CN115825115B - 自行车无损检查装置、方法、计算机可读存储介质 - Google Patents
自行车无损检查装置、方法、计算机可读存储介质 Download PDFInfo
- Publication number
- CN115825115B CN115825115B CN202211024597.4A CN202211024597A CN115825115B CN 115825115 B CN115825115 B CN 115825115B CN 202211024597 A CN202211024597 A CN 202211024597A CN 115825115 B CN115825115 B CN 115825115B
- Authority
- CN
- China
- Prior art keywords
- component
- bicycle
- image
- rays
- gray
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims description 27
- 238000003860 storage Methods 0.000 title description 12
- 230000002159 abnormal effect Effects 0.000 claims abstract description 89
- 230000005540 biological transmission Effects 0.000 claims abstract description 43
- 230000001066 destructive effect Effects 0.000 claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims description 41
- 238000005520 cutting process Methods 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 12
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 9
- 229910052799 carbon Inorganic materials 0.000 claims description 9
- 230000008439 repair process Effects 0.000 claims description 9
- 230000002787 reinforcement Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 22
- 239000000470 constituent Substances 0.000 description 15
- 238000003384 imaging method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000006378 damage Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 239000002131 composite material Substances 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000032798 delamination Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000003685 thermal hair damage Effects 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 238000004846 x-ray emission Methods 0.000 description 1
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
- G01N23/083—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption the radiation being X-rays
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
- G01N23/18—Investigating the presence of flaws defects or foreign matter
-
- G01N33/0078—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/401—Imaging image processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/60—Specific applications or type of materials
- G01N2223/645—Specific applications or type of materials quality control
-
- 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
Abstract
本公开提供了一种无损检查装置。所述无损检查装置包括至少一个存储器,被配置为存储用于执行预定操作的指令,以及至少一个处理器,可操作地耦合到所述至少一个存储器并被配置为执行所述指令。所述至少一个处理器被配置为通过将X射线发射到自行车的部件来获得X射线的透射量信息,基于所述透射量信息生成灰度图像,测量所述灰度图像中表示的所述自行车的所述部件沿所述部件的延伸方向从一端到另一端的灰度值变化量,以及检测所述灰度值变化量等于或大于阈值的区域作为异常区域。
Description
相关申请的交叉引用
本申请要求于2021年9月16日提交的申请号为10-2021-0123908的韩国专利申请的优先权,其全部内容通过引用结合在本申请中。
技术领域
本公开涉及一种基于X射线透射量的尺度变化分析来对自行车的部件进行无损检查的技术。
背景技术
自行车是人踩在踏板上移动的交通工具,由于自行车由轻而坚固的材料制成,提高了运动的效率和稳定性。因此,最近已经开发和制造了由碳复合材料制成的重量轻且相对坚固的自行车。
同时,在自行车的部件中,有一些部件做得很薄,以至于碳复合材料的厚度小于1mm,因此在制造过程中碳复合材料内部可能会出现孔隙。因此,在使用过程中,用户的重量或冲击可能导致部件损坏,并且部件容易出现裂缝。
孔隙、裂纹等异常部分对自行车的稳定性影响很大。例如,异常部分的缺陷可能会在自行车行驶过程中因损坏而导致严重事故,而具有异常部分的自行车可能会在二手市场上作为普通自行车进行交易。因此,在没有意识到这些问题的情况下购买自行车的购买者可能会发生事故或损坏。
然而,碳复合材料的异常部分非常精细,因此若没有专家则很难识别出异常。另外,在不拆卸检查自行车的接合部的情况下检查其内部是不可能的,因此检查过程也存在需要的时间和成本相当大的问题。
(相关技术)韩国专利第10-2157233号
发明内容
有鉴于此,本公开的实施例提供了一种通过无损检查自动检测自行车异常部分的技术。
具体地,为了自动准确地检测异常部分,需要一种从自行车获取关于分析对象的信息以便于分析的技术以及一种通过处理获取的信息来分析信息的含义的技术。为此,本公开的实施例提供了一种生成适合碳的无损检查的图像的预处理信息获取过程,以及一种通过对预处理信息获取过程获得的信息进行处理来检测部件的异常部分的技术。
本公开要实现的技术目的不限于上述说明,本公开所属领域的技术人员通过下面的描述也可以清楚地理解上述未提及的其他技术目的。
根据本公开的一个方面,提供了一种无损检查装置,包括:至少一个存储器,被配置为存储用于执行预定操作的指令;以及至少一个处理器,可操作地耦合到所述至少一个存储器并被配置为执行所述指令。所述至少一个处理器被配置为:通过将X射线发射到自行车的部件来获得X射线的透射量信息,基于所述透射量信息生成灰度图像,测量所述灰度图像中表示的所述自行车的所述部件沿所述部件的延伸方向从一端到另一端的灰度值变化量,以及检测所述灰度值变化量等于或大于阈值的区域作为异常区域。
进一步地,所述X射线可以以60kV至70kV范围内的电压、11.0mA至12.0mA范围内的电流和0.4mm至1.0mm范围内的焦点(FOC)发射,以获得由碳形成的所述自行车的所述部件的灰度。
进一步地,在生成所述灰度图像时,所述处理器还可以被配置为将所述X射线的透射量强度重新调整为最小值0和最大值3500之间的任意单位(arbitrary unit)强度(a.u.强度),并根据所述自行车的所述部件选择第一模板、第二模板、第三模板、第四模板和第五模板中的一个模板。当选择所述第一模板时,可以仅将所述X射线的所述透射量强度重新调整为2216~2500的所述部件的部分转换为灰度;当选择所述第二模板时,可以仅将所述X射线的所述透射量强度重新调整为2108~3294的所述部件的部分转换为所述灰度;当选择所述第三模板时,可以仅将所述X射线的所述透射量强度重新调整为1893~2878的所述部件的部分转换为所述灰度;当选择所述第四模板时,可以仅将所述X射线的所述透射量强度重新调整为1257~2878的所述部件的部分转换为所述灰度;当选择所述第五模板时,可以仅将所述X射线的所述透射量强度重新调整为31~2410的所述部件的部分转换为所述灰度。
进一步地,在测量所述灰度值变化量时,所述处理器还可以被配置为生成二维图形信息,其中所述灰度值变化量是用x轴和y轴测量的,所述x轴表示一点沿所述部件的所述延伸方向从所述一端到所述另一端的移动距离,所述y轴表示控制所述一点在所述x轴上移动时测量的灰度值。
进一步地,在检测所述异常区域时,当在所述x轴的预定范围内所述y轴的变化量等于或大于预设阈值时,所述处理器还被配置为检测与一x轴长度对应的部分作为所述异常区域,其中,在所述x轴长度上产生等于或大于所述预设阈值的所述y轴的所述变化量。
进一步地,在测量所述灰度值变化量时,所述处理器还可以被配置为生成三维图形信息,其中所述灰度值变化量是用Z轴、x轴和y轴测量的,所述Z轴表示在所述一端切割所述自行车的所述部件的切割线的长度,所述x轴表示所述切割线沿所述部件的所述延伸方向从所述一端到所述另一端的移动距离,所述y轴表示控制所述切割线在所述x轴上移动时测量的灰度的灰度值。
进一步地,在检测所述异常区域时,当在所述x轴的预定范围内所述y轴的变化量等于或大于预设阈值时,所述处理器还被配置为检测与一x轴长度对应的部分作为所述异常区域,其中,在所述x轴长度上产生等于或大于所述预设阈值的所述y轴的所述变化量。
进一步地,在检测所述异常区域时,所述处理器还可以被配置为检测产生所述y轴的所述变化量等于或大于所述预设阈值的所述x轴长度和z轴长度的三维区域,作为所述异常区域。
进一步地,在获取所述透射量信息时,所述处理器还可以被配置为通过将所述自行车的整体图像输入到使用所述自行车的各部件的图像数据集进行训练的第一神经网络模型来指定所述自行车的所述部件,所述自行车的相应所述部件的规格信息映射到所述图像数据集,以及通过将所述X射线的发射位置调整到指定部件的位置,来获取所述指定部件的所述X射线的所述透射量信息。所述规格信息可以包括指定所述部件类型的信息,以及用于对所述部件进行无损检查的所述X射线预设的电压、电流、焦距的信息。
进一步地,所述第一神经网络可以基于图像识别算法训练,并且所述自行车的各部件的所述图像数据集可以包括在所述图像的部件中标记了框架、车轮和动力传动系统的数据集。
进一步地,所述处理器还可以被配置为在执行所述异常区域的检测后,基于所述异常区域的图像确定所述异常区域的类型。
进一步地,在确定所述异常区域的所述类型时,所述处理器还可以被配置为通过将所述异常区域的所述图像输入到使用所述自行车各部件的异常图像数据集进行训练的第二神经网络模型来确定所述异常区域的类别,以及通过将基于所述异常区域的所述类别获得的折旧信息反映到包括所述异常区域的所述部件的规格信息来计算所述自行车的价格。所述规格信息可以包括指定所述部件的所述价格的信息。
进一步地,所述第二神经网络可以基于所述图像识别算法训练,并且所述自行车的各部件的所述异常图像数据集可以包括在所述图像的部分中标记了所述部件的破损、修复、加固、接合及孔隙的数据集。
根据本公开的另一方面,提供了一种由无损检查装置执行的无损检查方法,所述无损检查方法包括:通过将X射线发射到自行车的部件来获得X射线的透射量信息;基于所述透射量信息生成灰度图像;测量所述灰度图像中表示的所述自行车的部件沿所述部件的延伸方向从一端到另一端的灰度值变化量;以及检测所述灰度值变化量等于或大于阈值的区域作为异常区域。
根据本公开的又一方面,提供了一种包括计算机可执行指令的非暂时性计算机可读存储介质,当由处理器执行时,所述计算机可执行指令使所述处理器执行由无损检查装置执行的无损检查方法,所述无损检查方法包括:通过将X射线发射到自行车的部件来获得X射线的透射量信息;基于所述透射量信息生成灰度图像;测量所述灰度图像中表示的所述自行车的部件沿所述部件的延伸方向从一端到另一端的灰度值变化量;以及检测所述灰度值变化量等于或大于阈值的区域作为异常区域。
根据本公开的一方面,可以简单地检测部件的异常部分而无需拆卸自行车,并且可以确定异常部分的类型。因此,可以提高检查精度,同时有效地缩短自行车制造期间的检查过程。
此外,通过允许认证机构使用本公开的技术,可以对二手市场上的自行车质量进行认证,从而建立健康的交易文化并确保自行车用户的安全。
本公开的技术效果不限于上述技术效果,本公开所属领域的技术人员可以通过下面的描述来理解本文中未提及的其他技术效果。
图式简单说明
图1是根据一实施例的无损检查装置的功能框图;
图2是根据一实施例的用于对自行车的整体图像中包括的自行车部件进行分类的第一神经网络的示例图;
图3是示出根据一示例性实施例的检测部件异常区域的结果并用于训练确定异常区域类型的第二神经网络的图像的示例图;
图4是根据一实施例的无损检查装置执行无损检查方法的操作的流程图;
图5A至图5C是根据改变同一物体的X射线特性所获取的信息分别生成的灰度图像的示例图;
图6是通过改变X射线的透射量强度将自行车的部件转换为灰度的灰度图像的示例图;
图7是当控制位于自行车部件一端的切割线沿部件的延伸方向移动到自行车部件的另一端时,说明根据一实施例测量灰度值变化量的操作的示例图;
图8A至图8C是说明根据一实施例的检测部件处于正常状态的操作的示例图;
图9A至图9C是说明根据一实施例的检测包括异常区域的部件的操作的示例图;
图10是根据一实施例的基于测量的灰度值变化量生成的三维图形信息的示例图;
图11是当控制位于自行车部件一端的一点沿部件的延伸方向移动到自行车部件的另一端时,说明根据一实施例测量灰度值变化量的操作的示例图。
具体实施方式
在下文中,将参考附图描述本公开的各种实施例。然而,应当理解的是,具体实施方式并不旨在将本发明的主旨限制在具体实施方式中;而是应当理解,具体实施例包括对本公开实施例的所有修改、同等和/或替代。关于附图的描述,相同或相似的构成元件被赋予相同或相似的附图标记。
图1是根据一实施例的无损检查装置100的功能框图。
参考图1,根据一实施例的无损检查装置100可以包括存储器110、处理器120、输入/输出接口130和通信接口140。
存储器110可以包括图像数据库(DB)111、规格信息DB 112、神经网络DB 113和命令DB 114。
图像DB 111可以存储自行车的整体图像、自行车的部件的图像、自行车的X射线拍摄图像、以及自行车的X射线拍摄图像的具有特定异常区域的图像的数据。存储在图像DB111中的图像可以用于下述的第一神经网络和第二神经网络的训练。
规格信息DB 112可以存储自行车部件的详细信息。例如,部件的详细信息包括材料、用途、制造商、生产年份、各部件的品牌、类别、年份、操作方法、颜色、物质、型号名称、尺寸、最小推荐键、最大推荐键、几何形状、制造时的碳排放量、价格、电压、电流和为对部件进行无损检测应设置的X射线的焦距,以及应设置的模板信息,以便将从部件获得的X射线的透射量信息转换为灰度。
神经网络DB 113可以存储训练的神经网络。例如,神经网络DB 113可以包括第一神经网络模型,该第一神经网络模型利用自行车的各部件的图像数据集进行训练,自行车的相应部件的规格信息映射到该图像数据集。当将预定的自行车图像输入到第一神经网络模型时,指定包括在自行车图像中的部件的类别(例如,框架、车轮、动力传动系统等)并且各部件的规格信息从第一神经网络输出。例如,神经网络DB 113可以包括用自行车各部件的异常图像数据集训练的第二神经网络模型,且当预定的异常区域图像被输入到第二神经网络模型时,由第二神经网络模型指定异常区域的类别(例如,破损、修复、加固、接合、孔隙等)。
命令DB 114可以存储用于执行处理器120的操作的命令。例如,命令DB 114可以存储用于执行与下述的处理器120的操作相对应的操作的计算机代码。
处理器120可以控制无损检查装置100的整体操作。处理器120可以包括检查模块121、神经网络模块122、图像模块123和控制模块124。处理器120可以执行存储在存储器110中的命令来驱动检查模块121、神经网络模块122、图像模块123和控制模块124。
检查模块121可以与使用X射线对产品进行成像的无损成像设备(即,X射线CT扫描仪)联锁,并且可以控制无损成像设备。例如,检查模块121可以控制无损成像设备向自行车的部件发射X射线,并获取通过自行车部件传输的X射线量的信息。无损检查装置100可以通过有线或无线方式连接到无损成像设备。
根据一实施例,神经网络模块122可以训练和控制第一神经网络和第二神经网络。
图2是根据一实施例的用于对自行车的整体图像中包括的自行车部件进行分类的第一神经网络的示例图。
参考图2,神经网络模块122可以通过使用图像识别算法来训练第一神经网络,每个训练图像中构成自行车的各部件的位置被指定为自行车整体图像中的边界框,并且指定部件的类型被标记。利用训练的第一神经网络,当自行车图像输入到第一神经网络时,第一神经网络可以通过卷积运算提取输入图像的特征值,基于提取的特征值指定输入图像中包含的自行车部件的位置,并输出映射到指定部件的规格信息。
例如,第一神经网络可以从自行车的整体图像中指定和分类独立部件(例如,框架、曲柄、前拨链器、后拨链器、车轮、杠杆等),并且可以将相互结合运行的独立部件的集合(例如,框架组、动力传动系统、轮组、组件)进行组合。神经网络模块122可以基于分类的独立部件和独立部件的集合以集合的形式存储包括在输入自行车图像中的部件的信息。例如,神经网络模块122可以将输入自行车图像中包括的部件的信息分组并指定为对应于框架组的元素集合(前叉、框架)、对应于组集的元素集合(前拨链器、后拨链器、刹车、杠杆、曲柄、飞轮、链条)、对应于轮组的元素集合(轮胎,轮毂)以及对应于组件的元素集合(把立、座杆、车把、鞍座)。
神经网络模块122可以在规格信息DB 112中搜索对应于每个指定部件的规格信息,并且映射和存储对应于每个指定部件的规格信息。
图3是示出根据一示例性实施例的检测部件异常区域的结果并用于训练确定异常区域类型的第二神经网络的图像的示例图。
参考图3,用于训练第二神经网络的图像可以包括直接标记为训练的图像,或根据本公开的实施例(例如,图4中的步骤S1010至S1040)自动指定异常区域并标记异常区域类型的图像。异常区域类型的类别可以包括孔隙、多孔、油漆修复、树脂过量、分层、纤维损伤、纤维错配、纤维修复、热损伤、异物、接合损伤、起皱和脱离的类别。
参考图3,神经网络模块122可以通过使用预定的图像识别算法来训练第二神经网络,每个训练图像中的异常区域被指定为边界框并且异常区域类型的类别被标记。利用训练好的第二神经网络,当指定异常区域的图像输入到第二神经网络时,第二神经网络可以通过卷积运算提取输入图像的特征值,并基于提取的特征值指定输入图像中包含的异常区域的位置和类型。
图像模块123可以基于从无损成像设备获取的透射量信息来生成拍摄的自行车部件的灰度图像。
控制模块124可以分析生成的灰度图像以确定异常区域是否包括在拍摄的部件中,并且可以指定所确定的异常区域的类型。控制模块124可以基于异常区域的类型确定修复方法或计算相应部件的价格。
上述检查模块121、神经网络模块122、图像模块123和控制模块124执行的操作可以理解为处理器120执行的操作。
输入/输出接口130可以包括允许控制无损检查装置100的管理人员输入特定信息或向管理人员输出特定信息的硬件接口或软件接口。
通信接口140使无损检查装置100能够通过通信网络向外部设备(例如,无损成像设备)发送信息以及从外部设备(例如无损成像设备)接收信息。为此,通信接口140可以包括无线通信模块或有线通信模块。
无损检查装置100可以实现为能够通过处理器120执行操作并通过网络发送/接收信息的各种类型的设备。例如,无损检查装置100可以包括便携式通信设备、智能手机、计算机设备、便携式多媒体设备、笔记本电脑、平板电脑等。
在下文中,将结合图4至图11描述通过上述构造由无损检查装置100执行的操作的实施例。
图4是根据一实施例的无损检查装置100执行无损检查方法的操作的流程图。
参考图4,检查模块121可以控制无损成像设备向自行车的部件发射X射线,并获取通过自行车的部件的X射线的量的信息(步骤S1010)。
检查模块121对自行车的各部件执行X射线控制,以使控制模块124或神经网络模块122高精度地检测异常部分,生成易于判断异常区域的信息。这是因为,如图5A至5C所示,根据X射线特性的控制方式,异常区域的信息可能会被包含或丢失。
图5A至图5C是根据改变同一物体的X射线特性所获取的信息分别生成的灰度图像的示例图。
参考图5A至图5C,当X射线的透射量过低时,会生成如图5A所示的图像,当X射线的透射量过高时,会生成如图5C所示的图像。因此,重要的是通过根据各部件适当地控制X射线的特性来获得诸如图5B的图像。
检查模块121可以基于作为要被拍摄的目标的对应部件的特性来调整各部件的X射线的特性。例如,当检查模块121拍摄由碳制成的自行车部件时,检查模块121可以控制无损成像设备发射X射线,使得X射线的照射过程中设置60kV至70kV范围内的电压、11.0mA至12.0mA范围内的电流和0.4mm至1.0mm范围内的焦点(FOC)。
在检查模块121执行X射线拍摄操作之前,神经网络模块122可以对作为无损检查目标的自行车的整体图像进行拍摄,并将拍摄的图像输入到第一神经网络模型中,该第一神经网络模型使用自行车的各部件的图像数据集进行训练,自行车各部件的规格信息被映射到该图像数据集。然后,神经网络模块122可以指定要检查的自行车部件的位置和类型。检查模块121可以在规格信息DB 112中搜索各部件的指定规格信息。各部件的规格信息可以包括预设用于对各部件执行无损检查的X射线的电压、电流和焦距的信息。检查模块121可以基于存储在规格信息中的信息,通过将X射线发射位置调整到指定部件的位置来控制X射线的特性,从而获得适合各部件分析的透射量信息。
接着,图像模块123可根据所获取的透射量信息产生灰度图像(步骤S1020)。
图像模块123判断所获取的透射量信息的哪一范围被转换为灰度,以允许控制模块124或神经网络模块122高精度地检测异常部分,并创建易于确定异常区域的图像。这是因为根据所获取的透射量信息的哪一范围被转换为灰度,异常区域的信息可能被包含或丢失。
图6是通过改变X射线的透射量强度将自行车的部件转换为灰度的灰度图像的示例图。
参考图6,图像模块123可以将X射线的透射量强度重新调整为最小值0和最大值3500之间的任意单位强度(a.u.强度),并根据自行车的部件选择第一模板、第二模板、第三模板、第四模板和第五模板中的一个模板。当选择第一模板时,仅将X射线的透射量强度重新调整为2216~2500的部件的部分转换为灰度。当选择第二模板时,仅将X射线的透射量强度重新调整为2108~3294的部件的部分转换为灰度。当选择第三模板时,仅将X射线的透射量强度重新调整为1893~2878的部件的部分转换为灰度。当选择第四模板时,仅将X射线的透射量强度重新调整为1257~2878的部件的部分转换为灰度。当选择第五模板时,仅将X射线的透射量强度重新调整为31~2410的部件的部分转换为灰度。
例如,由于使用第一模板的转换生成了具有高对比度的深灰度图像,因此第一模板可以存储在规格信息中,使得第一模板用于检查需要检查截面或侧面,如厚度或轮廓形状的部件。
此外,由于使用第二模板的转换生成了具有低对比度的深灰度图像,因此第二模板可以存储在规格信息中,使得第二模板用于检查需要仔细检查表面状态的部件。
此外,由于使用第三模板的转换生成了具有平衡的对比度和亮度的灰度图像,因此第三模板可以存储在规格信息中,使得第三模板用于检查需要检查所有面和线的所有元素的部件。
此外,由于使用第四模板的转换生成了具有相对较大对比度的亮灰度图像,因此第四模板可以存储在规格信息中,使得第四模板用于检查具有相对较大厚度或由于重叠结构导致低X射线透射率的部件。
此外,由于使用第五模板的转换生成了具有低对比度的亮灰度图像,因此第五模板可以存储在规格信息中,使得第五模板用于检查由金属元素和三个及以上重叠厚件制成的部件。
接下来,控制模块124可以测量灰度图像中表示的自行车部件沿该部件的延伸方向从一端到另一端的灰度值变化量(步骤S1030),并将灰度值变化量等于或大于阈值的区域检测为异常区域(步骤S1040)。
图7是当控制位于自行车部件一端a的切割线沿部件的延伸方向移动到自行车部件的另一端b时,说明根据一实施例测量灰度值变化量的操作的示例图。
参考图7,控制模块124可以沿着与灰度图像中识别的部件的外表面正交的切割线测量灰度的数值(灰度值)。
图8A至图8C是说明根据一实施例的检测部件处于正常状态的操作的示例图。为便于理解,图8A至8C示出了测量在彼此隔开的三个部分a、b和c的每个切割线处测量的灰度值的示例。
分别参考图8A至图8C,控制模块124可以沿着与在灰度图像中识别的部件的外表面正交的切割线测量灰度值。参考图8A至图8C的三个部分a、b和c的测量图,在每个部件的切割线处测量的灰度值没有突然变化,而是基本保持恒定。
图9A至图9C是说明根据一实施例的检测包括异常区域的部件的操作的示例图。为便于理解,图9A至图9C示出了测量在彼此隔开的三个部分a、b和c的每个切割线处测量的灰度值的示例。
参考图9A至图9C,控制模块124可以沿着与在灰度图像中识别的部件的外表面正交的切割线测量灰度值。参考图9A至图9C的三个部分a、b和c的测量图,对比a或c部分的切割线的图形形状,发现b部分的切割线在图形的某一截面中灰度值发生突变。
在本发明的一实施例中,注意在具有适当性质的X射线拍摄的灰度图像的异常区域中存在一个或多个灰度值突变的部分,如图10所示,可以基于连续测量的灰度值变化量来检测异常区域。
图10是根据一实施例的基于测量的灰度值变化量生成的三维图形信息的示例图。
参考图10,控制模块124可以生成三维图形信息,其中灰度值变化量是用Z轴、x轴和y轴测量的,Z轴表示在部件的一端切割部件的切割线的长度,x轴表示切割线沿部件的延伸方向从一端到另一端的移动距离,y轴表示切割线在x轴上移动时测量的灰度值。当三维图形信息中至少一个区域在x轴的预定范围内的y轴的变化量等于或大于预设阈值时,控制模块124可以将与产生等于或大于预设阈值的y轴的变化量的x轴长度对应的部件检测为异常区域。此外,控制模块124可以将包括产生y轴的变化量等于或大于预设阈值的x轴长度和z轴长度的三维区域检测为异常区域。
图11是当控制位于自行车部件一端a的一点沿部件的延伸方向移动到自行车部件的另一端b时,说明根据一实施例测量灰度值变化量的操作的示例图。
参考图11,控制模块124可以沿着与灰度图像中识别的部件的外表面平行的方向测量灰度值。控制模块124可以生成二维图形信息,其中灰度值变化量是用x轴和y轴测量的,x轴表示一点沿部件的延伸方向从一端到另一端的移动距离,y轴表示控制一点在x轴上移动时测量的灰度值。当二维图形信息中至少一个点在x轴的预定范围内y轴的变化量等于或大于预设阈值时,控制模块124可以将与产生等于或大于预设阈值的y轴的变化量的x轴长度对应的部件检测为异常区域。
接下来,控制模块124可以基于指定异常区域的图像来确定异常区域的类型(步骤S1050)。
例如,控制模块124可以通过将异常区域的图像输入到使用自行车各部件的异常图像数据集进行训练的第二神经网络模型来确定异常区域的类别。控制模块124可以通过将基于异常区域的类别获得的折旧信息反映到包括异常区域的部件的规格信息来计算价格。例如,通过将折旧信息(例如,检测到异常区域的类别为孔隙时降价10%,或检测到异常区类别为接合时降价15%)反映到基于特定部件的规格信息导出的原始价格,可以根据异常区域的存在重新计算价格。控制模块124可以根据对应部件的异常区域的类型搜索规格信息DB 112以找到修复方法,并输出对应部件异常区域的修复方法或修复价格。
根据上述实施例,可以简单地检测部件的异常部分而无需拆卸自行车,并且可以确定异常部分的类型。因此,可以提高检查精度,同时有效地缩短自行车制造期间的检查过程。此外,通过允许认证机构使用本公开的技术,可以对二手市场上的自行车质量进行认证,从而建立健康的交易文化并确保自行车用户的安全。
本公开的各种实施例和其中使用的术语并不旨在将本公开所揭示的技术特征限制于特定的实施例,而是应当理解为包括相应实施例的各种修改、同等或替代。关于附图的描述,基本相似的部分被赋予相似的附图标记。除非相关上下文另有明确规定,对应于一个项目的名词的单数表达可以包括一个或多个项目。
在本公开中,诸如“A或B”、“A和B中的至少一个”、“A或B中的至少一个”、“A、B或C”、“A、B和C中的至少一个”和“A、B或C中的至少一个”可以包括在相应短语中一起列出的项目的所有可能组合。诸如“第一”或“第二”之类的术语可以简单地用于区分一个构成元素与另一个构成元素,而不是为了另一个方面(例如,重要性或顺序)而限制相应的构成元素。当一个特定的(例如,第一)构成元素在有或没有术语“功能上”或“通信上”的情况下被称为“耦合”或“连接”到另一个(例如,第二)构成元素时,意味着特定的构成要素可以直接(例如,以有线方式)、无线或通过第三构成要素链接到另一个构成要素。
本公开中使用的术语“模块”可以包括使用硬件、软件或固件实现的单元。例如,术语“模块”可以与诸如逻辑、逻辑块、组件或电路之类的术语互换使用。模块可以是执行一个或多个功能的集成组件或者组件或其一部分的最小单元。例如,根据一实施例,可以以专用集成电路(ASIC)的形式实现模块。
本公开的各种实施例可以实现为包括存储在设备(例如,电子设备)可读的存储介质(例如,存储器)中的一个或多个指令的软件(例如,程序)。存储介质可以包括随机存取存储器(RAM)、存储器缓冲器、硬盘驱动器、数据库、可擦除可编程只读存储器(EPROM)、电可擦除只读存储器(EEPROM)、只读存储器(ROM)等。
此外,根据本公开实施例的处理器可以调用来自存储介质的一个或多个存储指令中的至少一个指令并执行所调用的指令。该操作使设备能够根据调用的至少一个指令执行至少一个功能。一个或多个指令可以包括编译器生成的代码或解释器可执行的代码。处理器可以是通用处理器、现场可编程门阵列(FPGA)、ASIC、数字信号处理器(DSP)等。
可以以非暂时性存储介质的形式提供机器可读存储介质。这里,术语“非暂时性”仅表示存储介质是有形设备,但不包括信号(例如,电磁波)。因此,术语“非暂时性”不区分将数据半永久地存储在存储介质中的情况与临时存储数据的情况。
根据本公开的各种实施例的方法可以通过被包括在计算机程序产品中来提供。计算机程序产品可以作为商品在卖家和买家之间进行交易。计算机程序产品可以以机器可读存储介质(例如CD-ROM)的形式分配,也可以通过应用商店(例如Play Store)或在两个用户设备(例如,智能手机)之间直接在线(例如下载或上传)。在在线分配的情况下,至少部分计算机程序产品可以至少临时存储或临时生成在制造商的服务器、应用商店的服务器或诸如中继服务器的存储器的机器可读存储介质中。
根据各种实施例,每个构成元素(例如,模块或程序)可以由单个或多个实体组成。根据各种实施例,可以从上述对应的构成元素中省略一个或多个构成元素或操作,或者可以添加一个或多个其他构成元素或操作。可替代地或附加地,多个构成元素(例如,模块或程序)可以集成到单个构成元素中。在这种情况下,集成的构成元素可以以与集成之前由多个构成元素中的对应的构成元素执行的方式相同或相似的方式执行多个构成元素中的每一构成元素的一个或多个功能。根据各种实施例,由模块、程序或其他构成元素执行的操作可以以顺序、并行、重复或启发式方式执行;或者可以以不同的顺序执行或省略一个或多个操作,或者可以在操作中添加一个或多个不同的操作。
Claims (14)
1.一种无损检查装置,其特征在于,包括:
至少一个存储器,被配置为存储用于执行预定操作的指令;以及
至少一个处理器,可操作地耦合到所述至少一个存储器并被配置为执行所述指令,
其中,所述至少一个处理器被配置为:
通过将X射线发射到自行车的部件来获得X射线的透射量信息,
基于所述透射量信息生成灰度图像,
测量所述灰度图像中表示的所述自行车的所述部件沿所述部件的延伸方向从一端到另一端的灰度值变化量,以及
检测所述灰度值变化量等于或大于阈值的区域作为异常区域,
其中,在获取所述透射量信息时,所述处理器还被配置为:
通过将所述自行车的整体图像输入到使用所述自行车的各部件的图像数据集进行训练的第一神经网络模型来指定所述自行车的所述部件,所述自行车的相应所述部件的规格信息映射到所述图像数据集;以及
通过将所述X射线的发射位置调整到指定部件的位置,来获取所述指定部件的所述X射线的所述透射量信息。
2.如权利要求1所述的无损检查装置,其特征在于,所述X射线以60kV至70kV范围内的电压、11.0mA至12.0mA范围内的电流和0.4mm至1.0mm范围内的焦点(FOC)发射,以获得由碳形成的所述自行车的所述部件的灰度。
3.如权利要求1所述的无损检查装置,其特征在于,所述至少一个处理器被配置为:
将所述X射线的透射量强度重新调整为最小值0和最大值3500之间的任意单位强度,并根据所述自行车的所述部件选择第一模板、第二模板、第三模板、第四模板和第五模板中的一个模板,
其中,当选择所述第一模板时,仅将所述X射线的所述透射量强度重新调整为2216~2500的所述部件的部分转换为灰度;当选择所述第二模板时,仅将所述X射线的所述透射量强度重新调整为2108~3294的所述部件的部分转换为所述灰度;当选择所述第三模板时,仅将所述X射线的所述透射量强度重新调整为1893~2878的所述部件的部分转换为所述灰度;当选择所述第四模板时,仅将所述X射线的所述透射量强度重新调整为1257~2878的所述部件的部分转换为所述灰度;当选择所述第五模板时,仅将所述X射线的所述透射量强度重新调整为31~2410的所述部件的部分转换为所述灰度。
4.如权利要求1所述的无损检查装置,其特征在于,在测量所述灰度值变化量时,所述处理器还被配置为生成二维图形信息,其中所述灰度值变化量是用x轴和y轴测量的,所述x轴表示一点沿所述部件的所述延伸方向从所述一端到所述另一端的移动距离,所述y轴表示控制所述一点在所述x轴上移动时测量的灰度值。
5.如权利要求4所述的无损检查装置,其特征在于,在检测所述异常区域时,当在所述x轴的预定范围内所述y轴的变化量等于或大于预设阈值时,所述处理器还被配置为检测与一x轴长度对应的部分作为所述异常区域,其中,在所述x轴长度上产生等于或大于所述预设阈值的所述y轴的所述变化量。
6.如权利要求1所述的无损检查装置,其特征在于,在测量所述灰度值变化量时,所述处理器还被配置为生成三维图形信息,其中所述灰度值变化量是用Z轴、x轴和y轴测量的,所述Z轴表示在所述一端切割所述自行车的所述部件的切割线的长度,所述x轴表示所述切割线沿所述部件的所述延伸方向从所述一端到所述另一端的移动距离,所述y轴表示控制所述切割线在所述x轴上移动时测量的灰度的灰度值。
7.如权利要求6所述的无损检查装置,其特征在于,在检测所述异常区域时,当在所述x轴的预定范围内所述y轴的变化量等于或大于预设阈值时,所述处理器还被配置为检测与一x轴长度对应的部分作为所述异常区域,其中,在所述x轴长度上产生等于或大于所述预设阈值的所述y轴的所述变化量。
8.如权利要求7所述的无损检查装置,其特征在于,在检测所述异常区域时,所述处理器还被配置为检测产生所述y轴的所述变化量等于或大于所述预设阈值的所述x轴长度和z轴长度的三维区域,作为所述异常区域。
9.如权利要求1所述的无损检查装置,其特征在于,其中,所述规格信息包括指定所述部件类型的信息,以及用于对所述部件进行无损检查的所述X射线预设的电压、电流、焦距的信息。
10.如权利要求9所述的无损检查装置,其特征在于,所述第一神经网络是基于图像识别算法训练的,并且
所述自行车的各部件的所述图像数据集包括在所述图像的部件中标记了框架、车轮和动力传动系统的数据集。
11.如权利要求1所述的无损检查装置,其特征在于,所述至少一个处理器还被配置为:
在执行所述异常区域的检测后,基于所述异常区域的图像确定所述异常区域的类型,
其中,在确定所述异常区域的类型时,所述处理器还被配置为通过将所述异常区域的所述图像输入到使用所述自行车各部件的异常图像数据集进行训练的第二神经网络模型来确定所述异常区域的类别。
12.如权利要求11所述的无损检查装置,其特征在于,在确定所述异常区域的所述类型时,
所述处理器还被配置为
通过将基于所述异常区域的所述类别获得的折旧信息反映到包括所述异常区域的所述部件的规格信息来计算所述自行车的价格,以及
其中,所述规格信息包括指定所述部件的所述价格的信息。
13.如权利要求12所述的无损检查装置,其特征在于,所述第二神经网络是基于所述图像识别算法训练的,并且
所述自行车的各部件的所述异常图像数据集包括在所述图像的部分中标记了所述部件的破损、修复、加固、接合及孔隙的数据集。
14.一种由无损检查装置执行的无损检查方法,其特征在于,所述无损检查方法包括:
通过将X射线发射到自行车的部件来获得X射线的透射量信息;
基于所述透射量信息生成灰度图像;
测量所述灰度图像中表示的所述自行车的部件沿所述部件的延伸方向从一端到另一端的灰度值变化量;以及
检测所述灰度值变化量等于或大于阈值的区域作为异常区域,
其中所述获取所述透射量信息包括:
通过将所述自行车的整体图像输入到使用所述自行车的各部件的图像数据集进行训练的第一神经网络模型来指定所述自行车的所述部件,所述自行车的相应所述部件的规格信息映射到所述图像数据集;以及
通过将所述X射线的发射位置调整到指定部件的位置,来获取所述指定部件的所述X射线的所述透射量信息。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2021-0123908 | 2021-09-16 | ||
KR1020210123908A KR102390004B1 (ko) | 2021-09-16 | 2021-09-16 | 스케일 변화량 분석 기반의 자전거 비파괴 검사 장치, 방법, 및 컴퓨터 판독 가능한 기록 매체 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115825115A CN115825115A (zh) | 2023-03-21 |
CN115825115B true CN115825115B (zh) | 2024-03-29 |
Family
ID=78918658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211024597.4A Active CN115825115B (zh) | 2021-09-16 | 2022-08-25 | 自行车无损检查装置、方法、计算机可读存储介质 |
Country Status (5)
Country | Link |
---|---|
US (2) | US11585765B1 (zh) |
EP (1) | EP4152249A1 (zh) |
JP (2) | JP7282409B2 (zh) |
KR (2) | KR102390004B1 (zh) |
CN (1) | CN115825115B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102390004B1 (ko) * | 2021-09-16 | 2022-04-25 | 라이트브라더스 주식회사 | 스케일 변화량 분석 기반의 자전거 비파괴 검사 장치, 방법, 및 컴퓨터 판독 가능한 기록 매체 |
KR102636574B1 (ko) * | 2023-11-15 | 2024-02-14 | 주식회사 피에로컴퍼니 | 비파괴 검사를 이용한 딥러닝 기반 중고스마트기기 등급관리 방법 및 시스템 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004294287A (ja) * | 2003-03-27 | 2004-10-21 | Toshiba Corp | 非破壊検査装置 |
CN108303747A (zh) * | 2017-01-12 | 2018-07-20 | 清华大学 | 检查设备和检测枪支的方法 |
CN110108729A (zh) * | 2018-01-29 | 2019-08-09 | 韩国原子力研究院 | 非破坏性检查系统 |
WO2021029625A1 (ko) * | 2019-08-09 | 2021-02-18 | 레이디소프트 주식회사 | 투과영상 기반의 비파괴검사 방법, 비파괴검사 기능을 제공하는 방법 및 이를 위한 장치 |
KR20210024767A (ko) * | 2019-08-26 | 2021-03-08 | 레이디소프트 주식회사 | 투과영상 기반의 비파괴검사 기능을 제공하기 위한 방법 및 컴퓨터 판독 가능한 저장 매체 |
KR102269741B1 (ko) * | 2020-01-16 | 2021-06-29 | 테크밸리 주식회사 | 머신러닝을 이용한 오버랩 패턴의 엑스선 검사 방법 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5182775A (en) | 1990-01-12 | 1993-01-26 | Kawasaki Jukogyo Kabushiki Kaisha | Method of processing radiographic image data for detecting a welding defect |
JPH07119714B2 (ja) * | 1990-01-12 | 1995-12-20 | 川崎重工業株式会社 | 溶接欠陥の種類推定方法 |
JPH07119713B2 (ja) * | 1990-01-12 | 1995-12-20 | 川崎重工業株式会社 | 放射線試験での溶接欠陥像の自動抽出処理方法 |
FR2904421B1 (fr) * | 2006-07-28 | 2008-10-31 | Areva Np Sas | Procede de caracterisation non destructif, notammenent pour les particules de combustible nucleaire pour reacteur a haute temperature |
US8204291B2 (en) * | 2007-10-15 | 2012-06-19 | General Electric Company | Method and system for identifying defects in a radiographic image of a scanned object |
US10309893B2 (en) | 2015-12-21 | 2019-06-04 | The Boeing Company | Composite inspection |
US10571390B2 (en) | 2015-12-21 | 2020-02-25 | The Boeing Company | Composite inspection |
US10460470B2 (en) | 2017-07-06 | 2019-10-29 | Futurewei Technologies, Inc. | Recognition and reconstruction of objects with partial appearance |
JP7050470B2 (ja) * | 2017-11-21 | 2022-04-08 | 千代田化工建設株式会社 | 検査支援システム、学習装置、及び判定装置 |
JP7129669B2 (ja) | 2018-07-20 | 2022-09-02 | 株式会社エヌテック | ラベル付き画像データ作成方法、検査方法、プログラム、ラベル付き画像データ作成装置及び検査装置 |
JP7098591B2 (ja) | 2019-09-30 | 2022-07-11 | 本田技研工業株式会社 | 電極構造体検査方法 |
US11227378B2 (en) * | 2019-11-13 | 2022-01-18 | Software Ag | Systems and methods of generating datasets for training neural networks |
KR102157233B1 (ko) | 2020-02-20 | 2020-09-17 | 한국원자력연구원 | 중성자선과 엑스선을 이용하는 비파괴 검사 시스템 |
KR102390004B1 (ko) * | 2021-09-16 | 2022-04-25 | 라이트브라더스 주식회사 | 스케일 변화량 분석 기반의 자전거 비파괴 검사 장치, 방법, 및 컴퓨터 판독 가능한 기록 매체 |
-
2021
- 2021-09-16 KR KR1020210123908A patent/KR102390004B1/ko active IP Right Grant
- 2021-12-15 US US17/551,627 patent/US11585765B1/en active Active
- 2021-12-16 JP JP2021204296A patent/JP7282409B2/ja active Active
- 2021-12-16 EP EP21215220.1A patent/EP4152249A1/en active Pending
-
2022
- 2022-04-19 KR KR1020220047863A patent/KR102422482B1/ko active IP Right Grant
- 2022-08-25 CN CN202211024597.4A patent/CN115825115B/zh active Active
-
2023
- 2023-01-18 US US18/155,990 patent/US11846591B2/en active Active
- 2023-05-10 JP JP2023078095A patent/JP2023103351A/ja active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004294287A (ja) * | 2003-03-27 | 2004-10-21 | Toshiba Corp | 非破壊検査装置 |
CN108303747A (zh) * | 2017-01-12 | 2018-07-20 | 清华大学 | 检查设备和检测枪支的方法 |
CN110108729A (zh) * | 2018-01-29 | 2019-08-09 | 韩国原子力研究院 | 非破坏性检查系统 |
WO2021029625A1 (ko) * | 2019-08-09 | 2021-02-18 | 레이디소프트 주식회사 | 투과영상 기반의 비파괴검사 방법, 비파괴검사 기능을 제공하는 방법 및 이를 위한 장치 |
KR20210024767A (ko) * | 2019-08-26 | 2021-03-08 | 레이디소프트 주식회사 | 투과영상 기반의 비파괴검사 기능을 제공하기 위한 방법 및 컴퓨터 판독 가능한 저장 매체 |
KR102269741B1 (ko) * | 2020-01-16 | 2021-06-29 | 테크밸리 주식회사 | 머신러닝을 이용한 오버랩 패턴의 엑스선 검사 방법 |
Also Published As
Publication number | Publication date |
---|---|
JP7282409B2 (ja) | 2023-05-29 |
US20230152244A1 (en) | 2023-05-18 |
US11846591B2 (en) | 2023-12-19 |
JP2023043814A (ja) | 2023-03-29 |
KR102422482B1 (ko) | 2022-07-20 |
CN115825115A (zh) | 2023-03-21 |
JP2023103351A (ja) | 2023-07-26 |
US20230082405A1 (en) | 2023-03-16 |
KR102390004B1 (ko) | 2022-04-25 |
US11585765B1 (en) | 2023-02-21 |
EP4152249A1 (en) | 2023-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115825115B (zh) | 自行车无损检查装置、方法、计算机可读存储介质 | |
US20210166364A1 (en) | Automated inspection | |
KR102256181B1 (ko) | 강구조물의 도막 상태 검사 및 평가 방법과 이를 위한 시스템 | |
KR102360491B1 (ko) | 저감된 탄소 배출량 계산 기반의 자전거 응용 서비스 플랫폼 서버, 방법, 및 컴퓨터 판독 가능한 기록 매체 | |
CN113474814A (zh) | 用于对一种或多种材料执行表征的方法和系统 | |
CN107111871A (zh) | 从体图像记录确定局部质量测量 | |
CN102590247A (zh) | 一种基于x光图像处理技术的钢丝绳损伤检测方法 | |
CN112967249B (zh) | 一种基于深度学习的预制桥墩钢筋孔制造误差智能识别方法 | |
US11599986B2 (en) | Synthetic image generation for surface anomaly detection | |
CN116678826A (zh) | 一种基于快速立体重建的外观缺陷检测系统及方法 | |
KR102283197B1 (ko) | 상품의 유형을 결정하는 방법 및 디바이스 | |
CN117095236A (zh) | 一种用于评估叶根轮槽试验精确性的方法及系统 | |
JP2021154935A (ja) | 車両シミュレーションシステム、車両シミュレーション方法およびコンピュータプログラム | |
TW202020802A (zh) | 信息處理方法及計算機程序 | |
US20230281976A1 (en) | System and process for automatic interface recognition in tire product profiles | |
Zhang et al. | Automatic forgery detection for x-ray non-destructive testing of welding | |
CN115294430A (zh) | 一种基于传感器耦合的机器视觉垃圾识别定位技术 | |
KR20210000656A (ko) | 외관 검사 관리 시스템, 외관 검사 관리 장치, 외관 검사 관리 방법 및 프로그램 | |
Sun et al. | Research on Both the Classification and Quality Control Methods of the Car Seat Backrest Based on Machine Vision | |
JP2021056707A (ja) | 車両シミュレーションシステム、車両シミュレーション方法およびコンピュータプログラム | |
CN116664509A (zh) | 多模型协同决策的射线图像缺陷识别方法、系统和设备 | |
WO2023070154A1 (en) | Computer assisted inspection and modelling of fibre-reinforced plastic bicycle frames | |
Carratù et al. | An innovative method for log diameter measurements based on deep learning | |
Chaudhary et al. | Parcel Damage Classification using Computer Vision: A Deep Learning Approach for Shipment Quality Assessment | |
Ye et al. | Surface roughness grade evaluation of milling workpiece based on deep transfer learning |
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 |