CN116596867B - 一种用于焊接图像的目标检测方法 - Google Patents

一种用于焊接图像的目标检测方法 Download PDF

Info

Publication number
CN116596867B
CN116596867B CN202310499957.4A CN202310499957A CN116596867B CN 116596867 B CN116596867 B CN 116596867B CN 202310499957 A CN202310499957 A CN 202310499957A CN 116596867 B CN116596867 B CN 116596867B
Authority
CN
China
Prior art keywords
target detection
welding
cutting
information
processing
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
Application number
CN202310499957.4A
Other languages
English (en)
Other versions
CN116596867A (zh
Inventor
于兴华
崔金瀚
张宝鑫
王小鹏
邬竣韬
刘佳佳
李琰
但源
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Science And Technology Special Intelligence Technology Chongqing Co ltd
Original Assignee
Science And Technology Special Intelligence Technology Chongqing Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Science And Technology Special Intelligence Technology Chongqing Co ltd filed Critical Science And Technology Special Intelligence Technology Chongqing Co ltd
Priority to CN202310499957.4A priority Critical patent/CN116596867B/zh
Publication of CN116596867A publication Critical patent/CN116596867A/zh
Application granted granted Critical
Publication of CN116596867B publication Critical patent/CN116596867B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • 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
    • G06T2207/30152—Solder
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种用于焊接图像的目标检测方法，其中，方法包括：获取焊接图像样本集，对所述焊接图像样本集进行标注处理，得到标注处理图像集；其中，所述标注处理图像集包括：焊接图像和标注信息；针对所述标注处理图像集，通过多尺度滑动式重叠裁剪获得处理数据集和裁剪信息；根据所述处理数据集以及基于目标检测模型的焊接目标检测模型，得到所述处理数据集对应的处理焊接目标检测结果；根据所述处理焊接目标检测结果和所述裁剪信息，得到焊接目标检测结果。本发明能够有效提高模型的性能，尤其是对于尺寸较小的缺陷，提升效果显著。

Description

一种用于焊接图像的目标检测方法
技术领域
本发明涉及工业视觉检测技术领域，尤其涉及一种用于焊接图像的目标检测方法。
背景技术
随着科技的发展，工业科技也在不断更新迭代，在工业视觉领域中，视觉检测系统一般包括工业相机、光源、镜头和视觉软件，可以代替人工进行图像检测和目标识别等。在焊接图像的应用领域，经常使用工业视觉检测焊缝。
当前使用深度学习方法检测焊缝图像，直接将原始图片等比例或不等比例缩放至深度学习网络输入要求的尺寸，这种方式不适用于高分辨的焊缝图像，导致模型性能骤降：小尺寸缺陷(如气孔、微小裂纹等)无法正常检出；大量有用信息在缩放时丢失。
发明内容
基于此，有必要针对上述技术问题，提供一种用于焊接图像的目标检测方法。
一种用于焊接图像的目标检测方法，包括以下步骤：
获取焊接图像样本集，对所述焊接图像样本集进行标注处理，得到标注处理图像集；其中，所述标注处理图像集包括：焊接图像和标注信息；
针对所述标注处理图像集，通过多尺度滑动式重叠裁剪获得处理数据集和裁剪信息；
根据所述处理数据集以及基于目标检测模型的焊接目标检测模型，得到所述处理数据集对应的处理焊接目标检测结果；
根据所述处理焊接目标检测结果和所述裁剪信息，得到焊接目标检测结果。
在其中一个实施例中，一种用于焊接图像的目标检测方法，还包括：
按照预设比例将标注处理图像集分为焊接目标检测模型的训练集、以及用于验证焊接目标检测模型的验证集。
在其中一个实施例中，对所述焊接图像样本集进行标注处理，得到标注处理图像集，包括：
接收标注信息，根据所述标注信息对所述焊接图像样本集进行标注处理，得到标注处理图像集。
在其中一个实施例中，通过多尺度滑动式重叠裁剪获得处理数据集和裁剪信息，包括：
根据预设第一尺寸的滑框，滑动特定重叠区域进行裁剪，得到第一裁剪图片和第一裁剪位置信息，接收裁剪选择信息，对所述第一裁剪图片进行裁剪选择，得到第一处理图片；
根据预设第二尺寸的滑框，滑动特定重叠区域进行裁剪，得到第二裁剪图片和第二裁剪位置信息，接收裁剪选择信息，对所述第二裁剪图片进行裁剪选择，得到第二处理图片；
根据预设第三尺寸的滑框，滑动特定重叠区域进行裁剪，得到第三裁剪图片和第三裁剪位置信息，接收裁剪选择信息，对所述第三裁剪图片进行裁剪选择，得到第三处理图片；
将所述第一处理图片、所述第二处理图片和所述第三处理图片缩放至特定尺寸，得到处理数据集和缩放信息；
所述裁剪信息包括所述第一裁剪位置信息、所述第二裁剪位置信息、所述第三裁剪位置信息和所述缩放信息。
在其中一个实施例中，焊接目标检测模型的训练过程包括：
获取验证集中处理数据和训练集中处理数据，并确定验证集的处理数据对应的处理焊接目标检测结果；
以验证集中处理数据集作为目标检测模型源头输入，验证集中的处理数据对应的处理焊接目标检测结果为输出，结合预设损失函数，应用训练集中的处理数据，针对目标检测模型进行训练，获得焊接目标检测模型。
在其中一个实施例中，根据所述处理焊接目标检测结果和所述裁剪信息，得到焊接目标检测结果，包括：
根据所述裁剪信息对所述处理焊接目标检测结果进行拼接，得到拼接焊接目标检测结果；
对所述拼接焊接目标检测结果进行非极大值抑制处理，得到所述焊接目标检测结果。
在其中一个实施例中，一种用于焊接图像的目标检测方法，还包括，目标检测模型为CenterNet目标检测模型。
本发明可以将高分辨率图片多尺度滑动式重叠裁剪成若干子图片，这些子图片包含原图片的全部有效特征信息，便于深度学习网络进行学习训练与推理。
附图说明
图1为一个实施例中一种用于焊接图像的目标检测方法的流程示意图；
图2为一个实施例中一种多尺度滑动式重叠裁剪实例示意图；
图3为一个实施例中一种用于焊接图像的目标检测方法检测实例示意图。
具体实施方式
在进行本发明具体实施方式说明之前，先对本发明的整体构思进行如下说明：
本发明主要是焊缝目标检测过程研发的，目前使用深度学习方法检测焊缝图像，直接将原始图片等比例或不等比例缩放至深度学习网络输入要求的尺寸，这种方式不适用于高分辨的焊缝图像，导致模型性能骤降：小尺寸缺陷(如气孔、微小裂纹等)无法正常检出；大量有用信息在缩放时丢失。
发明人经过分析发现，出现上面的这些问题的主要原因是对于高分辨率的焊缝射线数字化图像，受硬件和模型的限制，无法使用深度网络单次学习其全部有效特征，将高分辨率图片多尺度滑动式重叠裁剪成若干子图片，使用子图片进行目标检测模型的训练就可以避免前述问题了。因此本发明提出了一种用于焊接图像的目标检测方法，获取焊接图像样本集，对焊接图像样本集进行人工标注，得到标注处理图像集，针对焊接图像样本集里的焊接图像，通过多尺度滑动式重叠裁剪获得处理数据集和裁剪信息，根据处理数据集以及基于目标检测模型的焊接目标检测模型，得到处理数据集的处理焊接目标检测结果，根据处理焊接目标检测结果和裁剪信息，得到焊接目标检测结果。
介绍完本发明的整体构思后，为了使本发明的目的、技术方案及优点更加清楚明白，下面通过具体实施方式结合附图对本发明做进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
在一个实施例中，如图1所示，提供了一种用于焊接图像的目标检测方法，包括以下步骤：
步骤S101，获取焊接图像样本集，对所述焊接图像样本集进行标注处理，得到标注处理图像集；其中，所述标注处理图像集包括：焊接图像和标注信息。
具体地，使用扫描仪对焊缝射线胶片扫描，得到数字化的焊接图像样本集，或直接使用射线成像数字化技术，拍摄工件焊缝，得到数字化的焊接图像样本集。对所述焊接图像样本集进行标注处理，得到标注处理图像集，标注类别包括各类缺陷、伪缺陷、焊缝等。
在此基础上，对所述焊接图像样本集进行标注处理，得到标注处理图像集，包括：
接收标注信息，根据所述标注信息对所述焊接图像样本集进行标注处理，得到标注处理图像集。
具体的，对焊接图像样本集进行人工标注，接受人工标注的标注信息，根据标注信息对焊接图像样本集进行标注处理，得到标注处理图像集。标注信息为标注框，标注框包括全部缺陷、伪缺陷、焊缝等。
在此基础上，一种用于焊接图像的目标检测方法，还包括：
按照预设比例将标注处理图像集分为焊接目标检测模型的训练集、以及用于验证焊接目标检测模型的验证集。
具体的，将标注处理图像集按照预设比例分成焊接目标检测模型的训练集、以及用于验证焊接目标检测模型的验证集，在实际应用中，基于整个标注处理图像集数据的大小，训练集数据和验证集数据的划分比例可以是6:4、7:3或8:2，对于庞大的数据可以使用9:1，甚至是99:1。具体训练集的划分方法有所不同，在本实施例中，训练集与验证集比例为9:1。
本实施例中，将标注处理图像集分为训练集和验证集，训练集为用于模型拟合的数据样本，在训练过程中对训练误差进行梯度下降，进行学习。验证集为当通过训练集训练出多个模型后，为了能找出效果最佳的模型，使用各个模型对验证集数据进行预测，并记录模型准确率。
步骤S102，针对所述标注处理图像集，通过多尺度滑动式重叠裁剪获得处理数据集和裁剪信息。
具体地，对图像进行多尺度滑动式重叠裁剪，裁剪过程同时将图像转为RGB24位图像。
在此基础上，通过多尺度滑动式重叠裁剪获得处理数据集和裁剪信息，包括：
根据预设第一尺寸的滑框，滑动特定重叠区域进行裁剪，得到第一裁剪图片和第一裁剪位置信息，接收裁剪选择信息，对所述第一裁剪图片进行裁剪选择，得到第一处理图片；
根据预设第二尺寸的滑框，滑动特定重叠区域进行裁剪，得到第二裁剪图片和第二裁剪位置信息，接收裁剪选择信息，对所述第二裁剪图片进行裁剪选择，得到第二处理图片；
根据预设第三尺寸的滑框，滑动特定重叠区域进行裁剪，得到第三裁剪图片和第三裁剪位置信息，接收裁剪选择信息，对所述第三裁剪图片进行裁剪选择，得到第三处理图片；
将所述第一处理图片、所述第二处理图片和所述第三处理图片缩放至特定尺寸，得到处理数据集和缩放信息；
所述裁剪信息包括所述第一裁剪位置信息、所述第二裁剪位置信息、所述第三裁剪位置信息和所述缩放信息。
具体的，第一尺寸的滑框为512x512尺寸滑框，第二尺寸的滑框为1024x1024尺寸滑框，第三尺寸的滑框为1536x1536尺寸滑框。
选用512x512尺寸滑框，每次滑动重叠25％区域进行裁剪，裁剪对焊接图像和其标注信息同时进行，得到第一裁剪图片和第一裁剪位置信息，对裁剪后的第一裁剪图像上的标注信息进行筛选，若目标框高或宽小于3像素则删除标注信息，同时删除焊缝信息，得到第一处理图片。
选用1024x1024尺寸滑框，每次滑动重叠25％区域进行裁剪，裁剪对焊接图像和其标注信息同时进行，得到第二裁剪图片和第二裁剪位置信息，对裁剪后的第二裁剪图片上的标注信息进行筛选，若目标框高或宽小于3像素则删除标注信息，同时删除焊缝信息，得到第二处理图片。
选用1536x1536尺寸滑框，每次滑动重叠25％区域进行裁剪，裁剪对焊接图像和其标注信息同时进行，得到第三裁剪图片和第三裁剪位置信息，对裁剪后的第三裁剪图片上的标注信息进行筛选，若目标框高或宽小于3像素则删除标注信息，同时删除焊缝信息，得到第三处理图片。
等比例将第一处理图像、第二处理图像、第三处理图像和标注信息缩放至512x512，保留焊缝信息，删除其余信息，得到处理数据集和缩放信息。
具体的，以一张焊接图像为例，使用多尺度滑动式重叠裁剪和缩放后，得到处理数据集，过程如图2所示。
在本实施例中，将第一处理图像、第二处理图像、第三处理图像和标注信息缩放至512x512，与目标检测网络的输入尺寸512x512x3相匹配；多尺度裁剪，不同缺陷尺寸不同，小尺寸的裁剪图片可以较好的训练小尺寸缺陷，而大尺寸的裁剪图片可以较好的训练大尺寸缺陷，综合提高模型性能；使用重叠裁剪，当缺陷正好位于裁剪边缘时，保证两次连续裁剪过程中有一次裁剪可以较大程度保留焊缝图像的有效特征，避免特征缺失导致模型性能下降；多尺度裁剪时删除较小尺寸焊缝图像信息，尺寸较小的焊缝图像包含特征较少，不利于模型进行学习和特征提取；多尺度裁剪时删除焊缝信息，焊缝的标注框往往占据整幅图像的大部分面积，裁剪的方式不利于模型整体识别焊缝区域特征；等比将图像缩放至512x512，这时，图像中缺陷尺寸均较小，不利于模型学习，删除缺陷等其余信息，而整体焊缝图像特征保留完整，便于模型进行学习；裁剪负责制作可学习的缺陷标注信息，缩放负责制作可学习的焊缝图像。
步骤S103，根据所述处理数据集以及基于目标检测模型的焊接目标检测模型，得到所述处理数据集对应的处理焊接目标检测结果。
具体地，将512x512尺寸大小的处理数据集输入到基于目标检测模型的焊接目标检测模型，得到512x512尺寸大小的处理数据集对应的处理焊接目标检测结果。
在此基础上，焊接目标检测模型的训练过程包括：
获取验证集中处理数据和训练集中处理数据，并确定验证集的处理数据对应的处理焊接目标检测结果；
以验证集中处理数据集作为目标检测模型源头输入，验证集中的处理数据对应的处理焊接目标检测结果为输出，结合预设损失函数，应用训练集中的处理数据，针对目标检测模型进行训练，获得焊接目标检测模型。
具体的，将训练集的处理数据输入到目标检测模型训练，在验证集的处理数据上进行性能评估，评估指标为平均精度mAP和损失函数loss，调整训练参数以获得性能最佳的焊接目标检测模型。
再本实施例中，在裁剪前完成训练集与验证集的划分，训练使用裁剪后的图像，保证训练集和验证集的图像能够表示完整图像。
在此基础上，所述目标检测模型为CenterNet目标检测模型。
在本实施例中，选用CenterNet目标检测模型原因：典型的AnchorFree目标检测模型，相较于传统的AnchorBase目标检测模型具有更高的召回率，更适应于缺陷识别类任务。
步骤S104，根据所述处理焊接目标检测结果和所述裁剪信息，得到焊接目标检测结果。
具体地，将512x512尺寸大小的处理数据集对应的处理焊接目标检测结果按照裁剪信息拼接回裁剪之前的图像。
在此基础上，根据所述处理焊接目标检测结果和所述裁剪信息，得到焊接目标检测结果，包括：
根据所述裁剪信息对所述处理焊接目标检测结果进行拼接，得到拼接焊接目标检测结果；
对所述拼接焊接目标检测结果进行非极大值抑制处理，得到所述焊接目标检测结果。
具体的，根据裁剪和缩放时的位置与尺寸信息，将所有结果进行整合拼接，进行非极大值抑制处理后返回原图坐标信息，得到最终焊接目标检测结果。具体，以一张焊缝图像为例，在焊接目标检测模型推理时，使用相同的裁剪缩放策略处理标注处理图像集，将处理得到的理数据集输入焊接目标检测模型推理，得到焊接目标检测模型推理的处理焊接目标检测结果，经过后处理拼接整合后，得到最终的焊接目标检测结果，过程如图3所示。
在本实施例中，模型推理时对数据的处理策略应与训练时保持一致；由于采用了多尺度、重叠等策略，存在某一缺陷在多幅裁剪图像中的情况，导致模型多次预测出该缺陷，使用非极大值抑制nms策略，即对重叠的检测框进行判断，从而删除同一缺陷的多个检测框。
本发明提供一种用于焊接图像的目标检测方法，相较于直接将标注处理图像集送入模型训练，多尺度滑动式重叠裁剪拼接的方法可以有效提高模型的性能，尤其是对于尺寸较小的缺陷，提升效果显著。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本公开实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本公开实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本公开实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本公开实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本公开实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本公开实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本公开实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (6)

1.一种用于焊接图像的目标检测方法，其特征在于，包括：
获取焊接图像样本集，对所述焊接图像样本集进行标注处理，得到标注处理图像集；其中，所述标注处理图像集包括：焊接图像和标注信息；
针对所述标注处理图像集，通过多尺度滑动式重叠裁剪获得处理数据集和裁剪信息；
根据所述处理数据集以及焊接目标检测模型，得到所述处理数据集对应的处理焊接目标检测结果；其中，所述焊接目标检测模型由目标检测模型训练获得；
根据所述处理焊接目标检测结果和所述裁剪信息，得到焊接目标检测结果；
其中，所述通过多尺度滑动式重叠裁剪获得处理数据集和裁剪信息，包括：
根据预设第一尺寸的滑框，滑动特定重叠区域进行裁剪，得到第一裁剪图片和第一裁剪位置信息，接收裁剪选择信息，对所述第一裁剪图片进行裁剪选择，得到第一处理图片；
根据预设第二尺寸的滑框，滑动特定重叠区域进行裁剪，得到第二裁剪图片和第二裁剪位置信息，接收裁剪选择信息，对所述第二裁剪图片进行裁剪选择，得到第二处理图片；
根据预设第三尺寸的滑框，滑动特定重叠区域进行裁剪，得到第三裁剪图片和第三裁剪位置信息，接收裁剪选择信息，对所述第三裁剪图片进行裁剪选择，得到第三处理图片；
将所述第一处理图片、所述第二处理图片和所述第三处理图片缩放至特定尺寸，得到处理数据集和缩放信息；
所述裁剪信息包括所述第一裁剪位置信息、所述第二裁剪位置信息、所述第三裁剪位置信息和所述缩放信息。
2.根据权利要求1所述一种用于焊接图像的目标检测方法，其特征在于，还包括：
按照预设比例将标注处理图像集分为焊接目标检测模型的训练集、以及用于验证焊接目标检测模型的验证集。
3.根据权利要求1所述一种用于焊接图像的目标检测方法，其特征在于，所述对所述焊接图像样本集进行标注处理，得到标注处理图像集，包括：
接收标注信息，根据所述标注信息对所述焊接图像样本集进行标注处理，得到标注处理图像集。
4.根据权利要求2所述一种用于焊接图像的目标检测方法，其特征在于，所述焊接目标检测模型的训练过程包括：
获取验证集中处理数据和训练集中处理数据，并确定验证集的处理数据对应的处理焊接目标检测结果；
以验证集中处理数据集作为目标检测模型源头输入，验证集中的处理数据对应的处理焊接目标检测结果为输出，结合预设损失函数，应用训练集中的处理数据，针对目标检测模型进行训练，获得焊接目标检测模型。
5.根据权利要求4所述一种用于焊接图像的目标检测方法，其特征在于，所述根据所述处理焊接目标检测结果和所述裁剪信息，得到焊接目标检测结果，包括：
根据所述裁剪信息对所述处理焊接目标检测结果进行拼接，得到拼接焊接目标检测结果；
对所述拼接焊接目标检测结果进行非极大值抑制处理，得到所述焊接目标检测结果。
6.根据权利要求3所述一种用于焊接图像的目标检测方法，其特征在于，还包括：所述目标检测模型为CenterNet目标检测模型。
CN202310499957.4A 2023-05-05 2023-05-05 一种用于焊接图像的目标检测方法 Active CN116596867B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310499957.4A CN116596867B (zh) 2023-05-05 2023-05-05 一种用于焊接图像的目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310499957.4A CN116596867B (zh) 2023-05-05 2023-05-05 一种用于焊接图像的目标检测方法

Publications (2)

Publication Number Publication Date
CN116596867A CN116596867A (zh) 2023-08-15
CN116596867B true CN116596867B (zh) 2024-02-13

Family

ID=87607233

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310499957.4A Active CN116596867B (zh) 2023-05-05 2023-05-05 一种用于焊接图像的目标检测方法

Country Status (1)

Country Link
CN (1) CN116596867B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104036495A (zh) * 2014-05-22 2014-09-10 南京航空航天大学 一种焊接缺陷提取方法及焊接缺陷检测方法
CN108921825A (zh) * 2018-06-12 2018-11-30 北京羽医甘蓝信息技术有限公司 基于深度学习的检测面部皮肤点状缺陷的方法及装置
CN111612730A (zh) * 2019-02-23 2020-09-01 妙微(杭州)科技有限公司 一种焊缝检测定位方法
CN111681232A (zh) * 2020-06-10 2020-09-18 厦门理工学院 基于语义分割的工业焊接图像缺陷的检测方法
CN111768405A (zh) * 2020-08-05 2020-10-13 赛维森(广州)医疗科技服务有限公司 处理标注图像的方法、装置、设备和存储介质
CN112150407A (zh) * 2019-10-30 2020-12-29 重庆大学 针对小样本的航天复合材料夹杂缺陷的深度学习检测方法及系统
WO2021098796A1 (zh) * 2019-11-20 2021-05-27 Oppo广东移动通信有限公司 图像处理方法、装置、设备及计算机可读存储介质
CN113610822A (zh) * 2021-08-13 2021-11-05 湖南大学 一种基于多尺度信息融合的表面缺陷检测方法
CN113689390A (zh) * 2021-08-06 2021-11-23 广东工业大学 一种无缺陷样本学习的异常检测方法
CN114255223A (zh) * 2021-12-21 2022-03-29 中国地质大学（武汉） 基于深度学习的双阶段卫浴陶瓷表面缺陷检测方法和设备
CN114387266A (zh) * 2022-01-19 2022-04-22 北京大学第一医院 结核杆菌检测模型的训练方法、装置、设备及存储介质
WO2022127071A1 (zh) * 2020-12-18 2022-06-23 上海商汤智能科技有限公司 网络训练方法、图像分割方法、装置、设备、介质及产品
CN115829965A (zh) * 2022-11-29 2023-03-21 重庆邮电大学 一种基于深度学习的x射线图像中气孔缺陷的检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110189340B (zh) * 2019-06-03 2022-01-21 北京达佳互联信息技术有限公司 图像分割方法、装置、电子设备及存储介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104036495A (zh) * 2014-05-22 2014-09-10 南京航空航天大学 一种焊接缺陷提取方法及焊接缺陷检测方法
CN108921825A (zh) * 2018-06-12 2018-11-30 北京羽医甘蓝信息技术有限公司 基于深度学习的检测面部皮肤点状缺陷的方法及装置
CN111612730A (zh) * 2019-02-23 2020-09-01 妙微(杭州)科技有限公司 一种焊缝检测定位方法
CN112150407A (zh) * 2019-10-30 2020-12-29 重庆大学 针对小样本的航天复合材料夹杂缺陷的深度学习检测方法及系统
WO2021098796A1 (zh) * 2019-11-20 2021-05-27 Oppo广东移动通信有限公司 图像处理方法、装置、设备及计算机可读存储介质
CN111681232A (zh) * 2020-06-10 2020-09-18 厦门理工学院 基于语义分割的工业焊接图像缺陷的检测方法
CN111768405A (zh) * 2020-08-05 2020-10-13 赛维森(广州)医疗科技服务有限公司 处理标注图像的方法、装置、设备和存储介质
WO2022127071A1 (zh) * 2020-12-18 2022-06-23 上海商汤智能科技有限公司 网络训练方法、图像分割方法、装置、设备、介质及产品
CN113689390A (zh) * 2021-08-06 2021-11-23 广东工业大学 一种无缺陷样本学习的异常检测方法
CN113610822A (zh) * 2021-08-13 2021-11-05 湖南大学 一种基于多尺度信息融合的表面缺陷检测方法
CN114255223A (zh) * 2021-12-21 2022-03-29 中国地质大学（武汉） 基于深度学习的双阶段卫浴陶瓷表面缺陷检测方法和设备
CN114387266A (zh) * 2022-01-19 2022-04-22 北京大学第一医院 结核杆菌检测模型的训练方法、装置、设备及存储介质
CN115829965A (zh) * 2022-11-29 2023-03-21 重庆邮电大学 一种基于深度学习的x射线图像中气孔缺陷的检测方法

Also Published As

Publication number Publication date
CN116596867A (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
TWI709091B (zh) 圖像處理方法和裝置
CN110276767B (zh) 图像处理方法和装置、电子设备、计算机可读存储介质
KR101896406B1 (ko) 블랙박스 영상을 이용한 딥러닝 기반의 픽셀 단위 도로 크랙 검출 장치 및 그 방법, 그리고 이 방법을 실행시키기 위해 컴퓨터가 판독 가능한 기록매체에 저장된 컴퓨터 프로그램
KR101662846B1 (ko) 아웃 포커싱 촬영에서 빛망울 효과를 생성하기 위한 장치 및 방법
CN111160301B (zh) 基于机器视觉的隧道病害目标智能识别及提取方法
KR20190088089A (ko) 용접 표면 결점 검출 장치 및 방법
US20030161506A1 (en) Face detection computer program product for redeye correction
CN110675407B (zh) 一种图像实例分割方法、装置、电子设备及存储介质
CN110650292A (zh) 辅助用户拍摄车辆视频的方法及装置
CN111079730B (zh) 一种在界面图中确定样图所在区域的方法和电子设备
CN115880288B (zh) 电子元件焊接的检测方法、系统及计算机设备
JP5437414B2 (ja) 画像処理装置、画像処理方法、プログラムおよび記録媒体
CN111798422B (zh) 棋盘格角点识别方法、装置、设备及存储介质
CN116309409A (zh) 一种焊缝缺陷检测方法、系统和存储介质
CN114581445B (zh) 点胶产品分段检测方法、系统、设备及存储介质
CN110599514B (zh) 图像分割的方法、装置、电子设备及存储介质
US9258490B2 (en) Smoothing of ghost maps in a ghost artifact detection method for HDR image creation
JP2019209734A (ja) 軌道識別装置
CN112991159B (zh) 人脸光照质量评估方法、系统、服务器与计算机可读介质
CN116596867B (zh) 一种用于焊接图像的目标检测方法
CN111179245B (zh) 图像质量检测方法、装置、电子设备和存储介质
CN112200775A (zh) 图像清晰度检测方法、装置、电子设备及存储介质
CN116596895A (zh) 一种变电设备图像缺陷识别方法及系统
CN110992257B (zh) 基于深度学习的遥感影像敏感信息自动屏蔽方法及装置
CN114663299A (zh) 适用于煤矿井下的图像去雾模型的训练方法及其装置

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