CN114778689A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114778689A CN114778689A CN202210389436.9A CN202210389436A CN114778689A CN 114778689 A CN114778689 A CN 114778689A CN 202210389436 A CN202210389436 A CN 202210389436A CN 114778689 A CN114778689 A CN 114778689A
- Authority
- CN
- China
- Prior art keywords
- scanning
- signal
- defects
- density polyethylene
- image
- 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 79
- 229920001903 high density polyethylene Polymers 0.000 title claims abstract description 46
- 239000004700 high-density polyethylene Substances 0.000 title claims abstract description 46
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 210000001503 joint Anatomy 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 24
- 239000012943 hotmelt Substances 0.000 title claims abstract description 21
- 239000000523 sample Substances 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 238000002844 melting Methods 0.000 claims abstract description 13
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000003321 amplification Effects 0.000 claims abstract description 6
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 6
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 6
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims description 7
- 239000007822 coupling agent Substances 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008018 melting Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/06—Visualisation of the interior, e.g. acoustic microscopy
- G01N29/0609—Display arrangements, e.g. colour displays
- G01N29/0645—Display representation or displayed parameters, e.g. A-, B- or C-Scan
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/06—Visualisation of the interior, e.g. acoustic microscopy
- G01N29/0654—Imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4472—Mathematical theories or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/048—Activation functions
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
- G01N2291/0235—Plastics; polymers; soft materials, e.g. rubber
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/028—Material parameters
- G01N2291/0289—Internal structure, e.g. defects, grain size, texture
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/26—Scanned objects
- G01N2291/267—Welds
- G01N2291/2675—Seam, butt welding
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- General Engineering & Computer Science (AREA)
- Immunology (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Signal Processing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Biology (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种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,包括:探头向高密度聚乙烯管体的热熔对接头发送超声检测信号并接收超声反射信号,超声相控阵对超声信号进行信号合成与放大,生成A扫信号;对A扫信号进行图像重构,生成B扫图像;控制探头沿高密度聚乙烯管体表面进行扫描,生成C扫图像;使用短时傅里叶变换对A扫信息进行特征提取;使用方向梯度直方图像处理算法对B扫和C扫图像进行特征提取;将信号特征及图像特征使用卷积神经网络进行深度特征提取,然后由分类器进行分类输出。本发明采用方向梯度直方图及卷积神经网络进行图像特征识别,采用softmax分类器进行分类,极大提高了检测准确度及精确度。
Description
技术领域
本发明涉及管道损伤检测及识别技术领域,具体涉及一种基于超声相控阵的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。
背景技术
相对于金属管道,高密度聚乙烯管道具有强度高、耐腐蚀、使用寿命长、安装方便等优势,广泛应用于城市燃气、供水及农业灌溉等各个方面。热熔对接是高密度聚乙烯管道中最常用的连接方式,其成本低,适用性强;但是其工艺参数较多,操作施工复杂,其在对接过程中容易产生各种类型的缺陷,其外部缺陷可以肉眼判别,其内部缺陷需要借助无损检测技术,而超声技术具有快捷、简单、无需安全防护等优点,是高密度聚乙烯管道热熔对接接头无损检测的首选方法。
高密度聚乙烯管道热熔对接接头的检测存在焊缝结构比较复杂、缺陷定位等主要难点;目前在超声检测中,主要还是依靠检测人员肉眼识别图像中的缺陷信息,凭工作经验判断产品等级。上述方法过于依赖现场人员的经验,而人员的主观判断也易于受到个人经验、现场环境、思维方式、技术水平等因素的影响。
发明内容
针对现有技术中存在的上述问题,本发明提供一种基于超声相控阵的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,其采用方向梯度直方图(HOG)及卷积神经网络(CNN)进行图像特征识别,采用softmax分类器进行分类,极大提高了检测准确度及精确度。
本发明公开了一种高密度聚乙烯管道热熔对接接头的缺陷检测及识别系统,包括:超声相控阵、探头和扫查架,所述探头分别与所述超声相控阵和扫查架相连;
所述探头作用于高密度聚乙烯管体的热熔对接头处,用于:
向高密度聚乙烯管体的热熔对接头发送超声检测信号;
接收经高密度聚乙烯管体后的超声反射信号;
所述超声相控阵,用于:
添加与超声信号对应的时间增益进行信号合成与放大,生成A扫信号;
对A扫信号进行图像重构,生成B扫图像;
通过扫查架控制探头沿高密度聚乙烯管体表面进行扫描,A扫信号及B扫图像经转化和计算处理后,生成C扫图像;
使用短时傅里叶变换信号分析方法对A扫信息进行特征提取;
使用方向梯度直方图像处理算法对B扫和C扫图像进行特征提取;
将信号特征及图像特征使用卷积神经网络进行深度特征提取,然后由分类器进行分类输出。
作为本发明的进一步改进,所述超声相控阵的扫描频率为2.5-10MHz,所述探头通过64针屏蔽线与所述超声相控阵相连。
作为本发明的进一步改进,所述探头与高密度聚乙烯管体的接触面设有耦合剂。
作为本发明的进一步改进,短时傅里叶变换变化定义为:
式中,t为时域,ω为频域。
作为本发明的进一步改进,梯度计算公式定义为:
梯度的幅值为:
梯度的方向为:
作为本发明的进一步改进,在卷积过程中,上一层的特征图被一个可学习的卷积核进行卷积,可以得到输出特征图;每个输出特征图包含多个输入特征图的卷积,其公式为:
作为本发明的进一步改进,由softmax分类器进行分类输出,其通过sigmoid函数将输入的实数映射到[0,1]区间上,如下:
其损失函数如下:
softmax函数如下:
作为本发明的进一步改进,还包括:
从分类输出结果中选取具有缺陷的区域图和没有缺陷的区域进行分割,并对其进行标注,将标注好的图片存储至训练库中;
根据其特征信息与缺陷的对应关系,以确定对接接头内部是否存在缺陷及缺陷的类型、位置和大小。
本发明还公开了一种基于上述系统的高密度聚乙烯管道热熔对接接头的缺陷检测及识别方法,包括:
向高密度聚乙烯管体的热熔对接头发送超声检测信号;
接收经高密度聚乙烯管体后的超声反射信号;
添加与超声信号对应的时间增益进行信号合成与放大,生成A扫信号;
对A扫信号进行图像重构,生成B扫图像;
控制探头沿高密度聚乙烯管体表面进行扫描,A扫信号及B扫图像经转化和计算处理后,生成C扫图像;
使用短时傅里叶变换信号分析方法对A扫信息进行特征提取;
使用方向梯度直方图像处理算法对B扫和C扫图像进行特征提取;
将信号特征及图像特征使用卷积神经网络进行深度特征提取,然后由分类器进行分类输出。
作为本发明的进一步改进,还包括:
从分类输出结果中选取具有缺陷的区域图和没有缺陷的区域进行分割,并对其进行标注,将标注好的图片存储至训练库中;
根据其特征信息与缺陷的对应关系,以确定对接接头内部是否存在缺陷及缺陷的类型、位置和大小。
与现有技术相比,本发明的有益效果为:
1、本发明通过探头的移动,可以实现对高密度聚乙烯管道热熔对接头的全方位扫查与检测,并且可以通过超声相控阵记录检测数据及检测图谱,检测效率高,操作简单,结果可靠;
2、本发明使用短时傅里叶变换信号分析方法对A扫信息进行特征提取,使用方向梯度直方图像处理算法对B扫图像和C扫图像进行特征提取,将信号特征及图像特征使用卷积神经网络进行深度特征提取,然后由分类器进行分类输出;随着检测数量增加,能够逐渐增加该模型的泛化能力,提升识别准确度;
3、本发明应用于高密度聚乙烯管道热熔对接接头缺陷检测,可以有效检测出高密度聚乙烯管道热熔对接接头的各种缺陷,其对专业技术人员的要求大幅度降低,避免了人为因素的干扰,使缺陷识别结果更加可靠及评价结果更为客观,能实现对热熔对接接头缺陷的准确定位、定性与定量。
附图说明
图1为本发明一种实施例公开的基于超声相控阵的高密度聚乙烯管道热熔对接接头的缺陷检测及识别系统的结构示意图;
图2为本发明一种实施例公开的基于超声相控阵的高密度聚乙烯管道热熔对接接头的缺陷检测及识别方法的流程示意图。
图中:
1、超声相控阵;2、64针屏蔽线;3、探头;4、高密度聚乙烯管体;5、热熔对接头;6、耦合剂;7、缺陷检测模块;8、缺陷识别模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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做出创造性劳动的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。
下面结合附图对本发明做进一步的详细描述:
如图1、2所示,本发明提供一种高密度聚乙烯管道热熔对接接头的缺陷检测及识别系统,包括:超声相控阵1、64针屏蔽线2、探头3、高密度聚乙烯管体4、热熔对接头5、耦合剂6和扫查架(图中未示出),超声相控阵1包括缺陷检测模块7和缺陷识别模块8;其中,
探头3置于扫查架上且通过64针屏蔽线2超声相控阵1相连,探头3作用于高密度聚乙烯管体4的热熔对接头5处,优选探头3为楔形探头,优选在探头3与高密度聚乙烯管体4的接触面设有耦合剂6;启动超声相控阵1,设置其扫描参数,扫描频率为2.5-10MHz,其具体频率设置根据壁厚进行选取。
如图2所示,基于上述缺陷检测及识别系统,本发明高密度聚乙烯管道热熔对接接头的缺陷检测及识别方法,包括:
S1、超声相控阵1通过楔形探头3向高密度聚乙烯管体4的被测热熔对接头5发射超声信号;
S2、超声信号穿过耦合剂6进入高密度聚乙烯管体4内部,当其中的超声信号遇到缺陷时,声阻抗的变化使其在缺陷处发生反射,反射回来的超声信号被同一探头3所接收;
S3、超声信号由超声相控阵1添加与之对应的时间增益进行信号合成与放大,生成其A扫信号;
S4、A扫信号经超声相控阵1内部进行图像重构,生成其B扫图像;
S5、扫查架控制探头沿管道表面进行扫描,其A扫信号及B扫图像经转化和计算处理后,生成其C扫图像;
S6、记录超声相控阵检测数据,并使用短时傅里叶变换信号分析方法对A扫信息进行特征提取;其中,
短时傅里叶变换变化定义为:
式中,t为时域,ω为频域;
S7、使用方向梯度直方图像处理算法对B扫和C扫图像进行特征提取;
具体为:
记录超声相控阵检测图谱,截取其中B扫图像和C扫图像,以RGB格式进行保存;当图像中存在边缘时,有一些相邻像素的灰度值变化比较大,即一定有较大的梯度值,所以可以求图像的梯度来确定图像的边缘,梯度计算公式定义为:
梯度的幅值为:
梯度的方向为:
根据上述梯度计算图片的梯度直方图,进行归一化处理后,计算B扫图像和C扫图像的特征向量。
S8、将信号特征及图像特征使用卷积神经网络进行深度特征提取,然后由分类器进行分类输出;
具体为:
将梯度直方图提取的图像表层特征导入卷积神经网络进行深层特征的提取,在卷积过程中,上一层的特征图被一个可学习的卷积核进行卷积,可以得到输出特征图,每个输出特征图包含多个输入特征图的卷积,其公式为:
由卷积神经网络进行特征提取,然后由softmax分类器进行分类输出,其通过sigmoid函数将输入的实数映射到[0,1]区间上,如下:
其损失函数如下:
softmax函数如下:
S9、从分类输出结果中选取具有缺陷的区域图和没有缺陷的区域进行分割,并对其进行标注,将标注好的图片存储至训练库中;随着检测数量增加,能够逐渐增加该模型的泛化能力,提升识别准确度;根据其特征信息与缺陷的对应关系,以确定对接接头内部是否存在缺陷及缺陷的类型、位置和大小。
进一步,缺陷检测模块7实现S3~S5,缺陷识别模块8实现S6~S9。
本发明的优点为:
1、本发明通过探头的移动,可以实现对高密度聚乙烯管道热熔对接头的全方位扫查与检测,并且可以通过超声相控阵记录检测数据及检测图谱,检测效率高,操作简单,结果可靠;
2、本发明使用短时傅里叶变换信号分析方法对A扫信息进行特征提取,使用方向梯度直方图像处理算法对B扫图像和C扫图像进行特征提取,将信号特征及图像特征使用卷积神经网络进行深度特征提取,然后由分类器进行分类输出;随着检测数量增加,能够逐渐增加该模型的泛化能力,提升识别准确度;
3、本发明应用于高密度聚乙烯管道热熔对接接头缺陷检测,可以有效检测出高密度聚乙烯管道热熔对接接头的各种缺陷,其对专业技术人员的要求大幅度降低,避免了人为因素的干扰,使缺陷识别结果更加可靠及评价结果更为客观,能实现对热熔对接接头缺陷的准确定位、定性与定量。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种高密度聚乙烯管道热熔对接接头的缺陷检测及识别系统,其特征在于,包括:超声相控阵、探头和扫查架,所述探头分别与所述超声相控阵和扫查架相连;
所述探头作用于高密度聚乙烯管体的热熔对接头处,用于:
向高密度聚乙烯管体的热熔对接头发送超声检测信号;
接收经高密度聚乙烯管体后的超声反射信号;
所述超声相控阵,用于:
添加与超声信号对应的时间增益进行信号合成与放大,生成A扫信号;
对A扫信号进行图像重构,生成B扫图像;
通过扫查架控制探头沿高密度聚乙烯管体表面进行扫描,A扫信号及B扫图像经转化和计算处理后,生成C扫图像;
使用短时傅里叶变换信号分析方法对A扫信息进行特征提取;
使用方向梯度直方图像处理算法对B扫和C扫图像进行特征提取;
将信号特征及图像特征使用卷积神经网络进行深度特征提取,然后由分类器进行分类输出。
2.如权利要求1所述的缺陷检测及识别系统,其特征在于,所述超声相控阵的扫描频率为2.5-10MHz,所述探头通过64针屏蔽线与所述超声相控阵相连。
3.如权利要求1所述的缺陷检测及识别系统,其特征在于,所述探头与高密度聚乙烯管体的接触面设有耦合剂。
8.如权利要求1所述的缺陷检测及识别系统,其特征在于,还包括:
从分类输出结果中选取具有缺陷的区域图和没有缺陷的区域进行分割,并对其进行标注,将标注好的图片存储至训练库中;
根据其特征信息与缺陷的对应关系,以确定对接接头内部是否存在缺陷及缺陷的类型、位置和大小。
9.一种基于如权利要求1~8中任一项所述的缺陷检测及识别系统的缺陷检测及识别方法,其特征在于,包括:
向高密度聚乙烯管体的热熔对接头发送超声检测信号;
接收经高密度聚乙烯管体后的超声反射信号;
添加与超声信号对应的时间增益进行信号合成与放大,生成A扫信号;
对A扫信号进行图像重构,生成B扫图像;
控制探头沿高密度聚乙烯管体表面进行扫描,A扫信号及B扫图像经转化和计算处理后,生成C扫图像;
使用短时傅里叶变换信号分析方法对A扫信息进行特征提取;
使用方向梯度直方图像处理算法对B扫和C扫图像进行特征提取;
将信号特征及图像特征使用卷积神经网络进行深度特征提取,然后由分类器进行分类输出。
10.如权利要求9所述的缺陷检测及识别方法,其特征在于,还包括:
从分类输出结果中选取具有缺陷的区域图和没有缺陷的区域进行分割,并对其进行标注,将标注好的图片存储至训练库中;
根据其特征信息与缺陷的对应关系,以确定对接接头内部是否存在缺陷及缺陷的类型、位置和大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210389436.9A CN114778689A (zh) | 2022-04-13 | 2022-04-13 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210389436.9A CN114778689A (zh) | 2022-04-13 | 2022-04-13 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114778689A true CN114778689A (zh) | 2022-07-22 |
Family
ID=82428981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210389436.9A Pending CN114778689A (zh) | 2022-04-13 | 2022-04-13 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114778689A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116429911A (zh) * | 2023-06-13 | 2023-07-14 | 中国科学院合肥物质科学研究院 | 一种基于缺陷脉冲信号与图像相融合的智能化识别方法 |
-
2022
- 2022-04-13 CN CN202210389436.9A patent/CN114778689A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116429911A (zh) * | 2023-06-13 | 2023-07-14 | 中国科学院合肥物质科学研究院 | 一种基于缺陷脉冲信号与图像相融合的智能化识别方法 |
CN116429911B (zh) * | 2023-06-13 | 2023-09-01 | 中国科学院合肥物质科学研究院 | 一种基于缺陷脉冲信号与图像相融合的智能化识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103356241B (zh) | 二维超声设备成像质量评估系统 | |
Gao et al. | A softmax classifier for high-precision classification of ultrasonic similar signals | |
US7234355B2 (en) | Method and system for inspecting flaws using ultrasound scan data | |
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 | |
Merazi Meksen et al. | Automatic crack detection and characterization during ultrasonic inspection | |
CN106093206A (zh) | 一种基于斜入射纵波的焊缝超声阵列全聚焦成像方法 | |
SA108290823B1 (ar) | اختبار غير متلف، بوجه خاص لأنابيب خلال التصنيع أو في حالتها النهائية | |
CN102928435A (zh) | 基于图像和超声信息融合的飞机蒙皮损伤识别方法及装置 | |
CN112946081B (zh) | 基于缺陷多特征智能提取与融合的超声成像方法 | |
CN111855803A (zh) | 一种金属增材制造微型缺陷的激光超声高信噪比成像方法 | |
CN109325544A (zh) | 一种基于中层特征的管道异常分类方法 | |
CN116432988B (zh) | 一种阀门生产工艺数据智能管理方法、介质及设备 | |
CN113256566A (zh) | 一种管道焊缝缺陷识别方法 | |
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 | |
CN115223044A (zh) | 基于深度学习的端到端三维探地雷达目标识别方法及系统 | |
Lei et al. | Ultrasonic pig for submarine oil pipeline corrosion inspection | |
CN116776103B (zh) | 一种基于机器视觉的焊缝检测智能调控系统及方法 | |
CN112014471B (zh) | 一种基于虚拟传感器的板结构多模态兰姆波拓扑梯度成像方法 | |
CN116773654A (zh) | 一种基于周向导波的管道缺陷智能检测装置及检测方法 | |
CN117269318A (zh) | 超声缺陷检测系统和超声缺陷检测方法 | |
Bolland et al. | The application of Hough transform on ultrasonic images for the detection and characterization of defects in non-destructive inspection | |
CN112485329B (zh) | 基于热成像与超声相结合检测排污口的方法、装置及系统 | |
CN109358111A (zh) | 一种基于曲面靠肩耦合装置的boss焊缝相控阵超声检测方法 | |
Wang et al. | Seafloor classification based on deep-sea multibeam data—Application to the southwest Indian Ridge at 50.47° E | |
CN113837163B (zh) | 一种基于三维探地雷达的隧道监测方法、系统以及存储介质 |
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 |