CN115937217B - 一种利用3d卷积和相关性算子来自动检测腐蚀坑的方法 - Google Patents
一种利用3d卷积和相关性算子来自动检测腐蚀坑的方法 Download PDFInfo
- Publication number
- CN115937217B CN115937217B CN202310221069.6A CN202310221069A CN115937217B CN 115937217 B CN115937217 B CN 115937217B CN 202310221069 A CN202310221069 A CN 202310221069A CN 115937217 B CN115937217 B CN 115937217B
- Authority
- CN
- China
- Prior art keywords
- image
- correlation
- convolution
- corrosion
- width
- 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
Classifications
-
- 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
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种利用3D卷积和相关性算子来自动检测腐蚀坑的方法，基于三维点云的方法自动识别分析被测物表面上的腐蚀坑，自动判断腐蚀坑是否符合要求，具有有效提高工人工作效率、提高检测精度的特性；包括下述步骤：1）采用3D卷积和相关性算子构建腐蚀坑自动识别深度学习模型；2）训练腐蚀坑自动识别深度学习模型；3）输入点云至训练好的腐蚀坑自动识别深度学习模型直接识别出腐蚀坑位置及深度。
Description
技术领域
本发明涉及检测技术领域，具体的说，是一种利用3D卷积和相关性算子来自动检测腐蚀坑的方法。
背景技术
根据特种设备安全技术规范中的要求，压力容器、管道、锅炉、游乐设施、起重机械等特种设备在长期使用后，会出现腐蚀表面、凹坑现象，需要定期的对上述特种设备进行表面检测，并根据技术规范中的规格计算腐蚀是否允许存在，若不允许存在则特种设备应报废处理。
一般来说腐蚀坑都是采用人工手动测量的方式测量，如此将耗费极大的人力和物力，并且工作效率也极低。为此结合计算机技术进行检测的方式应运而生，目前一般凹坑、腐蚀坑、或缺陷检测在利用深度学习模型检测中，都是采用2D卷积网络进行检测，2D卷积网络在检测腐蚀坑时由于缺乏3D计算机制，且其缺乏让每个区域进行互相比较的机制来更鲁棒的判断是否存在腐蚀坑。
发明内容
本发明的目的在于提供一种利用3D卷积和相关性算子来自动检测腐蚀坑的方法，基于三维点云的方法自动识别分析被测物表面上的腐蚀坑，自动判断腐蚀坑是否符合要求，具有有效提高工人工作效率、提高检测精度的特性。
本发明通过下述技术方案实现：一种利用3D卷积和相关性算子来自动检测腐蚀坑的方法，包括下述步骤：
1)采用3D卷积和相关性算子构建腐蚀坑自动识别深度学习模型；
2)训练腐蚀坑自动识别深度学习模型；
3)输入点云至训练好的腐蚀坑自动识别深度学习模型直接识别出腐蚀坑位置及深度。
进一步为更好地实现本发明所述的一种利用3D卷积和相关性算子来自动检测腐蚀坑的方法，特别采用下述设置方式：所述步骤1)包括下述步骤：
1.1)深度图像预处理：以毫米为单位将输入的深度图像都除以250进行归一化处理；
1.2)将归一化后的深度图像输入到特征提取网络中，返回不同尺度的特征图；
1.3)将返回的不同尺度的特征图通过上采样算法统一缩放为448大小；
1.4)将步骤1.3)得到的特征图输入到相关性算子中计算得到相关性算子特征图；
1.5)将步骤1.4)产生的相关性算子特征图输入到5个“下采样+上采样”卷积算子中，计算得到新的特征图像；
1.6)将新的特征图像输入到1*1分类2D卷积中得到每个像素的分类结果，完成腐蚀坑自动识别深度学习模型的构建。
进一步为更好地实现本发明所述的一种利用3D卷积和相关性算子来自动检测腐蚀坑的方法，特别采用下述设置方式：所述步骤1.2)中，特征提取网络采用resnet50，且返回3个不同尺度的特征图。
进一步为更好地实现本发明所述的一种利用3D卷积和相关性算子来自动检测腐蚀坑的方法，特别采用下述设置方式：所述相关性算子的计算方式是：若其输入图像shape为[特征维，图像高，图像宽]，则通过遍历的方式，其输出的图像维度为[相关性宽度，特征维，图像高，图像宽]；其中，相关性宽度为每个区域与其他与其相邻的区域的比较的范围；如相关性宽度为2，则每个像素只比较其左右两侧的两个像素的区域大小。
进一步为更好地实现本发明所述的一种利用3D卷积和相关性算子来自动检测腐蚀坑的方法，特别采用下述设置方式：所述新的特征图像的维度为[相关性宽度*特征维，图像高，图像宽]。
进一步为更好地实现本发明所述的一种利用3D卷积和相关性算子来自动检测腐蚀坑的方法，特别采用下述设置方式：所述“下采样+上采样”卷积算子采用3D卷积算子，其遍历计算的维度是[相关性宽度，高度，宽度]，且输入宽度为3*3*3。
进一步为更好地实现本发明所述的一种利用3D卷积和相关性算子来自动检测腐蚀坑的方法，特别采用下述设置方式：所述步骤2)包括下述步骤：
2.1)将3D摄像机拍摄的大量带有或不带有腐蚀坑的被测物表面三维点云数据，通过人工标记的方式，对腐蚀坑进行语义分割方式的标注；
2.2)用三维重建数据集KTITTI2015数据对腐蚀坑自动识别深度学习模型训练500epoch，在400epoch时将学习率从0.001调整为0.0001；
2.3)将三维重建数据集KTITTI2015数据调整为步骤2.1)处理后所得数据，将学习率重新调整为0.001，利用adam算法递归训练60epoch后，将学习率调整为0.0001训练10epoch达到腐蚀坑自动识别深度学习模型收敛。
进一步为更好地实现本发明所述的一种利用3D卷积和相关性算子来自动检测腐蚀坑的方法，特别采用下述设置方式：所述被测物表面三维点云数据共50个。
进一步为更好地实现本发明所述的一种利用3D卷积和相关性算子来自动检测腐蚀坑的方法，特别采用下述设置方式：所述步骤3)包括下述步骤：
3.1)利用深度摄像机拍摄被测物表面后，生成三维点云图像。
3.2)将三维点云图像转换为深度图像；
3.3)将深度图像输入给训练好的腐蚀坑自动识别深度学习模型进行分析，具体为：
3.3.1)由于拍摄腐蚀坑的拍摄最优距离为22cm，因此将深度图像的深度值除以220进行归一化，提高模型的鲁棒性；
3.3.2)将步骤3.3.1)中的结果输入给训练好的腐蚀坑自动识别深度学习模型进行分析；
3.4)腐蚀坑自动识别深度学习模型返回关于各个位置的是否异常布尔值，具体为：
3.4.1)腐蚀坑自动识别深度学习模型返回关于各个位置的是否异常布尔值；
3.4.2)利用腐蚀膨胀算法过滤掉步骤3.4.1)返回结果中的不平滑或细长区域；
3.5)利用找轮廓算法，查找所有的异常高度联通区域，返回联通区域的左上角和右下角在图像中的像素坐标位置；
3.6)利用像素坐标位置求取缺陷联通区域的长、宽、深，具体包括下述步骤：
3.6.1)利用缺陷区域像素坐标位置，定位到缺陷在深度图像中的具体范围；
3.6.2)在此范围内查询最大值得到缺陷的最大深度，此最大深度即为判断缺陷是否超过腐蚀余量的依据；
3.6.3)画一矩形将缺陷区域包围起来，此矩形的长和宽即是缺陷的长、宽。
本发明与现有技术相比，具有以下优点及有益效果：
本发明基于三维点云的方法自动识别分析被测物表面上的腐蚀坑，自动判断腐蚀坑是否符合要求，具有有效提高工人工作效率、提高检测精度的特性。
本发明利用深度学习三维重建模型中的相关性算子结构，来使深度学习模型能够具有比较被测物表面不同区域高度的能力，达到了提高识别表面有异常高度区域的鲁棒性和精度的效果。
本发明采用三维重建数据集KTITTI2015对腐蚀坑自动识别深度学习模型进行预训练，有效提高腐蚀坑自动识别深度学习模型在析腐蚀坑时的鲁棒性。
具体实施方式
下面结合实施例对本发明作进一步地详细说明，但本发明的实施方式不限于此。
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
名词解释：
resnet50：2016年何凯明提出的残差网络论文。
shape：图像矩阵的行和列数量。
KTITTI2015：一个三维重建公开数据集。
epoch：训练网络的次数。
实施例1：
一种利用3D卷积和相关性算子来自动检测腐蚀坑的方法，包括下述步骤：
1)采用3D卷积和相关性算子构建腐蚀坑自动识别深度学习模型；
2)训练腐蚀坑自动识别深度学习模型；
3)输入点云至训练好的腐蚀坑自动识别深度学习模型直接识别出腐蚀坑位置及深度。
实施例2：
本实施例是在上述实施例的基础上进一步优化，与前述技术方案相同之处在此不再赘述，进一步为更好地实现本发明所述的一种利用3D卷积和相关性算子来自动检测腐蚀坑的方法，特别采用下述设置方式：所述步骤1)包括下述步骤：
1.1)深度图像预处理：由于检测距离一般都是25cm左右，因此以毫米为单位将输入的深度图像都除以250进行归一化处理；
1.2)将归一化后的深度图像输入到特征提取网络中，返回不同尺度的特征图；
1.3)将返回的不同尺度的特征图通过上采样算法统一缩放为448大小；
1.4)将步骤1.3)得到的特征图输入到相关性算子中计算得到相关性算子特征图；
1.5)将步骤1.4)产生的相关性算子特征图输入到5个“下采样+上采样”卷积算子中，计算得到新的特征图像；
1.6)将新的特征图像输入到1*1分类2D卷积中得到每个像素的分类结果，完成腐蚀坑自动识别深度学习模型的构建。
实施例3：
本实施例是在上述任一实施例的基础上进一步优化，与前述技术方案相同之处在此不再赘述，进一步为更好地实现本发明所述的一种利用3D卷积和相关性算子来自动检测腐蚀坑的方法，特别采用下述设置方式：所述步骤1.2)中，特征提取网络采用resnet50，且返回3个不同尺度的特征图。
实施例4：
本实施例是在上述任一实施例的基础上进一步优化，与前述技术方案相同之处在此不再赘述，进一步为更好地实现本发明所述的一种利用3D卷积和相关性算子来自动检测腐蚀坑的方法，特别采用下述设置方式：所述相关性算子的计算方式是：若其输入图像shape为[特征维，图像高，图像宽]，则通过遍历的方式，其输出的图像维度为[相关性宽度，特征维，图像高，图像宽]；其中，相关性宽度为每个区域与其他与其相邻的区域的比较的范围；如相关性宽度为2，则每个像素只比较其左右两侧的两个像素的区域大小。
实施例5：
本实施例是在上述任一实施例的基础上进一步优化，与前述技术方案相同之处在此不再赘述，进一步为更好地实现本发明所述的一种利用3D卷积和相关性算子来自动检测腐蚀坑的方法，特别采用下述设置方式：所述新的特征图像的维度为[相关性宽度*特征维，图像高，图像宽]。
实施例6：
本实施例是在上述任一实施例的基础上进一步优化，与前述技术方案相同之处在此不再赘述，进一步为更好地实现本发明所述的一种利用3D卷积和相关性算子来自动检测腐蚀坑的方法，特别采用下述设置方式：所述“下采样+上采样”卷积算子采用3D卷积算子，其遍历计算的维度是[相关性宽度，高度，宽度]，且输入宽度为3*3*3。
实施例7：
本实施例是在上述任一实施例的基础上进一步优化，与前述技术方案相同之处在此不再赘述，进一步为更好地实现本发明所述的一种利用3D卷积和相关性算子来自动检测腐蚀坑的方法，特别采用下述设置方式：所述步骤2)包括下述步骤：
2.1)将3D摄像机拍摄的大量带有或不带有腐蚀坑的被测物表面三维点云数据，通过人工标记的方式，对腐蚀坑进行语义分割方式的标注；
2.2)用三维重建数据集KTITTI2015数据对腐蚀坑自动识别深度学习模型训练500epoch，在400epoch时将学习率从0.001调整为0.0001；
2.3)将三维重建数据集KTITTI2015数据调整为步骤2.1)处理后所得数据，将学习率重新调整为0.001，利用adam算法递归训练60epoch后，将学习率调整为0.0001训练10epoch达到腐蚀坑自动识别深度学习模型收敛。
实施例8：
本实施例是在上述任一实施例的基础上进一步优化，与前述技术方案相同之处在此不再赘述，进一步为更好地实现本发明所述的一种利用3D卷积和相关性算子来自动检测腐蚀坑的方法，特别采用下述设置方式：所述被测物表面三维点云数据共50个。
实施例9：
本实施例是在上述任一实施例的基础上进一步优化，与前述技术方案相同之处在此不再赘述，进一步为更好地实现本发明所述的一种利用3D卷积和相关性算子来自动检测腐蚀坑的方法，特别采用下述设置方式：所述步骤3)包括下述步骤：
3.1)利用深度摄像机拍摄被测物表面后，生成三维点云图像。
3.2)将三维点云图像转换为深度图像；
3.3)将深度图像输入给训练好的腐蚀坑自动识别深度学习模型进行分析，具体为：
3.3.1)由于拍摄腐蚀坑的拍摄最优距离为22cm，因此将深度图像的深度值除以220进行归一化，提高模型的鲁棒性；
3.3.2)将步骤3.3.1)中的结果输入给训练好的腐蚀坑自动识别深度学习模型进行分析；
3.4)腐蚀坑自动识别深度学习模型返回关于各个位置的是否异常布尔值，具体为：
3.4.1)腐蚀坑自动识别深度学习模型返回关于各个位置的是否异常布尔值；
3.4.2)利用腐蚀膨胀算法过滤掉步骤3.4.1)返回结果中的不平滑或细长区域；
3.5)利用找轮廓算法，查找所有的异常高度联通区域，返回联通区域的左上角和右下角在图像中的像素坐标位置；
3.6)利用像素坐标位置求取缺陷联通区域的长、宽、深，具体包括下述步骤：
3.6.1)利用缺陷区域像素坐标位置，定位到缺陷在深度图像中的具体范围；
3.6.2)在此范围内查询最大值得到缺陷的最大深度，此最大深度即为判断缺陷是否超过腐蚀余量的依据；
3.6.3)画一矩形将缺陷区域包围起来，此矩形的长和宽即是缺陷的长、宽。
实施例10：
本实施例是在上述任一实施例的基础上进一步优化，与前述技术方案相同之处在此不再赘述，一种利用3D卷积和相关性算子来自动检测腐蚀坑的方法，包括下述步骤：
(1)采用3D卷积和相关性算子构建腐蚀坑自动识别深度学习模型，包括下述步骤：
(1.1)深度图像预处理：由于检测距离一般都是25cm左右，因此以毫米为单位将输入的深度图像都除以250进行归一化处理；
(1.2)将归一化后的深度图像输入到采用resnet50的特征提取网络中，返回3个不同尺度的特征图；
(1.3)将返回的不同尺度的特征图通过上采样算法统一缩放为448大小；
(1.4)将步骤(1.3)得到的特征图输入到相关性算子中计算得到相关性算子特征图，在相关性算子中计算时：若输入图像shape为[特征维，图像高，图像宽]，则通过遍历的方式，其输出的图像维度为[相关性宽度，特征维，图像高，图像宽]；其中，相关性宽度为每个区域与其他与其相邻的区域的比较的范围；如相关性宽度为2，则每个像素只比较其左右两侧的两个像素的区域大小；
(1.5)将步骤(1.4)产生的相关性算子特征图输入到5个“下采样+上采样”卷积算子中，将维度为[相关性宽度，特征维，图像高，图像宽]的相关性算子特征图转换为维度为[相关性宽度*特征维，图像高，图像宽]的新的特征图像；其中，“下采样+上采样”卷积算子采用3D卷积算子，其遍历计算的维度是[相关性宽度，高度，宽度]，且输入宽度为3*3*3；
(1.6)将新的特征图像输入到1*1分类2D卷积中得到每个像素的分类结果，完成腐蚀坑自动识别深度学习模型的构建。
(2)训练腐蚀坑自动识别深度学习模型，包括下述步骤：
(2.1)将3D摄像机拍摄的50个带有或不带有腐蚀坑的被测物表面三维点云数据，通过人工标记的方式，对腐蚀坑进行语义分割方式的标注；
(2.2)为提高鲁棒性，首先用三维重建数据集KTITTI2015数据对腐蚀坑自动识别深度学习模型训练500epoch，在400epoch时将学习率从0.001调整为0.0001；
(2.3)将三维重建数据集KTITTI2015数据调整为步骤(2.1)处理后所得数据，将学习率重新调整为0.001，利用adam算法递归训练60epoch后，将学习率调整为0.0001训练10epoch达到腐蚀坑自动识别深度学习模型收敛。
(3)输入点云至训练好的腐蚀坑自动识别深度学习模型直接识别出腐蚀坑位置及深度；包括下述具体步骤：
(3.1)利用深度摄像机拍摄被测物表面后，生成三维点云图像。
(3.2)将三维点云图像转换为深度图像；
(3.3)将深度图像输入给训练好的腐蚀坑自动识别深度学习模型进行分析，具体为：
(3.3.1)由于拍摄腐蚀坑的拍摄最优距离为22cm，因此将深度图像的深度值除以220进行归一化，提高模型的鲁棒性；
(3.3.2)将步骤(3.3.1)中的结果输入给训练好的腐蚀坑自动识别深度学习模型进行分析；
(3.4)腐蚀坑自动识别深度学习模型返回关于各个位置的是否异常布尔值，具体为：
(3.4.1)腐蚀坑自动识别深度学习模型返回关于各个位置的是否异常布尔值；
(3.4.2)利用腐蚀膨胀算法过滤掉步骤(3.4.1)返回结果中的不平滑或细长区域；
(3.5)利用找轮廓算法，查找所有的异常高度联通区域，返回联通区域的左上角和右下角在图像中的像素坐标位置；
(3.6)利用像素坐标位置求取缺陷联通区域的长、宽、深，具体包括下述步骤：
(3.6.1)利用缺陷区域像素坐标位置，定位到缺陷在深度图像中的具体范围；
(3.6.2)在此范围内查询最大值得到缺陷的最大深度，此最大深度即为判断缺陷是否超过腐蚀余量的依据；
(3.6.3)画一矩形将缺陷区域包围起来，此矩形的长和宽即是缺陷的长、宽。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。
Claims (6)
1.一种利用3D卷积和相关性算子来自动检测腐蚀坑的方法，其特征在于：包括下述步骤：
1）采用3D卷积和相关性算子构建腐蚀坑自动识别深度学习模型，包括下述步骤：
1.1）深度图像预处理：以毫米为单位将输入的深度图像都除以250进行归一化处理；
1.2）将归一化后的深度图像输入到特征提取网络中，返回不同尺度的特征图；
1.3）将返回的不同尺度的特征图通过上采样算法统一缩放为448大小；
1.4）将步骤1.3）得到的特征图输入到相关性算子中计算得到相关性算子特征图；所述相关性算子的计算方式是：若输入图像shape为[特征维，图像高，图像宽]，则通过遍历的方式，其输出的图像维度为[相关性宽度，特征维，图像高，图像宽]；其中，相关性宽度为每个区域与其他与其相邻的区域的比较的范围；
1.5）将步骤1.4）产生的相关性算子特征图输入到5个“下采样+上采样”卷积算子中，计算得到新的特征图像；所述“下采样+上采样”卷积算子采用3D卷积算子，其遍历计算的维度是[相关性宽度，高度，宽度]，且输入宽度为3*3*3；
1.6）将新的特征图像输入到1*1分类2D卷积中得到每个像素的分类结果，完成腐蚀坑自动识别深度学习模型的构建；
2）训练腐蚀坑自动识别深度学习模型；
3）输入点云至训练好的腐蚀坑自动识别深度学习模型直接识别出腐蚀坑位置及深度。
2.根据权利要求1所述的一种利用3D卷积和相关性算子来自动检测腐蚀坑的方法，其特征在于：所述步骤1.2）中，特征提取网络采用resnet50，且返回3个不同尺度的特征图。
3.根据权利要求1所述的一种利用3D卷积和相关性算子来自动检测腐蚀坑的方法，其特征在于：所述新的特征图像的维度为[相关性宽度*特征维，图像高，图像宽]。
4.根据权利要求1~3任一项所述的一种利用3D卷积和相关性算子来自动检测腐蚀坑的方法，其特征在于：所述步骤2）包括下述步骤：
2.1）将3D摄像机拍摄的大量带有或不带有腐蚀坑的被测物表面三维点云数据，通过人工标记的方式，对腐蚀坑进行语义分割方式的标注；
2.2）用三维重建数据集KTITTI2015数据对腐蚀坑自动识别深度学习模型训练500epoch，在400epoch时将学习率从0.001调整为0.0001；
2.3）将三维重建数据集KTITTI2015数据调整为步骤2.1）处理后所得数据，将学习率重新调整为0.001，利用adam算法递归训练60epoch后，将学习率调整为0.0001训练10epoch达到腐蚀坑自动识别深度学习模型收敛。
5.根据权利要求4所述的一种利用3D卷积和相关性算子来自动检测腐蚀坑的方法，其特征在于：所述被测物表面三维点云数据共50个。
6.根据权利要求1~3任一项所述的一种利用3D卷积和相关性算子来自动检测腐蚀坑的方法，其特征在于：所述步骤3）包括下述步骤：
3.1）利用深度摄像机拍摄被测物表面后，生成三维点云图像；
3.2）将三维点云图像转换为深度图像；
3.3）将深度图像输入给训练好的腐蚀坑自动识别深度学习模型进行分析；
3.4）腐蚀坑自动识别深度学习模型返回关于各个位置的是否异常布尔值；
3.5）利用找轮廓算法，查找所有的异常高度联通区域，返回联通区域的左上角和右下角在图像中的像素坐标位置；
3.6）利用像素坐标位置求取缺陷联通区域的长、宽、深。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310221069.6A CN115937217B (zh) | 2023-03-09 | 2023-03-09 | 一种利用3d卷积和相关性算子来自动检测腐蚀坑的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310221069.6A CN115937217B (zh) | 2023-03-09 | 2023-03-09 | 一种利用3d卷积和相关性算子来自动检测腐蚀坑的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115937217A CN115937217A (zh) | 2023-04-07 |
| CN115937217B true CN115937217B (zh) | 2023-05-12 |
Family
ID=85835769
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310221069.6A Active CN115937217B (zh) | 2023-03-09 | 2023-03-09 | 一种利用3d卷积和相关性算子来自动检测腐蚀坑的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115937217B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117408999B (zh) * | 2023-12-13 | 2024-02-20 | 安格利(成都)仪器设备有限公司 | 一种利用点云补全自动检测容器和管道腐蚀坑的方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110135454A (zh) * | 2019-04-02 | 2019-08-16 | 成都真实维度科技有限公司 | 一种基于3d断层扫描图数据集的深度学习模型训练方法 |
| CN113902769A (zh) * | 2021-08-18 | 2022-01-07 | 南方海洋科学与工程广东省实验室(广州) | 一种基于深度学习语义分割的地震断层识别方法 |
| CN114663382A (zh) * | 2022-03-18 | 2022-06-24 | 西安电子科技大学广州研究院 | 基于YOLOv5卷积神经网络的电子元器件表面缺陷检测方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113556496B (zh) * | 2020-04-23 | 2022-08-09 | 京东方科技集团股份有限公司 | 视频分辨率提升方法及装置、存储介质及电子设备 |
| CN112164082A (zh) * | 2020-10-09 | 2021-01-01 | 深圳市铱硙医疗科技有限公司 | 基于3d卷积神经网络分割多模态mr脑部图像方法 |
| CN112991422A (zh) * | 2021-04-27 | 2021-06-18 | 杭州云智声智能科技有限公司 | 一种基于空洞空间金字塔池化的立体匹配方法及系统 |
| CN114066819B (zh) * | 2021-10-25 | 2022-08-19 | 中国电器科学研究院股份有限公司 | 基于卷积神经网络深度学习的环境腐蚀严酷度识别方法 |
| CN114818774A (zh) * | 2022-03-15 | 2022-07-29 | 南京航空航天大学 | 一种基于多通道自校准卷积神经网络的齿轮箱智能故障诊断方法 |
| CN115457006B (zh) * | 2022-09-23 | 2023-08-22 | 华能澜沧江水电股份有限公司 | 基于相似一致性自蒸馏的无人机巡检缺陷分类方法及装置 |
| CN115619738A (zh) * | 2022-10-18 | 2023-01-17 | 宁德思客琦智能装备有限公司 | 一种模组侧缝焊焊后检测方法 |
-
2023
- 2023-03-09 CN CN202310221069.6A patent/CN115937217B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110135454A (zh) * | 2019-04-02 | 2019-08-16 | 成都真实维度科技有限公司 | 一种基于3d断层扫描图数据集的深度学习模型训练方法 |
| CN113902769A (zh) * | 2021-08-18 | 2022-01-07 | 南方海洋科学与工程广东省实验室(广州) | 一种基于深度学习语义分割的地震断层识别方法 |
| CN114663382A (zh) * | 2022-03-18 | 2022-06-24 | 西安电子科技大学广州研究院 | 基于YOLOv5卷积神经网络的电子元器件表面缺陷检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115937217A (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111507976B (zh) | 基于多角度成像的缺陷检测方法及系统 | |
| CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
| CN115937217B (zh) | 一种利用3d卷积和相关性算子来自动检测腐蚀坑的方法 | |
| CN105447512A (zh) | 一种精粗结合的光学表面缺陷的检测方法及装置 | |
| CN112330693A (zh) | 一种煤矸石检测方法及系统 | |
| Arjapure et al. | Deep learning model for pothole detection and area computation | |
| CN113240623A (zh) | 一种路面病害检测方法及装置 | |
| CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
| CN115597494A (zh) | 一种基于点云的预制构件预留孔的精度检测方法、系统 | |
| CN113705564A (zh) | 一种指针式仪表识别读数方法 | |
| CN116740036A (zh) | 一种钢管管端引熄弧板切割点位检测方法和系统 | |
| CN113822836A (zh) | 标记图像的方法 | |
| CN109934151B (zh) | 一种基于movidius计算芯片和Yolo face的人脸检测方法 | |
| CN117150838A (zh) | 一种基于视觉信息与物理融合的裂纹损伤智能评估方法 | |
| CN117036971A (zh) | 自适应局部空谱一致下的机载LiDAR数据建筑物提取方法 | |
| CN116524002A (zh) | 一种基于深度学习和双目相机的原木直径测量方法 | |
| CN116681653A (zh) | 一种三维点云提取方法及提取系统 | |
| Dai et al. | A study of an improved RCNN network model for surface defect detection algorithm of precision workpiece and its realisation | |
| WO2023085992A1 (en) | Image analysis of cut flowers | |
| Feng et al. | Liquid surface location of milk bottle based on digital image processing | |
| CN115082650A (zh) | 一种基于卷积神经网络的管道缺陷自动标注工具的实现方法 | |
| CN114332006A (zh) | 一种城垛缺失自动定量评估方法 | |
| CN115273009A (zh) | 基于深度学习的道路裂纹检测方法及系统 | |
| CN115423743A (zh) | 一种基于改进YOLOv5的热轧带钢表面缺陷检测方法 | |
| CN112037197A (zh) | 一种热轧棒材冷剪物料堆积检测方法、系统及介质 |
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 |