CN115471674B - 基于图像处理的新能源车二氧化碳管的性能监测系统 - Google Patents
基于图像处理的新能源车二氧化碳管的性能监测系统 Download PDFInfo
- Publication number
- CN115471674B CN115471674B CN202211141113.4A CN202211141113A CN115471674B CN 115471674 B CN115471674 B CN 115471674B CN 202211141113 A CN202211141113 A CN 202211141113A CN 115471674 B CN115471674 B CN 115471674B
- Authority
- CN
- China
- Prior art keywords
- welding
- feature
- region
- interest
- carbon dioxide
- 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
Images
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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及图像智能处理的领域,其具体地公开了一种基于图像处理的新能源车二氧化碳管的性能监测系统,其通过利用深度学习技术的卷积神经网络模型来对多个视角下的二氧化碳管的图像进行局部高维的隐含特征提取,并利用柯西归一化校正以及基于数据密集的对于分类目标函数的参数自适应性的修正来提升各个校正后焊接感兴趣区域特征图对于分类目标函数的参数自适应性,进一步利用了聚类的方法来对不同视角下的焊接区域的高维特征分布的一致性进行评估,以准确地对于所述二氧化碳管的焊接质量进行分类判断,这样,确保唯有满足焊接质量要求的二氧化碳才能够被被应用于CO2制冷系统。
Description
技术领域
本发明涉及图像智能处理的领域,且更为具体地,涉及一种基于图像处理的新能源车二氧化碳管的性能监测系统。
背景技术
由于ODP(消耗臭氧潜能值)和GWP(全球变暖潜能值)对大气环境造成影响的原因,淘汰氯氟烃类(CFCs)以及氢氯氟烃类(HCFCs)化合物的使用已成为全球共识。
考虑到NH3(R717)和丙烷(R290)等天然工质的安全性,CO2以其良好的传热传质性能与单位制冷量,被广泛的应用在现代制冷系统中。但是,CO2制冷系统中管道的特殊要求,如果二氧化碳管在成型质量或安装工艺上无法满足要求,会导致CO2制冷系统无法在设定工况下正常、安全的运行。
现有的CO2制冷系统常以304L流体输送用无缝钢管作为二氧化碳输送管材。对于无缝钢管而言,焊接质量是非常重要的成型参数,如果没有对二氧化碳管的焊接成型质量进行监测可能会导致后续CO2制冷系统的工作性能不稳定或易产生故障。因此,需要对二氧化碳管的焊接成型质量进行检测与判断。在现有的技术中,通常以无损检测技术对无缝钢管的焊接质量进行探测,包括射线检测等,但上述无损探测手段需在实验室才能进行且会带来一定的射线安全威胁。
因此,期待一种优化的更为便捷的用于二氧化碳管的焊接质量监测方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于图像处理的新能源车二氧化碳管的性能监测系统及其监控方法,其通过利用深度学习技术的卷积神经网络模型来对多个视角下的二氧化碳管的图像进行局部高维的隐含特征提取,并利用柯西归一化校正以及基于数据密集的对于分类目标函数的参数自适应性的修正来提升各个校正后焊接感兴趣区域特征图对于分类目标函数的参数自适应性,进一步利用了聚类的方法来对不同视角下的焊接区域的高维特征分布的一致性进行评估,以准确地对于所述二氧化碳管的焊接质量进行分类判断,这样,确保唯有满足焊接质量要求的二氧化碳才能够被被应用于CO2制冷系统。
根据本申请的一个方面,提供了一种基于图像处理的新能源车二氧化碳管的性能监测系统,其包括:
图像采集模型,用于获取由相机从多个拍摄角度采集的焊接成型的二氧化碳管的多个视角图像;
特征提取模块,用于将所述多个视角图像通过作为特征提取器的第一卷积神经网络以得到管道特征图;
感兴趣区域提取模块,用于基于焊接区域在所述多个视角图像中的位置,从所述管道特征图提取对应于所述焊接区域的感兴趣区域以得到多个焊接感兴趣区域特征图;
第一特征分布校正模块,用于对所述多个焊接感兴趣区域特征图中各个焊接感兴趣区域特征图进行基于所述管道特征图的全局特征分布的特征值校正以得到多个校正后焊接感兴趣区域特征图;
第二特征分布校正模块,用于对所述多个校正后焊接感兴趣区域特征图中各个校正后焊接感兴趣区域特征图进行基于数据密集度对于分类目标函数的参数自适应性修正以得到多个再校正焊接感兴趣区域特征图;
聚类模块,用于对所述多个再校正焊接感兴趣区域特征图进行聚类以得到聚类中心;
相似度评估模块,用于分别计算所述多个再校正焊接感兴趣区域特征图中各个再校正焊接感兴趣区域特征图与所述聚类中心之间的距离以得到分类特征向量;以及
焊接性能评估模块,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示焊接成型的二氧化碳管的焊接质量是否满足预设要求。
与现有技术相比,本申请提供的基于图像处理的新能源车二氧化碳管的性能监测系统及其监控方法,其通过利用深度学习技术的卷积神经网络模型来对多个视角下的二氧化碳管的图像进行局部高维的隐含特征提取,并利用柯西归一化校正以及基于数据密集的对于分类目标函数的参数自适应性的修正来提升各个校正后焊接感兴趣区域特征图对于分类目标函数的参数自适应性,进而提高分类的准确性,同时,还利用了聚类的方法来对不同视角下的焊接区域的高维特征分布的一致性进行评估,以更准确地对于所述二氧化碳管的焊接质量进行监测判断,进而保证CO2制冷系统的正常安全运行。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于图像处理的新能源车二氧化碳管的性能监测系统的应用场景图。
图2为根据本申请实施例的基于图像处理的新能源车二氧化碳管的性能监测系统的框图。
图3为根据本申请实施例的基于图像处理的新能源车二氧化碳管的性能监测系统中第一特征分布校正模块的框图。
图4为根据本申请实施例的基于图像处理的新能源车二氧化碳管的性能监测系统中第二特征分布校正模块的框图。
图5为根据本申请实施例的基于图像处理的新能源车二氧化碳管的性能监测系统的监控方法的流程图。
图6为根据本申请实施例的基于图像处理的新能源车二氧化碳管的性能监测系统的监控方法的架构示意图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如前所述,由于ODP(消耗臭氧潜能值)和GWP(全球变暖潜能值)是对大气环境造成影响的原因,淘汰氯氟烃类(CFCs)以及氢氯氟烃类(HCFCs)化合物的使用已成为全球共识。
考虑到NH3(R717)和丙烷(R290)等天然工质的安全性,CO2以其良好的传热传质性能与单位制冷量,被广泛的应用在现代制冷系统中。但是,CO2制冷系统中管道的特殊要求,如果二氧化碳管在成型质量或安装工艺上无法满足要求,会导致CO2制冷系统无法在设定工况下正常、安全的运行。
现有的CO2制冷系统常以304L流体输送用无缝钢管作为二氧化碳输送管材。对于无缝钢管而言,焊接质量是非常重要的成型参数。在现有的技术中,以无损检测技术对无缝钢管的焊接质量进行探测,包括射线检测等,但上述无损探测手段需在实验室才能进行且会带来一定的射线安全威胁。
因此,期待一种优化的更为便捷的用于二氧化碳管的焊接质量监测方案。
目前,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为二氧化碳管的焊接质量监测提供了新的解决思路和方案。
相应地,由于现有的新能源汽车的制冷系统通常采用CO2制冷系统,而由于CO2制冷系统中对于管道的特殊要求,使得二氧化碳管在成型质量或安装工艺上必须满足应有的要求,以保证CO2制冷系统能够在设定的工况下正常、安全的运行,但是现有的CO2制冷系统常以304L流体输送用无缝钢管作为二氧化碳输送管材,而对于无缝钢管而言,焊接质量是决定二氧化碳管性能的重要因素。因此,对于新能源车二氧化碳管的性能监测,也就是,对于二氧化碳管的焊接质量监测是保证CO2制冷系统正常安全运行的关键所在。
应可以理解,考虑到对于二氧化碳管的焊接质量监测可以通过焊接成型的二氧化碳管的图像特征来进行,因此,本申请发明人通过基于所述二氧化碳管的整个外周面的多个焊接区域的图像特征分布信息来评估各个视角下焊接区域的高维特征分布的一致性以对所述二氧化碳管的焊接的质量进行判断。也就是说,这可以理解为有经验的检测人员来对所述二氧化碳管的焊接质量进行检测判断时,会从所述二氧化碳管的整个外周面出发,在本申请中采用多个视角的图像,当存在焊接质量不过关时,会表现出所述焊接区域的图像特征异常,或者说,如果焊接的质量不满足要求时,会表现为所述各个视角的焊接区域的高维特征分布之间的一致性不满足预设要求。
具体地,在本申请的技术方案中,首先,使用相机从多个拍摄角度采集焊接成型的二氧化碳管的多个视角图像。相应地,在一个具体示例中,所述多个拍摄角度分别为0°,90°,180°和270°。然后,将所述多个视角图像通过作为特征提取器的第一卷积神经网络中进行处理,以提取出所述多个视角图像中的局部高维隐含特征分布信息,从而得到管道特征图。
考虑到在所述焊接成型的二氧化碳管的多个视角图像的高维特征空间中,为了提高对于所述二氧化碳管焊接质量判断的准确性,应该更加关注于所述图像中的焊接区域,因此,在本申请的技术方案中,利用高维特征空间中的感兴趣区域,也就是,具体地,基于焊接区域在所述多个视角图像中的位置,从所述管道特征图提取对应于所述焊接区域的感兴趣区域以得到多个焊接感兴趣区域特征图。
应可以理解,由于在利用所述感兴趣区域对所述管道特征图进行局部特征提取时,考虑到所述焊接区域的局部高维特征与所述二氧化碳管的整体特征具有关联性,因此为了加强这种关联性的特征信息来进行分类,就需要进一步对所述多个焊接感兴趣区域特征图中各个焊接感兴趣区域特征图进行柯西归一化的全局校正,以得到多个校正后焊接感兴趣区域特征图。这样,所获得的所述多个校正后焊接感兴趣区域特征图中的各个校正后焊接感兴趣区域特征图都含有焊接区域相对于整体管道的关联特征信息。在一个具体示例中,对所述多个焊接感兴趣区域特征图中各个焊接感兴趣区域特征图进行柯西归一化的全局校正的公式为:
但是,在进行柯西归一化校正以获得多个校正后焊接感兴趣区域特征图时,是针对特征图的逐点位置的整体特征分布进行校正,而为了提升多个校正后焊接感兴趣区域特征图在分类问题上的适应性,进一步在聚类前进行基于数据密集的对于分类目标函数的参数自适应性的修正,修正系数表示为:
其中Fi是第i个校正后焊接感兴趣区域特征图,Fj是管道特征图,⊙表示点乘,softmax(·)表示特征图通过分类器得到的概率值,d(·,·)表示特征图之间的距离,exp(·)表示特征图的指数运算,所述特征图的指数运算表示计算以特征图中各个位置的特征值为幂的自然指数函数值,特征图除以参数表示以特征图中各个位置的特征值分别除以参数。
该基于数据密集自适应依赖通过使能特征图的参考窗与特征图整体的的空间交互,并通过数据相异性的度量来计算数据密集对象实例之间的相似度,来确定数据密集簇对于整体分布的自适应依赖,这样,当以该系数对于多个校正后焊接感兴趣区域特征图加权时,就提升各个校正后焊接感兴趣区域特征图对于分类目标函数的参数自适应性,进而提高分类的准确性。
应可以理解,由于所述多个视角图像在高维特征空间中对应着不同的图像局部隐含特征信息,如果想要准确地对于所述二氧化碳管的焊接质量进行判断,就需要对这些校正后的在多个视角下的焊接区域图像在高维特征空间分布中的一致性是否满足预设要求进行判断。也就是,具体地,为了获得一个评估标准,进一步对所述多个再校正焊接感兴趣区域特征图进行聚类以得到聚类中心,在一个具体示例中,可以计算所述多个再校正焊接感兴趣区域特征图的按位置均值特征图作为所述聚类中心。然后,分别计算所述多个再校正焊接感兴趣区域特征图中各个再校正焊接感兴趣区域特征图与所述聚类中心之间的距离,例如余弦距离以得到分类特征向量。这样,可以评估出所述各个再校正焊接感兴趣区域特征图与该评估标准之间的相似性,进而对于所述各个视角下焊接区域的高维特征分布的一致性进行评估以对所述二氧化碳管的焊接的质量进行判断。
这样,就可以将所述分类特征向量通过分类器以得到用于表示焊接成型的二氧化碳管的焊接质量是否满足预设要求的分类结果。
基于此,本申请提出了一种基于图像处理的新能源车二氧化碳管的性能监测系统,其包括:图像采集模型,用于获取由相机从多个拍摄角度采集的焊接成型的二氧化碳管的多个视角图像;特征提取模块,用于将所述多个视角图像通过作为特征提取器的第一卷积神经网络以得到管道特征图;感兴趣区域提取模块,用于基于焊接区域在所述多个视角图像中的位置,从所述管道特征图提取对应于所述焊接区域的感兴趣区域以得到多个焊接感兴趣区域特征图;第一特征分布校正模块,用于对所述多个焊接感兴趣区域特征图中各个焊接感兴趣区域特征图进行基于所述管道特征图的全局特征分布的特征值校正以得到多个校正后焊接感兴趣区域特征图;第二特征分布校正模块,用于对所述多个校正后焊接感兴趣区域特征图中各个校正后焊接感兴趣区域特征图进行基于数据密集度对于分类目标函数的参数自适应性修正以得到多个再校正焊接感兴趣区域特征图;聚类模块,用于对所述多个再校正焊接感兴趣区域特征图进行聚类以得到聚类中心;相似度评估模块,用于分别计算所述多个再校正焊接感兴趣区域特征图中各个再校正焊接感兴趣区域特征图与所述聚类中心之间的距离以得到分类特征向量;以及,焊接性能评估模块,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示焊接成型的二氧化碳管的焊接质量是否满足预设要求。
图1图示了根据本申请实施例的基于图像处理的新能源车二氧化碳管的性能监测系统的应用场景图。如图1所示,在该应用场景中,首先,通过相机(例如,如图1中所示意的C)从多个拍摄角度采集焊接成型的二氧化碳管(例如,如图1中所示意的T)的多个视角图像,例如,所述多个角度分别为0°,90°,180°和270°。然后,将获得的所述二氧化碳管的多个视角图像输入至部署有基于图像处理的新能源车二氧化碳管的性能监测算法的服务器中(例如,如图1中所示意的云服务器S),其中,所述服务器能够以基于图像处理的新能源车二氧化碳管的性能监测算法对所述二氧化碳管的多个视角图像进行处理,以生成用于表示焊接成型的二氧化碳管的焊接质量是否满足预设要求的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图2图示了根据本申请实施例的基于图像处理的新能源车二氧化碳管的性能监测系统的框图。如图2所示,根据本申请实施例的基于图像处理的新能源车二氧化碳管的性能监测系统200,包括:图像采集模型210,用于获取由相机从多个拍摄角度采集的焊接成型的二氧化碳管的多个视角图像;特征提取模块220,用于将所述多个视角图像通过作为特征提取器的第一卷积神经网络以得到管道特征图;感兴趣区域提取模块230,用于基于焊接区域在所述多个视角图像中的位置,从所述管道特征图提取对应于所述焊接区域的感兴趣区域以得到多个焊接感兴趣区域特征图;第一特征分布校正模块240,用于对所述多个焊接感兴趣区域特征图中各个焊接感兴趣区域特征图进行基于所述管道特征图的全局特征分布的特征值校正以得到多个校正后焊接感兴趣区域特征图;第二特征分布校正模块250,用于对所述多个校正后焊接感兴趣区域特征图中各个校正后焊接感兴趣区域特征图进行基于数据密集度对于分类目标函数的参数自适应性修正以得到多个再校正焊接感兴趣区域特征图;聚类模块260,用于对所述多个再校正焊接感兴趣区域特征图进行聚类以得到聚类中心;相似度评估模块270,用于分别计算所述多个再校正焊接感兴趣区域特征图中各个再校正焊接感兴趣区域特征图与所述聚类中心之间的距离以得到分类特征向量;以及,焊接性能评估模块280,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示焊接成型的二氧化碳管的焊接质量是否满足预设要求。
具体地,在本申请实施例中,所述图像采集模型210和所述特征提取模块220,用于获取由相机从多个拍摄角度采集的焊接成型的二氧化碳管的多个视角图像,并将所述多个视角图像通过作为特征提取器的第一卷积神经网络以得到管道特征图。如前所述,应可以理解,由于现有的新能源汽车的制冷系统通常采用CO2制冷系统,根据CO2制冷系统中管道的特殊要求,若二氧化碳管在成型质量或安装工艺上无法满足要求,则会导致所述CO2制冷系统无法在设定工况下正常、安全的运行,而现有的所述CO2制冷系统常以304L流体输送用无缝钢管作为二氧化碳输送管材,对于无缝钢管而言,焊接质量是非常重要的成型参数。因此,需要对于所述二氧化碳管的焊接质量进行监测以保证所述CO2制冷系统的正常安全运行。
也就是,应可以理解,考虑到对于二氧化碳管的焊接质量监测可以通过焊接成型的二氧化碳管的图像特征来进行,因此,在本申请的技术方案中,通过基于所述二氧化碳管的整个外周面的多个图像特征分布信息来评估各个视角下焊接区域的高维特征分布的一致性以对所述二氧化碳管的焊接的质量进行判断。也就是说,这可以理解为有经验的检测人员来对所述二氧化碳管的焊接质量进行检测判断时,会从所述二氧化碳管的整个外周面出发,在本申请的技术方案中,采用多个视角的图像,当存在焊接质量不过关时,会表现出所述焊接区域的图像特征异常,或者说,如果焊接的质量不满足要求时,会表现为所述各个视角的焊接区域的高维特征分布之间的一致性也不满足预设要求。
具体地,在本申请的技术方案中,首先,使用相机从多个拍摄角度采集焊接成型的二氧化碳管的多个视角图像。相应地,在一个具体示例中,所述多个拍摄角度分别为0°,90°,180°和270°。然后,将所述多个视角图像通过作为特征提取器的第一卷积神经网络中进行处理,以提取出所述多个视角图像中的局部高维隐含特征分布信息,从而得到管道特征图。
更具体地,在本申请实施例中,所述特征提取模块,包括:图像拼接单元,用于将所述多个视角图像拼接为全景图像;显式空间编码单元,用于使用所述作为特征提取器的第一卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述作为特征提取器的第一卷积神经网络的最后一层输出所述管道特征图,其中,所述作为特征提取器的第一卷积神经网络的第一层的输入为所述全景图像。
具体地,在本申请实施例中,所述感兴趣区域提取模块230,用于基于焊接区域在所述多个视角图像中的位置,从所述管道特征图提取对应于所述焊接区域的感兴趣区域以得到多个焊接感兴趣区域特征图。应可以理解,考虑到在所述焊接成型的二氧化碳管的多个视角图像的高维特征空间中,为了提高对于所述二氧化碳管焊接质量判断的准确性,应该更加关注于所述图像中的焊接区域,因此,在本申请的技术方案中,利用高维特征空间中的感兴趣区域,也就是,具体地,基于焊接区域在所述多个视角图像中的位置,从所述管道特征图提取对应于所述焊接区域的感兴趣区域以得到多个焊接感兴趣区域特征图。
具体地,在本申请实施例中,所述第一特征分布校正模块240,用于对所述多个焊接感兴趣区域特征图中各个焊接感兴趣区域特征图进行基于所述管道特征图的全局特征分布的特征值校正以得到多个校正后焊接感兴趣区域特征图。应可以理解,由于在利用所述感兴趣区域对所述管道特征图进行局部特征提取时,考虑到所述焊接区域的局部高维特征与所述二氧化碳管的整体特征具有关联性,因此为了加强这种关联性的特征信息来进行分类,在本申请的技术方案中,需要进一步对所述多个焊接感兴趣区域特征图中各个焊接感兴趣区域特征图进行柯西归一化的全局校正,以得到多个校正后焊接感兴趣区域特征图。这样,所获得的所述多个校正后焊接感兴趣区域特征图中的各个校正后焊接感兴趣区域特征图都含有焊接区域相对于整体管道的关联特征信息。
更具体地,在本申请实施例中,所述第一特征分布校正模块,包括:首先,计算所述多个焊接感兴趣区域特征图中各个焊接感兴趣区域特征图中各个位置的特征值与一的加和值的对数函数值作为所述焊接感兴趣区域特征图中各个位置的像素级信息表示值。接着,计算所述管道特征图中所有位置的特征值的求和值与一的加和值的对数函数值作为所述管道特征图的全局信息表示值。然后,以所述多个焊接感兴趣区域特征图中各个焊接感兴趣区域特征图中各个位置的像素级信息表示值分别除以所述管道特征图的全局信息表示值以得到所述多个校正后焊接感兴趣区域特征图。也就是,在一个具体示例中,对所述多个焊接感兴趣区域特征图中各个焊接感兴趣区域特征图进行柯西归一化的全局校正的公式为:
图3图示了根据本申请实施例的基于图像处理的新能源车二氧化碳管的性能监测系统中第一特征分布校正模块的框图。如图3所示,所述第一特征分布校正模块240,包括:像素级信息表示单元241,用于计算所述多个焊接感兴趣区域特征图中各个焊接感兴趣区域特征图中各个位置的特征值与一的加和值的对数函数值作为所述焊接感兴趣区域特征图中各个位置的像素级信息表示值;管道全局表示单元242,用于计算所述管道特征图中所有位置的特征值的求和值与一的加和值的对数函数值作为所述管道特征图的全局信息表示值;第一校正单元243,用于以所述多个焊接感兴趣区域特征图中各个焊接感兴趣区域特征图中各个位置的像素级信息表示值分别除以所述管道特征图的全局信息表示值以得到所述多个校正后焊接感兴趣区域特征图。
具体地,在本申请实施例中,所述第二特征分布校正模块250,用于对所述多个校正后焊接感兴趣区域特征图中各个校正后焊接感兴趣区域特征图进行基于数据密集度对于分类目标函数的参数自适应性修正以得到多个再校正焊接感兴趣区域特征图。应可以理解,在进行柯西归一化校正以获得所述多个校正后焊接感兴趣区域特征图时,是针对特征图的逐点位置的整体特征分布进行校正,而为了提升所述多个校正后焊接感兴趣区域特征图在分类问题上的适应性,进一步在聚类前进行基于数据密集的对于分类目标函数的参数自适应性的修正。应可以理解,基于数据密集自适应依赖通过使能特征图的参考窗与特征图整体的的空间交互,并通过数据相异性的度量来计算数据密集对象实例之间的相似度,来确定数据密集簇对于整体分布的自适应依赖,这样,当以该系数对于所述多个校正后焊接感兴趣区域特征图加权时,就提升所述各个校正后焊接感兴趣区域特征图对于分类目标函数的参数自适应性,进而提高分类的准确性。
更具体地,在本申请实施例中,所述第二特征分布校正模块,包括:首先,计算所述多个校正后焊接感兴趣区域特征图中各个校正后焊接感兴趣区域特征图与所述管道特征图之间的按位置点乘以得到空间交互特征图。相应地,在一个具体示例中,通过线性变换调整所述多个校正后焊接感兴趣区域特征图中各个校正后焊接感兴趣区域特征图的尺寸以使得所述多个校正后焊接感兴趣区域特征图中各个校正后焊接感兴趣区域特征图的尺寸等于所述管道特征图的尺寸。接着,计算所述多个校正后焊接感兴趣区域特征图中对应的校正后焊接感兴趣区域特征图与所述管道特征图之间的度量距离。在一个具体示例中,所述度量距离为所述多个校正后焊接感兴趣区域特征图中对应的校正后焊接感兴趣区域特征图与所述管道特征图之间的欧式距离的开根号值。然后,以所述空间交互特征图中各个位置的特征值分别除以所述度量距离以得到度量特征图。接着,计算以所述度量特征图中各个位置的特征值为幂的自然指数函数值以得到指数度量特征图。然后,将所述指数度量特征图通过所述分类器以得到第一类概率指数。接着,将所述多个校正后焊接感兴趣区域特征图中对应的校正后焊接感兴趣区域特征图通过所述分类器以得到第二类概率指数。然后,基于所述第一类概率指数和所述第二类概率指数生成校正权重值。最后,以所述校正权重值对所述多个校正后焊接感兴趣区域特征图中对应的校正后焊接感兴趣区域特征图进行加权以得到所述再校正焊接感兴趣区域特征图。也就是,在本申请实施例中,所述修正系数的公式为:
其中Fi是第i个校正后焊接感兴趣区域特征图,Fj是管道特征图,⊙表示点乘,softmax(·)表示特征图通过分类器得到的概率值,d(·,·)表示特征图之间的距离,exp(·)表示特征图的指数运算,所述特征图的指数运算表示计算以特征图中各个位置的特征值为幂的自然指数函数值,特征图除以参数表示以特征图中各个位置的特征值分别除以参数。
图4图示了根据本申请实施例的基于图像处理的新能源车二氧化碳管的性能监测系统中第二特征分布校正模块的框图。如图4所示,所述第二特征分布校正模块250,包括:空间交互单元251,用于计算所述多个校正后焊接感兴趣区域特征图中各个校正后焊接感兴趣区域特征图与所述管道特征图之间的按位置点乘以得到空间交互特征图;特征图差异度量单元252,用于计算所述多个校正后焊接感兴趣区域特征图中对应的校正后焊接感兴趣区域特征图与所述管道特征图之间的度量距离;作用单元253,用于以所述空间交互特征图中各个位置的特征值分别除以所述度量距离以得到度量特征图;指数运算单元254,用于计算以所述度量特征图中各个位置的特征值为幂的自然指数函数值以得到指数度量特征图;第一预分类单元255,用于将所述指数度量特征图通过所述分类器以得到第一类概率指数;第二预分类单元256,用于将所述多个校正后焊接感兴趣区域特征图中对应的校正后焊接感兴趣区域特征图通过所述分类器以得到第二类概率指数;校正权重单元257,用于基于所述第一类概率指数和所述第二类概率指数生成校正权重值;以及,特征分布校正单元258,用于以所述校正权重值对所述多个校正后焊接感兴趣区域特征图中对应的校正后焊接感兴趣区域特征图进行加权以得到所述再校正焊接感兴趣区域特征图。
具体地,在本申请实施例中,所述聚类模块260和所述相似度评估模块270,用于对所述多个再校正焊接感兴趣区域特征图进行聚类以得到聚类中心,并分别计算所述多个再校正焊接感兴趣区域特征图中各个再校正焊接感兴趣区域特征图与所述聚类中心之间的距离以得到分类特征向量。应可以理解,由于所述多个视角图像在高维特征空间中对应着不同的图像局部隐含特征信息,如果想要准确地对于所述二氧化碳管的焊接质量进行判断,就需要对这些校正后的在多个视角下的焊接区域图像在高维特征空间分布中的一致性是否满足预设要求进行判断。也就是,具体地,为了获得一个评估标准,进一步对所述多个再校正焊接感兴趣区域特征图进行聚类以得到聚类中心,在一个具体示例中,可以计算所述多个再校正焊接感兴趣区域特征图的按位置均值特征图作为所述聚类中心。然后,分别计算所述多个再校正焊接感兴趣区域特征图中各个再校正焊接感兴趣区域特征图与所述聚类中心之间的距离,例如余弦距离以得到分类特征向量。这样,可以评估出所述各个再校正焊接感兴趣区域特征图与该评估标准之间的相似性,进而对于所述各个视角下焊接区域的高维特征分布的一致性进行评估以对所述二氧化碳管的焊接的质量进行判断。
具体地,在本申请实施例中,所述焊接性能评估模块280,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示焊接成型的二氧化碳管的焊接质量是否满足预设要求。更具体地,在本申请实施例中,所述焊接性能评估模块,进一步用于:使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|X},其中,W1到Wn为权重矩阵,B1到Bn为偏置向量,X为所述分类特征向量。
综上,基于本申请实施例的所述基于图像处理的新能源车二氧化碳管的性能监测系统200被阐明,其通过利用深度学习技术的卷积神经网络模型来对多个视角下的二氧化碳管的图像进行局部高维的隐含特征提取,并利用柯西归一化校正以及基于数据密集的对于分类目标函数的参数自适应性的修正来提升各个校正后焊接感兴趣区域特征图对于分类目标函数的参数自适应性,进一步利用了聚类的方法来对不同视角下的焊接区域的高维特征分布的一致性进行评估,以准确地对于所述二氧化碳管的焊接质量进行分类判断,这样,确保唯有满足焊接质量要求的二氧化碳才能够被被应用于CO2制冷系统。
如上所述,根据本申请实施例的基于图像处理的新能源车二氧化碳管的性能监测系统200可以实现在各种终端设备中,例如基于图像处理的新能源车二氧化碳管的性能监测算法的服务器等。在一个示例中,根据本申请实施例的基于图像处理的新能源车二氧化碳管的性能监测系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于图像处理的新能源车二氧化碳管的性能监测系统200可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于图像处理的新能源车二氧化碳管的性能监测系统200同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于图像处理的新能源车二氧化碳管的性能监测系统200与该终端设备也可以是分立的设备,并且该基于图像处理的新能源车二氧化碳管的性能监测系统200可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法
图5图示了基于图像处理的新能源车二氧化碳管的性能监测系统的监控方法的流程图。如图5所示,根据本申请实施例的基于图像处理的新能源车二氧化碳管的性能监测系统的监控方法,包括步骤:S110,获取由相机从多个拍摄角度采集的焊接成型的二氧化碳管的多个视角图像;S120,将所述多个视角图像通过作为特征提取器的第一卷积神经网络以得到管道特征图;S130,基于焊接区域在所述多个视角图像中的位置,从所述管道特征图提取对应于所述焊接区域的感兴趣区域以得到多个焊接感兴趣区域特征图;S140,对所述多个焊接感兴趣区域特征图中各个焊接感兴趣区域特征图进行基于所述管道特征图的全局特征分布的特征值校正以得到多个校正后焊接感兴趣区域特征图;S150,对所述多个校正后焊接感兴趣区域特征图中各个校正后焊接感兴趣区域特征图进行基于数据密集度对于分类目标函数的参数自适应性修正以得到多个再校正焊接感兴趣区域特征图;S160,对所述多个再校正焊接感兴趣区域特征图进行聚类以得到聚类中心;S170,分别计算所述多个再校正焊接感兴趣区域特征图中各个再校正焊接感兴趣区域特征图与所述聚类中心之间的距离以得到分类特征向量;以及,S180,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示焊接成型的二氧化碳管的焊接质量是否满足预设要求。
图6图示了根据本申请实施例的基于图像处理的新能源车二氧化碳管的性能监测系统的监控方法的架构示意图。如图6所示,在所述基于图像处理的新能源车二氧化碳管的性能监测系统的监控方法的网络架构中,首先,将获得的所述多个视角图像(例如,如图6中所示意的P1)通过作为特征提取器的第一卷积神经网络(例如,如图6中所示意的CNN1)以得到管道特征图(例如,如图6中所示意的F1);接着,基于焊接区域在所述多个视角图像中的位置,从所述管道特征图提取对应于所述焊接区域的感兴趣区域以得到多个焊接感兴趣区域特征图(例如,如图6中所示意的F2);然后,对所述多个焊接感兴趣区域特征图中各个焊接感兴趣区域特征图进行基于所述管道特征图的全局特征分布的特征值校正以得到多个校正后焊接感兴趣区域特征图(例如,如图6中所示意的F3);接着,对所述多个校正后焊接感兴趣区域特征图中各个校正后焊接感兴趣区域特征图进行基于数据密集度对于分类目标函数的参数自适应性修正以得到多个再校正焊接感兴趣区域特征图(例如,如图6中所示意的F4);然后,对所述多个再校正焊接感兴趣区域特征图进行聚类以得到聚类中心(例如,如图6中所示意的CC);接着,分别计算所述多个再校正焊接感兴趣区域特征图中各个再校正焊接感兴趣区域特征图与所述聚类中心之间的距离以得到分类特征向量(例如,如图6中所示意的VF);以及,最后,将所述分类特征向量通过分类器(例如,如图6中所示意的圈S)以得到分类结果,所述分类结果用于表示焊接成型的二氧化碳管的焊接质量是否满足预设要求。
更具体地,在步骤S110和步骤S120中,获取由相机从多个拍摄角度采集的焊接成型的二氧化碳管的多个视角图像,并将所述多个视角图像通过作为特征提取器的第一卷积神经网络以得到管道特征图。应可以理解,由于现有的新能源汽车的制冷系统通常采用CO2制冷系统,根据CO2制冷系统中管道的特殊要求,若二氧化碳管在成型质量或安装工艺上无法满足要求,则会导致所述CO2制冷系统无法在设定工况下正常、安全的运行,而现有的所述CO2制冷系统常以304L流体输送用无缝钢管作为二氧化碳输送管材,对于无缝钢管而言,焊接质量是非常重要的成型参数。因此,需要对于所述二氧化碳管的焊接质量进行监测以保证所述CO2制冷系统的正常安全运行。
也就是,应可以理解,考虑到对于二氧化碳管的焊接质量监测可以通过焊接成型的二氧化碳管的图像特征来进行,因此,在本申请的技术方案中,通过基于所述二氧化碳管的整个外周面的多个图像特征分布信息来评估各个视角下焊接区域的高维特征分布的一致性以对所述二氧化碳管的焊接的质量进行判断。也就是说,这可以理解为有经验的检测人员来对所述二氧化碳管的焊接质量进行检测判断时,会从所述二氧化碳管的整个外周面出发,在本申请的技术方案中,采用多个视角的图像,当存在焊接质量不过关时,会表现出所述焊接区域的图像特征异常,或者说,如果焊接的质量不满足要求时,会表现为所述各个视角的焊接区域的高维特征分布之间的一致性也不满足预设要求。
具体地,在本申请的技术方案中,首先,使用相机从多个拍摄角度采集焊接成型的二氧化碳管的多个视角图像。相应地,在一个具体示例中,所述多个拍摄角度分别为0°,90°,180°和270°。然后,将所述多个视角图像通过作为特征提取器的第一卷积神经网络中进行处理,以提取出所述多个视角图像中的局部高维隐含特征分布信息,从而得到管道特征图。
更具体地,在步骤S130中,基于焊接区域在所述多个视角图像中的位置,从所述管道特征图提取对应于所述焊接区域的感兴趣区域以得到多个焊接感兴趣区域特征图。应可以理解,考虑到在所述焊接成型的二氧化碳管的多个视角图像的高维特征空间中,为了提高对于所述二氧化碳管焊接质量判断的准确性,应该更加关注于所述图像中的焊接区域,因此,在本申请的技术方案中,利用高维特征空间中的感兴趣区域,也就是,具体地,基于焊接区域在所述多个视角图像中的位置,从所述管道特征图提取对应于所述焊接区域的感兴趣区域以得到多个焊接感兴趣区域特征图。
更具体地,在步骤S140中,对所述多个焊接感兴趣区域特征图中各个焊接感兴趣区域特征图进行基于所述管道特征图的全局特征分布的特征值校正以得到多个校正后焊接感兴趣区域特征图。应可以理解,由于在利用所述感兴趣区域对所述管道特征图进行局部特征提取时,考虑到所述焊接区域的局部高维特征与所述二氧化碳管的整体特征具有关联性,因此为了加强这种关联性的特征信息来进行分类,在本申请的技术方案中,需要进一步对所述多个焊接感兴趣区域特征图中各个焊接感兴趣区域特征图进行柯西归一化的全局校正,以得到多个校正后焊接感兴趣区域特征图。这样,所获得的所述多个校正后焊接感兴趣区域特征图中的各个校正后焊接感兴趣区域特征图都含有焊接区域相对于整体管道的关联特征信息。
更具体地,在步骤S150中,对所述多个校正后焊接感兴趣区域特征图中各个校正后焊接感兴趣区域特征图进行基于数据密集度对于分类目标函数的参数自适应性修正以得到多个再校正焊接感兴趣区域特征图。应可以理解,在进行柯西归一化校正以获得所述多个校正后焊接感兴趣区域特征图时,是针对特征图的逐点位置的整体特征分布进行校正,而为了提升所述多个校正后焊接感兴趣区域特征图在分类问题上的适应性,进一步在聚类前进行基于数据密集的对于分类目标函数的参数自适应性的修正。应可以理解,基于数据密集自适应依赖通过使能特征图的参考窗与特征图整体的的空间交互,并通过数据相异性的度量来计算数据密集对象实例之间的相似度,来确定数据密集簇对于整体分布的自适应依赖,这样,当以该系数对于所述多个校正后焊接感兴趣区域特征图加权时,就提升所述各个校正后焊接感兴趣区域特征图对于分类目标函数的参数自适应性,进而提高分类的准确性。
更具体地,在步骤S160和步骤S170中,对所述多个再校正焊接感兴趣区域特征图进行聚类以得到聚类中心,并分别计算所述多个再校正焊接感兴趣区域特征图中各个再校正焊接感兴趣区域特征图与所述聚类中心之间的距离以得到分类特征向量。应可以理解,由于所述多个视角图像在高维特征空间中对应着不同的图像局部隐含特征信息,如果想要准确地对于所述二氧化碳管的焊接质量进行判断,就需要对这些校正后的在多个视角下的焊接区域图像在高维特征空间分布中的一致性是否满足预设要求进行判断。也就是,具体地,为了获得一个评估标准,进一步对所述多个再校正焊接感兴趣区域特征图进行聚类以得到聚类中心,在一个具体示例中,可以计算所述多个再校正焊接感兴趣区域特征图的按位置均值特征图作为所述聚类中心。然后,分别计算所述多个再校正焊接感兴趣区域特征图中各个再校正焊接感兴趣区域特征图与所述聚类中心之间的距离,例如余弦距离以得到分类特征向量。这样,可以评估出所述各个再校正焊接感兴趣区域特征图与该评估标准之间的相似性,进而对于所述各个视角下焊接区域的高维特征分布的一致性进行评估以对所述二氧化碳管的焊接的质量进行判断。
更具体地,在步骤S180中,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示焊接成型的二氧化碳管的焊接质量是否满足预设要求。
综上,基于本申请实施例的所述基于图像处理的新能源车二氧化碳管的性能监测系统的监控方法被阐明,其通过利用深度学习技术的卷积神经网络模型来对多个视角下的二氧化碳管的图像进行局部高维的隐含特征提取,并利用柯西归一化校正以及基于数据密集的对于分类目标函数的参数自适应性的修正来提升各个校正后焊接感兴趣区域特征图对于分类目标函数的参数自适应性,进而提高分类的准确性,同时,还利用了聚类的方法来对不同视角下的焊接区域的高维特征分布的一致性进行评估,以更准确地对于所述二氧化碳管的焊接质量进行监测判断,进而保证CO2制冷系统的正常安全运行。
Claims (8)
1.一种基于图像处理的新能源车二氧化碳管的性能监测系统,其特征在于,包括:
图像采集模型,用于获取由相机从多个拍摄角度采集的焊接成型的二氧化碳管的多个视角图像;
特征提取模块,用于将所述多个视角图像通过作为特征提取器的第一卷积神经网络以得到管道特征图;
感兴趣区域提取模块,用于基于焊接区域在所述多个视角图像中的位置,从所述管道特征图提取对应于所述焊接区域的感兴趣区域以得到多个焊接感兴趣区域特征图;
第一特征分布校正模块,用于对所述多个焊接感兴趣区域特征图中各个焊接感兴趣区域特征图进行基于所述管道特征图的全局特征分布的特征值校正以得到多个校正后焊接感兴趣区域特征图;
第二特征分布校正模块,用于对所述多个校正后焊接感兴趣区域特征图中各个校正后焊接感兴趣区域特征图进行基于数据密集度对于分类目标函数的参数自适应性修正以得到多个再校正焊接感兴趣区域特征图;
聚类模块,用于对所述多个再校正焊接感兴趣区域特征图进行聚类以得到聚类中心;
相似度评估模块,用于分别计算所述多个再校正焊接感兴趣区域特征图中各个再校正焊接感兴趣区域特征图与所述聚类中心之间的距离以得到分类特征向量;以及
焊接性能评估模块,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示焊接成型的二氧化碳管的焊接质量是否满足预设要求;
其中,所述聚类模块,进一步用于计算所述多个再校正焊接感兴趣区域特征图的按位置均值特征图作为所述聚类中心;
其中,所述相似度评估单元,进一步用于分别计算所述多个再校正焊接感兴趣区域特征图中各个再校正焊接感兴趣区域特征图与所述聚类中心之间的余弦距离;
这样,可以评估出各个所述再校正焊接感兴趣区域特征图与评估标准之间的相似性,进而对于各个视角下焊接区域的高维特征分布的一致性进行评估以对所述二氧化碳管的焊接的质量进行判断。
2.根据权利要求1所述的基于图像处理的新能源车二氧化碳管的性能监测系统,其中,所述特征提取模块,包括:
图像拼接单元,用于将所述多个视角图像拼接为全景图像;以及
显式空间编码单元,用于使用所述作为特征提取器的第一卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述作为特征提取器的第一卷积神经网络的最后一层输出所述管道特征图,其中,所述作为特征提取器的第一卷积神经网络的第一层的输入为所述全景图像。
3.根据权利要求2所述的基于图像处理的新能源车二氧化碳管的性能监测系统,其中,所述第一特征分布校正模块,包括:
像素级信息表示单元,用于计算所述多个焊接感兴趣区域特征图中各个焊接感兴趣区域特征图中各个位置的特征值与一的加和值的对数函数值作为所述焊接感兴趣区域特征图中各个位置的像素级信息表示值;
管道全局表示单元,用于计算所述管道特征图中所有位置的特征值的求和值与一的加和值的对数函数值作为所述管道特征图的全局信息表示值;和
第一校正单元,用于以所述多个焊接感兴趣区域特征图中各个焊接感兴趣区域特征图中各个位置的像素级信息表示值分别除以所述管道特征图的全局信息表示值以得到所述多个校正后焊接感兴趣区域特征图。
4.根据权利要求3所述的基于图像处理的新能源车二氧化碳管的性能监测系统,其中,所述第二特征分布校正模块,包括:
空间交互单元,用于计算所述多个校正后焊接感兴趣区域特征图中各个校正后焊接感兴趣区域特征图与所述管道特征图之间的按位置点乘以得到空间交互特征图;
特征图差异度量单元,用于计算所述多个校正后焊接感兴趣区域特征图中对应的校正后焊接感兴趣区域特征图与所述管道特征图之间的度量距离;
作用单元,用于以所述空间交互特征图中各个位置的特征值分别除以所述度量距离以得到度量特征图;
指数运算单元,用于计算以所述度量特征图中各个位置的特征值为幂的自然指数函数值以得到指数度量特征图;
第一预分类单元,用于将所述指数度量特征图通过所述分类器以得到第一类概率指数;
第二预分类单元,用于将所述多个校正后焊接感兴趣区域特征图中对应的校正后焊接感兴趣区域特征图通过所述分类器以得到第二类概率指数;
校正权重单元,用于基于所述第一类概率指数和所述第二类概率指数生成校正权重值;以及
特征分布校正单元,用于以所述校正权重值对所述多个校正后焊接感兴趣区域特征图中对应的校正后焊接感兴趣区域特征图进行加权以得到所述再校正焊接感兴趣区域特征图。
5.根据权利要求4所述的基于图像处理的新能源车二氧化碳管的性能监测系统,其中,所述空间交互单元,进一步包括:
尺度调整子单元,用于通过线性变换调整所述多个校正后焊接感兴趣区域特征图中各个校正后焊接感兴趣区域特征图的尺寸以使得所述多个校正后焊接感兴趣区域特征图中各个校正后焊接感兴趣区域特征图的尺寸等于所述管道特征图的尺寸。
6.根据权利要求5所述的基于图像处理的新能源车二氧化碳管的性能监测系统,其中,所述度量距离为所述多个校正后焊接感兴趣区域特征图中对应的校正后焊接感兴趣区域特征图与所述管道特征图之间的欧式距离的开根号值。
7.根据权利要求6所述的基于图像处理的新能源车二氧化碳管的性能监测系统,其中,所述焊接性能评估模块,进一步用于:使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|X},其中,W1到Wn为权重矩阵,B1到Bn为偏置向量,X为所述分类特征向量。
8.根据权利要求1所述的基于图像处理的新能源车二氧化碳管的性能监测系统,其中,所述多个拍摄角度分别为0°,90°,180°和270°。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211141113.4A CN115471674B (zh) | 2022-09-20 | 2022-09-20 | 基于图像处理的新能源车二氧化碳管的性能监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211141113.4A CN115471674B (zh) | 2022-09-20 | 2022-09-20 | 基于图像处理的新能源车二氧化碳管的性能监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115471674A CN115471674A (zh) | 2022-12-13 |
CN115471674B true CN115471674B (zh) | 2023-06-27 |
Family
ID=84332514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211141113.4A Active CN115471674B (zh) | 2022-09-20 | 2022-09-20 | 基于图像处理的新能源车二氧化碳管的性能监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115471674B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113658132A (zh) * | 2021-08-16 | 2021-11-16 | 沭阳九鼎钢铁有限公司 | 基于计算机视觉的结构件焊缝检测方法 |
CN114580515A (zh) * | 2022-02-28 | 2022-06-03 | 上海味伊思技术有限公司 | 用于半导体脱焊智能检测的神经网络训练方法 |
CN115003451A (zh) * | 2020-01-27 | 2022-09-02 | 康茂股份公司 | 监测焊道质量的方法、相关焊接站和计算机程序产品 |
CN115041771A (zh) * | 2022-07-04 | 2022-09-13 | 华威焊割科技(浙江)有限公司 | 自动行进管道焊接和切割一体式加工设备及其控制方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200250398A1 (en) * | 2019-02-01 | 2020-08-06 | Owkin Inc. | Systems and methods for image classification |
WO2021178645A1 (en) * | 2020-03-05 | 2021-09-10 | Crc-Evans Pipeline International, Inc. | System and method for detection of anomalies in welded structures |
CN114255220A (zh) * | 2021-12-21 | 2022-03-29 | 徐州徐工挖掘机械有限公司 | 一种基于Transformer神经网络的焊缝质量检测方法 |
CN114354639B (zh) * | 2022-03-21 | 2022-06-10 | 苏芯物联技术(南京)有限公司 | 一种基于3d点云的焊缝缺陷实时检测方法及系统 |
CN114758424B (zh) * | 2022-06-14 | 2022-09-02 | 众旅联(浙江)生态科技有限公司 | 基于多重校验机制的智能支付设备及其支付方法 |
CN114782423B (zh) * | 2022-06-17 | 2022-09-13 | 江苏明德电力设备有限公司 | 干式变压器的低压线圈的成型质量检测系统及其检测方法 |
CN114815930B (zh) * | 2022-06-30 | 2022-09-02 | 烟台黄金职业学院 | 煅烧器的温度控制系统及其温度控制方法 |
CN114913401B (zh) * | 2022-07-13 | 2022-09-30 | 江苏烨明光电有限公司 | Led灯芯柱与外壳的焊接设备及其焊接质量监控方法 |
-
2022
- 2022-09-20 CN CN202211141113.4A patent/CN115471674B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115003451A (zh) * | 2020-01-27 | 2022-09-02 | 康茂股份公司 | 监测焊道质量的方法、相关焊接站和计算机程序产品 |
CN113658132A (zh) * | 2021-08-16 | 2021-11-16 | 沭阳九鼎钢铁有限公司 | 基于计算机视觉的结构件焊缝检测方法 |
CN114580515A (zh) * | 2022-02-28 | 2022-06-03 | 上海味伊思技术有限公司 | 用于半导体脱焊智能检测的神经网络训练方法 |
CN115041771A (zh) * | 2022-07-04 | 2022-09-13 | 华威焊割科技(浙江)有限公司 | 自动行进管道焊接和切割一体式加工设备及其控制方法 |
Non-Patent Citations (2)
Title |
---|
Nondestructive Testing of Welds;A. Juengert et al.;《Handbook of Nondestructive Evaluation》;819-858 * |
二氧化碳焊接机器人焊接特性试验研究;杨林丰等;《焊接技术》;68-70 * |
Also Published As
Publication number | Publication date |
---|---|
CN115471674A (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
EP2064652B1 (en) | Method of image processing | |
CN115013298B (zh) | 污水泵的实时性能在线监测系统及其监测方法 | |
CN112396122B (zh) | 基于顶点距离与交并比多重优化目标检测器的方法与系统 | |
CN111667470B (zh) | 一种基于数字图像的工业管道探伤内壁检测方法 | |
CN115937571A (zh) | 车用玻璃球面度检测装置及其检测方法 | |
CN111429485B (zh) | 基于自适应正则化和高信度更新的跨模态滤波跟踪方法 | |
CN111539456B (zh) | 一种目标识别方法及设备 | |
CN116386120A (zh) | 一种无感监控管理系统 | |
CN115471674B (zh) | 基于图像处理的新能源车二氧化碳管的性能监测系统 | |
CN111027609B (zh) | 一种图像数据加权分类方法和系统 | |
CN109697474B (zh) | 基于迭代贝叶斯的合成孔径雷达影像变化检测方法 | |
US7263208B1 (en) | Automated threshold selection for a tractable alarm rate | |
CN117030129A (zh) | 纸杯在线检漏方法及其系统 | |
CN116523871A (zh) | 一种加工件缺陷检测方法、装置、电子设备及存储介质 | |
CN113705672B (zh) | 图像目标检测的阈值选取方法、系统、装置及存储介质 | |
CN108710886A (zh) | 一种基于sift算法的重复图像匹配方法 | |
CN111242980B (zh) | 一种面向点目标的红外焦平面盲元动态检测方法 | |
CN112712497A (zh) | 基于局部描述算符的铸铁管道连接处的稳定性检测方法 | |
CN117523428B (zh) | 基于飞行器平台的地面目标检测方法和装置 | |
CN113129292B (zh) | 基于迭代马尔科夫的合成孔径雷达影像变化检测方法 | |
CN113689067B (zh) | 一种图像保障信息评估系统 | |
CN117789198B (zh) | 基于4d毫米波成像雷达实现点云退化检测的方法 | |
CN117474916B (zh) | 一种图像检测方法、电子设备及存储介质 | |
CN117451722A (zh) | 一种基于机器视觉的工件检测系统及方法 |
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 |