CN115063646B - 一种融合几何先验知识的维氏硬度图像测量方法 - Google Patents
一种融合几何先验知识的维氏硬度图像测量方法 Download PDFInfo
- Publication number
- CN115063646B CN115063646B CN202210532695.2A CN202210532695A CN115063646B CN 115063646 B CN115063646 B CN 115063646B CN 202210532695 A CN202210532695 A CN 202210532695A CN 115063646 B CN115063646 B CN 115063646B
- Authority
- CN
- China
- Prior art keywords
- image
- indentation
- vickers hardness
- network
- training
- 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
- 238000000691 measurement method Methods 0.000 title claims abstract description 11
- 238000007373 indentation Methods 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 239000002184 metal Substances 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 25
- 238000005520 cutting process Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 229910003460 diamond Inorganic materials 0.000 claims description 8
- 239000010432 diamond Substances 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 8
- 238000007542 hardness measurement Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 229910052799 carbon Inorganic materials 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 10
- 230000007547 defect Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 21
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000007545 Vickers hardness test Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/40—Investigating hardness or rebound hardness
- G01N3/42—Investigating hardness or rebound hardness by performing impressions under a steady load by indentors, e.g. sphere, pyramid
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/0058—Kind of property studied
- G01N2203/0076—Hardness, compressibility or resistance to crushing
- G01N2203/0078—Hardness, compressibility or resistance to crushing using indentation
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种融合几何先验知识的维氏硬度图像测量方法,所述方法包括通过维氏硬度计在金属试块上压出压痕,并获得其图像,由人工标注压痕四个角点的坐标,形成第一图像数据集。通过所提出的裁剪图像扩充策略与第一图像训练数据集,形成第二图像数据集。通过所述第一图像数据集训练目标粗定位网络获得压痕图像的粗定位。通过所述第二图像数据集训练目标精定位网络获得所述压痕四个角点的精细坐标,同时将压痕的几何先验知识作为目标精定位网络损失函数的正则项,以提高定位精度。本发明旨在解决现有图像测量方法准确性、鲁棒性较低,极易受背景干扰的缺点,实现维氏硬度的全自动、高精度测量。
Description
技术领域
本发明涉及材料力学性能测量领域中的维氏硬度自动测量方法,具体提供一种融合几何先验知识的维氏硬度图像测量方法。
背景技术
维氏硬度作为表征材料力学性能的重要参数,广泛用于现有材料的硬度测试与新型超硬材料的硬度预测研究中。维氏硬度试验方法是利用夹角为136°的正四棱锥金刚石压头在一定负荷作用下压入待测试件,通过测量菱形压痕的对角线长度得到对应的硬度值。目前压痕的测量方式包括人工测量与自动测量两种。人工测量采用目测方法确定压痕的四个交点,得到对角线长度,这种方法由于人工目测易疲倦,存在测量精度不稳定、效率低等缺点。早期的维氏硬度自动测量方法主要基于传统的图像处理方法。如基于图像灰度分割,霍夫变换,主动轮廓模型等,这些方法一方面在测量材质变化时需要复杂的参数调节,另一方面易受到显微组织中存在的夹杂物、裂纹等干扰,因而鲁棒性较低,难以应用。近几年,出现了基于深度学习的维氏硬度测量方法[1-2]的研究。虽然取得了相比于传统方法更好的测量精度,但由于其单纯地利用大量数据进行训练,未利用压痕几何先验知识,因此其识别精度仍有提升空间。
[1] Tanaka Y , Seino Y , Hattori K . Automated Vickers hardnessmeasurement using convolutional neural networks [J]. International Journal ofAdvanced Manufacturing Technology, 2020, 109(3).
[2] Tanaka Y , Seino Y , Hattori K . Vickers hardness measurement byusing convolutional neural network[J]. Journal of Physics: Conference Series,2018, 1065:062001-。
发明内容
鉴于上述方法存在的一些不足,本发明提出了一种融合几何先验知识的维氏硬度图像测量方法,旨在解决现有图像测量方法准确性、鲁棒性较低,极易受背景干扰的缺点,实现维氏硬度的全自动、高精度测量。
本发明技术方案如下:
一种融合几何先验知识的维氏硬度图像测量方法,其特征在于,具体步骤如下:
步骤1). 第一图像数据集的构建
将多种材质的金属试样放置于维氏硬度计中,在每个试样的多个位置施加大小不同的测试载荷,形成大小不同的压痕,每个压痕采集一张图像。对于采集的N张图像,由检测人员对N张图像标注其四个角点的坐标值/>,...,}。根据四个角点的坐标可以求出每个压痕的外接矩形,外接矩形的左上角与右下角坐标为/>,/>],...,/>}。其计算公式如下:
其中,min()与max()分别表示求最小与最大值,ε是一个正整数(ε取值范围优选为5~10),用以保证该外接矩形可以完全覆盖压痕。I与C共同组成第一图像数据集,用以训练目标粗定位网络。
步骤2). 第二图像数据集的构建
为了训练目标精定位网络,需要从原始图像I中裁剪出压痕的局部图像区域。根据步骤1)得到的压痕角点坐标L与裁剪图像扩充策略可以得到更多的局部图像。具体而言:
对于原始图像及其角点坐标/>,裁减其包含全部压痕的子区域,子区域的左上角与右下角坐标由如下公式计算而来:
是一个随机的正整数(20~50之间),用以保证对同一压痕进行多次切割也能获得不同的背景,提高样本的多样性。H是一个固定的正整数,表示切割后的子区域图像大小,H的值取决于压痕在原始图像中所占像素个数,切割后的图像对应的角点坐标则变为:
重复裁剪t次,即可将原始图像数据集扩充t倍。ROI与RL共同组成第二图像数据集,用以训练目标精定位网络。
步骤3). 训练目标粗定位网络
将得到的第一图像数据集随机划分为训练集和测试集,其比例分别为75%和25%。使用训练集训练YOLOV3目标检测网络,I作为目标检测网络的输入,C作为网络的输入。除YOLOV3,任何目标检测网络,如Faster-RCNN、SSD等,均可作为目标粗定位网络使用。当测试集损失函数不再下降,固定YOLOV3网络参数。
步骤4). 训练目标精定位网络
目标精定位网络由特征提取网络,回归层及几何损失函数三部分组成。本发明使用在ImageNet预训练的骨干网络(优选为ResNet, EfficientNet,VGGNet,DenseNet或Xception等网络)中全局池化层之前的部分作为目标精定位网络的特征提取网络。回归层是一个神经元数量为8的全连接层。回归层的输出为输入图像的四个角点的横纵坐标预测值。几何损失函数Loss由主损失函数/>与正则项/>组成。主损失函数为预测值与真实值的L1损失。由于维氏硬度的压痕的对角线长度大致相等,因此正则项的作用是将这一关键的先验知识以损失函数的形式融入网络的训练过程中,达到降低网络学习难度的作用。/>与/>的计算公式如下:
损失函数Loss为与/>的和。其中/>是权重系数。
+/>
将得到的第二图像数据集随机划分为训练集和测试集,其比例分别为75%和25%。使用步骤2)中的训练数据集进行训练,每次输入固定数量的图像后,经前向传播获得损失函数值,利用反向传播算法优化模型各个卷积层中参数。重复上述步骤,直至测试集损失函数值不再下降,模型收敛,目标精定位网络的卷积层参数值固定。
步骤5). 网络应用
将待测试样放置于维氏硬度计中,对试样施加大小为F的载荷,形成菱形压痕,拍摄其图像,输入至目标粗定位网络,得到压痕外接矩形的左上角和右下角坐标,随后切割压痕区域得到包含压痕的感兴趣(Region of Interest)区域ROI,记录ROI的尺寸,w/>,并将图像尺寸调整为h’×w’( h’和w’的取值范围优选为100~500)。将调整尺寸后的图像输入目标精定位网络得到四个交点的精确坐标值/>,随后根据ROI的尺寸反求四个交点在未调整尺寸前的图像坐标。最后,求出对角线长度/>,代入维氏硬度计算公式,即可得出该图像所对应的维氏硬度测量值HV;
。
与现有技术相比,本发明的有益效果为:
本发明通过将压痕的几何先验知识转化为损失函数融入深度学习网络中,降低网络学习难度,加快学习速度,提升模型泛化能力,进而实现高精确性与高鲁棒性的维氏硬度自动测量。
附图说明
图1裁剪图像扩充策略。
图2本发明所述测量方法流程图。
具体实施方式
实施例
如图1、2所示,一种融合几何先验知识的维氏硬度图像测量方法,具体步骤如下:
步骤1). 第一图像数据集的构建
将多种材质的金属试样放置于维氏硬度计中,在每个试样的多个位置施加大小不同的测试载荷,形成大小不同的压痕,每个压痕采集一张图像。对于采集的N张图像,由检测人员对N张图像标注其四个角点的坐标值/>,...,}。根据四个角点的坐标可以求出每个压痕的外接矩形,外接矩形的左上角与右下角坐标为/>,/>],...,/>}。其计算公式如下:
其中,min()与max()分别表示求最小与最大值,是一个正整数,用以保证该外接矩形可以完全覆盖压痕。在本例中/>=10。I与C共同组成第一图像数据集,用以训练目标粗定位网络。
步骤2). 第二图像数据集的构建
为了训练目标精定位网络,需要从原始图像I中裁剪出压痕的局部图像区域。根据步骤1)得到的压痕角点坐标L与裁剪图像扩充策略可以得到更多的局部图像。具体而言:
对于原始图像及其角点坐标/>,裁减其包含全部压痕的子区域,子区域的左上角与右下角坐标由如下公式计算而来:
在本例中,是20~50之间的一个随机的正整数,用以保证对同一压痕进行多次切割也能获得不同的背景,提高样本的多样性。H是一个固定的正整数,表示切割后的子区域图像大小,H的值取决于压痕在原始图像中所占像素个数,在本例中H=384。切割后的图像对应的角点坐标则变为:
重复裁剪t次,即可将原始图像数据集扩充t倍。ROI与RL共同组成第二图像数据集,用以训练目标精定位网络。
步骤3). 训练目标粗定位网络
将得到的第一图像数据集随机划分为训练集和测试集,其比例分别为75%和25%。使用训练集训练YOLOV3目标检测网络,I作为目标检测网络的输入,C作为网络的输入。除YOLOV3,任何目标检测网络,如Faster-RCNN、SSD等,均可作为目标粗定位网络使用。当测试集损失函数不再下降,固定YOLOV3网络参数。
步骤4). 训练目标精定位网络
目标精定位网络由特征提取网络,回归层及几何损失函数三部分组成。本发明使用在ImageNet预训练的ResNet中全局池化层之前的部分作为目标精定位网络的特征提取网络,除ResNet以外,还可以选择EfficientNet,VGGNet,DenseNet,Xception等网络。回归层是一个神经元数量为8的全连接层。回归层的输出为输入图像的四个角点的横纵坐标预测值。几何损失函数Loss由主损失函数/>与正则项/>组成。主损失函数为预测值与真实值的L1损失。由于维氏硬度的压痕的对角线长度大致相等,因此正则项的作用是将这一关键的先验知识以损失函数的形式融入网络的训练过程中,达到降低网络学习难度的作用。/>与/>的计算公式如下:
损失函数Loss为与/>的和。其中/>是权重系数。
+/>
将得到的第二图像数据集随机划分为训练集和测试集,其比例分别为75%和25%。使用步骤2)中的训练数据集进行训练,每次输入固定数量的图像后,经前向传播获得损失函数值,利用反向传播算法优化模型各个卷积层中参数。重复上述步骤,直至测试集损失函数值不再下降,模型收敛,目标精定位网络的卷积层参数值固定。
步骤5). 网络应用
将待测试样放置于维氏硬度计中,对试样施加大小为F的载荷,形成菱形压痕,拍摄其图像,输入至目标粗定位网络,得到压痕外接矩形的左上角和右下角坐标,随后切割压痕区域得到包含压痕的感兴趣区域ROI,记录ROI的尺寸/>,w/>,并将图像尺寸调整为h’×w’ (384×384)。将调整尺寸后的图像输入目标精定位网络得到四个交点的精确坐标值/>,随后根据ROI的尺寸反求四个交点在未调整尺寸前的图像坐标/>。最后,求出对角线长度/>,代入维氏硬度计算公式,即可得出该图像所对应的维氏硬度测量值HV;
。
本发明未尽事宜为公知技术。
上述实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种融合几何先验知识的维氏硬度图像测量方法,其特征在于,具体步骤如下:
步骤1). 第一图像数据集的构建
将多种材质的金属试样放置于维氏硬度计中,在每个试样的多个位置施加大小不同的测试载荷,形成大小不同的压痕,每个压痕采集一张图像;对于采集的N张图像,对N张图像标注其四个角点的坐标值/>,...,/>};根据四个角点的坐标求出每个压痕的外接矩形,外接矩形的左上角与右下角坐标为,/>],...,/>};其计算公式如下:
其中,min()与max()分别表示求最小值与最大值,ε是一个正整数,用以保证该外接矩形可以完全覆盖压痕;I与C共同组成第一图像数据集,用以训练目标粗定位网络;
步骤2). 第二图像数据集的构建
从原始图像I中裁剪出压痕的局部图像区域;根据步骤1)得到的压痕角点坐标L与裁剪图像扩充策略得到更多的局部图像,具体为:
对于原始图像及其角点坐标/>,裁减其包含全部压痕的子区域,子区域的左上角与右下角坐标由如下公式计算而来:
是一个随机的正整数;H是一个固定的正整数,表示切割后的子区域图像大小,H值取决于压痕在原始图像中所占像素个数,切割后的图像对应的角点坐标变为:
重复裁剪t次,即可将原始图像数据集扩充t倍;ROI与RL共同组成第二图像数据集,用以训练目标精定位网络;
步骤3). 训练目标粗定位网络
将得到的第一图像数据集随机划分为训练集和测试集,其比例分别为75%和25%;使用训练集训练目标检测网络,I作为目标检测网络的输入,C作为网络的输入;当测试集损失函数不再下降,固定目标检测网络参数;
步骤4). 训练目标精定位网络
目标精定位网络由特征提取网络,回归层及几何损失函数三部分组成;使用在ImageNet预训练的骨干网络中全局池化层之前的部分作为目标精定位网络的特征提取网络,回归层是一个神经元数量为8的全连接层;回归层的输出为输入图像的四个角点的横纵坐标预测值;几何损失函数Loss由主损失函数/>与正则项/>组成;主损失函数为预测值与真实值的L1损失;/>与/>的计算公式如下:
损失函数Loss为与/>的和;其中/>是权重系数;
+/>
将得到的第二图像数据集随机划分为训练集和测试集,其比例分别为75%和25%;使用步骤2)中的训练数据集进行训练,每次输入固定数量的图像后,经前向传播获得损失函数值,利用反向传播算法优化模型各个卷积层中参数;重复上述步骤,直至测试集损失函数值不再下降,模型收敛,目标精定位网络的卷积层参数值固定;
步骤5). 网络应用
将待测试样放置于维氏硬度计中,对试样施加大小为F的载荷,形成菱形压痕,拍摄其图像,输入至目标粗定位网络,得到压痕外接矩形的左上角和右下角坐标,随后切割压痕区域得到包含压痕的感兴趣区域ROI,记录ROI的尺寸/>,w/>,并将图像尺寸调整为h’×w’;将调整尺寸后的图像输入目标精定位网络得到四个交点的精确坐标值,随后根据ROI的尺寸反求四个交点在未调整尺寸前的图像坐标/>;最后,求出对角线长度/>,代入维氏硬度计算公式,即可得出该图像所对应的维氏硬度测量值HV;
。
2.按照权利要求1所述融合几何先验知识的维氏硬度图像测量方法,其特征在于:步骤1)中,ε取值范围是5~10。
3.按照权利要求1所述融合几何先验知识的维氏硬度图像测量方法,其特征在于:步骤2)中,是20~50之间的一个随机的正整数。
4.按照权利要求1所述融合几何先验知识的维氏硬度图像测量方法,其特征在于:步骤3)中,所述目标检测网络为YOLOV3、Faster-RCNN、SSD。
5.按照权利要求1所述融合几何先验知识的维氏硬度图像测量方法,其特征在于:步骤4)中,所述骨干网络为ResNet,EfficientNet,VGGNet,DenseNet或Xception。
6.按照权利要求1所述融合几何先验知识的维氏硬度图像测量方法,其特征在于:步骤5)中,h’和w’的取值范围为100~500。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210532695.2A CN115063646B (zh) | 2022-05-13 | 2022-05-13 | 一种融合几何先验知识的维氏硬度图像测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210532695.2A CN115063646B (zh) | 2022-05-13 | 2022-05-13 | 一种融合几何先验知识的维氏硬度图像测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115063646A CN115063646A (zh) | 2022-09-16 |
CN115063646B true CN115063646B (zh) | 2024-04-19 |
Family
ID=83199115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210532695.2A Active CN115063646B (zh) | 2022-05-13 | 2022-05-13 | 一种融合几何先验知识的维氏硬度图像测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115063646B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020130513A1 (ko) * | 2018-12-18 | 2020-06-25 | 주식회사 포스코 | 딥 러닝 기반의 금속 미세조직 이미지를 이용한 소재 물성 예측 시스템 및 방법 |
CN112991287A (zh) * | 2021-03-08 | 2021-06-18 | 湘潭大学 | 一种基于全卷积神经网络的自动压痕测量方法 |
CN114119524A (zh) * | 2021-11-17 | 2022-03-01 | 中国农业大学 | 一种改进Faster R-CNN的热轧钢带缺陷检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014190890A (ja) * | 2013-03-28 | 2014-10-06 | Mitsutoyo Corp | 硬さ試験機、及び硬さ試験方法 |
JP6560937B2 (ja) * | 2015-09-10 | 2019-08-14 | 株式会社ミツトヨ | 硬さ試験機及び硬さ試験方法 |
-
2022
- 2022-05-13 CN CN202210532695.2A patent/CN115063646B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020130513A1 (ko) * | 2018-12-18 | 2020-06-25 | 주식회사 포스코 | 딥 러닝 기반의 금속 미세조직 이미지를 이용한 소재 물성 예측 시스템 및 방법 |
CN112991287A (zh) * | 2021-03-08 | 2021-06-18 | 湘潭大学 | 一种基于全卷积神经网络的自动压痕测量方法 |
CN114119524A (zh) * | 2021-11-17 | 2022-03-01 | 中国农业大学 | 一种改进Faster R-CNN的热轧钢带缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115063646A (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027547B (zh) | 一种针对二维图像中的多尺度多形态目标的自动检测方法 | |
CN109934826B (zh) | 一种基于图卷积网络的图像特征分割方法 | |
CN111062915B (zh) | 一种基于改进YOLOv3模型的实时钢管缺陷检测方法 | |
CN108629775B (zh) | 一种热态高速线材表面图像处理方法 | |
CN109145830B (zh) | 一种智能水尺识别方法 | |
CN110322453B (zh) | 基于位置注意力和辅助网络的3d点云语义分割方法 | |
CN109580630B (zh) | 一种机械零部件缺陷的视觉检测方法 | |
CN111814867A (zh) | 缺陷检测模型的训练方法、缺陷检测方法及相关装置 | |
CN108364280A (zh) | 结构裂缝自动化描绘及宽度精准测量方法与设备 | |
CN110853015A (zh) | 基于改进Faster-RCNN的铝型材缺陷检测方法 | |
CN114820773B (zh) | 基于计算机视觉的筒仓运输车辆车厢位置检测方法 | |
CN107230203A (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
CN111738114B (zh) | 基于无锚点精确采样遥感图像车辆目标检测方法 | |
CN111127417B (zh) | 一种基于sift特征匹配和改进ssd算法的印刷缺陷检测方法 | |
CN107622276B (zh) | 一种基于机器人仿真与物理采样结合的深度学习训练方法 | |
CN111986170A (zh) | 一种基于深度神经网络Mask R-CNN的缺陷检测算法 | |
CN114910480A (zh) | 一种基于机器视觉的晶圆表面缺陷检测方法 | |
CN109584206B (zh) | 零件表面瑕疵检测中神经网络的训练样本的合成方法 | |
CN111368825A (zh) | 一种基于语义分割的指针定位方法 | |
CN103940708A (zh) | 一种钢材全形态晶粒的快速测量、精细分类方法 | |
CN116883393B (zh) | 一种基于无锚框目标检测算法的金属表面缺陷检测方法 | |
CN111724358A (zh) | 基于图像和卷积神经网络的混凝土质量检测方法及系统 | |
CN111915603A (zh) | 一种含噪声ebsd数据中无噪声相图的人工智能预测方法 | |
CN117291913B (zh) | 一种水工混凝土结构表观裂缝测量方法 | |
CN114841992A (zh) | 基于循环生成对抗网络和结构相似性的缺陷检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |