CN116630323A - 一种稠密金属腐蚀深度自动计算方法、系统、介质和设备 - Google Patents
一种稠密金属腐蚀深度自动计算方法、系统、介质和设备 Download PDFInfo
- Publication number
- CN116630323A CN116630323A CN202310911558.4A CN202310911558A CN116630323A CN 116630323 A CN116630323 A CN 116630323A CN 202310911558 A CN202310911558 A CN 202310911558A CN 116630323 A CN116630323 A CN 116630323A
- Authority
- CN
- China
- Prior art keywords
- corrosion
- metal
- ray image
- virtual
- depth
- 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.)
- Granted
Links
- 230000007797 corrosion Effects 0.000 title claims abstract description 389
- 238000005260 corrosion Methods 0.000 title claims abstract description 298
- 239000002184 metal Substances 0.000 title claims abstract description 152
- 238000004364 calculation method Methods 0.000 title claims description 15
- 230000008439 repair process Effects 0.000 claims abstract description 97
- 230000007547 defect Effects 0.000 claims abstract description 65
- 230000011218 segmentation Effects 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 34
- 239000000463 material Substances 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000005540 biological transmission Effects 0.000 claims abstract description 8
- 230000004927 fusion Effects 0.000 claims description 11
- 230000003628 erosive effect Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 239000007769 metal material Substances 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 2
- 238000011049 filling Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 28
- 238000012549 training Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 238000005530 etching Methods 0.000 description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 3
- 230000008485 antagonism Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009972 noncorrosive effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000003466 welding 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明提出了一种稠密金属腐蚀深度自动计算方法、系统、介质和设备,涉及无损检测以及图像处理领域,通过训练好的腐蚀分割模型,对腐蚀金属的原始X射线图像进行腐蚀分割,得到腐蚀缺陷二值掩码;将腐蚀金属的原始X射线图像和腐蚀缺陷二值掩码输入到训练好的腐蚀修复模型中进行腐蚀修复,得到修复后的金属X射线图像;基于腐蚀金属的原始X射线图像与修复后的金属X射线图像,利用灰度值与透射材料厚度的指数关系,得到包含稠密腐蚀深度信息的腐蚀深度图;本发明对腐蚀金属的原始X射线图像中的腐蚀区域进行分割及修复,自动计算稠密金属腐蚀深度,从而有效突破以往缺陷检测算法无法自动估计稠密腐蚀深度的技术瓶颈。
Description
技术领域
本发明属于无损检测以及图像处理领域,尤其涉及一种稠密金属腐蚀深度自动计算方法、系统、介质和设备。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
近年来,现代工业正迅速向自动化、智能化方向发展,自动缺陷及问题检测是其中重要的一环;金属作为一种重要材料广泛应用于桥梁、船舶、机床等多种日常生活生产设备,然而金属在服役过程中不可避免与水、空气等介质进行接触,进而发生腐蚀;腐蚀会显著降低材料强度,缩短使用寿命,甚至造成重大安全事故,及时有效地腐蚀检测是降低因腐蚀带来的安全隐患及经济损失的重要措施之一。
当前,常用的腐蚀检测方法有:涡流检测法、热成像检测法、漏磁检测法、超声检测法等等,然而以上方法要么仅适用于裸露的表面腐蚀,要么不能直观显示腐蚀缺陷的形状和大小;X射线检测法因其良好的穿透性和直观性而得到广泛应用,该方法利用材料密度或厚度不同对于射线吸收程度不同的原理,获得反映被检器件内部结构的射线图像,从而进行缺陷检测;X射线检测的原理如下:由X射线发生器发出X射线,X射线穿透被检物体后,由成像探测器接收并经模数转换形成数字图像,X射线图像可以直观显示缺陷位置、形状、大小等重要腐蚀信息;综上,X射线检测法具有良好的穿透性和直观性,因此适用于金属腐蚀缺陷精确检测。
目前,基于X射线的缺陷自动检测方法已成功应用于铸件缺陷、焊缝缺陷、航天器复合结构缺陷、轮毂缺陷等多个缺陷检测领域;然而,以往算法主要以图像分类、目标检测或图像分割形式处理缺陷检测问题,无法进行腐蚀深度估计;腐蚀深度是反映金属腐蚀程度的重要参数,因此腐蚀深度的准确估计对于保护人们的生命财产安全具有重要意义,而现有基于X射线的缺陷深度检测方法强烈依赖人机交互,并且只能获得人工选取局部区域的平均缺陷深度,无法获得腐蚀区域稠密的腐蚀深度分布图。
上述分析可见:现有缺陷检测算法无法检测稠密腐蚀深度,进而无法利用稠密腐蚀深度信息做进一步量化分析。实现稠密金属腐蚀深度自动计算可以突破现有缺陷检测方法的技术瓶颈,大力推进金属设备腐蚀检测自动化的发展。
发明内容
为克服上述现有技术的不足,本发明提供了一种稠密金属腐蚀深度自动计算方法、系统、介质和设备,对X射线图像中的腐蚀区域进行分割及修复,自动计算稠密金属腐蚀深度,从而有效克服以往缺陷检测算法无法自动估计稠密腐蚀深度的技术瓶颈。
为实现上述目的,本发明的一个或多个实施例提供了如下技术方案:
本发明第一方面提供了一种稠密金属腐蚀深度自动计算方法。
一种稠密金属腐蚀深度自动计算方法,包括:
通过训练好的腐蚀分割模型,对腐蚀金属的原始X射线图像进行腐蚀分割,得到腐蚀缺陷二值掩码;
将腐蚀金属的原始X射线图像和腐蚀缺陷二值掩码输入到训练好的腐蚀修复模型中进行腐蚀修复,得到修复后的金属X射线图像;
基于腐蚀金属的原始X射线图像与修复后的金属X射线图像,利用灰度值与透射材料厚度的指数关系,计算腐蚀深度,得到包含稠密腐蚀深度信息的腐蚀深度图,所述腐蚀深度图与腐蚀金属的原始X射线图像具有相同尺寸,其中每个像素点的像素值表示该像素位置的腐蚀深度;
其中,腐蚀分割模型和腐蚀修复模型采用基于像素级腐蚀深度标注的虚拟腐蚀金属X射线图像数据集进行训练;所述虚拟腐蚀金属X射线图像数据集的构建,是基于生成对抗网络生成虚拟腐蚀单元等高线图,在虚拟腐蚀单元等高线图上进行插值,得到虚拟腐蚀单元,将真实的无腐蚀金属X射线图像与虚拟腐蚀单元进行融合,得到虚拟腐蚀金属X射线图像及其对应的像素级腐蚀深度真值标注图。
进一步的,所述腐蚀金属的原始X射线图像,是X射线成像设备拍摄得到的腐蚀金属材料的X射线灰度图像。
进一步的,所述腐蚀分割模型,以YOLOV8为主干网络,通过特征提取、多尺度特征融合、目标实例分割和实例分割结果融合,得到腐蚀缺陷二值掩码。
进一步的,所述腐蚀缺陷二值掩码,是一幅与原始X射线图像相同尺寸的黑白二值图像,腐蚀区域每个像素点的像素值为1,正常区域每个像素点的像素值为0。
进一步的,所述腐蚀修复模型,以图像修复算法Large Mask Inpainting为主干网络,修复腐蚀缺陷二值掩码标识出的腐蚀区域,获得修复后的金属X射线图像。
进一步的,所述腐蚀修复模型,采用一个包含低分辨率修复分支和高分辨率修复分支的修复架构,两个分支使用相同的修复网络处理不同分辨率的输入。
进一步的,所述修复网络,首先对腐蚀金属原始X射线图像和腐蚀缺陷二值掩码的合并图进行下采样处理;然后通过基于快速傅里叶卷积构建的残差模块,获得覆盖整幅图像的大尺度感受野下的图像特征;最后使用基于转置卷积构建的上采样模块对图像特征进行上采样处理,得到修复后的图像。
进一步的,所述得到包含稠密腐蚀深度信息的腐蚀深度图,具体为:
(1)估算每个像素的腐蚀深度,公式为:
其中,表示腐蚀金属原始X射线图像/>中第/>个像素的灰度值,,/>表示图像中的像素个数,/>表示修复后X射线图像/>中第/>个像素的灰度值,/>,/>表示衰减系数;
(2)基于每个像素点的腐蚀深度,得到像素级的腐蚀深度图。
进一步的,所述将真实的无腐蚀金属X射线图像与虚拟腐蚀单元进行融合,具体为:
将真实的无腐蚀金属X射线图像进行前景分割,得到前景区域,即被检测金属材料所在区域,在前景区域中生成虚拟腐蚀区域,用来随机放置虚拟腐蚀单元,经过放置、填充、叠加、归一化和图像融合,得到虚拟腐蚀金属X射线图像及其对应的像素级腐蚀深度真值标注图。
本发明第二方面提供了一种稠密金属腐蚀深度自动计算系统。
一种稠密金属腐蚀深度自动计算系统,包括腐蚀分割模块、腐蚀修复模块和腐蚀深度计算模块:
腐蚀分割模块,被配置为:通过训练好的腐蚀分割模型,对腐蚀金属的原始X射线图像进行腐蚀分割,得到腐蚀缺陷二值掩码;
腐蚀修复模块,被配置为:将腐蚀金属的原始X射线图像和腐蚀缺陷二值掩码输入到训练好的腐蚀修复模型中进行腐蚀修复,得到修复后的金属X射线图像;
腐蚀深度计算模块,被配置为:基于腐蚀金属的原始X射线图像与修复后的金属X射线图像,利用灰度值与透射材料厚度的指数关系,计算腐蚀深度,得到包含稠密腐蚀深度信息的腐蚀深度图,所述腐蚀深度图与腐蚀金属的原始X射线图像具有相同尺寸,其中每个像素点的像素值表示该像素位置的腐蚀深度;
其中,腐蚀分割模型和腐蚀修复模型采用基于像素级腐蚀深度标注的虚拟腐蚀金属X射线图像数据集进行训练;所述虚拟腐蚀金属X射线图像数据集的构建,是基于生成对抗网络生成虚拟腐蚀单元等高线图,在虚拟腐蚀单元等高线图上进行插值,得到虚拟腐蚀单元,将真实的无腐蚀金属X射线图像与虚拟腐蚀单元进行融合,得到虚拟腐蚀金属X射线图像及其对应的像素级腐蚀深度真值标注图。
本发明第三方面提供了计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本发明第一方面所述的一种稠密金属腐蚀深度自动计算方法中的步骤。
本发明第四方面提供了电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发明第一方面所述的一种稠密金属腐蚀深度自动计算方法中的步骤。
以上一个或多个技术方案存在以下有益效果:
本发明对X射线图像中的腐蚀区域进行分割及修复,利用灰度值与透射材料厚度的指数关系,自动计算稠密金属腐蚀深度,从而有效突破以往缺陷检测算法无法自动估计稠密腐蚀深度的技术瓶颈。
本发明基于生成对抗网络,生成像素级腐蚀深度标注的虚拟腐蚀金属X射线图像数据集,用于腐蚀分割模型和腐蚀修复模型的训练,提高了模型的预测精度,进而提高了自动估计腐蚀深度的准确度。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为第一个实施例的方法流程图。
图2为第一个实施例腐蚀分割模型的结构图。
图3为第一个实施例腐蚀修复模型的结构图。
图4为第一个实施例计算稠密腐蚀深度的示意图。
图5为第一个实施例稠密腐蚀深度三维效果图,其中某位置点的高度,表示该位置的腐蚀深度。
图6为第一个实施例数据集生成的流程图。
图7(a)为数据集生成流程中虚拟腐蚀单元等高线图示例。
图7(b)为数据集生成流程中虚拟腐蚀单元示例。
图7(c)为数据集生成流程中真实的无腐蚀金属X射线图像示例。
图7(d)为数据集生成流程中前景分割示例。
图7(e)为数据集生成流程中生成的虚拟腐蚀区域示例,其中矩形边界框为生成的虚拟腐蚀区域。
图7(f)为数据集生成流程中生成的虚拟腐蚀单元放置簇框示例,其中一个框用于放置一个虚拟腐蚀单元。
图7(g)为数据集生成流程中生成的虚拟腐蚀深度图示例。
图7(h)为数据集生成流程中生成的虚拟腐蚀金属X射线图像示例。
图8为第二个实施例的系统结构图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施方式中,公开了一种稠密金属腐蚀深度自动计算方法,如图1所示,包括如下步骤:
步骤S1:通过训练好的腐蚀分割模型,对腐蚀金属的原始X射线图像进行腐蚀分割,得到腐蚀缺陷二值掩码。
具体的,YOLO能很好地平衡速度和精度,在计算机视觉领域具有重要地位,YOLO的第一个版本于2015年提出,后续在众多研究人员的共同努力下,YOLO的第八个版本(YOLOV8)在2023年初被提出,YOLOV8在实时目标检测和实例分割方面的性能均优于以往版本,并处于世界先进水平;因此,本实施例选择YOLOV8来构建腐蚀分割模型。
腐蚀分割模型以YOLOV8为主干网络,用于对腐蚀金属原始X射线图像进行腐蚀缺陷区域的分割;图2是腐蚀分割模型的结构图,如图2所示:
首先,使用5个卷积模块来提取图像特征,每经过一个卷积模块,特征图的高和宽变为原来的,不同卷积模块输出的特征图分别表示为P1、P2、P3、P4和P5;
然后,采用多尺度特征融合模块来融合P3、P4和P5的图像特征,增强不同尺度的空间和语义信息,该多尺度特征融合模块输出三个尺度的特征,分别记为F3、F4和F5;F3、F4和F5的高度和宽度分别等于P3、P4和P5的高度和宽度;
最后,根据F3、F4和F5进行目标实例分割,输出两部分:个检测结果/>和32个分割原型/>。
其中,个检测结果/>,/>为检测到的腐蚀缺陷数量,/>表示检测到的第/>个腐蚀缺陷,/>,/>表示检测到的第/>个腐蚀缺陷中包含的32个分割原型系数,/>,/>表示其中的第/>个分割原型系数;/>表示检测到的第/>个腐蚀缺陷的置信度,长度为1;/>表示检测到的第/>个腐蚀缺陷的分类结果,长度为1;/>表示检测到的第/>个腐蚀缺陷的外接边界框,长度为4,分别包含边界框左上角的横纵坐标以及边界框的宽和高。
32个分割原型,/>表示其中的第/>个分割原型,分割原型和分割原型系数没有具体的物理意义,分割原型依据分割原型系数进行线性组合后进行一系列后续处理,得到对应腐蚀缺陷的二值掩码。
如图2所示,实例分割结果包括个检测出的腐蚀缺陷区域及其二值掩码,以检测到的第/>个腐蚀缺陷为例,它的二值掩码是依据它对应的检测结果/>以及32个分割原型/>计算得到的,具体分为如下两步:
(1) 以32个分割原型系数作为组合权重对32个分割原型/>进行线性组合,得到组合结果/>;
(2) 对上述线性组合结果进行sigmoid和二值化处理,然后依据对应检测结果中的边界框进行裁剪,得到检测到的第/>个腐蚀缺陷区域的二值掩码/>,其中,/>、/>、/>分别表示sigmoid、二值化和依据边界框进行的裁剪处理。
依据上述方法获得个检测出的腐蚀缺陷区域的二值掩码/>后,对它们通过求并处理进行融合,得到最终整幅图像的腐蚀缺陷二值掩码/>,/>中像素值为1的区域为腐蚀区域,像素值为0的区域为正常区域。
该步骤的目的有以下两点:滤除大量不包含腐蚀缺陷的图像;为下一步的腐蚀区域修复提供位置信息,即用图像分割结果约束图像修复位置,以提高腐蚀修复精度,进而提高腐蚀深度估计精度。
步骤S2:将腐蚀金属的原始X射线图像和腐蚀缺陷二值掩码输入到训练好的腐蚀修复模型中进行腐蚀修复,将得到的接近未腐蚀状态的金属X射线图像,作为修复后的金属X射线图像。
腐蚀修复模型用于对腐蚀金属原始X射线图像中的腐蚀缺陷区域进行修复,采用图像修复算法Large Mask Inpainting(LaMa)作为主干网络,LaMa 基于快速傅里叶卷积(FFC) 构建其修复网络,以获得图像范围的感受野并提高修复性能。
图3是腐蚀修复模型的结构图,如图3所示,为了提高高分辨率图像的修复效果,该模型采用一个包含低分辨率修复分支和高分辨率修复分支的修复架构,两个分支使用相同的修复网络(相同的网络结构和相同的网络权重)处理不同分辨率的输入。
修复网络包含三个模块:下采样(Downscaling)模块(图3中简称为D)、快速傅里叶卷积(FFC)残差模块和上采样(Upscaling)模块(图3中简称为U);下采样模块包含3个FFC,步幅设置为2;FFC残差模块包含18个基于FFC构建的子残差块,它们的步幅设置为1;上采样模块基于3个转置卷积构建,步幅也设置为2,因此,修复网络输出的修复结果与输入具有相同的大小。
在修复架构中,低分辨率修复分支输出的修复结果具有更好的全局结构,然而由于分辨率较低,会丢失部分细节信息;高分辨率修复分支对于细节的处理更好,然而其修复结果的全局结构稍差;为了结合两个分支的优点,在高分辨率修复分支中充分利用低分辨率修复结果的良好的全局结构,在高分辨率修复分支中使用了一种迭代优化方法,具体为:
首先,生成原始的高分辨率修复结果;然后,对这些高分辨率修复结果进行下采样处理,使其与低分辨率分支修复结果的分辨率相匹配;接下来,计算下采样后高分辨率修复结果与低分辨率修复结果之间的L1损失,并通过反向传播更新下采样模块输出的特征F D来最小化以上L1损失;经过多次迭代后,得到一个具有良好全局结构和细节信息的高分辨率修复结果。
腐蚀修复模型的输入为腐蚀金属原始X射线图像和腐蚀缺陷二值掩码,二值掩码由腐蚀分割模型提供,涵盖了所有检测到的腐蚀缺陷,在输入到低分辨率修复分支和高分辨率修复分支前,需要进行融合处理,具体为:
首先,利用腐蚀缺陷二值掩码对腐蚀金属原始X射线图像/>中的腐蚀缺陷进行覆盖处理,即两幅图像中对应位置像素的像素值进行相乘/>,/>表示对腐蚀缺陷二值掩码/>进行取反操作,/>中像素值为1的区域为正常区域,像素值为0的区域为腐蚀区域;然后,将/>和/>在图像通道维度上进行合并,生成合并图/>。
将生成的合并图和缩小合并图,分别输入到高分辨率修复分支和低分辨率修复分支中。其中,缩小合并图通过对合并图进行2倍双线性下采样获得,缩小合并图的宽和高是合并图的宽和高的。
修复网络最终输出与腐蚀金属原始X射线图像具有相同尺寸的修复结果,如图3所示,对比腐蚀金属原始X射线图像和修复后的图像可以看出腐蚀缺陷已被去除。
步骤S3:基于腐蚀金属的原始X射线图像与修复后的金属X射线图像,利用灰度值与透射材料厚度的指数关系,计算腐蚀深度,得到包含稠密腐蚀深度信息的腐蚀深度图。
这里的稠密是像素级的意思,而腐蚀深度图中包含每个像素位置的腐蚀深度,是像素级的腐蚀深度图。
对于X射线成像,每个像素的灰度值与对应的透射材料厚度呈如下指数关系:
(1)
其中,表示X射线图像/>中第/>个像素的灰度值,/>表示该图像的像素总数;/>是一个与入射X射线强度有关的参数;/>表示衰减系数,当材料类别和辐射源不变时,大致可以认为是一个常数;/>表示相应透射材料的厚度。
如果发生腐蚀且腐蚀深度为,则灰度值将变为:
(2)
公式(2),可变形为:
(3)
结合公式(1)和(3),得到:
(4)
根据公式(4),腐蚀深度可由下式计算得到:
(5)
因此,当、/>和/>的值已知时,即可计算出第/>个像素的腐蚀深度/>,/>的值可以预先用同种材料的阶梯块标定,/>是待处理的腐蚀金属原始X射线图像/>中第/>个像素的灰度值,/>,/>是没有腐蚀缺陷的X射线图像/>中第/>个像素的灰度值,,/>与/>相对应,是在完全相同的检测环境和条件下,若材料没有发生腐蚀的X射线图像。
在实践中,可以得到具有腐蚀缺陷的X射线图像,却很难得到与之相对应的没有腐蚀缺陷的X射线图像/>。图4是计算腐蚀深度的示意图,如图4所示,在本实施例中,使用修复结果/>来代替没有腐蚀缺陷的X射线图像/>,则第/>个像素处估算的腐蚀深度/>可以通过下式计算得到:
(6)
其中,表示腐蚀金属原始X射线图像中的第/>个像素的灰度值,/>表示修复后第个像素的灰度值,/>表示衰减系数。
根据公式(6)可以计算出每个像素点的腐蚀深度,则可以得到像素级的腐蚀深度图。如图4所示,像素级腐蚀深度图与腐蚀金属原始X射线图像具有相同尺寸,其中某像素位置像素值的大小表示该像素位置腐蚀深度的大小。为了更加形象地展示稠密腐蚀深度,在图5中展示了一幅稠密腐蚀深度三维效果图,某位置的高度越高,表示该位置腐蚀深度越大。
腐蚀分割模型和腐蚀修复模型的训练,是基于像素级腐蚀深度标注的虚拟腐蚀金属X射线图像数据集进行;虚拟腐蚀金属X射线图像数据集的构建,是基于生成对抗网络生成虚拟腐蚀单元等高线图,在虚拟腐蚀单元等高线图上进行插值,得到虚拟腐蚀单元,将真实的无腐蚀金属X射线图像与虚拟腐蚀单元进行融合,得到虚拟腐蚀金属X射线图像及其对应的像素级腐蚀深度真值标注图。
下面对数据集的构建和模型的训练进行详细说明。
像素级腐蚀深度标注的虚拟腐蚀金属X射线图像数据集
像素级腐蚀深度标注的虚拟腐蚀金属X射线图像数据集由虚拟数据生成算法生成,图6是虚拟数据生成的流程图,如图6所示,该算法由虚拟腐蚀单元生成模块和虚拟腐蚀图像生成模块两部分组成。
虚拟腐蚀单元生成模块基于生成对抗网络构建,生成对抗网络是用于数据增强的常用方法;图6的虚拟腐蚀单元生成模块部分显示了生成对抗网络的简化结构,如图6所示,生成对抗网络主要由两个模块组成:生成器模块和判别器模块;在训练过程中,两个模块相互对抗,最终生成与真实样本无法区分的虚拟数据样本;尽管生成对抗网络能够生成大量高质量的虚拟数据样本,但它也需要大量的真实数据样本来进行训练;然而,要获得足够数量的真实腐蚀单元是非常困难的;为了解决这一问题,借鉴地理中等高线图的概念,使用从互联网上下载的地形等高线图作为真实数据样本,经过训练,生成对抗网络会生成大量的虚拟腐蚀单元等高线图,虚拟腐蚀单元等高线图的几个例子如图7(a)所示,然后将这些虚拟腐蚀单元等高线图送入插值模块,生成如7(b)所示的虚拟腐蚀单元。
虚拟腐蚀图像生成模块通过融合虚拟腐蚀单元生成模块生成的虚拟腐蚀单元,生成虚拟腐蚀深度图,然后将生成的虚拟腐蚀深度图与真实的无腐蚀金属X射线图像融合,生成虚拟腐蚀金属X射线图像,该模块的主要步骤为:
(1) 对真实的无腐蚀金属X射线图像进行前景分割,图7(c)展示一幅真实无腐蚀金属X射线图像,前景分割模型也是基于YOLOV8构建的,前景分割结果如图7(d)所示。
(2) 虚拟腐蚀区域生成部分用于在分割出的前景区域中随机生成边界框,如图7(e)所示,在前景区域中生成边界框,虚拟腐蚀将发生在这个边界框区域中。
(3) 在上述边界框中随机生成一簇框,如图7(f)所示,在边界框中生成一簇框,这些框有不同的尺寸和不同的长宽比,接下来,每个框将随机选择一个虚拟腐蚀单元,并调整所选虚拟腐蚀单元的大小以填充自己,如果发生重叠,将重叠部分相加,经过这一步,将得到初始深度图。
(4) 将上述初始深度图归一化到合理的取值范围内,因为腐蚀深度的上界等于被检测金属材料的厚度,而腐蚀深度的下界为0,所以随机选取一个介于上界和下界之间的值作为深度图中的最大值,然后将初始深度图的取值范围线性改变为/>,得到最终的虚拟腐蚀深度图,如图7(g)所示。
(5) 根据将生成的虚拟腐蚀深度图/>(图7(g))与真实的无腐蚀金属X射线图像/>(图7(c))融合,得到虚拟腐蚀金属X射线图像/>(图7(h)),/>为根据经验设置的虚拟衰减系数。最终保存的每组像素级腐蚀深度标注的虚拟腐蚀金属X射线图像中包含3幅图像:真实的无腐蚀金属X射线图像/>、虚拟腐蚀金属X射线图像/>以及虚拟腐蚀深度图/>,虚拟腐蚀深度图/>即像素级腐蚀深度标注图。
腐蚀分割模型的训练
使用像素级腐蚀深度标注的虚拟腐蚀金属X射线图像数据集对腐蚀分割模型进行训练,具体步骤为:
(1)随机选取像素级腐蚀深度标注的虚拟腐蚀金属X射线图像数据集中一个批次的图像,将其中的虚拟腐蚀金属X射线图像输入分割网络,使用5个卷积模块来提取高层特征,通过每个卷积模块后,特征图的高度和宽度减小为原来的,如图2所示,不同卷积模块输出的这些特征图分别表示为P1、P2、P3、P4和P5。
(2)使用多尺度特征融合模块来融合P3、P4和P5的图像特征,增强不同尺度的空间和语义信息,该多尺度特征融合模块输出三个尺度的特征,分别记为F3、F4和F5;F3、F4和F5的高度和宽度分别等于P3、P4和P5的高度和宽度。
(3)根据F3、F4和F5预测每个目标的类别、边界框和二值掩码。
(4)将预测目标的类别、边界框和二值掩码与其对应的腐蚀标注真值进行对比,计算损失,并采用反向传播的方法更新腐蚀分割模型的权重,腐蚀标注真值通过二值化像素级腐蚀深度标注图并区分连通区域来获得,二值化后的像素级腐蚀深度标注图中,每个独立不连通区域作为一个腐蚀目标的二值掩码真值,其边界框为目标边界框真值,目标类别真值统一设置为腐蚀。
(5)重复执行以上步骤,直至达到预设的训练结束条件,获得训练好的腐蚀分割模型。
腐蚀修复模型的训练
使用像素级腐蚀深度标注的虚拟腐蚀金属X射线图像数据集及腐蚀分割模型分割得到的二值掩码,对腐蚀修复模型进行训练,由于腐蚀修复模型中低分辨率修复分支和高分辨率修复分支采用相同的修复网络(相同的网络结构和相同的网络参数),在训练中,为了节约计算资源,仅利用低分辨率修复分支进行训练,具体步骤为:
(1)随机选取所述的像素级腐蚀深度标注的虚拟腐蚀金属X射线图像数据集中一个批次的图像及其对应的二值掩码,使用二值掩码对虚拟腐蚀金属X射线图像中的腐蚀缺陷进行覆盖处理,然后将覆盖后的X射线图像与二值掩码在图像通道维度上进行合并,生成合并图,随后对以上合并图进行2倍双线性下采样,使其高度和宽度变为原来的,得到缩小合并图。
(2)使用基于3个快速傅里叶卷积的下采样模块对步骤(1)输出的缩小合并图进行下采样处理,在降低特征图的高度和宽度的同时,进一步提取更高层的特征,其中每个快速傅里叶卷积的步幅设为2,下采样模块输出特征图的高度和宽度为缩小合并图的高度和宽度的。
(3)通过快速傅里叶卷积残差模块,该模块包含18个基于快速傅里叶卷积的子残差块,它们的步幅设置为1,获得图像范围的大感受野,以提高修复性能。
(4)使用基于3个转置卷积的上采样模块对步骤(3)中的输出进行上采样处理,其中每个转置卷积的步幅设为2,上采样模块输出修复结果的高度和宽度与缩小合并图的高度和宽度一致.
(5)将虚拟腐蚀金属X射线图像的修复结果与用于生成该图像的真实未腐蚀金属X射线图像进行对比,计算损失,并采用反向传播的方法更新腐蚀修复模块的权重。
(6)重复执行以上步骤,直至达到预设的训练结束条件,获得训练好的腐蚀修复模块。
实施例二
在一个或多个实施例中,公开了一种稠密金属腐蚀深度自动计算系统,如图8所示,包括腐蚀分割模块、腐蚀修复模块和腐蚀深度计算模块:
腐蚀分割模块,被配置为:通过训练好的腐蚀分割模型,对腐蚀金属的原始X射线图像进行腐蚀分割,得到腐蚀缺陷二值掩码;
腐蚀修复模块,被配置为:将腐蚀金属的原始X射线图像和腐蚀缺陷二值掩码输入到训练好的腐蚀修复模型中进行腐蚀修复,得到修复后的金属X射线图像;
腐蚀深度计算模块,被配置为:基于腐蚀金属的原始X射线图像与修复后的金属X射线图像,利用灰度值与透射材料厚度的指数关系,计算腐蚀深度,得到包含稠密腐蚀深度信息的腐蚀深度图,所述腐蚀深度图与腐蚀金属的原始X射线图像具有相同尺寸,其中每个像素点的像素值表示该像素位置的腐蚀深度;
其中,腐蚀分割模型和腐蚀修复模型采用基于像素级腐蚀深度标注的虚拟腐蚀金属X射线图像数据集进行训练;所述虚拟腐蚀金属X射线图像数据集的构建,是基于生成对抗网络生成虚拟腐蚀单元等高线图,在虚拟腐蚀单元等高线图上进行插值,得到虚拟腐蚀单元,将真实的无腐蚀金属X射线图像与虚拟腐蚀单元进行融合,得到虚拟腐蚀金属X射线图像及其对应的像素级腐蚀深度真值标注图。
实施例三
本实施例的目的是提供计算机可读存储介质。
计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本公开实施例一所述的一种稠密金属腐蚀深度自动计算方法中的步骤。
实施例四
本实施例的目的是提供电子设备。
电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开实施例一所述的一种稠密金属腐蚀深度自动计算方法中的步骤。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种稠密金属腐蚀深度自动计算方法,其特征在于,包括:
通过训练好的腐蚀分割模型,对腐蚀金属的原始X射线图像进行腐蚀分割,得到腐蚀缺陷二值掩码;
将腐蚀金属的原始X射线图像和腐蚀缺陷二值掩码输入到训练好的腐蚀修复模型中进行腐蚀修复,得到修复后的金属X射线图像;
基于腐蚀金属的原始X射线图像与修复后的金属X射线图像,利用灰度值与透射材料厚度的指数关系,计算腐蚀深度,得到包含稠密腐蚀深度信息的腐蚀深度图,所述腐蚀深度图与腐蚀金属的原始X射线图像具有相同尺寸,其中每个像素点的像素值表示该像素位置的腐蚀深度;
其中,腐蚀分割模型和腐蚀修复模型采用基于像素级腐蚀深度标注的虚拟腐蚀金属X射线图像数据集进行训练;所述虚拟腐蚀金属X射线图像数据集的构建,是基于生成对抗网络生成虚拟腐蚀单元等高线图,在虚拟腐蚀单元等高线图上进行插值,得到虚拟腐蚀单元,将真实的无腐蚀金属X射线图像与虚拟腐蚀单元进行融合,得到虚拟腐蚀金属X射线图像及其对应的像素级腐蚀深度真值标注图。
2.如权利要求1所述的一种稠密金属腐蚀深度自动计算方法,其特征在于,所述腐蚀金属的原始X射线图像,是X射线成像设备拍摄得到的腐蚀金属材料的X射线灰度图像。
3.如权利要求1所述的一种稠密金属腐蚀深度自动计算方法,其特征在于,所述腐蚀分割模型,以YOLOV8为主干网络,通过特征提取、多尺度特征融合、目标实例分割和实例分割结果融合,得到腐蚀缺陷二值掩码。
4.如权利要求1所述的一种稠密金属腐蚀深度自动计算方法,其特征在于,所述腐蚀缺陷二值掩码,是一幅与腐蚀金属原始X射线图像相同尺寸的黑白二值图像,腐蚀区域每个像素点的像素值为1,正常区域每个像素点的像素值为0。
5.如权利要求1所述的一种稠密金属腐蚀深度自动计算方法,其特征在于,所述腐蚀修复模型,以图像修复算法Large Mask Inpainting为主干网络,修复腐蚀缺陷二值掩码标识出的腐蚀区域,获得修复后的金属X射线图像。
6.如权利要求1所述的一种稠密金属腐蚀深度自动计算方法,其特征在于,所述腐蚀修复模型,采用一个包含低分辨率修复分支和高分辨率修复分支的修复架构,两个分支使用相同的修复网络处理不同分辨率的输入。
7.如权利要求6所述的一种稠密金属腐蚀深度自动计算方法,其特征在于,所述修复网络,首先对腐蚀金属原始X射线图像和腐蚀缺陷二值掩码的合并图进行下采样处理;然后通过基于快速傅里叶卷积构建的残差模块,获得覆盖整幅图像的大尺度感受野下的图像特征;最后使用基于转置卷积构建的上采样模块对图像特征进行上采样处理,得到修复后的图像。
8.如权利要求1所述的一种稠密金属腐蚀深度自动计算方法,其特征在于,所述得到包含稠密腐蚀深度信息的腐蚀深度图,具体为:
(1)估算每个像素的腐蚀深度,公式为:
其中,表示腐蚀金属原始X射线图像/>中第/>个像素的灰度值,/>,表示图像中的像素个数,/>表示修复后X射线图像/>中第/>个像素的灰度值,/>,表示衰减系数;
(2)基于每个像素点的腐蚀深度,得到像素级的腐蚀深度图。
9.如权利要求1所述的一种稠密金属腐蚀深度自动计算方法,其特征在于,所述将真实的无腐蚀金属X射线图像与虚拟腐蚀单元进行融合,具体为:
将真实的无腐蚀金属X射线图像进行前景分割,得到前景区域,即被检测金属材料所在区域,在前景区域中生成虚拟腐蚀区域,用来随机放置虚拟腐蚀单元,经过放置、填充、叠加、归一化和图像融合,得到虚拟腐蚀金属X射线图像及其对应的像素级腐蚀深度真值标注图。
10.一种稠密金属腐蚀深度自动计算系统,其特征在于,包括腐蚀分割模块、腐蚀修复模块和腐蚀深度计算模块:
腐蚀分割模块,被配置为:通过训练好的腐蚀分割模型,对腐蚀金属的原始X射线图像进行腐蚀分割,得到腐蚀缺陷二值掩码;
腐蚀修复模块,被配置为:将腐蚀金属的原始X射线图像和腐蚀缺陷二值掩码输入到训练好的腐蚀修复模型中进行腐蚀修复,得到修复后的金属X射线图像;
腐蚀深度计算模块,被配置为:基于腐蚀金属的原始X射线图像与修复后的金属X射线图像,利用灰度值与透射材料厚度的指数关系,计算腐蚀深度,得到包含稠密腐蚀深度信息的腐蚀深度图,所述腐蚀深度图与腐蚀金属的原始X射线图像具有相同尺寸,其中每个像素点的像素值表示该像素位置的腐蚀深度;
其中,腐蚀分割模型和腐蚀修复模型采用基于像素级腐蚀深度标注的虚拟腐蚀金属X射线图像数据集进行训练;所述虚拟腐蚀金属X射线图像数据集的构建,是基于生成对抗网络生成虚拟腐蚀单元等高线图,在虚拟腐蚀单元等高线图上进行插值,得到虚拟腐蚀单元,将真实的无腐蚀金属X射线图像与虚拟腐蚀单元进行融合,得到虚拟腐蚀金属X射线图像及其对应的像素级腐蚀深度真值标注图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310911558.4A CN116630323B (zh) | 2023-07-25 | 2023-07-25 | 一种稠密金属腐蚀深度自动计算方法、系统、介质和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310911558.4A CN116630323B (zh) | 2023-07-25 | 2023-07-25 | 一种稠密金属腐蚀深度自动计算方法、系统、介质和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116630323A true CN116630323A (zh) | 2023-08-22 |
CN116630323B CN116630323B (zh) | 2023-09-22 |
Family
ID=87603051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310911558.4A Active CN116630323B (zh) | 2023-07-25 | 2023-07-25 | 一种稠密金属腐蚀深度自动计算方法、系统、介质和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116630323B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455907A (zh) * | 2023-12-22 | 2024-01-26 | 中国石油大学(华东) | 一种基于图像处理的腐蚀产物膜厚度统计方法及系统 |
CN117710379A (zh) * | 2024-02-06 | 2024-03-15 | 杭州灵西机器人智能科技有限公司 | 一种无损检测模型构建方法、无损检测方法、装置及介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2653775C1 (ru) * | 2017-04-04 | 2018-05-14 | Татьяна Викторовна Козлова | Способ мониторинга коррозии трубопровода |
CN111179229A (zh) * | 2019-12-17 | 2020-05-19 | 中信重工机械股份有限公司 | 一种基于深度学习的工业ct缺陷检测方法 |
CN111369572A (zh) * | 2020-02-28 | 2020-07-03 | 清华大学深圳国际研究生院 | 一种基于图像修复技术的弱监督语义分割方法和装置 |
CN113019955A (zh) * | 2021-03-18 | 2021-06-25 | 合肥名德光电科技股份有限公司 | 一种基于双能x射线矿石智能分选设备和方法 |
CN113744153A (zh) * | 2021-09-02 | 2021-12-03 | 深圳大学 | 双分支图像修复伪造检测方法、系统、设备及存储介质 |
CN114511515A (zh) * | 2022-01-17 | 2022-05-17 | 山东高速路桥国际工程有限公司 | 一种基于BoltCorrDetNet网络的螺栓腐蚀检测系统和检测方法 |
CN114897855A (zh) * | 2022-05-23 | 2022-08-12 | 国网安徽省电力有限公司 | 基于x射线图片灰度值分布判定缺陷类型的方法 |
CN115049923A (zh) * | 2022-05-30 | 2022-09-13 | 北京航空航天大学杭州创新研究院 | Sar图像舰船目标实例分割训练方法、系统及装置 |
US20220309674A1 (en) * | 2021-03-26 | 2022-09-29 | Nanjing University Of Posts And Telecommunications | Medical image segmentation method based on u-net |
CN115170579A (zh) * | 2022-09-09 | 2022-10-11 | 之江实验室 | 一种金属锈蚀图像分割方法和装置 |
US20230222643A1 (en) * | 2022-01-11 | 2023-07-13 | Bentley Systems, Incorporated | Semantic deep learning and rule optimization for surface corrosion detection and evaluation |
-
2023
- 2023-07-25 CN CN202310911558.4A patent/CN116630323B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2653775C1 (ru) * | 2017-04-04 | 2018-05-14 | Татьяна Викторовна Козлова | Способ мониторинга коррозии трубопровода |
CN111179229A (zh) * | 2019-12-17 | 2020-05-19 | 中信重工机械股份有限公司 | 一种基于深度学习的工业ct缺陷检测方法 |
CN111369572A (zh) * | 2020-02-28 | 2020-07-03 | 清华大学深圳国际研究生院 | 一种基于图像修复技术的弱监督语义分割方法和装置 |
CN113019955A (zh) * | 2021-03-18 | 2021-06-25 | 合肥名德光电科技股份有限公司 | 一种基于双能x射线矿石智能分选设备和方法 |
US20220309674A1 (en) * | 2021-03-26 | 2022-09-29 | Nanjing University Of Posts And Telecommunications | Medical image segmentation method based on u-net |
CN113744153A (zh) * | 2021-09-02 | 2021-12-03 | 深圳大学 | 双分支图像修复伪造检测方法、系统、设备及存储介质 |
US20230222643A1 (en) * | 2022-01-11 | 2023-07-13 | Bentley Systems, Incorporated | Semantic deep learning and rule optimization for surface corrosion detection and evaluation |
CN114511515A (zh) * | 2022-01-17 | 2022-05-17 | 山东高速路桥国际工程有限公司 | 一种基于BoltCorrDetNet网络的螺栓腐蚀检测系统和检测方法 |
CN114897855A (zh) * | 2022-05-23 | 2022-08-12 | 国网安徽省电力有限公司 | 基于x射线图片灰度值分布判定缺陷类型的方法 |
CN115049923A (zh) * | 2022-05-30 | 2022-09-13 | 北京航空航天大学杭州创新研究院 | Sar图像舰船目标实例分割训练方法、系统及装置 |
CN115170579A (zh) * | 2022-09-09 | 2022-10-11 | 之江实验室 | 一种金属锈蚀图像分割方法和装置 |
Non-Patent Citations (2)
Title |
---|
李宇庭;甘芳吉;万正军;宋康;廖俊必;: "基于SVM及电流牵扯效应的金属缺陷分类识别方法", 四川大学学报(工程科学版), no. 06 * |
蔡彪;沈宽;付金磊;张理泽;: "基于Mask R-CNN的铸件X射线DR图像缺陷检测研究", 仪器仪表学报, no. 03 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455907A (zh) * | 2023-12-22 | 2024-01-26 | 中国石油大学(华东) | 一种基于图像处理的腐蚀产物膜厚度统计方法及系统 |
CN117455907B (zh) * | 2023-12-22 | 2024-03-19 | 中国石油大学(华东) | 一种基于图像处理的腐蚀产物膜厚度统计方法及系统 |
CN117710379A (zh) * | 2024-02-06 | 2024-03-15 | 杭州灵西机器人智能科技有限公司 | 一种无损检测模型构建方法、无损检测方法、装置及介质 |
CN117710379B (zh) * | 2024-02-06 | 2024-05-10 | 杭州灵西机器人智能科技有限公司 | 一种无损检测模型构建方法、无损检测方法、装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116630323B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116630323B (zh) | 一种稠密金属腐蚀深度自动计算方法、系统、介质和设备 | |
CN112967243B (zh) | 一种基于yolo的深度学习芯片封装裂纹缺陷检测方法 | |
CN113469177B (zh) | 基于深度学习的排水管道缺陷检测方法及系统 | |
CN113052109A (zh) | 一种3d目标检测系统及其3d目标检测方法 | |
Li et al. | A robust instance segmentation framework for underground sewer defect detection | |
JP2000137804A (ja) | デジタル画像の異常検出方法およびシステム、ならびにそのための記憶媒体 | |
CN116994140A (zh) | 基于遥感影像的耕地提取方法、装置、设备和介质 | |
CN111507398A (zh) | 基于目标检测的变电站金属仪器锈蚀识别方法 | |
CN114049356A (zh) | 一种结构表观裂缝检测方法、装置及系统 | |
Dong et al. | Intelligent segmentation and measurement model for asphalt road cracks based on modified mask R-CNN algorithm | |
CN114758329A (zh) | 基于深度学习预测热成像图中目标区域温度的系统及方法 | |
CN113971669A (zh) | 应用于管道损伤识别的三维检测系统 | |
CN116486393A (zh) | 一种基于图像分割的场景文本检测方法 | |
Li et al. | Pixel-level detection and measurement of concrete crack using faster region-based convolutional neural network and morphological feature extraction | |
CN113724267B (zh) | 一种乳腺超声图像肿瘤分割方法及装置 | |
CN114428110A (zh) | 一种轴承套圈荧光磁粉探伤图像缺陷检测方法及系统 | |
CN114359286A (zh) | 一种基于人工智能的绝缘子缺陷识别方法、设备及介质 | |
CN117132584B (zh) | 一种基于深度学习的液晶显示屏瑕疵检测方法及装置 | |
CN118072193A (zh) | 一种基于无人机图像和深度学习的堤坝裂缝检测方法 | |
CN116228637A (zh) | 基于多任务多尺寸网络的电子元器件缺陷识别方法及装置 | |
CN117456198A (zh) | 一种基于改进的Yolov5神经网络的输电线路故障检测方法 | |
Hu et al. | Hybrid Pixel‐Level Crack Segmentation for Ballastless Track Slab Using Digital Twin Model and Weakly Supervised Style Transfer | |
CN116433661A (zh) | 多任务学习的半导体晶圆检测方法、装置、设备及介质 | |
Zhang | Edge detection in glass fragmentation images based on one order differential operator | |
CN115546539A (zh) | 基于机器视觉的磁翻板液位读取方法、装置及可读介质 |
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 |