CN115841471A - 一种基于像素聚类Transformer模型算法的金属腐蚀度计算方法 - Google Patents
一种基于像素聚类Transformer模型算法的金属腐蚀度计算方法 Download PDFInfo
- Publication number
- CN115841471A CN115841471A CN202211555357.7A CN202211555357A CN115841471A CN 115841471 A CN115841471 A CN 115841471A CN 202211555357 A CN202211555357 A CN 202211555357A CN 115841471 A CN115841471 A CN 115841471A
- Authority
- CN
- China
- Prior art keywords
- metal
- corrosion
- area
- metal corrosion
- suspected
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明公开了一种基于像素聚类Transformer模型算法的金属腐蚀度计算方法,利用k‑means聚类算法生成伪标签,然后通过像素聚类Transformer模型进行自适应训练,将待测金属截面图像输入到训练好的模型中,最终得到金属腐蚀部分和金属腐蚀程度的识别结果,计算得到金属腐蚀度。本发明用于检测金属腐蚀部分和计算金属腐蚀度,与传统技术相比,能实现载入图像后完全自动进行处理;能更加方便工业相关人员在日常诊断金属腐蚀情况中的效率,并且大大的减少误差。
Description
技术领域
本发明涉及一种基于像素聚类Transformer模型算法的金属腐蚀度计算方法。
背景技术
金属材料受周围介质的作用而损坏,称为金属腐蚀。金属的锈蚀是最常见的腐蚀形态。腐蚀时,在金属的界面上发生了化学或电化学多相反应,使金属转入氧化(离子)状态。这会显著降低金属材料的强度、塑性、韧性等力学性能,破坏金属构件的几何形状,增加零件间的磨损,恶化电学和光学等物理性能,缩短设备的使用寿命,甚至造成火灾、爆炸等灾难性事故。腐蚀率是指单位时间内,单位面积上金属材料损失的重量,或单位时间内,金属材料损失的厚度。在实际应用中,腐蚀机理、腐蚀率及其原因分析的主要意义在于实现估计部件寿命期。不同的腐蚀过程取决于腐蚀层的类型,可以粗略地分为保护性腐蚀层和非保护性腐蚀层。目前,有关金属腐蚀度的全自动计算是工业上的难题。
机器学习越来越多的被应用于一些新兴的工业领域,拥有大量资源可用于将计算机科学和统计信息融合到工业问题中。机器学习的拥护者称赞它具有处理大型,复杂和不同数据的能力,并认为机器学习是工业研究,个性化工业,计算机辅助工业的未来,可显著促进全球工业水平的发展。机器学习的概念对于许多工业专业人士来说并不陌生,并且将机器学习用作研究工具还具有未开发的潜力。
每一张的金属横截面的图像图像色彩或者光强度存在显著差异,并且由于工业相关人员有大量的日常工作需要去做,让工业相关人员自己去手动的去标注金属横截面中的腐蚀部分然后计算每一张的金属横截面的图像腐蚀面积和腐蚀比例并不可行;所以将机器学习中的无监督算法应用到金属腐蚀度计算上,实现工业界和计算机科学的交叉已经是刻不容缓的事情。
发明内容
针对现有技术中存在的不足,本发明的目的在于,提供一种基于像素聚类Transformer模型算法的金属腐蚀度计算方法,设计并实现一个全自动金属腐蚀度计算系统,并且通过MATLAB中App designer的GUI可视化界面实现一个自动金属横截面的腐蚀面积和腐蚀比例系统;能更加方便工业相关人员在日常诊断金属腐蚀情况中的效率,并且大大的减少误差。
为了解决上述技术问题,本发明采用如下技术方案予以实现:
一种基于像素聚类Transformer模型算法的金属腐蚀度计算方法,包括以下步骤:
步骤1,数据输入及预处理:
输入金属截面图像样本,使用MATLAB中的全自动识别圆形区域函数找出金属截面图像中的金属整体部分,然后获取金属整体部分的RGB三通道像素值;从金属标准图像中找到干净的金属区域,对该区域进行中值滤波去噪,然后获取整个像素的平均RGB三通道像素值,作为标准金属色度像素;所述金属标准图像是指同一批次输入的金属截面图像样本中没有被腐蚀的金属截面图像;
步骤2,划分金属腐蚀部分和金属腐蚀程度:
步骤2.1,划分金属腐蚀部分:
将步骤1得到的金属整体部分的RGB三通道像素值与标准金属色度像素进行相减,负值部分为金属腐蚀部分;对金属腐蚀部分进行去噪处理,并使用MATLAB对去噪后的金属腐蚀部分进行可视化输出;
步骤2.2,划分金属腐蚀程度:
将步骤1得到的金属整体部分和步骤2.1得到的金属腐蚀部分进行重叠,然后将重叠后的金属腐蚀部分的图像的RGB像素值转化为灰度图像,其余部分的RGB像素值全部设置为255;对金属整体部分使用k=3的k-Means聚类算法进行聚类,得到金属腐蚀程度不同的三个类别,第一类是无腐蚀区域,第二类是疑似浅度腐蚀区域,第三类是疑似深度腐蚀区域;然后通过比较灰度值将第二类疑似浅度腐蚀区域和第三类疑似深度腐蚀区域精确划分为无腐蚀区域、浅度腐蚀区域和深度腐蚀区域;
步骤3,全自动识别:
将步骤2得到的不同金属腐蚀程度的聚类结果作为伪标签,将原金属截面图像和伪标签输入像素聚类Transformer模型算法进行训练,并且对训练好的模型参数进行保存;将待测金属截面图像输入到训练好的模型中,最终得到金属腐蚀部分和金属腐蚀程度的识别结果,使用MATLAB自带的计算区域面积函数对金属整体部分进行像素个数计算,然后对金属整体部分内各个位置进行遍历,计算金属腐蚀部分的像素个数,使用下述公式计算金属腐蚀度:
本发明还包括如下技术特征:
具体的,所述步骤2.2中,若第二类疑似浅度腐蚀区域聚类中心的灰度值大于200,则将该疑似浅度腐蚀区域划分为无腐蚀区域;若第二类疑似浅度腐蚀区域聚类中心灰度值小于200,则将该疑似浅度腐蚀区域划分为浅度腐蚀区域;若第三类疑似深度腐蚀区域聚类中心灰度值小于200,则将该疑似深度腐蚀区域划分为深度腐蚀区域。
本发明与现有技术相比,具有如下技术效果:
本发明应用一种基于弱监督学习的像素聚类Transformer模型算法的自动计算金属腐蚀度方法,用于检测金属腐蚀部分和计算金属腐蚀度,与传统技术相比,能实现载入图像后完全自动进行处理;通过MATLAB App Designer中的可视化方法得到检测金属腐蚀部分和计算金属腐蚀度。
本发明使用人工智能中弱监督学习,利用k-means聚类算法生成伪标签,然后通过像素聚类Transformer模型进行自适应训练,该方法可以快捷有效的针对大量金属腐蚀图像做出准确的聚类划分。MATLAB中App designer的GUI可视化界面实现一个金属腐蚀度进行全自动计算系统。编辑一个能够通过一键点击自动生成检测区域图像,并且提供了对全自动处理后的金属横截面图像进行腐蚀程度的划分。工业相关从业人员还可以根据该软件分析出的结果,结合自身需求,选择截图保存;方便快捷,易于上手。
附图说明
图1为本发明划分金属腐蚀部分流程图;
图2为本发明划分金属腐蚀程度流程图;
图3为本发明全自动识别流程图。
具体实施方式
以下给出本发明的具体实施例,需要说明的是本发明并不局限于以下具体实施例,凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。
实施例1:
本实施例提供一种基于像素聚类Transformer模型算法的金属腐蚀度计算方法,包括以下步骤:
步骤1,数据输入及预处理:
输入金属截面图像样本,使用MATLAB中的全自动识别圆形区域函数找出金属截面图像中的金属整体部分,然后获取金属整体部分的RGB三通道像素值;从金属标准图像中找到干净的金属区域,对该区域进行中值滤波去噪,然后获取整个像素的平均RGB三通道像素值,作为标准金属色度像素;所述金属标准图像是指同一批次输入的金属截面图像样本中没有被腐蚀的金属截面图像;
步骤2,划分金属腐蚀部分和金属腐蚀程度:
步骤2.1,划分金属腐蚀部分(Task1):
如图1所示,将步骤1得到的金属整体部分的RGB三通道像素值与标准金属色度像素进行相减,负值部分为金属腐蚀部分;使用腐蚀、膨胀、开操作和闭操作的组合对金属腐蚀部分进行去噪处理,以防止异常值的影响,并使用MATLAB对去噪后的金属腐蚀部分进行可视化输出;
步骤2.2,划分金属腐蚀程度(Task2):
如图2所示,将步骤1得到的金属整体部分和步骤2.1得到的金属腐蚀部分进行重叠,然后将重叠后的金属腐蚀部分的图像(重叠部分)的RGB像素值转化为灰度图像,其余部分(无腐蚀)的RGB像素值全部设置为255;对金属整体部分使用k=3的k-Means聚类算法进行聚类,得到金属腐蚀程度不同的三个类别,第一类是无腐蚀区域,第二类是疑似浅度腐蚀区域,第三类是疑似深度腐蚀区域;然后通过比较灰度值将第二类疑似浅度腐蚀区域和第三类疑似深度腐蚀区域精确划分为无腐蚀区域、浅度腐蚀区域和深度腐蚀区域;
若第二类疑似浅度腐蚀区域聚类中心的灰度值大于200,说明与背景的灰度基本相同,则将该疑似浅度腐蚀区域划分为无腐蚀区域;若第二类疑似浅度腐蚀区域聚类中心灰度值小于200,则将该疑似浅度腐蚀区域划分为浅度腐蚀区域;若第三类疑似深度腐蚀区域聚类中心灰度值小于200,则将该疑似深度腐蚀区域划分为深度腐蚀区域;
步骤3:全自动识别(Task3):
如图3所示,将步骤2得到的不同金属腐蚀程度的聚类结果作为伪标签,将原金属截面图像和伪标签输入像素聚类Transformer模型进行训练,并且对训练好的模型参数进行保存;将待测金属截面图像输入到训练好的模型中,最终得到金属腐蚀部分和金属腐蚀程度的识别结果,使用MATLAB自带的计算区域面积函数对金属整体部分进行像素个数(面积)计算,然后对金属整体部分内各个位置进行遍历,计算金属腐蚀部分的像素个数(面积),使用下述公式计算金属腐蚀度:
该像素聚类Transformer模型主要基于聚类和Transformer的思想,首先,使用Resnet-50模型作为前馈神经网络提取2048维特征;然后,采用跳跃连接的方法进行上采样操作,其中每一层跳跃连接之间添加kMax Decoder模块用来提取语义学信息;kMaxDecoder模块是基于Transformer Decoder中的多头注意力思想,将各个类别聚类中心作为原始输入,根据每一个跳跃连接层的特征进行更新,最后得到最终各个类别的聚类中心,作为语义学标签;将图像输入到网络中进行训练,并且对训练好的模型参数进行保存;最后,将需要检测的测试图像输入到保存好的模型中,最终得到识别结果,并按金属腐蚀度计算公式得到金属腐蚀比例。
Claims (2)
1.一种基于像素聚类Transformer模型算法的金属腐蚀度计算方法,其特征在于,包括以下步骤:
步骤1,数据输入及预处理:
输入金属截面图像样本,使用MATLAB中的全自动识别圆形区域函数找出金属截面图像中的金属整体部分,然后获取金属整体部分的RGB三通道像素值;从金属标准图像中找到干净的金属区域,对该区域进行中值滤波去噪,然后获取整个像素的平均RGB三通道像素值,作为标准金属色度像素;所述金属标准图像是指同一批次输入的金属截面图像样本中没有被腐蚀的金属截面图像;
步骤2,划分金属腐蚀部分和金属腐蚀程度:
步骤2.1,划分金属腐蚀部分:
将步骤1得到的金属整体部分的RGB三通道像素值与标准金属色度像素进行相减,负值部分为金属腐蚀部分;对金属腐蚀部分进行去噪处理,并使用MATLAB对去噪后的金属腐蚀部分进行可视化输出;
步骤2.2,划分金属腐蚀程度:
将步骤1得到的金属整体部分和步骤2.1得到的金属腐蚀部分进行重叠,然后将重叠后的金属腐蚀部分的图像的RGB像素值转化为灰度图像,其余部分的RGB像素值全部设置为255;对金属整体部分使用k=3的k-Means聚类算法进行聚类,得到金属腐蚀程度不同的三个类别,第一类是无腐蚀区域,第二类是疑似浅度腐蚀区域,第三类是疑似深度腐蚀区域;然后通过比较灰度值将第二类疑似浅度腐蚀区域和第三类疑似深度腐蚀区域精确划分为无腐蚀区域、浅度腐蚀区域和深度腐蚀区域;
步骤3,全自动识别:
将步骤2得到的不同金属腐蚀程度的聚类结果作为伪标签,将原金属截面图像和伪标签输入像素聚类Transformer模型算法进行训练,并且对训练好的模型参数进行保存;将待测金属截面图像输入到训练好的模型中,最终得到金属腐蚀部分和金属腐蚀程度的识别结果,使用MATLAB自带的计算区域面积函数对金属整体部分进行像素个数计算,然后对金属整体部分内各个位置进行遍历,计算金属腐蚀部分的像素个数,使用下述公式计算金属腐蚀度:
2.如权利要求1所述的基于像素聚类Transformer模型算法的金属腐蚀度计算方法,其特征在于,所述步骤2.2中,若第二类疑似浅度腐蚀区域聚类中心的灰度值大于200,则将该疑似浅度腐蚀区域划分为无腐蚀区域;若第二类疑似浅度腐蚀区域聚类中心灰度值小于200,则将该疑似浅度腐蚀区域划分为浅度腐蚀区域;若第三类疑似深度腐蚀区域聚类中心灰度值小于200,则将该疑似深度腐蚀区域划分为深度腐蚀区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211555357.7A CN115841471A (zh) | 2022-12-06 | 2022-12-06 | 一种基于像素聚类Transformer模型算法的金属腐蚀度计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211555357.7A CN115841471A (zh) | 2022-12-06 | 2022-12-06 | 一种基于像素聚类Transformer模型算法的金属腐蚀度计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115841471A true CN115841471A (zh) | 2023-03-24 |
Family
ID=85578094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211555357.7A Pending CN115841471A (zh) | 2022-12-06 | 2022-12-06 | 一种基于像素聚类Transformer模型算法的金属腐蚀度计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115841471A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563626A (zh) * | 2023-05-06 | 2023-08-08 | 南京工业大学 | 钢桥螺栓锈蚀率的预测方法 |
CN117760952A (zh) * | 2024-02-21 | 2024-03-26 | 中冶建筑研究总院(深圳)有限公司 | 钢结构耐久性评定方法、系统及装置 |
-
2022
- 2022-12-06 CN CN202211555357.7A patent/CN115841471A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563626A (zh) * | 2023-05-06 | 2023-08-08 | 南京工业大学 | 钢桥螺栓锈蚀率的预测方法 |
CN117760952A (zh) * | 2024-02-21 | 2024-03-26 | 中冶建筑研究总院(深圳)有限公司 | 钢结构耐久性评定方法、系统及装置 |
CN117760952B (zh) * | 2024-02-21 | 2024-06-04 | 中冶建筑研究总院(深圳)有限公司 | 钢结构耐久性评定方法、系统及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7138753B2 (ja) | 画像欠陥検出方法、装置、電子機器、記憶媒体および製品 | |
CN115841471A (zh) | 一种基于像素聚类Transformer模型算法的金属腐蚀度计算方法 | |
Khayatazad et al. | Detection of corrosion on steel structures using automated image processing | |
CN111353983B (zh) | 缺陷检测识别方法、装置、计算机可读介质及电子设备 | |
CN110570396A (zh) | 一种基于深度学习的工业产品缺陷检测方法 | |
CN113592828B (zh) | 基于工业内窥镜的无损检测方法及系统 | |
CN113870230B (zh) | 一种基于混合监督学习的表面异常检测方法 | |
Tsai et al. | Morphology-based defect detection in machined surfaces with circular tool-mark patterns | |
Chang et al. | A deep learning-based weld defect classification method using radiographic images with a cylindrical projection | |
KR102297232B1 (ko) | 형태학적 영상처리를 활용한 이상 탐지 방법 | |
CN116485735A (zh) | 缺陷检测方法、装置、电子设备及计算机可读存储介质 | |
Park et al. | Advanced cover glass defect detection and classification based on multi-DNN model | |
Chen et al. | Review of industry workpiece classification and defect detection using deep learning | |
Liu et al. | Deep learning for coating condition assessment with active perception | |
Lee et al. | Automation of trimming die design inspection by zigzag process between AI and CAD domains | |
Ma et al. | A hierarchical attention detector for bearing surface defect detection | |
Gu et al. | Segmentation and evaluation of crack image from aircraft fuel tank via atrous spatial pyramid fusion and hybrid attention network | |
Huang et al. | Machining surface roughness detection by adaptive deep fusion capsule network with low illumination and noise robustness | |
CN115049836B (zh) | 图像分割方法、装置、设备及存储介质 | |
CN116188445A (zh) | 一种产品表面缺陷的检测定位方法、装置及终端设备 | |
CN115311273A (zh) | 检测模型的训练方法、缺陷检测方法、装置及存储介质 | |
Rožanec et al. | Robust anomaly map assisted multiple defect detection with supervised classification techniques | |
Niu et al. | Learning trustworthy model from noisy labels based on rough set for surface defect detection | |
Lim et al. | Heat-vision based drone surveillance augmented by deep learning for critical industrial monitoring | |
Shin et al. | Visualization for explanation of deep learning-based defect detection model using class activation map |
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 |