CN114937023A - 一种承压设备的缺陷识别方法及装置 - Google Patents

一种承压设备的缺陷识别方法及装置 Download PDF

Info

Publication number
CN114937023A
CN114937023A CN202210626254.9A CN202210626254A CN114937023A CN 114937023 A CN114937023 A CN 114937023A CN 202210626254 A CN202210626254 A CN 202210626254A CN 114937023 A CN114937023 A CN 114937023A
Authority
CN
China
Prior art keywords
pressure
defect
bearing equipment
bearing
detection model
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
CN202210626254.9A
Other languages
English (en)
Inventor
郭斌
李晓波
姜东民
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.)
Beijing Yuanshan Intelligent Technology Co Ltd
Original Assignee
Beijing Yuanshan Intelligent Technology Co Ltd
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 Beijing Yuanshan Intelligent Technology Co Ltd filed Critical Beijing Yuanshan Intelligent Technology Co Ltd
Priority to CN202210626254.9A priority Critical patent/CN114937023A/zh
Publication of CN114937023A publication Critical patent/CN114937023A/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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray 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
    • G06T2207/20081—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
    • G06T2207/30164—Workpiece; Machine component
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本申请提供了一种承压设备的缺陷识别方法及装置，其中，该方法包括：获取承压设备的初始X射线扫描图像；将初始X射线扫描图像进行切图处理，得到承压设备的X射线图像；将承压设备的X射线图像作为训练样本，将每个X射线图像的缺陷位置及对应的缺陷类型作为标签训练改进的yolov5目标检测模型；将待检测的承压设备的X射线图像输入改进的yolov5目标检测模型进行检测，确定待检测的承压设备的缺陷坐标和缺陷类型。本申请通过改进的yolov5目标检测模型识别待检测的承压设备的X射线图像中是否有缺陷，达到了提高检测效率的技术效果。

Description

一种承压设备的缺陷识别方法及装置
技术领域
本申请涉及计算机技术领域，尤其涉及一种承压设备的缺陷识别方法及装置。
背景技术
承压设备是工业生产和制造中承受各种压力的设备，主要包含高压管道、锅炉和压力容器。现有技术中通过人工检测的方式检验承压设备的缺陷。人工检测通过X射线扫描承压设备得到的扫描图片，由于过于依赖工作人员的经验和状态，可能会产生漏检、错检等情况，进而使检测效率低、错误率高。
发明内容
有鉴于此，本申请的目的在于至少提供一种承压设备的缺陷识别方法及装置，通过改进的yolov5目标检测模型识别待检测的承压设备的X射线图像中是否有缺陷，解决了现有技术中需要人工判断承压设备是否有缺陷的技术问题，达到了提高检测效率的技术效果。
本申请主要包括以下几个方面：
第一方面，本申请实施例提供一种承压设备的缺陷识别方法，缺陷识别方法包括：获取承压设备的初始X射线扫描图像；将初始X射线扫描图像进行切图处理，得到承压设备的X射线图像；将承压设备的X射线图像作为训练样本，将每个X射线图像的缺陷位置及对应的缺陷类型作为标签训练改进的yolov5目标检测模型；将待检测的承压设备的X射线图像输入改进的yolov5目标检测模型进行检测，确定待检测的承压设备的缺陷坐标和缺陷类型。
可选地，改进的yolov5目标检测模型包括：预先处理层、多尺度特征融合模块；多尺度特征融合模块包括至少一个无参数的池化层；将待检测的承压设备的X射线图像输入改进的yolov5目标检测模型进行检测，确定待检测的承压设备的缺陷坐标和缺陷类型包括：将待检测的承压设备的X射线图像输入预先处理层；预先处理层输出的数据输入至多尺度特征融合模块的至少一个无参数的池化层；将每个无参数的池化层输出的特征图空间相加确定为目标特征图；多尺度特征融合模块确定目标特征图的各个像素的坐标和像素值，针对每个像素，将该像素对应的上、下、左、右四个方位的像素的像素值与该像素的像素值作差，根据差值确定待检测的承压设备的缺陷坐标；多尺度特征融合模块根据目标特征图的缺陷边缘，确定待检测的承压设备的缺陷类型。
可选地，根据差值确定待检测的承压设备的缺陷坐标包括：判断差值是否大于预设差值阈值；若差值大于预设差值阈值，则标记该像素，将目标特征图上所有标记的像素连接确定为目标特征图的缺陷边缘，进而确定缺陷的缺陷坐标。
可选地，预先处理层包括：第一卷积层、第二卷积层、第三卷积层和第一池化层；将待检测的承压设备的X射线图像输入第一卷积层，第一卷积层输出的数据输入至第二卷积层；第二卷积层输出的数据与第一卷积层输出的数据空间相加输入至第三卷积层；第三卷积层输出的数据输入第一池化层。
可选地，将每个无参数的池化层输出的特征图空间相加确定为目标特征图包括：将每个无参数的池化层均对应连接一个扩张卷积层；每个无参数的池化层将输出的数据发送至对应连接的扩张卷积层，扩张卷积层根据对应的升维倍数进行升维；将扩张卷积层升维后的数据空间相加确定为目标特征图。
可选地，改进的yolov5目标检测模型的训练方法包括：将承压设备的X射线图像和每个X射线图像对应的缺陷类型、缺陷位置输入改进的yolov5目标检测模型进行训练；根据训练结果预测到的每个X射线图像的预测缺陷类型、预测缺陷位置与每个X射线图像对应的缺陷类型、缺陷位置更新的改进的yolov5目标检测模型的权重；重新将承压设备的X射线图像和每个X射线图像对应的缺陷类型、缺陷位置输入至更新的改进的yolov5目标检测模型，直至改进的yolov5目标检测模型到达收敛状态或迭代次数满足预设迭代次数，则改进的yolov5目标检测模型训练完成。
可选地，缺陷类型包括：圆形缺陷、条形缺陷、未熔合、未焊透和裂纹。
第二方面，本申请实施例还提供一种承压设备的缺陷识别装置，承压设备的缺陷识别装置包括：获取模块，用于获取承压设备的初始X射线扫描图像；第一确定模块，用于将初始X射线扫描图像进行切图处理，得到承压设备的X射线图像；训练模块，用于将承压设备的X射线图像作为训练样本，将每个X射线图像的缺陷位置及对应的缺陷类型作为标签训练改进的yolov5目标检测模型；第二确定模块，用于将待检测的承压设备的X射线图像输入改进的yolov5目标检测模型进行检测，确定待检测的承压设备的缺陷坐标和缺陷类型。
第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，存储器存储有处理器可执行的机器可读指令，当电子设备运行时，处理器与存储器之间通过总线进行通信，机器可读指令被处理器运行时执行上述第一方面或第一方面中任一种可能的实施方式中的承压设备的缺陷识别方法的步骤。
第四方面，本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述第一方面或第一方面中任一种可能的实施方式中的承压设备的缺陷识别的步骤。
本申请实施例提供的一种承压设备的缺陷识别方法及装置，其中，该方法包括：获取承压设备的初始X射线扫描图像；将初始X射线扫描图像进行切图处理，得到承压设备的X射线图像；将承压设备的X射线图像作为训练样本，将每个X射线图像的缺陷位置及对应的缺陷类型作为标签训练改进的yolov5目标检测模型；将待检测的承压设备的X射线图像输入改进的yolov5目标检测模型进行检测，确定待检测的承压设备的缺陷坐标和缺陷类型。本申请通过改进的yolov5目标检测模型识别待检测的承压设备的X射线图像中是否有缺陷，解决了现有技术中需要人工判断承压设备是否有缺陷的技术问题，达到了提高检测效率的技术效果。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种承压设备的缺陷识别方法的流程图。
图2示出了本申请实施例所提供的改进的yolov5目标检测模型的训练方法的流程图。
图3示出了本申请实施例所提供的一种承压设备的缺陷识别装置的功能模块图。
图4示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中的附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例，都属于本申请保护的范围。
现有技术的缺点是需要人工来识别承压设备是否出现缺陷，而人工审核容易出现误检或漏检的情况，因此导致识别承压设备的缺陷准确率较低。
基于此，本申请实施例提供了一种承压设备的缺陷识别，通过改进的yolov5目标检测模型识别待检测的承压设备的X射线图像中是否有缺陷，解决了现有技术中需要人工判断承压设备是否有缺陷的技术问题，达到了提高检测效率的技术效果，具体如下：
请参阅图1，图1为本申请实施例所提供的一种承压设备的缺陷识别方法的流程图。如图1所示，本申请实施例提供的承压设备的缺陷识别方法，包括以下步骤：
S101、获取承压设备的初始X射线扫描图像。
S102、将初始X射线扫描图像进行切图处理，得到承压设备的X射线图像。
切图处理指的是对初始X射线扫描图像从左至右滑动切图窗口进行切割。也就是说，将一张包含缺陷的初始X射线扫描图像经过切图处理后获得多张包含缺陷的承压设备的X射线图像，每张X射线图像中缺陷的位置均不同。以此来增加承压设备的X射线图像的数量，也就是增加改进的yolov5目标检测模型的训练样本。
其中，相邻的切图之间的覆盖率为预设覆盖率，预设覆盖率一般设置为20％。
S103、将承压设备的X射线图像作为训练样本，将每个X射线图像的缺陷位置及对应的缺陷类型作为标签训练改进的yolov5目标检测模型。
对承压设备的X射线图像中的缺陷进行标注，也就是说，依据承压设备的X射线图像中的缺陷边缘标注出缺陷对应的包围框(即，包围框是将缺陷完全覆盖的最小矩形框)，将包围框的中心点坐标确定为缺陷位置，并对缺陷的缺陷类型进行标注。
缺陷类型包括：圆形缺陷、条形缺陷、未熔合、未焊透和裂纹。
请参阅图2，图2示出了本申请实施例所提供的改进的yolov5目标检测模型的训练方法的流程图。如图2所示，改进的yolov5目标检测模型的训练方法包括：
S201、将承压设备的X射线图像和每个X射线图像对应的缺陷类型、缺陷位置输入改进的yolov5目标检测模型进行训练。
S202、根据训练结果预测到的每个X射线图像的预测缺陷类型、预测缺陷位置与每个X射线图像对应的缺陷类型、缺陷位置更新的改进的yolov5目标检测模型的权重。
S203、重新将承压设备的X射线图像和每个X射线图像对应的缺陷类型输入至更新的改进的yolov5目标检测模型，直至改进的yolov5目标检测模型到达收敛状态或迭代次数满足预设迭代次数，则改进的yolov5目标检测模型训练完成。
执行步骤S201之前，将承压设备的X射线图像和每个X射线图像对应的缺陷类型、缺陷位置按照预设比例区分为训练集和验证集，将训练集输入至改进的yolov5目标检测模型进行训练。
S104、将待检测的承压设备的X射线图像输入改进的yolov5目标检测模型进行检测，确定待检测的承压设备的缺陷坐标和缺陷类型。
待检测的承压设备的X射线图像可以直接是X射线扫描待检测的承压设备等到的，不需要再进行切图处理了。
改进的yolov5目标检测模型包括：预先处理层、多尺度特征融合模块；多尺度特征融合模块包括至少一个无参数的池化层。
将待检测的承压设备的X射线图像输入改进的yolov5目标检测模型进行检测，确定待检测的承压设备的缺陷坐标和缺陷类型包括：
将待检测的承压设备的X射线图像输入预先处理层；预先处理层输出的数据输入至多尺度特征融合模块的至少一个无参数的池化层；将每个无参数的池化层输出的特征图空间相加确定为目标特征图；多尺度特征融合模块确定目标特征图的各个像素的坐标和像素值，针对每个像素，将该像素对应的上、下、左、右四个方位的像素的像素值与该像素的像素值作差，根据差值确定待检测的承压设备的缺陷坐标；多尺度特征融合模块根据目标特征图的缺陷边缘，确定待检测的承压设备的缺陷类型。
像素值是图像被数字化时由计算机赋予的值，它代表了原稿某一小方块的平均亮度信息，或者说是该小方块的平均反射(透射)密度信息。也就是说，每个像素对应一个像素值。
根据差值确定待检测的承压设备的缺陷坐标包括：判断差值是否大于预设差值阈值；若差值大于预设差值阈值，则标记该像素，将目标特征图上所有标记的像素连接确定为目标特征图的缺陷边缘，进而确定缺陷的缺陷坐标；若差值不大于预设差值阈值，则不标记该像素。
也就是说，该像素的上、下、左、右四个方位的像素中，只要有一个像素的像素值与该像素的像素值的差值大于预设差值阈值，，则标记该像素。
预先处理层包括：第一卷积层、第二卷积层、第三卷积层和第一池化层；将待检测的承压设备的X射线图像输入第一卷积层，第一卷积层输出的数据输入至第二卷积层；第二卷积层输出的数据与第一卷积层输出的数据空间相加输入至第三卷积层；第三卷积层输出的数据输入第一池化层。
也就是说，通过预先处理层先将待检测的承压设备的X射线图像进行初步的特征提取，以便输入至多尺度特征融合模块进行处理。
将每个无参数的池化层输出的特征图空间相加确定为目标特征图包括：将每个无参数的池化层均对应连接扩张卷积层；每个无参数的池化层将输出的数据发送至对应连接的扩张卷积层，扩张卷积层根据对应的升维倍数进行升维；将扩张卷积层升维后的数据空间相加确定为目标特征图。
其中，扩张卷积层(Ghost-Dilated Convolution，GDConv)的数量可以根据实际情况进行设置，也就是说，每个无参数的池化层可以对应连接至少一个扩张卷积层。升维倍数也就是扩张速率，可以将升维的数据填写为0。
本申请实施例中，每个无参数的池化层对应连接三个扩张卷积层，它们的扩张速率分别设置为1、5、9。当扩张速率为1时，它相当于正常的卷积层。将三个扩张卷积层输出的数据空间相加确定为目标特征图。
具体的，多尺度特征融合模块是基于参数(隐式)和无参数(显式)的方法来提取特征值。基于参数的方法是使用扩张卷积，无参数的方法是使用至少一个无参数的池化层，通过改变扩张卷积的扩张比来处理X射线图像并提取特征值。即，将预先处理层输出的数据首先以不同大小的无参数的池化层进行处理，再将不同大小的无参数的池化层输出的数据以不同的扩张速率操作扩张卷积，然后将通过不同的扩张速率操作提取的特征连接起来，以增强学习特征的尺度差异。
多尺度特征融合模块的公式如下：
fis＝F(Maxis(Idcd)) (1)
Odcd＝±(±(f1，…，fg)，±(f1，…，fg)×h) (2)
公式(1)和公式(2)中，Idcd指的是多尺度特征融合模块输入的数据，即，本申请实施例中预先处理层输出的数据；Odcd指的是多尺度特征融合模块输出的数据；Maxis指的是池化层操作；F指的是扩张卷积层操作；fis指的是对应的学习特征；±是连接操作；g指的是扩张卷积层操作的数量，fg指的是第g个扩张卷积层操作；h指的是池化层操作的数量。一般的，g设置为3，h设置为4。
池化层操作(maxpool)作为多尺度特征融合模块中的前操作，池化层操作生成一个基础金字塔，它包含了不同规模的上下文信息。基于基本金字塔的每一层，新的潜在特征被编码并生成不同的接受域尺度。也就是说，无参数的池化层通过优化现有的特征图(预先处理层输出的数据)提供多尺度基础，而基于参数的方法在前者的基础上开发新的多尺度数据(扩张卷积)。因此，层次结构的基础金字塔和扩展金字塔具有叠加效应，增强了更好地开发有效表示的能力。为了减轻维度压力，rb设置为0.5(rb指的是扩张卷积首先对输入的数据进行降维处理的降维倍数)，即，每个扩张卷积都会将输入的通道减少一半。
基于同一申请构思，本申请实施例中还提供了与上述实施例提供的承压设备的缺陷识别方法对应的承压设备的缺陷识别装置，由于本申请实施例中的装置解决问题的原理与本申请上述实施例的承压设备的缺陷识别方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
如图3所示，图3为本申请实施例提供的一种承压设备的缺陷识别装置的功能模块图。承压设备的缺陷识别装置包括：获取模块101、第一确定模块102、训练模块103和第二确定模块104；获取模块101，用于获取承压设备的初始X射线扫描图像；第一确定模块102，用于将初始X射线扫描图像进行切图处理，得到承压设备的X射线图像；训练模块103，用于将承压设备的X射线图像作为训练样本，将每个X射线图像的缺陷位置及对应的缺陷类型作为标签训练改进的yolov5目标检测模型；第二确定模块104，用于将待检测的承压设备的X射线图像输入改进的yolov5目标检测模型进行检测，确定待检测的承压设备的缺陷坐标和缺陷类型。
基于同一申请构思，参见图4所示，为本申请实施例提供的一种电子设备的结构示意图，电子设备20包括：处理器201、存储器202和总线203，存储器202存储有处理器201可执行的机器可读指令，当电子设备20运行时，处理器201与存储器202之间通过总线203进行通信，机器可读指令被处理器201运行时执行如上述实施例中任一的承压设备的缺陷识别方法的步骤。
具体地，机器可读指令被处理器201执行时可以执行如下处理：获取承压设备的初始X射线扫描图像；将初始X射线扫描图像进行切图处理，得到承压设备的X射线图像；将承压设备的X射线图像作为训练样本，将每个X射线图像的缺陷位置及对应的缺陷类型作为标签训练改进的yolov5目标检测模型；将待检测的承压设备的X射线图像输入改进的yolov5目标检测模型进行检测，确定待检测的承压设备的缺陷坐标和缺陷类型。本申请通过改进的yolov5目标检测模型识别待检测的承压设备的X射线图像中是否有缺陷，解决了现有技术中需要人工判断承压设备是否有缺陷的技术问题，达到了提高检测效率的技术效果。
基于同一申请构思，本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述实施例提供的承压设备的缺陷识别方法的步骤。
具体地，存储介质能够为通用的存储介质，如移动磁盘、硬盘等，存储介质上的计算机程序被运行时，能够执行上述承压设备的缺陷识别方法，通过改进的yolov5目标检测模型识别待检测的承压设备的X射线图像中是否有缺陷，解决了现有技术中需要人工判断承压设备是否有缺陷的技术问题，达到了提高检测效率的技术效果。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本申请所提供的几个实施例中，应理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者技术方案的部分可以以软件产品的形式体现出来，计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上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为准。

Claims (10)

1.一种承压设备的缺陷识别方法，其特征在于，所述缺陷识别方法包括：
获取承压设备的初始X射线扫描图像；
将初始X射线扫描图像进行切图处理，得到承压设备的X射线图像；
将承压设备的X射线图像作为训练样本，将每个X射线图像的缺陷位置及对应的缺陷类型作为标签训练改进的yolov5目标检测模型；
将待检测的承压设备的X射线图像输入所述改进的yolov5目标检测模型进行检测，确定待检测的承压设备的缺陷坐标和缺陷类型。
2.根据权利要求1所述的承压设备的缺陷识别方法，其特征在于，所述改进的yolov5目标检测模型包括：预先处理层、多尺度特征融合模块；所述多尺度特征融合模块包括至少一个无参数的池化层；
所述将待检测的承压设备的X射线图像输入所述改进的yolov5目标检测模型进行检测，确定待检测的承压设备的缺陷坐标和缺陷类型包括：
将待检测的承压设备的X射线图像输入所述预先处理层；
所述预先处理层输出的数据输入至所述多尺度特征融合模块的至少一个无参数的池化层；
将每个无参数的池化层输出的特征图空间相加确定为目标特征图；
所述多尺度特征融合模块确定所述目标特征图的各个像素的坐标和像素值，针对每个像素，将该像素对应的上、下、左、右四个方位的像素的像素值与该像素的像素值作差，根据差值确定所述待检测的承压设备的缺陷坐标；
所述多尺度特征融合模块根据所述目标特征图的缺陷边缘，确定所述待检测的承压设备的缺陷类型。
3.根据权利要求2所述的承压设备的缺陷识别方法，其特征在于，所述根据差值确定所述待检测的承压设备的缺陷坐标包括：
判断所述差值是否大于预设差值阈值；
若所述差值大于预设差值阈值，则标记该像素，将所述目标特征图上所有标记的像素连接确定为所述目标特征图的缺陷边缘，进而确定所述缺陷的缺陷坐标。
4.根据权利要求2所述的承压设备的缺陷识别方法，其特征在于，所述预先处理层包括：第一卷积层、第二卷积层、第三卷积层和第一池化层；
将所述待检测的承压设备的X射线图像输入所述第一卷积层，所述第一卷积层输出的数据输入至第二卷积层；
所述第二卷积层输出的数据与所述第一卷积层输出的数据空间相加输入至所述第三卷积层；
所述第三卷积层输出的数据输入所述第一池化层。
5.根据权利要求2所述的承压设备的缺陷识别方法，其特征在于，所述将每个无参数的池化层输出的特征图空间相加确定为目标特征图包括：
将每个无参数的池化层均对应连接一个扩张卷积层；
每个无参数的池化层将输出的数据发送至对应连接的扩张卷积层，扩张卷积层根据对应的升维倍数进行升维；
将扩张卷积层升维后的数据空间相加确定为目标特征图。
6.根据权利要求1所述的承压设备的缺陷识别方法，其特征在于，所述改进的yolov5目标检测模型的训练方法包括：
将承压设备的X射线图像和每个X射线图像对应的缺陷类型、缺陷位置输入改进的yolov5目标检测模型进行训练；
根据训练结果预测到的每个X射线图像的预测缺陷类型、预测缺陷位置与每个X射线图像对应的缺陷类型、缺陷位置更新的所述改进的yolov5目标检测模型的权重；
重新将承压设备的X射线图像和每个X射线图像对应的缺陷类型、缺陷位置输入至更新的改进的yolov5目标检测模型，直至所述改进的yolov5目标检测模型到达收敛状态或迭代次数满足预设迭代次数，则所述改进的yolov5目标检测模型训练完成。
7.根据权利要求1所述的承压设备的缺陷识别方法，其特征在于，所述缺陷类型包括：圆形缺陷、条形缺陷、未熔合、未焊透和裂纹。
8.一种承压设备的缺陷识别装置，其特征在于，所述承压设备的缺陷识别装置包括：
获取模块，用于获取承压设备的初始X射线扫描图像；
第一确定模块，用于将初始X射线扫描图像进行切图处理，得到承压设备的X射线图像；
训练模块，用于将承压设备的X射线图像作为训练样本，将每个X射线图像的缺陷位置及对应的缺陷类型作为标签训练改进的yolov5目标检测模型；
第二确定模块，用于将待检测的承压设备的X射线图像输入所述改进的yolov5目标检测模型进行检测，确定待检测的承压设备的缺陷坐标和缺陷类型。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行如权利要求1至7任一所述的承压设备的缺陷识别方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7任一所述的承压设备的缺陷识别方法的步骤。
CN202210626254.9A 2022-06-02 2022-06-02 一种承压设备的缺陷识别方法及装置 Pending CN114937023A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210626254.9A CN114937023A (zh) 2022-06-02 2022-06-02 一种承压设备的缺陷识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210626254.9A CN114937023A (zh) 2022-06-02 2022-06-02 一种承压设备的缺陷识别方法及装置

Publications (1)

Publication Number Publication Date
CN114937023A true CN114937023A (zh) 2022-08-23

Family

ID=82867001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210626254.9A Pending CN114937023A (zh) 2022-06-02 2022-06-02 一种承压设备的缺陷识别方法及装置

Country Status (1)

Country Link
CN (1) CN114937023A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117152577A (zh) * 2023-10-30 2023-12-01 北京机械工业自动化研究所有限公司 铸件缺陷检测方法、装置、电子设备和存储介质
CN118032821A (zh) * 2024-04-12 2024-05-14 天津美腾科技股份有限公司 电池检测方法、装置、系统、设备及介质
CN118150613A (zh) * 2024-03-26 2024-06-07 世秀新材料科技(浙江)有限公司 一种水性聚氨酯涂层树脂的检测系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529836A (zh) * 2020-10-30 2021-03-19 广州优飞信息科技有限公司 高压线路缺陷检测方法、装置、存储介质及电子设备
CN113409314A (zh) * 2021-08-18 2021-09-17 南京市特种设备安全监督检验研究院 高空钢结构腐蚀的无人机视觉检测与评价方法及系统
CN114332697A (zh) * 2021-12-19 2022-04-12 西安科技大学 输电线路中多类目标故障检测方法、系统、设备及介质
CN114359286A (zh) * 2022-03-21 2022-04-15 湖南应超智能计算研究院有限责任公司 一种基于人工智能的绝缘子缺陷识别方法、设备及介质
CN114549997A (zh) * 2022-04-27 2022-05-27 清华大学 一种基于区域特征提取的x光图像缺陷检测方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529836A (zh) * 2020-10-30 2021-03-19 广州优飞信息科技有限公司 高压线路缺陷检测方法、装置、存储介质及电子设备
CN113409314A (zh) * 2021-08-18 2021-09-17 南京市特种设备安全监督检验研究院 高空钢结构腐蚀的无人机视觉检测与评价方法及系统
CN114332697A (zh) * 2021-12-19 2022-04-12 西安科技大学 输电线路中多类目标故障检测方法、系统、设备及介质
CN114359286A (zh) * 2022-03-21 2022-04-15 湖南应超智能计算研究院有限责任公司 一种基于人工智能的绝缘子缺陷识别方法、设备及介质
CN114549997A (zh) * 2022-04-27 2022-05-27 清华大学 一种基于区域特征提取的x光图像缺陷检测方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
DINGMING YANG ETAL.: ""Deep Learning Based Steel Pipe Weld Defect Detection"" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117152577A (zh) * 2023-10-30 2023-12-01 北京机械工业自动化研究所有限公司 铸件缺陷检测方法、装置、电子设备和存储介质
CN117152577B (zh) * 2023-10-30 2024-02-02 北京机械工业自动化研究所有限公司 铸件缺陷检测方法、装置、电子设备和存储介质
CN118150613A (zh) * 2024-03-26 2024-06-07 世秀新材料科技(浙江)有限公司 一种水性聚氨酯涂层树脂的检测系统
CN118032821A (zh) * 2024-04-12 2024-05-14 天津美腾科技股份有限公司 电池检测方法、装置、系统、设备及介质

Similar Documents

Publication Publication Date Title
CN114937023A (zh) 一种承压设备的缺陷识别方法及装置
CN110148130B (zh) 用于检测零件缺陷的方法和装置
CN112232391B (zh) 一种基于U-net网络和SC-SAM注意力机制的大坝裂缝检测方法
CN110781885A (zh) 基于图像处理的文本检测方法、装置、介质及电子设备
CN111754536B (zh) 图像标注方法、装置、电子设备及存储介质
CN109241867B (zh) 采用人工智能算法识别数字岩心图像的方法及装置
CN113436162A (zh) 一种水下机器人液压油管道表面焊缝缺陷识别方法及装置
CN111539238B (zh) 二维码图像修复方法、装置、计算机设备和存储介质
CN116797590A (zh) 一种基于机器视觉的Mura缺陷检测方法及系统
Adu-Gyamfi et al. Functional evaluation of pavement condition using a complete vision system
CN113537026B (zh) 建筑平面图中的图元检测方法、装置、设备及介质
CN116309494B (zh) 一种电子地图中兴趣点信息确定方法、装置、设备及介质
CN117593420A (zh) 基于图像处理的平面图纸标注方法、装置、介质及设备
CN111539286B (zh) 衬砌线识别方法、装置及可读存储介质
CN106778844B (zh) 隧道内裂缝匹配方法和系统
CN114114457B (zh) 基于多模态测井数据的裂缝表征方法、装置及设备
CN116188361A (zh) 一种基于深度学习的铝型材表面缺陷分类方法及装置
CN115578362A (zh) 电极涂层的缺陷检测方法、装置、电子设备及介质
CN115374517A (zh) 布线软件的测试方法、装置、电子设备及存储介质
CN113034420B (zh) 一种频率空间域特征的工业产品表面缺陷分割方法及系统
CN113762120A (zh) 绝缘子图像分割方法、装置、电子设备及存储介质
CN112346126A (zh) 低级序断层的识别方法、装置、设备及可读存储介质
CN110853016A (zh) 一种地形图出版质量自动检查方法及装置
CN117912048A (zh) 一种建筑图纸图像中楼板筋的识别方法和装置
CN118365665A (zh) 基于自适应se和概念范数偏序的灰度图像边缘检测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220823

RJ01 Rejection of invention patent application after publication