CN114713518A - 一种基于图像分析的工业管件内壁智能探伤方法 - Google Patents
一种基于图像分析的工业管件内壁智能探伤方法 Download PDFInfo
- Publication number
- CN114713518A CN114713518A CN202210250786.7A CN202210250786A CN114713518A CN 114713518 A CN114713518 A CN 114713518A CN 202210250786 A CN202210250786 A CN 202210250786A CN 114713518 A CN114713518 A CN 114713518A
- Authority
- CN
- China
- Prior art keywords
- image
- pipe fitting
- industrial pipe
- module
- damage
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 68
- 238000010191 image analysis Methods 0.000 title claims abstract description 20
- 230000006378 damage Effects 0.000 claims abstract description 79
- 230000002159 abnormal effect Effects 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 10
- 230000010354 integration Effects 0.000 claims description 20
- 238000002372 labelling Methods 0.000 claims description 16
- 210000001503 joint Anatomy 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 10
- 230000003014 reinforcing effect Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 208000027418 Wounds and injury Diseases 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 7
- 208000014674 injury Diseases 0.000 claims description 6
- 239000013589 supplement Substances 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 1
- 238000012550 audit Methods 0.000 abstract description 3
- 125000004122 cyclic group Chemical group 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000005728 strengthening Methods 0.000 description 3
- 230000009469 supplementation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000006247 magnetic powder Substances 0.000 description 1
- 239000002184 metal Substances 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
- 230000035515 penetration Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C7/00—Sorting by hand only e.g. of mail
- B07C7/005—Computer assisted manual sorting, e.g. for mail
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种基于图像分析的工业管件内壁智能探伤方法,具体包括以下步骤:步骤一、图像采集;步骤二、图像处理;步骤三、标准设定;步骤四、异常审核,本发明涉及管件检测技术领域。该基于图像分析的工业管件内壁智能探伤方法,通过图像批次对比的方式,实现工业管件图像的批次检测,并且构建出一个带有循环成长式的智能损伤识别系统,不仅可以实现无损探伤,还可以对损伤类型进行检测,有效降低人工劳动量的同时,极大的提高了检测速度,且可以很好的应用于大批量的工业管件检测,利用批次对比和选样对比的方式,实现同一规格大批次工业管件的探伤检测,检测速度迅速的同时,有效保证了工业管件内壁的探伤质量。
Description
技术领域
本发明涉及管件检测技术领域,具体为一种基于图像分析的工业管件内壁智能探伤方法。
背景技术
目前对管道内壁缺陷的无损检测方法中,常规的磁粉检测、渗透检测及声发射检测技术在管道内部的操作极不方便,--些新的检测手段,如金属磁记忆检测、红外检测、激光全息检测及微波检测应用于管道检测尚不成熟,目前管道内壁缺陷检测应用较多的方法主要有射线检测、超声检测、涡流检测以及基于光学原理的检测方法。
对于射线检测而言,其不足之处在于,每次检测只能成像一个断面,检测数据量多而且图像计算量大,因此检测速度慢,不适用于大批量的管线检测,为此,特提出一种基于图像分析的工业管件内壁智能探伤方法,通过图像批次对比的方式,实现工业管件图像的批次检测,并且构建出一个带有循环成长式的智能损伤识别系统,不仅可以实现无损探伤,还可以对损伤类型进行检测,有效降低人工劳动量的同时,极大的提高了检测速度,且可以很好的应用于大批量的工业管件检测。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于图像分析的工业管件内壁智能探伤方法,解决了常规的射线检测,检测速度慢,不适用于大批量管线检测的问题。
(二)技术方案
为实现上述目的,本发明提供了如下技术方案:一种基于图像分析的工业管件内壁智能探伤方法,具体包括以下步骤:
步骤一、图像采集:利用图像采集单元采用高能射线,以旋转扫查的方式对工业管件的某断层进行透射,探测器采集高能射线的衰减信息,根据图像重建算法得到工业管件对应断层的二维灰度图像,同时控制工业管件进行移动,得到工业管件的整体二维灰度图像,同时将工业管件的移动距离绑定到对应的二维灰度图像上;
步骤二、图像处理:利用图像处理单元对步骤一中获得的二维灰度图像进行处理,筛选出同一规格若干件工业管件对应的二维灰度图像后,按照移动距离对若干件工业管件对应的二维灰度图像进行重叠对比,对于不重合部分进行异常标记,并按照对比工业管件进行批次异常标记存储;
步骤三、标准设定:通过标准设定单元利用步骤一的操作生成设定长度工业管件的二维灰度图像,在判断出该设定长度工业管件内壁无损时,将对应的二维灰度图像作为标准图像进行存储,随后将标准图像与步骤二中的异常标记进行对比,判断对应异常标记部分的工业管件是否存在损伤,确定存在损伤后,对异常部分进行初步标注,同时选取同一规格中的一个工业管件对应的二维灰度图像与标准图像进行对比,再次判断是否存在损伤,在确定损伤后,对异常部分进行初步标注;
步骤四、异常审核:通过异常审核单元对步骤三中的异常初步标注图像进行人工识别,明确对应异常的损伤类型,并按照损伤类型进行分类存储,同时生成对应的损伤类型的类型加强标注,并将类型加强标注图像作为所属类型损伤的异常标准图像,输入到标准设定单元中,直接与步骤三中初步标注的异常部分进行对比,并做出损伤类型的初步判断,将经过初步判断带有损伤异常的图像进行集成存储,并进行人工复审,确定工业管件最终审核并进行数据存储。
通过采用上述技术方案,通过图像批次对比的方式,实现工业管件图像的批次检测,并且构建出一个带有循环成长式的智能损伤识别系统,不仅可以实现无损探伤,还可以对损伤类型进行检测,有效降低人工劳动量的同时,极大的提高了检测速度,且可以很好的应用于大批量的工业管件检测。
本发明进一步设置为:所述图像采集单元包括透射采集模块、图像重建单元、驱动模块和距离标注模块,所述透射采集模块与图像重建单元对接,所述驱动模块与距离标注模块对接。
本发明进一步设置为:所述透射采集模块用于采用高能射线,以旋转扫查的方式对工业管件的某断层进行透射,并通过探测器采集高能射线的衰减信息;
所述图像重建单元用于探测器根据图像重建算法得到工业管件对应断层的二维灰度图像;
所述驱动模块用于控制工业管件进行移动,实现工业管件的整体二维灰度图像的获取;
所述距离标注模块用于将工业管件的移动距离绑定到对应的二维灰度图像上。
通过采用上述技术方案,利用距离标注模块对工业管件的移动距离进行计算,并绑定到对应的二维灰度图像中,可以在检测出对应的损伤后,迅速定位该工业管件的损伤位置,不用再次进行探伤检测,使用起来更加方便。
本发明进一步设置为:所述图像处理单元包括图像筛分模块、批次对比模块和异常集成模块;
所述图像筛分模块用于对步二维灰度图像进行处理,筛选出同一规格若干件工业管件对应的二维灰度图像;
所述批次对比模块用于按照移动距离对若干件工业管件对应的二维灰度图像进行重叠对比,对于不重合部分进行异常标记;
所述异常集成模块用于按照对比工业管件进行批次异常标记存储。
通过采用上述技术方案,利用批次对比和选样对比的方式,实现同一规格大批次工业管件的探伤检测,检测速度迅速的同时,有效保证了工业管件内壁的探伤质量。
本发明进一步设置为:所述标准设定单元包括标准输入模块、异常对比模块和异常补充模块,所述标准输入模块和异常补充模块均与异常对比模块对接。
本发明进一步设置为:所述标准输入模块用于利用步骤一的操作生成设定长度工业管件的二维灰度图像,在判断出该设定长度工业管件内壁无损时,将对应的二维灰度图像作为标准图像进行存储;
所述异常对比模块用于将标准图像与步骤二中的异常标记进行对比,判断对应异常标记部分的工业管件是否存在损伤,确定存在损伤后,对异常部分进行初步标注,同时选取同一规格中的一个工业管件对应的二维灰度图像与标准图像进行对比,再次判断是否存在损伤,在确定损伤后,对异常部分进行初步标注;
所述异常补充模块用于接收异常审核单元同步的类型加强标注图像,直接与初步标注的异常部分进行对比,并做出损伤类型的初步判断。
本发明进一步设置为:所述异常审核单元包括标准分类模块、验伤集成模块和审核存储模块,所述标准分类模块与验伤集成模块对接,所述验伤集成模块与审核存储模块对接。
本发明进一步设置为:所述标准分类模块用于对步异常初步标注图像进行人工识别,明确对应异常的损伤类型,并按照损伤类型进行分类存储,同时生成对应的损伤类型的类型加强标注,并将类型加强标注作为所属类型损伤的异常图像,输入到标准设定单元中;
所述验伤集成模块用于将经过初步判断带有损伤异常的图像进行集成存储;
所述审核存储模块用于对初步判断带有损伤异常的图像进行人工复审,确定工业管件最终审核并进行数据存储。
(三)有益效果
本发明提供了一种基于图像分析的工业管件内壁智能探伤方法。具备以下有益效果:
(1)该基于图像分析的工业管件内壁智能探伤方法,通过图像批次对比的方式,实现工业管件图像的批次检测,并且构建出一个带有循环成长式的智能损伤识别系统,不仅可以实现无损探伤,还可以对损伤类型进行检测,有效降低人工劳动量的同时,极大的提高了检测速度,且可以很好的应用于大批量的工业管件检测。
(2)该基于图像分析的工业管件内壁智能探伤方法,通过利用距离标注模块对工业管件的移动距离进行计算,并绑定到对应的二维灰度图像中,可以在检测出对应的损伤后,迅速定位该工业管件的损伤位置,不用再次进行探伤检测,使用起来更加方便。
(3)该基于图像分析的工业管件内壁智能探伤方法,通过利用批次对比和选样对比的方式,实现同一规格大批次工业管件的探伤检测,检测速度迅速的同时,有效保证了工业管件内壁的探伤质量。
附图说明
图1为本发明的系统原理框图;
图2为本发明图像采集单元的系统原理框图;
图3为本发明图像处理单元的系统原理框图;
图4为本发明标准设定单元的系统原理框图;
图5为本发明异常审核单元的系统原理框图。
图中,1、图像采集单元;2、图像处理单元;3、标准设定单元;4、异常审核单元;5、透射采集模块;6、图像重建单元;7、驱动模块;8、距离标注模块;9、图像筛分模块;10、批次对比模块;11、异常集成模块;12、标准输入模块;13、异常对比模块;14、异常补充模块;15、标准分类模块;16、验伤集成模块;17、审核存储模块。
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做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。
请参阅图1-5,本发明实施例提供一种技术方案:一种基于图像分析的工业管件内壁智能探伤方法,具体包括以下步骤:
步骤一、图像采集:利用图像采集单元1采用高能射线,以旋转扫查的方式对工业管件的某断层进行透射,探测器采集高能射线的衰减信息,根据图像重建算法得到工业管件对应断层的二维灰度图像,同时控制工业管件进行移动,得到工业管件的整体二维灰度图像,同时将工业管件的移动距离绑定到对应的二维灰度图像上;
步骤二、图像处理:利用图像处理单元2对步骤一中获得的二维灰度图像进行处理,筛选出同一规格若干件工业管件对应的二维灰度图像后,按照移动距离对若干件工业管件对应的二维灰度图像进行重叠对比,对于不重合部分进行异常标记,并按照对比工业管件进行批次异常标记存储;
步骤三、标准设定:通过标准设定单元3利用步骤一的操作生成设定长度工业管件的二维灰度图像,在判断出该设定长度工业管件内壁无损时,将对应的二维灰度图像作为标准图像进行存储,随后将标准图像与步骤二中的异常标记进行对比,判断对应异常标记部分的工业管件是否存在损伤,确定存在损伤后,对异常部分进行初步标注,同时选取同一规格中的一个工业管件对应的二维灰度图像与标准图像进行对比,再次判断是否存在损伤,在确定损伤后,对异常部分进行初步标注;
步骤四、异常审核:通过异常审核单元4对步骤三中的异常初步标注图像进行人工识别,明确对应异常的损伤类型,并按照损伤类型进行分类存储,同时生成对应的损伤类型的类型加强标注,并将类型加强标注图像作为所属类型损伤的异常标准图像,输入到标准设定单元3中,直接与步骤三中初步标注的异常部分进行对比,并做出损伤类型的初步判断,将经过初步判断带有损伤异常的图像进行集成存储,并进行人工复审,确定工业管件最终审核并进行数据存储。
作为优选方案,如附图1所示,图像采集单元1包括透射采集模块5、图像重建单元6、驱动模块7和距离标注模块8,透射采集模块5与图像重建单元6对接,驱动模块7与距离标注模块8对接,进一步说明,透射采集模块5用于采用高能射线,以旋转扫查的方式对工业管件的某断层进行透射,并通过探测器采集高能射线的衰减信息;
图像重建单元6用于探测器根据图像重建算法得到工业管件对应断层的二维灰度图像;
驱动模块7用于控制工业管件进行移动,实现工业管件的整体二维灰度图像的获取;
距离标注模块8用于将工业管件的移动距离绑定到对应的二维灰度图像上。
作为优选方案,如附图2所示,图像处理单元2包括图像筛分模块9、批次对比模块10和异常集成模块11,进一步说明,图像筛分模块9用于对步二维灰度图像进行处理,筛选出同一规格若干件工业管件对应的二维灰度图像;
批次对比模块10用于按照移动距离对若干件工业管件对应的二维灰度图像进行重叠对比,对于不重合部分进行异常标记;
异常集成模块11用于按照对比工业管件进行批次异常标记存储。
作为优选方案,如附图3所示,标准设定单元3包括标准输入模块12、异常对比模块13和异常补充模块14,标准输入模块12和异常补充模块14均与异常对比模块13对接,进一步说明,标准输入模块12用于利用步骤一的操作生成设定长度工业管件的二维灰度图像,在判断出该设定长度工业管件内壁无损时,将对应的二维灰度图像作为标准图像进行存储;
异常对比模块13用于将标准图像与步骤二中的异常标记进行对比,判断对应异常标记部分的工业管件是否存在损伤,确定存在损伤后,对异常部分进行初步标注,同时选取同一规格中的一个工业管件对应的二维灰度图像与标准图像进行对比,再次判断是否存在损伤,在确定损伤后,对异常部分进行初步标注;
异常补充模块14用于接收异常审核单元4同步的类型加强标注图像,直接与初步标注的异常部分进行对比,并做出损伤类型的初步判断。
作为优选方案,如附图4所示,异常审核单元4包括标准分类模块15、验伤集成模块16和审核存储模块17,标准分类模块15与验伤集成模块16对接,验伤集成模块16与审核存储模块17对接,进一步说明,标准分类模块15用于对步异常初步标注图像进行人工识别,明确对应异常的损伤类型,并按照损伤类型进行分类存储,同时生成对应的损伤类型的类型加强标注,并将类型加强标注作为所属类型损伤的异常图像,输入到标准设定单元3中;
验伤集成模块16用于将经过初步判断带有损伤异常的图像进行集成存储;
审核存储模块17用于对初步判断带有损伤异常的图像进行人工复审,确定工业管件最终审核并进行数据存储。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于图像分析的工业管件内壁智能探伤方法,其特征在于:具体包括以下步骤:
步骤一、图像采集:利用图像采集单元(1)采用高能射线,以旋转扫查的方式对工业管件的某断层进行透射,探测器采集高能射线的衰减信息,根据图像重建算法得到工业管件对应断层的二维灰度图像,同时控制工业管件进行移动,得到工业管件的整体二维灰度图像,同时将工业管件的移动距离绑定到对应的二维灰度图像上;
步骤二、图像处理:利用图像处理单元(2)对步骤一中获得的二维灰度图像进行处理,筛选出同一规格若干件工业管件对应的二维灰度图像后,按照移动距离对若干件工业管件对应的二维灰度图像进行重叠对比,对于不重合部分进行异常标记,并按照对比工业管件进行批次异常标记存储;
步骤三、标准设定:通过标准设定单元(3)利用步骤一的操作生成设定长度工业管件的二维灰度图像,在判断出该设定长度工业管件内壁无损时,将对应的二维灰度图像作为标准图像进行存储,随后将标准图像与步骤二中的异常标记进行对比,判断对应异常标记部分的工业管件是否存在损伤,确定存在损伤后,对异常部分进行初步标注,同时选取同一规格中的一个工业管件对应的二维灰度图像与标准图像进行对比,再次判断是否存在损伤,在确定损伤后,对异常部分进行初步标注;
步骤四、异常审核:通过异常审核单元(4)对步骤三中的异常初步标注图像进行人工识别,明确对应异常的损伤类型,并按照损伤类型进行分类存储,同时生成对应的损伤类型的类型加强标注,并将类型加强标注图像作为所属类型损伤的异常标准图像,输入到标准设定单元(3)中,直接与步骤三中初步标注的异常部分进行对比,并做出损伤类型的初步判断,将经过初步判断带有损伤异常的图像进行集成存储,并进行人工复审,确定工业管件最终审核并进行数据存储。
2.根据权利要求1所述的一种基于图像分析的工业管件内壁智能探伤方法,其特征在于:所述图像采集单元(1)包括透射采集模块(5)、图像重建单元(6)、驱动模块(7)和距离标注模块(8),所述透射采集模块(5)与图像重建单元(6)对接,所述驱动模块(7)与距离标注模块(8)对接。
3.根据权利要求2所述的一种基于图像分析的工业管件内壁智能探伤方法,其特征在于:所述透射采集模块(5)用于采用高能射线,以旋转扫查的方式对工业管件的某断层进行透射,并通过探测器采集高能射线的衰减信息;
所述图像重建单元(6)用于探测器根据图像重建算法得到工业管件对应断层的二维灰度图像;
所述驱动模块(7)用于控制工业管件进行移动,实现工业管件的整体二维灰度图像的获取;
所述距离标注模块(8)用于将工业管件的移动距离绑定到对应的二维灰度图像上。
4.根据权利要求1所述的一种基于图像分析的工业管件内壁智能探伤方法,其特征在于:所述图像处理单元(2)包括图像筛分模块(9)、批次对比模块(10)和异常集成模块(11);
所述图像筛分模块(9)用于对步二维灰度图像进行处理,筛选出同一规格若干件工业管件对应的二维灰度图像;
所述批次对比模块(10)用于按照移动距离对若干件工业管件对应的二维灰度图像进行重叠对比,对于不重合部分进行异常标记;
所述异常集成模块(11)用于按照对比工业管件进行批次异常标记存储。
5.根据权利要求1所述的一种基于图像分析的工业管件内壁智能探伤方法,其特征在于:所述标准设定单元(3)包括标准输入模块(12)、异常对比模块(13)和异常补充模块(14),所述标准输入模块(12)和异常补充模块(14)均与异常对比模块(13)对接。
6.根据权利要求5所述的一种基于图像分析的工业管件内壁智能探伤方法,其特征在于:所述标准输入模块(12)用于利用步骤一的操作生成设定长度工业管件的二维灰度图像,在判断出该设定长度工业管件内壁无损时,将对应的二维灰度图像作为标准图像进行存储;
所述异常对比模块(13)用于将标准图像与步骤二中的异常标记进行对比,判断对应异常标记部分的工业管件是否存在损伤,确定存在损伤后,对异常部分进行初步标注,同时选取同一规格中的一个工业管件对应的二维灰度图像与标准图像进行对比,再次判断是否存在损伤,在确定损伤后,对异常部分进行初步标注;
所述异常补充模块(14)用于接收异常审核单元(4)同步的类型加强标注图像,直接与初步标注的异常部分进行对比,并做出损伤类型的初步判断。
7.根据权利要求1所述的一种基于图像分析的工业管件内壁智能探伤方法,其特征在于:所述异常审核单元(4)包括标准分类模块(15)、验伤集成模块(16)和审核存储模块(17),所述标准分类模块(15)与验伤集成模块(16)对接,所述验伤集成模块(16)与审核存储模块(17)对接。
8.根据权利要求7所述的一种基于图像分析的工业管件内壁智能探伤方法,其特征在于:所述标准分类模块(15)用于对步异常初步标注图像进行人工识别,明确对应异常的损伤类型,并按照损伤类型进行分类存储,同时生成对应的损伤类型的类型加强标注,并将类型加强标注作为所属类型损伤的异常图像,输入到标准设定单元(3)中;
所述验伤集成模块(16)用于将经过初步判断带有损伤异常的图像进行集成存储;
所述审核存储模块(17)用于对初步判断带有损伤异常的图像进行人工复审,确定工业管件最终审核并进行数据存储。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210250786.7A CN114713518B (zh) | 2022-03-15 | 2022-03-15 | 一种基于图像分析的工业管件内壁智能探伤方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210250786.7A CN114713518B (zh) | 2022-03-15 | 2022-03-15 | 一种基于图像分析的工业管件内壁智能探伤方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114713518A true CN114713518A (zh) | 2022-07-08 |
CN114713518B CN114713518B (zh) | 2024-05-14 |
Family
ID=82238662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210250786.7A Active CN114713518B (zh) | 2022-03-15 | 2022-03-15 | 一种基于图像分析的工业管件内壁智能探伤方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114713518B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101661625A (zh) * | 2009-09-22 | 2010-03-03 | 北京理工大学 | 基于一幅标准图像生成各视角下样本图像的方法 |
CN101957325A (zh) * | 2010-10-14 | 2011-01-26 | 山东鲁能智能技术有限公司 | 基于变电站巡检机器人变电站设备外观异常识别方法 |
CN102331433A (zh) * | 2011-05-30 | 2012-01-25 | 重庆大学 | 大尺寸工业长管道管壁的外部螺旋锥束ct扫描成像方法 |
CN104698016A (zh) * | 2015-03-26 | 2015-06-10 | 重庆大学 | 一种多次平移的交错螺旋工业ct扫描成像方法 |
CN206044646U (zh) * | 2016-06-29 | 2017-03-29 | 沈阳开普医疗影像技术有限公司 | 适于微螺距螺旋扫描的ct机 |
WO2017084186A1 (zh) * | 2015-11-18 | 2017-05-26 | 华南理工大学 | 挠性电路板制造过程自动监测和智能分析系统及方法 |
CN109544655A (zh) * | 2018-11-19 | 2019-03-29 | 山东科技大学 | 一种海水管线的x射线ct重建方法 |
CN111047558A (zh) * | 2019-11-20 | 2020-04-21 | 深圳市康冠智能科技有限公司 | 图像检测方法、装置、计算机设备以及存储介质 |
CN112800911A (zh) * | 2021-01-20 | 2021-05-14 | 同济大学 | 一种路面损伤快速检测及自然数据集构建方法 |
CN113592828A (zh) * | 2021-08-03 | 2021-11-02 | 南京市特种设备安全监督检验研究院 | 基于工业内窥镜的无损检测方法及系统 |
-
2022
- 2022-03-15 CN CN202210250786.7A patent/CN114713518B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101661625A (zh) * | 2009-09-22 | 2010-03-03 | 北京理工大学 | 基于一幅标准图像生成各视角下样本图像的方法 |
CN101957325A (zh) * | 2010-10-14 | 2011-01-26 | 山东鲁能智能技术有限公司 | 基于变电站巡检机器人变电站设备外观异常识别方法 |
CN102331433A (zh) * | 2011-05-30 | 2012-01-25 | 重庆大学 | 大尺寸工业长管道管壁的外部螺旋锥束ct扫描成像方法 |
CN104698016A (zh) * | 2015-03-26 | 2015-06-10 | 重庆大学 | 一种多次平移的交错螺旋工业ct扫描成像方法 |
WO2017084186A1 (zh) * | 2015-11-18 | 2017-05-26 | 华南理工大学 | 挠性电路板制造过程自动监测和智能分析系统及方法 |
CN206044646U (zh) * | 2016-06-29 | 2017-03-29 | 沈阳开普医疗影像技术有限公司 | 适于微螺距螺旋扫描的ct机 |
CN109544655A (zh) * | 2018-11-19 | 2019-03-29 | 山东科技大学 | 一种海水管线的x射线ct重建方法 |
CN111047558A (zh) * | 2019-11-20 | 2020-04-21 | 深圳市康冠智能科技有限公司 | 图像检测方法、装置、计算机设备以及存储介质 |
CN112800911A (zh) * | 2021-01-20 | 2021-05-14 | 同济大学 | 一种路面损伤快速检测及自然数据集构建方法 |
CN113592828A (zh) * | 2021-08-03 | 2021-11-02 | 南京市特种设备安全监督检验研究院 | 基于工业内窥镜的无损检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114713518B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20100220910A1 (en) | Method and system for automated x-ray inspection of objects | |
CN104063873B (zh) | 一种基于压缩感知的轴套类零件表面缺陷在线检测方法 | |
CN102062739B (zh) | 表面检查装置 | |
JP6922539B2 (ja) | 表面欠陥判定方法および表面欠陥検査装置 | |
US8204291B2 (en) | Method and system for identifying defects in a radiographic image of a scanned object | |
CN102980894A (zh) | 钢结构特种焊接无损检测系统及方法 | |
CN111353611B (zh) | 一种核电站在役检查大修检验报告自动生成系统及方法 | |
CN110738630A (zh) | 递归性深度学习系统的训练方法与检测系统 | |
US20230274407A1 (en) | Systems and methods for analyzing weld quality | |
CN111145168A (zh) | 碳纤维复合材料缺陷的检测方法及系统、存储介质 | |
CN113554645A (zh) | 基于wgan的工业异常检测方法和装置 | |
CN114713518A (zh) | 一种基于图像分析的工业管件内壁智能探伤方法 | |
CN115266774B (zh) | 基于人工智能的焊缝射线检测评片方法 | |
JP2023145412A (ja) | 欠陥検出方法及びシステム | |
CN116642887A (zh) | 一种焊印缺陷检测方法及焊印缺陷检测系统 | |
JP2006105794A (ja) | X線検査装置、x線検査方法およびx線検査プログラム | |
Yousef et al. | Innovative inspection device for investment casting foundries | |
CN205643198U (zh) | 基于x射线的工业部件缺陷的无损检测系统 | |
CN116229195B (zh) | 用于在线训练辐射图像识别模型的方法、辐射图像识别方法和装置 | |
CN108844965A (zh) | 缺陷图像采集显示系统、方法、装置、计算机和存储介质 | |
CN117611591B (zh) | 电芯缺陷的工业ct检测方法、装置、电子设备及存储介质 | |
JP7476082B2 (ja) | 非破壊検査の支援装置、支援方法及び支援プログラム | |
US20220189005A1 (en) | Automatic inspection using artificial intelligence models | |
CN115825118B (zh) | 一种铸件x射线探伤装备的自动评片集成系统及方法 | |
CN118052810A (zh) | 一种焊缝缺陷检出方法、系统及计算机设备 |
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 |