CN114897817A - 一种基于神经网络的锻造缺陷快速目标检测方法 - Google Patents

一种基于神经网络的锻造缺陷快速目标检测方法 Download PDF

Info

Publication number
CN114897817A
CN114897817A CN202210497366.9A CN202210497366A CN114897817A CN 114897817 A CN114897817 A CN 114897817A CN 202210497366 A CN202210497366 A CN 202210497366A CN 114897817 A CN114897817 A CN 114897817A
Authority
CN
China
Prior art keywords
forging
neural network
gradient
cnn
temperature 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
Application number
CN202210497366.9A
Other languages
English (en)
Inventor
李祖来
吴迪
�山泉
张飞
苟浩杰
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.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202210497366.9A priority Critical patent/CN114897817A/zh
Publication of CN114897817A publication Critical patent/CN114897817A/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
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/30116—Casting
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Forging (AREA)

Abstract

本发明公开了一种基于神经网络的锻造缺陷快速目标检测方法。通过引入卷积神经网络(CNN)与深度学习的方式，对金属合金锻造成形中出现的表面裂缝、划痕和夹杂物等缺陷的热成像图数据进行特征提取，使得锻造过程中出现的缺陷由图像形式改变为数学矩阵形式，扩展了CNN诊断模型，用于更好地分析图像中的局部缺陷区域，以便支持实时视觉决策过程。本发明通过CNN神经网络分析确定锻造过程中出现的各种缺陷来实现快速的目标检测，相比于传统检测手段如探伤等来判断缺陷，在实际生产中本发明的方法实现了科学的控制产品质量的目的，更可以达到优化材料成分及锻造工艺，提高工作效率，减少生产损耗的目标。

Description

一种基于神经网络的锻造缺陷快速目标检测方法
技术领域
本发明涉及金属合金锻造缺陷的识别分类及目标检测领域，具体涉及一种基于神经网络的锻造缺陷快速目标检测方法。
背景技术
锻造是一种利用锻压机械对金属合金坯料施加压力，使其产生塑性变形以获得具有一定机械性能、一定形状和尺寸锻件的加工方法，通过锻造能消除金属在冶炼过程中产生的铸态疏松等缺陷，优化微观组织结构。而在锻造过程中出现的表面裂缝、划痕和夹杂物等缺陷，会严重影响到材料的使用性能，造成工件的变形、断裂等失效隐患。
目前，国内实际生产应用过程中对于锻造缺陷的产生及确认主要根据各种生产完成后的检测手段如探伤等来判断，对于大批量生产及锻造工艺而言，成本较大，周期长，自动化落后的缺点；对于表面缺陷的产生因素，缺少即时在线监测研究。
发明内容
本发明的目的是提供一种基于神经网络的锻造缺陷快速目标检测方法，可以解决上述技术问题中的一个或是多个。
为了达到上述目的，本发明提出的技术方案如下：
一种基于神经网络的锻造缺陷快速目标检测方法，具体包括以下步骤：
(1)对锻造系统中的工件进行标号，分别为工件1号-工件N号；设定每一个工件的锻造次数为a1...aN、每一个工件的保温时间为b1...bN。
(2)建立CNN卷积神经网络训练数据库。
2.1随机执行T次锻造系统工作，每次锻造系统按照不同的锻造次数和保温时间，则锻造次数为
Figure BDA0003633215940000011
保温时间为
Figure BDA0003633215940000012
2.2采用热成像仪记录每次锻造系统的温度图像X1...XT，对图像进行处理。
2.21对温度图像进行融合滤波去噪，改善图像质量。
2.22以温度图像中心为坐标原点建立坐标系，对温度图像进行位置矫正，去除温度图像角度倾斜或畸变的问题。
2.23对处理后的温度图像进行HOG划分处理，提取图像特征，梯度的大小和方向可以通过温度图像中的像素值来计算，梯度大小按照
Figure BDA0003633215940000021
标号为g1...gT，梯度方向按照
Figure BDA0003633215940000022
标号为θ1...θT；其中，以gx为温度图像坐标系内x方向的像素值大小，gy为y方向的像素值大小。
2.3按照每次锻造系统的工作将对应的锻造次数
Figure BDA0003633215940000023
保温时间
Figure BDA0003633215940000024
温度图像梯度大小g1...gT、梯度方向θ1...θT统计形成锻件热成像图数据库。
2.4以温度图像的温度梯度方向和大小分布效果为条件从步骤2.3锻件热成像图数据库中筛选训练数据以形成训练数据库及测试数据库，训练数据数据库包括彼此对应的锻造次数
Figure BDA0003633215940000025
保温时间
Figure BDA0003633215940000026
温度图像梯度大小g1...gT、梯度方向θ1...θT；数据库包含每个温度图像相对应的真实缺陷类型。
(3)对CNN卷积神经网络进行训练。
3.1采用CNN卷积神经网络对步骤2.4训练数据库中的温度图像梯度大小g1...gT与梯度方向θ1...θT进行梯度特征提取，生成深度学习所需要的训练数据与对应的标签。
3.2设定关于温度图像梯度大小、梯度方向、锻造次数、保温时间相关性的损失函数‘Loss’，以损失函数‘Loss’达到最小为条件对步骤3.1中的CNN卷积神经网络进行迭代训练得到CNN的权重与偏差；以得到CNN卷积神经网络，采用测试数据库，输入优化后的CNN神经网络模型，直至神经网络模型的输出值与真实值之差满足设定的损失函数‘Loss’达到最小为条件，得到训练好的神经网络模型。
(4)通过CNN卷积神经网络配合热成像仪采集的温度图像，即时对批次工件进行检测，实现快速分类的目的。
进一步的：本发明步骤3.2中的损失函数为：Loss＝||A*CNN(G)-B-CNN(θ)||2，其中
Figure BDA0003633215940000031
G＝[g1...gT]、θ＝[θ1...θT]、CNN为卷积神经网络。
本发明的技术效果是：
本发明中通过CNN神经网络对金属合金锻造成形中出现的表面裂缝、划痕和夹杂物缺陷等的热成像图数据进行特征提取转变为数学矩阵形式，用于更好地分析图像中的局部缺陷区域，以便支持实时视觉决策过程。相比于传统检测手段如探伤等来判断缺陷，在实际生产中本发明的方法在即时实施的过程中更灵活；实现了科学的控制产品质量的目的，更可以达到优化材料成分及锻造工艺，提高工作效率，减少生产损耗的目标。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明的总体结构示意图；
图2是本发明工作方法的流程图；
图3是本发明工作流程的流程图。
具体实施方式
下面将结合附图以及具体实施例来详细说明本发明，其中的示意性实施例以及说明仅用来解释本发明，但并不作为对本发明的不当限定。
实施例1
一种基于神经网络的锻造缺陷快速目标检测方法，如图2～3所示，具体包括以下步骤：
(1)对锻造系统中的工件进行标号，分别为工件1号-工件N号；设定每一个工件的锻造次数为a1...aN、每一个工件的保温时间为b1...bN。
(2)建立CNN卷积神经网络训练数据库。
2.1随机执行T次锻造系统工作，每次锻造系统工作按照不同的锻造次数和保温时间，则锻造次数为
Figure BDA0003633215940000041
保温时间为
Figure BDA0003633215940000042
2.2采用热成像仪记录每次锻造系统工作的温度图像X1...XT，对图像进行处理。
2.21对温度图像进行融合滤波去噪，改善图像质量。
2.22对温度图像进行位置矫正，去除图像角度倾斜或畸变的问题。
2.23对处理后的温度图像进行HOG划分处理，提取温度图像特征，梯度的大小和方向可以通过温度图像中的像素值来计算，梯度大小按照
Figure BDA0003633215940000043
标号为g1...gT，梯度方向按照
Figure BDA0003633215940000044
标号为θ1...θT。
2.3按照每次锻造系统工作将对应的锻造次数
Figure BDA0003633215940000045
保温时间
Figure BDA0003633215940000046
温度图像梯度大小g1...gT、梯度方向θ1...θT统计形成锻件热成像图数据库。
2.4以温度图像的温度梯度方向和大小分布效果为条件从步骤(23)锻件热成像图数据库中筛选训练数据以形成训练数据库，训练数据数据库包括彼此对应的锻造次数
Figure BDA0003633215940000047
保温时间
Figure BDA0003633215940000048
温度图像梯度大小g1...gT、梯度方向θ1...θT；数据库包含每个温度图像相对应的真实缺陷类型。
(3)对CNN卷积神经网络进行训练
3.1采用CNN卷积神经网络对步骤2.4训练数据库中的温度图像梯度大小g1...gT与梯度方向θ1...θT进行梯度特征提取，生成深度学习所需要的训练数据与对应的标签。
本实施例中：所述梯度特征提取采用VGGNet网络做为特征提取的主干网络，训练算法为随机梯度下降法(Stochastic Gradient Descent)、优化器选择Adam算法，具体步骤为：将温度图像的大小预处理为224×224像素大小，Layer1卷积层由64个3×3大小的卷积核构成，采用BN批标准化处理，激活函数为‘relu’；Layer2卷积层由64个3×3大小的卷积核构成，采用BN批标准化处理，激活函数为‘relu’，采用步长为2的最大池化；Layer3卷积层由128个3×3大小的卷积核构成，采用BN批标准化处理，激活函数为‘relu’；Layer4卷积层由128个3×3大小的卷积核构成，采用BN批标准化处理，激活函数为‘relu’,采用步长为2的最大池化；Layer5卷积层由256个3×3大小的卷积核构成，采用BN批标准化处理，激活函数为‘relu’；Layer6卷积层由256个3×3大小的卷积核构成，采用BN批标准化处理，激活函数为‘relu’；Layer7卷积层由512个3×3大小的卷积核构成，采用BN批标准化处理，激活函数为‘relu’,采用步长为2的最大池化；Layer8卷积层由512个3×3大小的卷积核构成，采用BN批标准化处理，激活函数为‘relu’；Layer9卷积层由512个1×1大小的卷积核构成，采用BN批标准化处理，激活函数为‘relu’；Layer10全连接层由512个神经元组成，激活函数为‘relu’。
3.2设定关于温度图像梯度大小、梯度方向、锻造次数、保温时间相关性的损失函数‘Loss’，以损失函数‘Loss’达到最小为条件对步骤3.1中的CNN卷积神经网络进行迭代训练得到CNN的权重与偏差；以得到CNN卷积神经网络，采用测试数据库，输入优化后的CNN神经网络模型，直至神经网络模型的输出值与真实值之差满足设定的损失函数‘Loss’达到最小为条件，得到训练好的神经网络模型。
步骤3.2中所述损失函数为：Loss＝||A*CNN(G)-B-CNN(θ)||2，其中
Figure BDA0003633215940000051
G＝[g1...gT]、θ＝[θ1...θT]、CNN为卷积神经网络。
(4)通过CNN卷积神经网络配合热成像仪采集的温度图像，即时对批次工件进行检测，实现快速分类的目的。
具体实施过程：
将该检测技术用于贝氏体-马氏体球墨铸铁磨球进行测试，其成份如表1所示，原理如图1所示，具体包括以下步骤：
表1
元素 Si Mn Cr Ti V Nb W
成分含量 0.277 0.513 3.046 0.284 0.357 0.124 0.126
(1)将以上成分的直径为100㎜的铸铁棒进行加工预处理，分割成长度为200㎜的圆柱锻胚。
(2)通过传入机构送入锻压机，在锻模中反复锤锻成球状，同时在锻压间隙使用红外线热成像仪进行实时检测，将表面温度图像数据即时传入数据处理仪内，使用完成训练的CNN卷积神经网络进行分析，当出现细条温度异常区域标记为裂缝，片状或颗粒状标记为划痕和夹杂物；以上过程在锻压间歇内完成识别辨认，经传出机构2传入待处理区进行回炉处理。
(3)在锻压过程热成像仪采集的温度数据在CNN卷积神经网络中未发现以上缺陷，标记为合格成品，经传出机构1传入下一道工艺处理区进行处理。
(4)经应用确认CNN卷积神经网络经过温度特征数据库的迭代训练具有快速确认目标及检测标记的能力，经此工序过程后每1000个标记良品中仅有3个次品，标记为次品的产品均具有缺陷，取消了传统锻压处理后对产品进行单独地质量验伤的工艺环节，同时保证了产品的良品率。
CNN卷积神经网络具有自我学习的能力，随着应用数量的逐步提高，速度与准确率也将进一步得到提高。
本实施例中通过CNN神经网络对金属合金锻造成形中出现的表面裂缝、划痕和夹杂物缺陷等的热成像图数据进行特征提取转变为数学矩阵形式，用于更好地分析图像中的局部缺陷区域，以便支持实时视觉决策过程，实现对锻造工件快速检测分类的目标。
以上所述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 (3)

1.一种基于神经网络的锻造缺陷快速目标检测方法，其特征在于：具体包括以下步骤：
(1)对锻造系统中的工件进行标号，分别为工件1号-工件N号；设定每一个工件的锻造次数为a1...aN、每一个工件的保温时间为b1...bN；
(2)建立CNN卷积神经网络训练数据库；
2.1随机执行T次锻造系统工作，每次锻造系统工作按照不同的锻造次数和保温时间，则锻造次数为
Figure FDA0003633215930000011
保温时间为
Figure FDA0003633215930000012
2.2采用热成像仪记录每次锻造系统工作的温度图像X1...XT，对图像进行处理；
2.21对温度图像进行融合滤波去噪，改善图像质量；
2.22以温度图像中心为坐标原点建立坐标系，对温度图像进行位置矫正，去除温度图像角度倾斜或畸变的问题；
2.23对处理后的温度图像进行HOG划分处理，提取温度图像特征，梯度的大小和方向可以通过温度图像中的像素值来计算，梯度大小按照
Figure FDA0003633215930000013
标号为g1...gT，梯度方向按照
Figure FDA0003633215930000014
标号为θ1...θT；其中，以gx为温度图像坐标系内x方向的像素值大小，gy为y方向的像素值大小；
2.3按照每次锻造系统工作将对应的锻造次数
Figure FDA0003633215930000015
保温时间
Figure FDA0003633215930000016
温度图像梯度大小g1...gT、梯度方向θ1...θT统计形成锻件热成像图数据库；
2.4以温度图像的温度梯度方向和大小分布效果为条件从步骤2.3锻件热成像图数据库中筛选训练数据以形成训练数据库及测试数据库，训练数据数据库包括彼此对应的锻造次数
Figure FDA0003633215930000021
保温时间
Figure FDA0003633215930000022
温度图像梯度大小g1...gT、梯度方向θ1...θT；数据库包含每个温度图像相对应的真实缺陷类型；
(3)对CNN卷积神经网络进行训练
3.1采用CNN卷积神经网络对步骤2.4训练数据库中的温度图像梯度大小g1...gT与梯度方向θ1...θT进行梯度特征提取，生成深度学习所需要的训练数据与对应的标签；
3.2设定关于温度图像梯度大小、梯度方向、锻造次数、保温时间相关性的损失函数‘Loss’，以损失函数‘Loss’达到最小为条件对步骤3.1中的CNN卷积神经网络进行迭代训练得到CNN的权重与偏差；以得到CNN卷积神经网络，采用测试数据库，输入优化后的CNN神经网络模型，直至神经网络模型的输出值与真实值之差满足设定的损失函数‘Loss’达到最小为条件，得到训练好的神经网络模型；
(4)通过CNN卷积神经网络配合热成像仪采集的温度图像，即时对批次工件进行检测，实现快速分类的目的。
2.根据权利要求1所述的基于神经网络的锻造缺陷快速目标检测方法，其特征在于：对CNN卷积神经网络进行训练；其中训练算法为随机梯度下降法、优化器选择Adam算法。
3.根据权利要求1所述的基于神经网络的锻造缺陷快速目标检测方法，其特征在于：步骤3.2中的损失函数‘Loss’为：Loss＝||A*CNN(G)-B-CNN(θ)||2，其中
Figure FDA0003633215930000023
G＝[g1...gT]、θ＝[θ1...θT]、CNN为卷积神经网络。
CN202210497366.9A 2022-05-09 2022-05-09 一种基于神经网络的锻造缺陷快速目标检测方法 Pending CN114897817A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210497366.9A CN114897817A (zh) 2022-05-09 2022-05-09 一种基于神经网络的锻造缺陷快速目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210497366.9A CN114897817A (zh) 2022-05-09 2022-05-09 一种基于神经网络的锻造缺陷快速目标检测方法

Publications (1)

Publication Number Publication Date
CN114897817A true CN114897817A (zh) 2022-08-12

Family

ID=82720882

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210497366.9A Pending CN114897817A (zh) 2022-05-09 2022-05-09 一种基于神经网络的锻造缺陷快速目标检测方法

Country Status (1)

Country Link
CN (1) CN114897817A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115482227A (zh) * 2022-09-26 2022-12-16 中机生产力促进中心有限公司 机器视觉自适应成像环境调整方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115482227A (zh) * 2022-09-26 2022-12-16 中机生产力促进中心有限公司 机器视觉自适应成像环境调整方法
CN115482227B (zh) * 2022-09-26 2023-09-12 中机生产力促进中心有限公司 机器视觉自适应成像环境调整方法

Similar Documents

Publication Publication Date Title
CN110806736B (zh) 一种模锻成形智能制造生产线锻件质量信息检测方法
CN107607554A (zh) 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法
CN107490582B (zh) 一种流水线工件检测系统
CN113822889B (zh) 一种热轧钢板表面缺陷检测方法
CN115047162B (zh) 一种钢管热处理的缺陷检测方法及系统
CN114897817A (zh) 一种基于神经网络的锻造缺陷快速目标检测方法
CN112862770A (zh) 一种基于人工智能的缺陷分析诊断系统、方法、装置
CN111402236A (zh) 一种基于图像灰度值的热轧带钢表面缺陷分级方法
CN114565314A (zh) 一种基于数字孪生的热轧钢卷端面质量管控系统及方法
CN111709910A (zh) 一种基于卷积神经网络的pcb板缺陷检测算法
CN114972353B (zh) 一种金属高压特种管件质量评估方法及系统
Frayman et al. Machine vision system for automatic inspection of surface defects in aluminum die casting
CN107516309B (zh) 一种印刷面板缺陷视觉检测方法
CN115908275A (zh) 基于深度学习的热态环件轧制变形几何状态在线测量方法
CN114841971A (zh) 金属块凹坑缺陷检测方法、系统及装置
Feng et al. A method for surface detect classification of hot rolled strip steel based on Xception
CN117808737B (zh) 轴承缺陷管理系统
CN111062939A (zh) 一种带钢表面快速质量甄别与缺陷特征自动提取方法
CN114202525A (zh) 一种基于机器视觉的智能制造产品检测方法
CN112164035B (zh) 基于图像的缺陷检测方法、装置、电子设备及存储介质
CN114862863B (zh) 一种样本可均衡的曲轴表面缺陷检测方法及检测系统
CN112785563B (zh) 一种基于Zernike矩的热电偶质量检测方法
CN117252864B (zh) 基于标识解析的钢铁生产器件光滑度检测系统
CN115908337A (zh) 一种热轧盘条缺陷评价方法
Momot et al. Analysis of the influence of the threshold level of binarization on the efficiency of segmentation of images of surface defects in steel by the U-NET network

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