv3模型的实时钢管缺陷检测方法 |
| CN111179253A (zh) * | 2019-12-30 | 2020-05-19 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与系统 |
| CN111681215A (zh) * | 2020-05-29 | 2020-09-18 | 无锡赛睿科技有限公司 | 卷积神经网络模型训练方法、加工件缺陷检测方法及装置 |
| CN112001901A (zh) * | 2020-08-18 | 2020-11-27 | 济南大学 | 基于卷积神经网络的苹果缺陷检测方法及系统 |
| CN112070748A (zh) * | 2020-09-10 | 2020-12-11 | 深兰人工智能芯片研究院（江苏）有限公司 | 金属油管缺陷检测方法和装置 |
-
2021
- 2021-04-16 CN CN202110414454.3A patent/CN113269720B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002025929A1 (en) * | 2000-09-22 | 2002-03-28 | Applied Science Fiction | Multiple-orientation image defect detection and correction |
| JP2006284447A (ja) * | 2005-04-01 | 2006-10-19 | Sony Corp | 欠陥検査装置及び欠陥検査方法 |
| WO2014067685A1 (en) * | 2012-10-30 | 2014-05-08 | Total Sa | A method for simplifying defect analysis |
| CN105891215A (zh) * | 2016-03-31 | 2016-08-24 | 浙江工业大学 | 基于卷积神经网络的焊接视觉检测方法及装置 |
| CN109740734A (zh) * | 2018-12-29 | 2019-05-10 | 北京工业大学 | 一种优化卷积神经网络中神经元空间排布的方法 |
| CN110125038A (zh) * | 2019-05-31 | 2019-08-16 | 张家港华程机车精密制管有限公司 | 一种用于直缝焊管的缺陷识别分拣系统 |
| CN110514148A (zh) * | 2019-08-30 | 2019-11-29 | 中国石油天然气集团有限公司 | 一种高频焊管焊接接头金属流线角自动测量方法 |
| CN110675370A (zh) * | 2019-09-04 | 2020-01-10 | 武汉理工大学 | 一种基于深度学习的焊接模拟器虚拟焊缝缺陷检测方法 |
| CN111062915A (zh) * | 2019-12-03 | 2020-04-24 | 浙江工业大学 | 一种基于改进YOLOv3模型的实时钢管缺陷检测方法 |
| CN111179253A (zh) * | 2019-12-30 | 2020-05-19 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与系统 |
| CN111681215A (zh) * | 2020-05-29 | 2020-09-18 | 无锡赛睿科技有限公司 | 卷积神经网络模型训练方法、加工件缺陷检测方法及装置 |
| CN112001901A (zh) * | 2020-08-18 | 2020-11-27 | 济南大学 | 基于卷积神经网络的苹果缺陷检测方法及系统 |
| CN112070748A (zh) * | 2020-09-10 | 2020-12-11 | 深兰人工智能芯片研究院（江苏）有限公司 | 金属油管缺陷检测方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 廖高华;甘志梅;吴园;: "管道焊缝检测视觉图像处理的研究", 焊接技术, no. 06 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114706358A (zh) * | 2022-06-02 | 2022-07-05 | 张家港华程机车精密制管有限公司 | 一种直缝焊管的焊接工艺信息处理方法及系统 |
| CN115855962A (zh) * | 2023-02-27 | 2023-03-28 | 合肥中科类脑智能技术有限公司 | 焊缝检测装置及其检测系统 |
| CN116674300A (zh) * | 2023-05-24 | 2023-09-01 | 常州润来科技有限公司 | 一种基于铜管探伤结果的自动喷墨标记系统及方法 |
| CN116674300B (zh) * | 2023-05-24 | 2023-11-14 | 常州润来科技有限公司 | 一种基于铜管探伤结果的自动喷墨标记系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113269720B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113269720A (zh) | 一种直缝焊管的缺陷检测方法、系统和可读介质 | |
| CN111325713B (zh) | 基于神经网络的木材缺陷检测方法、系统及存储介质 | |
| CN110969606B (zh) | 一种纹理表面缺陷检测方法及系统 | |
| US11574395B2 (en) | Damage detection using machine learning | |
| CN110969166A (zh) | 一种巡检场景下小目标识别方法和系统 | |
| CN113012157B (zh) | 一种设备缺陷视觉检测方法及系统 | |
| CN112819748B (zh) | 一种带钢表面缺陷识别模型的训练方法及装置 | |
| CN112446870A (zh) | 管道损伤检测方法、装置、设备及存储介质 | |
| CN113643228A (zh) | 一种基于改进的CenterNet网络的核电站设备表面缺陷检测方法 | |
| CN114266894A (zh) | 一种图像分割方法、装置、电子设备及存储介质 | |
| Zhang et al. | Robust pattern recognition for measurement of three dimensional weld pool surface in GTAW | |
| CN110334775B (zh) | 一种基于宽度学习的无人机线路故障识别方法和装置 | |
| CN111382709A (zh) | 一种基于无人机巡检的绝缘子图像检测方法 | |
| CN115423995A (zh) | 一种轻量化幕墙裂纹目标检测方法及系统、安全预警系统 | |
| CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 | |
| CN114092478A (zh) | 一种异常检测方法 | |
| CN116778346B (zh) | 一种基于改进自注意力机制的管线识别方法及系统 | |
| CN117576079A (zh) | 一种工业产品表面异常检测方法、装置及系统 | |
| CN115774014A (zh) | 一种基于视觉与超声的焊缝缺陷检测系统及检测方法 | |
| CN114841930A (zh) | 一种基于平行多尺度融合网络的产品缺陷检测方法 | |
| CN107341830A (zh) | 一种确定弹孔环值的方法及装置 | |
| CN114155522A (zh) | 一种点云数据质检修复方法及系统 | |
| CN109978863B (zh) | 基于x射线图像的目标检测方法及计算机设备 | |
| CN114049444B (zh) | 一种3d场景生成方法及装置 | |
| CN117576089B (zh) | 一种活塞环缺陷检测方法及系统 |
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 |