CN114943733B - 一种钢管打磨质量评估方法及系统 - Google Patents
一种钢管打磨质量评估方法及系统 Download PDFInfo
- Publication number
- CN114943733B CN114943733B CN202210853807.4A CN202210853807A CN114943733B CN 114943733 B CN114943733 B CN 114943733B CN 202210853807 A CN202210853807 A CN 202210853807A CN 114943733 B CN114943733 B CN 114943733B
- Authority
- CN
- China
- Prior art keywords
- steel pipe
- image
- information
- size
- polishing
- 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.)
- Active
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 254
- 239000010959 steel Substances 0.000 title claims abstract description 254
- 238000005498 polishing Methods 0.000 title claims abstract description 130
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 112
- 238000011156 evaluation Methods 0.000 claims abstract description 86
- 230000002159 abnormal effect Effects 0.000 claims abstract description 82
- 230000007547 defect Effects 0.000 claims description 118
- 238000012549 training Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 11
- 238000001303 quality assessment method Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 13
- 230000008569 process Effects 0.000 description 6
- 238000011077 uniformity evaluation Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007517 polishing process Methods 0.000 description 1
- 238000003466 welding 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
-
- 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
- G06V10/70—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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/695—Control of camera direction for changing a field of view, e.g. pan, tilt or based on tracking of objects
-
- 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
- G06T2207/30136—Metal
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Multimedia (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
Abstract
本发明提供了一种钢管打磨质量评估方法及系统，涉及数据处理技术领域，采集钢管多角度图像集并进行异常图像信息的提取，基于表面质量评估模型获取表面质量评估结果，获得打磨尺寸要求并确定检测标记点，进行打磨钢管的位置标记对钢管的打磨均匀度进行检测，根据打磨均匀度检测信息与标记位置厚度检测结果对打磨尺寸质量进行评估，根据表面质量评估结果与打磨尺寸评估结果获取钢管打磨评估信息，解决了现有技术中存在的对于钢管的缺陷识别深度不足，对于打磨尺度的评估把控不够精准，会一定程度上影响钢管的质量评估结果问题，通过进行智能化的钢管质量检测评估，达到了提高钢管质量评估结果精准度的目的。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种钢管打磨质量评估方法及系统。
背景技术
钢管可作为输送工具与机械制造零件应用于多个领域，随着钢管的应用范围扩大化，使得对于钢管的质量要求越来越高，然而，钢管的使用过程中，不可避免的会由于外环境与本身材质的影响出现腐蚀、划痕等缺陷，可通过对钢管进行缺陷识别，进而基于缺陷程度进行钢管打磨，以进行缺陷钢管的优化，然而，现有对于钢管缺陷的识别打磨方法多通过人工与机器的共同配合来完成，使得最终的打磨质量评估效率低同时准确性不高。
现有技术中，对于钢管的缺陷识别深度不足，对于打磨尺度的评估把控不够精准，会一定程度上影响钢管的质量评估结果。
发明内容
本申请提供了一种钢管打磨质量评估方法及系统，用于针对解决现有技术中存在的对于钢管的缺陷识别深度不足，对于打磨尺度的评估把控不够精准，会一定程度上影响钢管的质量评估结果的技术问题。
鉴于上述问题，本申请提供了一种钢管打磨质量评估方法及系统。
第一方面，本申请提供了一种钢管打磨质量评估方法，所述方法包括：对打磨钢管进行多角度动态旋转采集，获得钢管多角度图像集；遍历所述钢管多角度图像集，提取异常图像信息；将所述异常图像信息输入表面质量评估模型，获得表面质量评估结果；获得打磨尺寸要求；基于所述打磨尺寸要求确定检测标记点，根据所述检测标记点对打磨钢管进行位置标记；根据打磨钢管的标记位置通过钢管厚度检测仪对打磨钢管进行检测，利用检测得到的钢管厚度进行打磨均匀度分析，获得打磨均匀度检测信息，所述打磨均匀度检测信息包括标记位置及标记位置厚度检测结果；根据所述打磨均匀度检测信息、标记位置厚度检测结果进行打磨尺寸质量评估，确定打磨尺寸评估结果；根据所述表面质量评估结果、所述打磨尺寸评估结果对钢管进行打磨质量评估，获得钢管打磨评估信息。
第二方面，本申请提供了一种钢管打磨质量评估系统，所述系统包括：图像采集模块，所述图像采集模块用于对打磨钢管进行多角度动态旋转采集，获得钢管多角度图像集；信息提取模块，所述信息提取模块用于遍历所述钢管多角度图像集，提取异常图像信息；表面质量评估模块，所述表面质量评估模块用于将所述异常图像信息输入表面质量评估模型，获得表面质量评估结果；尺寸获取模块，所述尺寸获取模块用于获得打磨尺寸要求；位置标记模块，所述位置标记模块用于基于所述打磨尺寸要求确定检测标记点，根据所述检测标记点对打磨钢管进行位置标记；均匀度分析模块，所述均匀度分析模块用于根据打磨钢管的标记位置通过钢管厚度检测仪对打磨钢管进行检测，利用检测得到的钢管厚度进行打磨均匀度分析，获得打磨均匀度检测信息，所述打磨均匀度检测信息包括标记位置及标记位置厚度检测结果；尺寸评估模块，所述尺寸评估模块用于根据所述打磨均匀度检测信息、标记位置厚度检测结果进行打磨尺寸质量评估，确定打磨尺寸评估结果；质量评估模块，所述质量评估模块用于根据所述表面质量评估结果、所述打磨尺寸评估结果对钢管进行打磨质量评估，获得钢管打磨评估信息。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请实施例提供的一种钢管打磨质量评估方法，对打磨钢管进行多角度动态旋转采集，获得钢管多角度图像集；遍历所述钢管多角度图像集，提取异常图像信息；将所述异常图像信息输入表面质量评估模型，获得表面质量评估结果；获得打磨尺寸要求并确定检测标记点，进而对打磨钢管进行位置标记，根据打磨钢管的标记位置通过钢管厚度检测仪进行打磨钢管的检测，基于检测结果进行打磨均匀度分析，获得打磨均匀度检测信息，包括标记位置及标记位置厚度检测结果，根据所述打磨均匀度检测信息与标记位置厚度检测结果对打磨尺寸质量进行评估，获取打磨尺寸评估结果，根据所述表面质量评估结果与所述打磨尺寸评估结果进行钢管的打磨质量评估以获取钢管打磨评估信息，解决了现有技术中存在的对于钢管的缺陷识别深度不足，对于打磨尺度的评估把控不够精准，会一定程度上影响钢管的质量评估结果的技术问题，通过进行智能化的钢管质量检测评估，达到了提高钢管质量评估结果精准度的目的。
附图说明
图1为本申请提供了一种钢管打磨质量评估方法流程示意图；
图2为本申请提供了一种钢管打磨质量评估方法中钢管多角度图像集获取流程示意图；
图3为本申请提供了一种钢管打磨质量评估方法中异常图像信息预处理流程示意图；
图4为本申请提供了一种钢管打磨质量评估系统结构示意图。
附图标记说明：图像采集模块a，信息提取模块b，表面质量评估模块c，尺寸获取模块d，位置标记模块e，均匀度分析模块f，尺寸评估模块g，质量评估模块h。
具体实施方式
本申请通过提供一种钢管打磨质量评估方法及系统，采集钢管多角度图像集并进行异常图像信息的提取，基于表面质量评估模型获取表面质量评估结果，获取打磨尺寸要求并确定检测标记点，对钢管的打磨均匀度进行检测，进而完成打磨尺寸质量评估，根据表面质量评估结果与打磨尺寸评估结果确定钢管打磨评估信息，用于解决现有技术中存在的对于钢管的缺陷识别深度不足，对于打磨尺度的评估把控不够精准，会一定程度上影响钢管的质量评估结果的技术问题。
实施例一
如图1所示，本申请提供了一种钢管打磨质量评估方法，所述方法应用于质量评估系统，所述系统包括图像采集设备，所述方法包括：
步骤S100：对打磨钢管进行多角度动态旋转采集，获得钢管多角度图像集；
具体而言，本申请提供的一种钢管打磨质量评估方法，通过进行钢管的表面异常信息提取评估确定表面质量评估结果，通过对钢管的打磨均匀度、厚度与打磨尺寸进行信息提取分析，获取打磨尺寸评估结果，进一步进行评估结果综合性分析确定钢管质量，首先，基于所述图像采集设备对打磨钢管进行多角度动态旋转采集，获取图像采集结果并进行存储，以确定所述多角度图像集，由于一些微小的划痕与毛刺等的瑕疵只有在旋转过程中基于不同角度才能看到，通过进行钢管的多角度动态旋转采集，能最大限度保证信息采集的完备性，获取打磨钢管的所述多角度图像集，为后续进行异常图像信息的提取提供了信息源头。
进一步而言，如图2所示，所述对打磨钢管进行多角度动态旋转采集，获得钢管多角度图像集，本申请步骤S100还包括：
步骤S110：获得历史采集参数信息；
步骤S120：通过所述历史采集参数信息进行采集光线、旋转速度分析，确定采集预设参数，所述采集预设参数为采集清晰度最高的采集光线及旋转速度；
步骤S130：基于所述采集预设参数对打磨钢管进行多角度动态旋转采集，获得钢管采集视频；
步骤S140：对所述钢管采集视频进行逐帧图像提取，得到所述钢管多角度图像集。
具体而言，对所述打磨钢管的历史采集参数信息进行调取，所述历史采集参数信息指钢管使用进程中曾进行信息采集的参数信息集，对所述历史采集参数信息中光线、转速相关信息进行提取，进一步对采集光线与旋转速度进行分析校对，确定使得图像采集结果的清晰度最高的采集光线与旋转速度，将其作为所述预设采集参数进行存储，以所述预设采集参数为钢管的采集条件对所述打磨钢管进行多角度动态旋转采集，获取所述钢管采集视频，进一步对所述钢管采集视频基于图像帧进行逐帧提取，获取多个打磨钢管图像画面，基于视频采集的时序性进行标识，获取所述钢管多角度图像集并进行系统存储，通过对所述钢管采集视频进行图像逐帧提取，可保证视频涵盖信息的完整性，避免信息流失导致分析处理结果出现偏差。
步骤S200：遍历所述钢管多角度图像集，提取异常图像信息；
步骤S300：将所述异常图像信息输入表面质量评估模型，获得表面质量评估结果；
具体而言，遍历所述钢管多角度图像集，对钢管的表面参数信息进行识别提取，对同规格钢管的表面标准图像进行获取，进一步进行特征提取，获取表面特征并进行所述打磨钢管表面参数信息的映射，确定对应特征信息并进行校对，确定与标准特征不同的钢管特征，进而进行多个异常特征的位置识别标注，将确定的所述异常特征与其对应的位置标识信息作为所述异常图像信息进行存储，进一步的，进行所述表面质量评估模型的构建，所述表面质量评估模型指用于对所述异常图像信息进行表面缺陷评估的模型，可以表面缺陷识别层、缺陷尺寸标记层、缺陷等级评定层为标准构建的多层级网络层，基于大数据平台采集历史缺陷检测数据库，进一步基于所述多层级网络层进行所述缺陷检测数据库的参数信息映射，获取相对应的参数信息输入所述多层级网络层进行训练检测，以获取所述表面质量评估模型，可将所述异常图像信息输入所述表面质量评估模型，以进行异常缺陷的检测评估。
进一步而言，遍历所述钢管多角度图像集，提取异常图像信息，本申请步骤S200还包括：
步骤S210：获得钢管表面标准图像，对所述钢管表面标准图像进行特征提取，确定钢管标准图像特征；
步骤S220：基于所述钢管标准图像特征对所述钢管多角度图像集中所有图像进行特征遍历比对，获得比对结果，基于比对结果对不相符的图像位置进行标记得到异常特征位置标记；
步骤S230：基于所述异常特征位置标记，对所述钢管多角度图像集进行连续图像提取，得到标记前后关联图像；
步骤S240：根据所述标记前后关联图像进行所述异常特征位置标记确定，当所述异常特征位置标记与所述标记前后关联图像存在不同时，确定所述异常特征位置标记对应的钢管图像作为所述异常图像信息。
具体而言，对钢管的表面标准图像进行获取，所述钢管表面标准图像指表述与所述打磨钢管类型参数一致且在完美状态下所采集的钢管的表面图像，进一步进行所述钢管表面标准图像的特征提取，包括横断面形状、表面光滑度、焊接标准等，确定所述钢管标准图像特征，进一步对所述钢管多角度图像集进行同类特征提取，获取与所述钢管标准图像特征对应的钢管多角度图像集特征，对两者进行特征的遍历比对，确定与所述钢管标准图像特征不相符的图像特征，作为异常特征并进行对应图像位置的识别标记，进而获取所述异常特征位置标记，根据所述异常特征位置标记进行所述钢管多角度图像集的图像识别，获取与所述异常特征位置标记相关联的多个连续图像，确定为所述标记前后关联图像，在所述标记前后关联图像中对所述异常特征位置进行确定，当所述异常特征位置标记与所述标记前后关联图像相同时，将所述异常特征位置标记的关联图像作为所述异常图像信息，当所述异常特征位置标记与所述标记前后关联图像存在不同时，将所述异常特征位置标记对应的钢管图像作为所述异常图像信息，对获取的多个所述异常图像基于采集顺序进行整合存储，以进行后续分析评估。
进一步而言，将所述异常图像信息输入表面质量评估模型，获得表面质量评估结果之前，本申请步骤S300还包括：
步骤S310-1：构建质量评估网络，所述质量评估网络包括表面缺陷识别层、缺陷尺寸标记层、缺陷等级评定层；
步骤S320-1：获得历史缺陷检测数据库，根据所述历史缺陷检测数据库构建训练集、测试集，所述训练集、测试集包括钢管图像信息、缺陷标记信息及评价结果；
步骤S330-1：将所述训练集输入表面缺陷识别层，利用钢管图像信息、缺陷标记信息确定表面缺陷识别信息；
步骤S340-1：将所述表面缺陷识别信息输入缺陷尺寸标记层，基于所述缺陷标记信息对表面缺陷识别信息中的缺陷进行尺寸标记，得到缺陷尺寸信息；
步骤S350-1：将所述表面缺陷识别信息、所述缺陷尺寸信息输入缺陷等级评定层，基于评价结果的标签与所述表面缺陷识别信息、所述缺陷尺寸信息的对应关系对缺陷等级评定层进行训练，输出缺陷等级评价结果，完成质量评估网络训练，得到所述表面质量评估模型；
步骤S360-1：通过测试集对所述表面质量评估模型进行测试确定所述表面质量评估模型。
具体而言，进行所述质量评估网络的构建，所述质量评估网络指用来对所述钢管进行质量评估的多层级网络层，包括所述表面缺陷识别层、所述缺陷尺寸标记层与所述等级评定层，基于大数据平台，对所述历史缺陷检测数据库进行提取调用，所述历史缺陷数据库指钢管曾出现的多种缺陷类别集合，基于所述历史缺陷数据库进行所述训练集、测试集的构建，包括所述钢管图像集合、所述缺陷标记信息与所述评价结果，其中，所述钢管图像、缺陷标记信息与评价结果一一对应，所述训练集用于进行所述质量评估网络的网络层训练，使得所述表面质量评估模型对输入的异常图像信息能快速进行信息识别，并进行映射分析以获取相应的评估结果。
进一步而言，将所述训练集输入所述表面缺陷识别层，基于所述钢管图像信息与所述缺陷标记信息进行表面缺陷识别信息的对应映射，可以此为识别标准对输入的钢管参数信息进行表面缺陷的识别判定，进一步的，将所述表面缺陷识别信息输入所述尺寸标记层，对获取的所述表面缺陷识别信息依据所述缺陷标记信息进行表面缺陷尺寸的识别标记，确定所述表面缺陷识别信息中多个表面缺陷相应的缺陷尺寸，进一步将所述表面缺陷识别信息与所述缺陷尺寸信息输入所述缺陷等级评定层进行缺陷等级的评定，预设缺陷评定等级，所述预设缺陷评定等级指依据不同缺陷类型与缺陷程度设定的评定标准，在此基础上获取相应的等级评定结果并进行等级标签标识，依据所述评价结果的标签与所述表面缺陷识别信息、所述缺陷尺寸信息对所述缺陷等级评定层进行训练，使得所述缺陷等级网络层可基于输入的对应信息直接进行缺陷等级的判别，通过对所述质量评估网络进行训练获取所述表面质量评估模型，基于所述测试集对所述表面质量评估模型进行评估结果准确度的测试，以确定所述表面质量评估模型，可基于所述表面质量评估模型完成所述打磨钢管的表面质量评估。
进一步而言，如图3所示，将所述异常图像信息输入表面质量评估模型之前，包括对所述异常图像信息进行预处理，本申请步骤S300还包括：
步骤S310-2：将所述异常图像信息作为一阶段图像，对所述一阶段图像进行引导滤波，删除滤波后图像的偶数行和列对图像进行降维，得到二阶段图像；
步骤S320-2：对二阶段图像进行引导滤波，再删除滤波后的图像的偶数行和列，得到三阶段图像；
步骤S330-2：分别对三阶段图像、二阶段图像上采样经过高斯滤波，并减去上一阶段图像，得到升维一阶段图像、升维二阶段图像；
步骤S340-2：由所述升维二阶段图像至升维一阶段图像进行叠加，得到异常增强图像，并对所述异常增强图像进行降噪处理。
具体而言，将所述异常图像信息的原始图像作为所述一阶段图像，基于引导图对所述一阶段图像进行引导滤波，所述引导图指表述图像处理需求的图像，使得滤波后的图像与原始图像相似且纹理部分与引导图相似，删除滤波后图像的偶数行和列，通过进行图像下采样对图像特征维度进行降低，缩小原始图像，使得图像维度保持在 640*480，同时，可保留图像的有效信息，并避免信息过拟合，将处理后的图像作为所述二阶段图像，同理，以引导图为基准对所述二阶段图像进行引导滤波，删除滤波后图像的偶数行和列，再次通过图像下采样进行图像的二次降维处理，使得图像维度维持在320*240，将二次处理后的图像作为所述三阶段图像，进一步的，将所述三阶段图像与所述二阶段图像经过高斯滤波进行图像上采样，为图像插入偶数行和偶数列，以进行图像升维处理，以进行图像放大，所述二阶段图像经过上采样，并减去一阶段图像使得图像维度维持在1280*960 ，得到升维一阶段图像，所述三阶段图像经过上采样并减去二阶段图像，使得图像维度维持在 640*480，获取升维二阶段图像，通过进行图像升维处理，使得下采样处理过的图像在信息不变的基础上得到图像扩充，使得图像可以显示在高分辨率的设备上，以进行图像信息识别处理，进一步的，对所述升维二阶段图像至升维一阶段图像进行图像叠加，以进行图像增强处理，获取所述异常图像的增强图像，进一步对所述异常增强图像进行图像降噪处理，摒弃成像设备与外环境的噪声干扰，示例性的，可通过双边降噪的方式进行图像降噪处理，以确定最终的用于进行图像分析的异常图像，可有效降低图像特征识别的难度，并提高识别准确度。
步骤S400：获得打磨尺寸要求；
步骤S500：基于所述打磨尺寸要求确定检测标记点，根据所述检测标记点对打磨钢管进行位置标记；
具体而言，获取所述钢管的打磨尺寸要求，所述打磨尺寸要求指钢管的打磨标准，包括钢管的规格、具体尺寸大小、精度等，以所述打磨尺寸要求为基准进行检测标记点的确定，所述检测标记点指进行钢管打磨的对应打磨位置点，基于所述打磨尺寸要求确定所述钢管的打磨尺寸变化与尺寸精度要求，可基于标记经验数据库对所述钢管的打磨尺寸变化与尺寸精度要求一致的相关参数信息进行提取，以进行标记点数量与标记点分布信息的确定，根据打磨的尺寸要求和精度进行对应标记点的设定，按照标记点对打磨钢管进行均匀性、厚度检测，标记点的设置位置与打磨的尺寸要求相对应，哪些位置具有尺寸打磨要求则对应的设定标记点，精度要求越高标记点设置的数量越多，通过标记点位置的确定，针对标记点进行针对性检测，可以更为利于分析钢管打磨后的质量是否满足打磨参数的要求，提高检测的针对性和精准度。
进一步而言，基于所述打磨尺寸要求确定检测标记点，本申请步骤S500还包括：
步骤S510：根据所述打磨尺寸要求，确定尺寸变化位置、尺寸精度要求；
步骤S520：根据所述尺寸变化位置，确定关联影响位置；
步骤S530：根据所述关联影响位置、所述尺寸精度要求进行标记经验数据库匹配，获得标记点数量及标记点分布信息；
步骤S540：根据所述标记点数量、标记点分布信息，确定所述检测标记点。
具体而言，确定所述钢管的打磨尺寸要求，即打磨标准，包括内径、外径、钢管厚度、光滑度等相关参数，以所述打磨尺寸为标准，基于钢管的现有尺寸进行尺寸变化位置与尺寸精度要求的确定，所述尺寸变化位置指未打磨钢管尺寸与打磨尺寸标准之间的尺寸差，所述尺寸精度要求指钢管打磨尺寸的可正常变动区间，基于所述钢管尺寸变化位置，进行钢管的关联影响位置的确定，所述关联影响位置指钢管尺寸变化前后对应的位置点，获取所述标记经验数据库，所述标记经验数据库指基于大数据获取的不同打磨标准下对应的标记点数量与标记点分布信息，针对不同的打磨尺寸、形状要求需要对哪些位置进行重点检测，哪些厚度对尺寸和均匀性的影响等，利用标记经验数据库确定打磨参数要求对应的标记设定位置和数量，按照钢管的打磨标记点数量与标记点分布信息进行钢管检测标记，标记点数量越多，最终的评估结果更加准确，依据所述标记点数量与所述标记点分布信息进行所述检测标记点的确定，所述检测标记点指对打磨钢管进行打磨位置标记的位置点，基于所述检测标记点进行所述打磨钢管的位置标记，对于不同区段的打磨要求不同，可进行区域性标记，不同打磨要求对应的钢管区段采用不同序列号进行标记，基于所述打磨位置标记进行检测区域的对应识别，进而对所述钢管进行质量检测，确定打磨位置的厚度均匀性是否满足均匀性要求、打磨尺寸是否符合打磨的尺寸要求。
步骤S600：根据打磨钢管的标记位置通过钢管厚度检测仪对打磨钢管进行检测，利用检测得到的钢管厚度进行打磨均匀度分析，获得打磨均匀度检测信息，所述打磨均匀度检测信息包括标记位置及标记位置厚度检测结果；
具体而言，以所述打磨钢管的标记位置为依据，基于所述钢管厚度检测仪进行打磨钢管标记位置的厚度检测，获取多个打磨钢管标记位置的厚度检测结果，其中，所述打磨钢管标记位置与所述厚度检测结果一一对应，进一步基于获取的所述打磨钢管厚度检测结果对钢管的打磨均匀度进行分析，判断钢管的多个标记位置的厚度是否一致，所述多个标记位置的厚度递变程度表述钢管的打磨均匀度，厚度差越大，越参差不齐，钢管的均匀度越低，将所述标记位置与所述标记位置厚度检测结果作为所述打磨均匀度检测信息进行存储，为后续进行打磨尺寸质量评估夯实了基础。
步骤S700：根据所述打磨均匀度检测信息、标记位置厚度检测结果进行打磨尺寸质量评估，确定打磨尺寸评估结果；
步骤S800：根据所述表面质量评估结果、所述打磨尺寸评估结果对钢管进行打磨质量评估，获得钢管打磨评估信息。
具体而言，利用打磨的表面质量如是否有划痕、裂痕、毛刺等的表面评估结果结合打磨后的尺寸精度评估结果即打磨尺寸评估结果进行综合分析，确保钢管打磨质量评估的整体效果。获取所述打磨均匀度检测信息与所述标记位置厚度检测结果，对于钢管不同打磨长度范围其厚度要求有所差别，然而该范围内的钢管均匀度应最大限度保持一致，在此基础下，基于所述打磨均匀度检测信息与所述标记位置厚度检测结果对打磨尺寸质量进行评估，同标准厚度要求下越均匀表明钢管的打磨质量越好，获取评估结果作为钢管的打磨尺寸评估结果进行系统存储，进一步的，以所述表面质量评估结果与所述打磨尺寸评估结果为依据，进行所述钢管打磨质量的综合评估，作为所述钢管打磨评估信息进行存储，以确定所述打磨钢管的综合质量评估结果。
进一步而言，根据所述打磨均匀度检测信息、标记位置厚度检测结果进行打磨尺寸质量评估，确定打磨尺寸评估结果，本申请步骤S700还包括：
步骤S710：对所述标记位置厚度检测结果在所述打磨均匀度检测信息中均匀度影响关系进行分析，获得均匀度影响值；
步骤S720：判断所述均匀度影响值是否超出预设要求，所述预设要求与所述打磨尺寸要求相匹配；
步骤S730：当超出时，根据所述均匀度影响值确定所述打磨尺寸评估结果。
具体而言，通过进行所述打磨钢管打磨均匀度检测与标记位置厚度检测，获取所述标记位置厚度检测结果与所述打磨均匀度检测信息，通过打磨均匀度检测信息为对打磨处的环形厚度均匀性的检测结果，标记位置厚度检测信息为在标记位置处检测的钢管打磨后的厚度信息，通过标记点的分布情况结合各点的厚度检测结果对打磨的尺寸变化、均匀性变化进行针对性分析，确定打磨的尺寸精度是否满足打磨要求。针对标记位置结合标记位置的厚度对整个打磨结构的均匀性进行影响程度分析，标记位置决定了打磨的形状、结构，厚度的大小确定打磨的钢管壁的薄厚均匀性，若标记位置处于功能性位置，如螺纹处、卡扣衔接处，则对打磨的结构影响性大，结合该标记点的厚度检测值，若厚度偏差在误差范围内则影响性小，若厚度偏差大则对打磨的影响性就大，对均匀性的影响程度的大小分析关系即为均匀度影响关系分析，确定所述标记位置厚度检测结果对打磨均匀度的影响尺度，获取影响递变结果，进而确定所述均匀度影响值，进一步判断所述均匀度影响值是否超出预设要求，所述预设要求指与所述打磨尺寸要求相匹配的均匀度影响值的限定要求，当所述均匀度影响值超出所述预设要求时，将确定的所述均匀度影响值确定为均匀度评估结果存入所述打磨尺度评估结果，进而进行钢管的打磨质量评估，确定打磨的均匀性、厚度的评估结果。
进一步而言，判断所述均匀度影响值是否超出预设要求之后，本申请步骤S720还包括：
步骤S721：当未超出时，对标记位置进行钢结构影响关系分析，确定位置标记影响关系；
步骤S722：根据所述标记位置厚度检测结果、所述位置标记影响关系确定厚度关联影响值；
步骤S723：根据所述厚度关联影响值，确定所述打磨尺寸评估结果。
具体而言，判断所述均匀度影响值是否超出所述预设要求，当所述均匀度影响值未超出所述预设要求时，基于打磨标记位置进行钢结构的影响关系分析，确定标记位置的结构对钢管均匀度的影响，例如，钢管焊接点、转折点厚度会存在差异，进一步基于所述标记位置厚度检测结果与所述位置标记影响关系确定所述关联厚度影响值，基于不同钢结构对应的厚度限定区域基于标准性进行均匀度评估，以确定所述钢管均匀度评估结果，将其作为所述打磨尺寸评估结果的判定依据进行存储。
实施例二
基于与前述实施例中一种钢管打磨质量评估方法相同的发明构思，如图4所示，本申请提供了一种钢管打磨质量评估系统，所述系统包括：
图像采集模块a，所述图像采集模块a用于对打磨钢管进行多角度动态旋转采集，获得钢管多角度图像集；
信息提取模块b，所述信息提取模块b用于遍历所述钢管多角度图像集，提取异常图像信息；
表面质量评估模块c，所述表面质量评估模块c用于将所述异常图像信息输入表面质量评估模型，获得表面质量评估结果；
尺寸获取模块d，所述尺寸获取模块d用于获得打磨尺寸要求；
位置标记模块e，所述位置标记模块e用于基于所述打磨尺寸要求确定检测标记点，根据所述检测标记点对打磨钢管进行位置标记；
均匀度分析模块f，所述均匀度分析模块f用于根据打磨钢管的标记位置通过钢管厚度检测仪对打磨钢管进行检测，利用检测得到的钢管厚度进行打磨均匀度分析，获得打磨均匀度检测信息，所述打磨均匀度检测信息包括标记位置及标记位置厚度检测结果；
尺寸评估模块g，所述尺寸评估模块g用于根据所述打磨均匀度检测信息、标记位置厚度检测结果进行打磨尺寸质量评估，确定打磨尺寸评估结果；
质量评估模块h，所述质量评估模块h用于根据所述表面质量评估结果、所述打磨尺寸评估结果对钢管进行打磨质量评估，获得钢管打磨评估信息。
进一步而言，所述系统还包括：
信息采集模块，所述信息采集模块用于获得历史采集参数信息；
预设参数设定模块，所述预设参数设定模块用于通过所述历史采集参数信息进行采集光线、旋转速度分析，确定采集预设参数，所述采集预设参数为采集清晰度最高的采集光线及旋转速度；
视频采集模块，所述视频采集模块用于基于所述采集预设参数对打磨钢管进行多角度动态旋转采集，获得钢管采集视频；
图像提取模块，所述图像提取模块用于对所述钢管采集视频进行逐帧图像提取，得到所述钢管多角度图像集。
进一步而言，所述系统还包括：
特征提取模块，所述特征提取模块用于获得钢管表面标准图像，对所述钢管表面标准图像进行特征提取，确定钢管标准图像特征；
特征比对模块，所述特征比对模块用于基于所述钢管标准图像特征对所述钢管多角度图像集中所有图像进行特征遍历比对，获得比对结果，基于比对结果对不相符的图像位置进行标记得到异常特征位置标记；
关联图像提取模块，所述关联图像提取模块用于基于所述异常特征位置标记，对所述钢管多角度图像集进行连续图像提取，得到标记前后关联图像；
图像判定模块，所述图像判定模块用于根据所述标记前后关联图像进行所述异常特征位置标记确定，当所述异常特征位置标记与所述标记前后关联图像存在不同时，确定所述异常特征位置标记对应的钢管图像作为所述异常图像信息。
进一步而言，所述系统还包括：
评估网络构建模块，所述评估网络构建模块用于构建质量评估网络，所述质量评估网络包括表面缺陷识别层、缺陷尺寸标记层、缺陷等级评定层；
数据集构建模块，所述数据集构建模块用于获得历史缺陷检测数据库，根据所述历史缺陷检测数据库构建训练集、测试集，所述训练集、测试集包括钢管图像信息、缺陷标记信息及评价结果；
表面缺陷识别模块，所述表面缺陷识别模块用于将所述训练集输入表面缺陷识别层，利用钢管图像信息、缺陷标记信息确定表面缺陷识别信息；
尺寸标记模块，所述尺寸标记模块用于将所述表面缺陷识别信息输入缺陷尺寸标记层，基于所述缺陷标记信息对表面缺陷识别信息中的缺陷进行尺寸标记，得到缺陷尺寸信息；
缺陷等级评定模块，所述缺陷等级评定模块用于将所述表面缺陷识别信息、所述缺陷尺寸信息输入缺陷等级评定层，基于评价结果的标签与所述表面缺陷识别信息、所述缺陷尺寸信息的对应关系对缺陷等级评定层进行训练，输出缺陷等级评价结果，完成质量评估网络训练，得到所述表面质量评估模型；
评估模型确定模块，所述评估模型确定模块用于通过测试集对所述表面质量评估模型进行测试确定所述表面质量评估模型。
进一步而言，所述系统还包括：
二阶段图像获取模块，所述二阶段图像获取模块用于将所述异常图像信息作为一阶段图像，对所述一阶段图像进行引导滤波，删除滤波后图像的偶数行和列对图像进行降维，得到二阶段图像；
三阶段图像获取模块，所述三阶段图像获取模块用于对二阶段图像进行引导滤波，再删除滤波后的图像的偶数行和列，得到三阶段图像；
图像升维模块，所述图像升维模块用于分别对三阶段图像、二阶段图像上采样经过高斯滤波，并减去上一阶段图像，得到升维一阶段图像、升维二阶段图像；
图像叠加模块，所述图像叠加模块用于由所述升维二阶段图像至升维一阶段图像进行叠加，得到异常增强图像，并对所述异常增强图像进行降噪处理。
进一步而言，所述系统还包括：
均匀度分析模块，所述均匀度分析模块用于对所述标记位置厚度检测结果在所述打磨均匀度检测信息中均匀度影响关系进行分析，获得均匀度影响值；
均匀度判定模块，所述均匀度判定模块用于判断所述均匀度影响值是否超出预设要求，所述预设要求与所述打磨尺寸要求相匹配；
评估结果确定模块，所述评估结果确定模块用于当超出时，根据所述均匀度影响值确定所述打磨尺寸评估结果。
进一步而言，所述系统还包括：
影响关系分析模块，所述影响关系分析模块用于当未超出时，对标记位置进行钢结构影响关系分析，确定位置标记影响关系；
影响值确定模块，所述影响值确定模块用于根据所述标记位置厚度检测结果、所述位置标记影响关系确定厚度关联影响值；
打磨尺寸评估模块，所述打磨尺寸评估模块用于根据所述厚度关联影响值，确定所述打磨尺寸评估结果。
进一步而言，所述系统还包括：
尺寸确定模块，所述尺寸确定模块用于根据所述打磨尺寸要求，确定尺寸变化位置、尺寸精度要求；
关联影响位置确定模块，所述关联影响位置确定模块用于根据所述尺寸变化位置，确定关联影响位置；
数据库匹配模块，所述数据库匹配模块用于根据所述关联影响位置、所述尺寸精度要求进行标记经验数据库匹配，获得标记点数量及标记点分布信息；
标记点确定模块，所述标记点确定模块用于根据所述标记点数量、标记点分布信息，确定所述检测标记点。
本说明书通过前述对一种钢管打磨质量评估方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种钢管打磨质量评估方法及系统，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种钢管打磨质量评估方法，其特征在于，所述方法应用于质量评估系统，所述系统包括图像采集设备，所述方法包括：
对打磨钢管进行多角度动态旋转采集，获得钢管多角度图像集；
遍历所述钢管多角度图像集，提取异常图像信息；
将所述异常图像信息输入表面质量评估模型，获得表面质量评估结果；
获得打磨尺寸要求；
基于所述打磨尺寸要求确定检测标记点，根据所述检测标记点对打磨钢管进行位置标记；
根据打磨钢管的标记位置通过钢管厚度检测仪对打磨钢管进行检测，利用检测得到的钢管厚度进行打磨均匀度分析，获得打磨均匀度检测信息，所述打磨均匀度检测信息包括标记位置及标记位置厚度检测结果；
根据所述打磨均匀度检测信息、标记位置厚度检测结果进行打磨尺寸质量评估，确定打磨尺寸评估结果；
根据所述表面质量评估结果、所述打磨尺寸评估结果对钢管进行打磨质量评估，获得钢管打磨评估信息。
2.如权利要求1所述的方法，其特征在于，所述对打磨钢管进行多角度动态旋转采集，获得钢管多角度图像集，包括：
获得历史采集参数信息；
通过所述历史采集参数信息进行采集光线、旋转速度分析，确定采集预设参数，所述采集预设参数为采集清晰度最高的采集光线及旋转速度；
基于所述采集预设参数对打磨钢管进行多角度动态旋转采集，获得钢管采集视频；
对所述钢管采集视频进行逐帧图像提取，得到所述钢管多角度图像集。
3.如权利要求1所述的方法，其特征在于，遍历所述钢管多角度图像集，提取异常图像信息，包括：
获得钢管表面标准图像，对所述钢管表面标准图像进行特征提取，确定钢管标准图像特征；
基于所述钢管标准图像特征对所述钢管多角度图像集中所有图像进行特征遍历比对，获得比对结果，基于比对结果对不相符的图像位置进行标记得到异常特征位置标记；
基于所述异常特征位置标记，对所述钢管多角度图像集进行连续图像提取，得到标记前后关联图像；
根据所述标记前后关联图像进行所述异常特征位置标记确定，当所述异常特征位置标记与所述标记前后关联图像存在不同时，确定所述异常特征位置标记对应的钢管图像作为所述异常图像信息。
4.如权利要求1所述的方法，其特征在于，将所述异常图像信息输入表面质量评估模型，获得表面质量评估结果之前，包括：
构建质量评估网络，所述质量评估网络包括表面缺陷识别层、缺陷尺寸标记层、缺陷等级评定层；
获得历史缺陷检测数据库，根据所述历史缺陷检测数据库构建训练集、测试集，所述训练集、测试集包括钢管图像信息、缺陷标记信息及评价结果；
将所述训练集输入表面缺陷识别层，利用钢管图像信息、缺陷标记信息确定表面缺陷识别信息；
将所述表面缺陷识别信息输入缺陷尺寸标记层，基于所述缺陷标记信息对表面缺陷识别信息中的缺陷进行尺寸标记，得到缺陷尺寸信息；
将所述表面缺陷识别信息、所述缺陷尺寸信息输入缺陷等级评定层，基于评价结果的标签与所述表面缺陷识别信息、所述缺陷尺寸信息的对应关系对缺陷等级评定层进行训练，输出缺陷等级评价结果，完成质量评估网络训练，得到所述表面质量评估模型；
通过测试集对所述表面质量评估模型进行测试确定所述表面质量评估模型。
5.如权利要求1所述的方法，其特征在于，将所述异常图像信息输入表面质量评估模型之前，包括对所述异常图像信息进行预处理，其中：
将所述异常图像信息作为一阶段图像，对所述一阶段图像进行引导滤波，删除滤波后图像的偶数行和列对图像进行降维，得到二阶段图像；
对二阶段图像进行引导滤波，再删除滤波后的图像的偶数行和列，得到三阶段图像；
分别对三阶段图像、二阶段图像上采样经过高斯滤波，并减去上一阶段图像，得到升维一阶段图像、升维二阶段图像；
由所述升维二阶段图像至升维一阶段图像进行叠加，得到异常增强图像，并对所述异常增强图像进行降噪处理。
6.如权利要求1所述的方法，其特征在于，根据所述打磨均匀度检测信息、标记位置厚度检测结果进行打磨尺寸质量评估，确定打磨尺寸评估结果，包括：
对所述标记位置厚度检测结果在所述打磨均匀度检测信息中均匀度影响关系进行分析，获得均匀度影响值；
判断所述均匀度影响值是否超出预设要求，所述预设要求与所述打磨尺寸要求相匹配；
当超出时，根据所述均匀度影响值确定所述打磨尺寸评估结果。
7.如权利要求6所述的方法，其特征在于，判断所述均匀度影响值是否超出预设要求之后，包括：
当未超出时，对标记位置进行钢结构影响关系分析，确定位置标记影响关系；
根据所述标记位置厚度检测结果、所述位置标记影响关系确定厚度关联影响值；
根据所述厚度关联影响值，确定所述打磨尺寸评估结果。
8.如权利要求1所述的方法，其特征在于，基于所述打磨尺寸要求确定检测标记点，包括：
根据所述打磨尺寸要求，确定尺寸变化位置、尺寸精度要求；
根据所述尺寸变化位置，确定关联影响位置；
根据所述关联影响位置、所述尺寸精度要求进行标记经验数据库匹配，获得标记点数量及标记点分布信息；
根据所述标记点数量、标记点分布信息，确定所述检测标记点。
9.一种钢管打磨质量评估系统，所述系统包括图像采集设备，所述系统包括：
图像采集模块，所述图像采集模块用于对打磨钢管进行多角度动态旋转采集，获得钢管多角度图像集；
信息提取模块，所述信息提取模块用于遍历所述钢管多角度图像集，提取异常图像信息；
表面质量评估模块，所述表面质量评估模块用于将所述异常图像信息输入表面质量评估模型，获得表面质量评估结果；
尺寸获取模块，所述尺寸获取模块用于获得打磨尺寸要求；
位置标记模块，所述位置标记模块用于基于所述打磨尺寸要求确定检测标记点，根据所述检测标记点对打磨钢管进行位置标记；
均匀度分析模块，所述均匀度分析模块用于根据打磨钢管的标记位置通过钢管厚度检测仪对打磨钢管进行检测，利用检测得到的钢管厚度进行打磨均匀度分析，获得打磨均匀度检测信息，所述打磨均匀度检测信息包括标记位置及标记位置厚度检测结果；
尺寸评估模块，所述尺寸评估模块用于根据所述打磨均匀度检测信息、标记位置厚度检测结果进行打磨尺寸质量评估，确定打磨尺寸评估结果；
质量评估模块，所述质量评估模块用于根据所述表面质量评估结果、所述打磨尺寸评估结果对钢管进行打磨质量评估，获得钢管打磨评估信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210853807.4A CN114943733B (zh) | 2022-07-20 | 2022-07-20 | 一种钢管打磨质量评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210853807.4A CN114943733B (zh) | 2022-07-20 | 2022-07-20 | 一种钢管打磨质量评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114943733A CN114943733A (zh) | 2022-08-26 |
| CN114943733B true CN114943733B (zh) | 2022-11-11 |
Family
ID=82910831
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210853807.4A Active CN114943733B (zh) | 2022-07-20 | 2022-07-20 | 一种钢管打磨质量评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114943733B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115205282B (zh) * | 2022-08-30 | 2022-12-09 | 南通钇龙玻璃制品有限公司 | 一种用于铅酸蓄电池的玻璃纤维隔板均匀性评估方法 |
| CN115431174B (zh) * | 2022-09-05 | 2023-11-21 | 昆山市恒达精密机械工业有限公司 | 一种用于中板研磨控制的方法及系统 |
| CN115331224B (zh) * | 2022-10-17 | 2023-01-31 | 日照福瑞德科技有限公司 | 一种玻璃镜片打磨质量分析优化方法及系统 |
| CN116071348B (zh) * | 2023-03-02 | 2023-06-13 | 深圳市捷牛智能装备有限公司 | 基于视觉检测的工件表面检测方法及相关装置 |
| CN116105604B (zh) * | 2023-04-17 | 2023-06-20 | 中科视语(北京)科技有限公司 | 钢管质量检测系统及检测方法 |
| CN116563273B (zh) * | 2023-06-30 | 2023-10-27 | 张家港广大特材股份有限公司 | 用于钢材缺陷的检测预警方法及系统 |
| CN116630307B (zh) * | 2023-07-20 | 2023-09-19 | 济宁市华祥石墨制品有限公司 | 石墨拖杆打磨质量评估系统、装置及计算机可读存储介质 |
| CN117057679B (zh) * | 2023-10-12 | 2024-01-09 | 山东领峰保温材料有限公司 | 一种基于数据处理的水泥基保温板安装质量管控系统 |
| CN117607591B (zh) * | 2023-11-28 | 2024-05-10 | 浙江中泽电气有限公司 | 一种超级电容的工装设备管理方法及系统 |
| CN118352862A (zh) * | 2024-05-14 | 2024-07-16 | 深圳市硕凌电子科技有限公司 | 一种高可靠性排针排母的制作方法 |
| CN118411783B (zh) * | 2024-07-02 | 2024-10-15 | 北京银信长远科技股份有限公司 | 一种用于金融行业公共服务设备的自动落位检测装置 |
| CN118521587B (zh) * | 2024-07-23 | 2024-09-24 | 成都秦川物联网科技股份有限公司 | 基于工业物联网的钢管生产管控方法、系统、设备及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10156576A (ja) * | 1996-11-27 | 1998-06-16 | Kawasaki Heavy Ind Ltd | 金属部材の両面突合せ溶接部のオフシーム量計測方法及び装置 |
| CN113941919A (zh) * | 2021-10-12 | 2022-01-18 | 慧诚自动化技术(宁波)有限公司 | 用于钢管焊缝自动打磨系统的数据处理及控制方法 |
| CN114722973A (zh) * | 2022-06-07 | 2022-07-08 | 江苏华程工业制管股份有限公司 | 一种钢管热处理的缺陷检测方法及系统 |
-
2022
- 2022-07-20 CN CN202210853807.4A patent/CN114943733B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10156576A (ja) * | 1996-11-27 | 1998-06-16 | Kawasaki Heavy Ind Ltd | 金属部材の両面突合せ溶接部のオフシーム量計測方法及び装置 |
| CN113941919A (zh) * | 2021-10-12 | 2022-01-18 | 慧诚自动化技术(宁波)有限公司 | 用于钢管焊缝自动打磨系统的数据处理及控制方法 |
| CN114722973A (zh) * | 2022-06-07 | 2022-07-08 | 江苏华程工业制管股份有限公司 | 一种钢管热处理的缺陷检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114943733A (zh) | 2022-08-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114943733B (zh) | 一种钢管打磨质量评估方法及系统 | |
| CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
| CN109886939B (zh) | 基于张量投票的桥梁裂缝检测方法 | |
| US10878556B2 (en) | Interactive semi-automated borescope video analysis and damage assessment system and method of use | |
| CN109816645B (zh) | 一种钢卷松卷的自动检测方法 | |
| CN114910480A (zh) | 一种基于机器视觉的晶圆表面缺陷检测方法 | |
| CN114581764B (zh) | 基于深度学习算法的地下结构裂纹病害判别方法 | |
| CN111462056B (zh) | 工件表面缺陷检测方法、装置、设备及存储介质 | |
| CN116758067B (zh) | 基于特征匹配的金属结构件检测方法 | |
| CN107240086A (zh) | 一种基于积分图算法的织物瑕疵检测方法 | |
| Guerra et al. | Standard quantification and measurement of damages through features characterization of surface imperfections on 3D models: an application on Architectural Heritages | |
| CN115272830A (zh) | 一种基于深度学习的受电弓异物检测方法 | |
| CN109767426B (zh) | 一种基于图像特征识别的盾构隧道渗漏水检测方法 | |
| CN116805416A (zh) | 排水管道缺陷识别模型训练方法、排水管道缺陷识别方法 | |
| CN116128873A (zh) | 一种基于图像识别的轴承保持器检测方法、设备及介质 | |
| CN114742832B (zh) | 一种MiniLED薄板的焊接缺陷检测方法 | |
| KR101782366B1 (ko) | 스케일 보정을 통한 표본 정규화가 수행되는 학습기반의 비전검사 방법 | |
| CN115239663A (zh) | 隐形眼镜瑕疵检测方法及系统、电子设备、存储介质 | |
| CN114677331A (zh) | 基于灰度图像和深度数据融合的管材缺陷检测方法及装置 | |
| Schwarzbauer et al. | Automated quality inspection of microfluidic chips using morphologic techniques | |
| CN113222880A (zh) | 分析检测方法 | |
| CN118570206B (zh) | 一种毛细管生产数据监测系统及方法 | |
| CN118537339B (zh) | 一种基于磨砂机的零部件表面质量的评估方法及系统 | |
| CN116563289B (zh) | 一种基于机器视觉的贴标品质检测方法和系统 | |
| CN117474916B (zh) | 一种图像检测方法、电子设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |