CN116912165A - 一种基于改进YOLOv5的铝合金薄板焊接缺陷检测方法 - Google Patents
一种基于改进YOLOv5的铝合金薄板焊接缺陷检测方法 Download PDFInfo
- Publication number
- CN116912165A CN116912165A CN202310646959.1A CN202310646959A CN116912165A CN 116912165 A CN116912165 A CN 116912165A CN 202310646959 A CN202310646959 A CN 202310646959A CN 116912165 A CN116912165 A CN 116912165A
- Authority
- CN
- China
- Prior art keywords
- aluminum alloy
- model
- improved
- yolov5
- convolution
- 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
- 238000003466 welding Methods 0.000 title claims abstract description 54
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 229910000838 Al alloy Inorganic materials 0.000 title claims abstract description 38
- 230000007547 defect Effects 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 5
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 description 3
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 2
- 206010035148 Plague Diseases 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 229910052786 argon Inorganic materials 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06N3/08—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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/20—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
- G06T2207/30136—Metal
-
- 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)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及缺陷检测技术领域，具体为一种基于改进YOLOv5的铝合金薄板焊接缺陷检测方法，包括收集图像、建立数据集、搭建改进的YOLOv5模型、训练模型、使用模型进行检测。本发明的有益效果在于，在焊接时对铝合金薄板焊缝质量进行实时检测，能够精准的采集图像，图像经处理后自动生成数据集，提高检测的精度，通过在YOLOv5模型主干网络中加入了RepLKDeXt模块，用大卷积核代替了原模型中的小卷积核，使得有效感受野变得非常大，大幅度提高检测速度；损失函数中引入了F‑EIOU损失函数，加速了预测模型的收敛速度、提高了预测模型的回归精度，与原模型相比，在参数量和计算量减小的同时。
Description
技术领域
本发明涉及缺陷检测技术领域，具体涉及一种基于改进YOLOv5的铝合金薄板焊接缺陷检测方法。
背景技术
针对铝合金薄板焊接缺陷检测，现有技术中的缺陷检测方式包括人工检测、X射线探伤和超声波探伤检测方法，但人工检测，检测人员在检测时易损伤眼睛、易疲劳从而使主观性变大，评价效率也因此降低，X射线探伤和超声波探伤检测方法有易于检测内部缺陷的优点，但成本高、成像欠清晰等问题始终困扰着这些检测方法，无法准确的判断其缺陷，且检测精度和检测速度方面都无法满足检测需求。
发明内容
为了提高铝合金薄板焊缝缺陷的检测精度和检测速度，本发明提供了一种基于改进YOLOv5的铝合金薄板焊接缺陷检测方法。
本发明为实现上述目的所采用的技术方案是：一种基于改进YOLOv5的铝合金薄板焊接缺陷检测方法，其特征在于，包括以下步骤：
S1：将待焊接的铝合金薄板进行去氧化操作后，用夹具固定在焊接试验平台上；
S2：将视觉传感系统安装在焊枪后方，并相隔一定距离，视觉传感系统与工件表面垂直；S3：进行熔池图像采集，在焊枪运动过程中，固定时间间隔采集当前焊接熔池特征图像；S4：使用Opencv软件对采集的图像进行预处理；
S5：使用开源的标注软件对训练集和测试集的图片进行标注，得到两种铝合金焊接情况的标签，其中包焊穿Perforation标签和未焊穿Unperforated，并将获取的图像划分为训练集、测试集和验证集，并将图片缩放到统一分辨率，；
S6：搭建改进的YOLOv5模型，所述模型包括输入框、主干网络、特征融合部分、输出检测框，使用F-EIOU损失函数代替原模型CIOU损失函数；
S7：使用YOLOv5算法训练改进的YOLOv5模型，使用训练集、测试集、验证集分别对模型进行训练、测试和验证，获得改进的YOLOv5铝合金薄板焊接缺陷检测模型，判断模型的精度；
S8：使用满足精度要求的模型进行缺陷检测；
优选地，所述步骤S3中时间间隔为100ms；
优选地，所述步骤S4中的预处理包括图像缩放、旋转、平移、裁剪熔池区域、图像灰度化处理和图像增强，图像统一缩放到640*640的分辨率大小；
优选地，所述步骤S5中的图像按照6:2:2的比例划分为训练集、测试集和验证集；
优选地，所述步骤S6中的主干网络包括的结构为：Conv-Conv-RepLKDext-Conv-RepLKDext-Conv-RepLKDext-Conv-RepLKDext-SPPF；
优选地，所步骤S6中的特征融合部分的结构为Conv-上采样层-Concat-C3-Conv-上采样层-Concat-RepLKDext-Conv-Concat-C3-Conv-Concat-C3；
优选地，所述Conv模块用于对输入的特征图执行卷积、批量归一化操作控制梯度消失和激活函数操作，所述RepLKDext模块包括三部分，第一部分包括步长为2的3×3卷积、深度可分离卷积和步长为2的深度可分离卷积，第二部分包括堆叠而成的RepLKBlock和ConvFFN，RepLKBlock包括归一化层、1×1卷积、深度可分离卷积和残差连接，ConvFFN包括1×1卷积替和层间的残差连接；第三部分包括点卷积和步长为2的深度可分离卷积；
优选地，SPPF模块用于将输入并行通过多个不同大小的最大值池化，做进一步融合；
优选地，所述上采样层用于将特征图通过插值的方法使特征图的尺寸变大；所述C3模块用于将特征图分为两个部分，一部分进行标准卷积，另一部分进行多个残差块的卷积操作；所述Concat模块用于将特征图进行拼接，扩充特征图的维度；
优选地，所述步骤S7中，模型精度的计算公式如下：
其中Precision为精确度、Recall为回收率，TP表示正例，FP表示反例，FN表示假反例；
AP＝∑P/Num(TotalObjects)
mAP＝∑AP/Num(class)
其中AP表示Precision-Recall曲线与x轴和y轴所围成的曲线面积，P为Precision，mAP表示平均精度值，Num(TotalObjects)表示测量总数量，Num(class)表示类别数。
本发明的有益效果在于，在焊接时对铝合金薄板焊缝质量进行实时检测，能够精准的采集图像，图像经处理后自动生成数据集，提高检测的精度，通过在YOLOv5模型主干网络中加入了RepLKDeXt模块，用大卷积核代替了原模型中的小卷积核，使得有效感受野变得非常大，大幅度提高检测速度；损失函数中引入了F-EIOU损失函数，加速了预测模型的收敛速度、提高了预测模型的回归精度，与原模型相比，在参数量和计算量减小的同时，平均检测精度由原模型的93.52％提高到95％，足以满足CMT铝合金薄板焊接缺陷检测要求。
附图说明
图1是本发明检测方法流程图。
图2是本发明改进YOLOv5模型结构图。
图3是本发明图片焊接平台原理图。
图4是本发明图像采集样例图。
具体实施方式
下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明，但不能用来限制本发明的范围。
如图1-图4所示，本发明的一种基于改进YOLOv5的铝合金薄板焊接缺陷检测方法，包括以下步骤：
S1：将待焊接的铝合金薄板进行去氧化操作后，用夹具固定在焊接试验平台上，操控机械臂，使用关节坐标系来确定原点；并针对选取铝合金薄板的厚度在控制柜上进行电压和电流的调节；将坐标系由关节坐标系转换到世界坐标系下，使焊枪只在x、y、z三轴之间运动，在铝合金薄板上方分别设置焊接起始点、焊接结束点和焊接归位点；
S2：将视觉传感系统安装在焊枪后方，并相隔一定距离，视觉传感系统与工件表面垂直、激光器倾斜照射，以减小弧光和飞溅的干扰；
S3：进行熔池图像采集：CMT焊枪在得到焊丝和氩气后，由焊接机器人操控焊枪在工作台上完成薄板焊接工作任务，在焊枪运动过程中，每隔100ms通过视觉传感器系统如MER-231-41GM/C摄像机，采集当前焊接熔池特征图像，并利用霍尔传感器得到焊接过程中的电流和电压，将其储存在数据采集卡中并保存到工控机中；
S4：使用Opencv软件对采集的图像进行预处理，预处理包括图像缩放、旋转、平移、裁剪熔池区域、图像灰度化处理和图像增强，图像统一缩放到640*640的分辨率大小；
S5：使用开源的标注软件对训练集和测试集的图片进行标注，得到两种铝合金焊接情况的标签，其中包焊穿Perforation标签和未焊穿Unperforated，且分别为类别0和1，并将获取的图像按照6:2:2的比例划分为训练集、测试集和验证集，并将图片缩放到统一分辨率；
S6：搭建改进的YOLOv5模型，模型包括输入框、主干网络、特征融合部分、输出检测框，使用F-EIOU损失函数代替原模型CIOU损失函数；
主干网络包括的结构为Conv-Conv-RepLKDext-Conv-RepLKDext-Conv-RepLKDext-Conv-RepLKDext-SPPF；
特征融合部分的结构为Conv-上采样层-Concat-C3-Conv-上采样层-Concat-RepLKDext-Conv-Concat-C3-Conv-Concat-C3；
Conv模块用于对输入的特征图执行卷积、批量归一化操作控制梯度消失和激活函数操作，所述RepLKDext模块用于用大卷积核替代小卷积核，包括三部分，第一部分包括步长为2的3×3卷积、深度可分离卷积和步长为2的深度可分离卷积组成，第二部分包括堆叠而成的RepLKBlock和ConvFFN，RepLKBlock包括归一化层、1×1卷积、深度可分离卷积和残差连接，ConvFFN包括1×1卷积替和层间的残差连接；第三部分包括点卷积和步长为2的深度可分离卷积，用于图像下采样，SPPF模块用于将输入并行通过多个不同大小的最大值池化，做进一步融合；
上采样层用于将特征图通过插值的方法使特征图的尺寸变大；所述C3模块用于将特征图分为两个部分，一部分进行标准卷积，另一部分进行多个残差块的卷积操作；所述Concat模块用于将特征图进行拼接，扩充特征图的维度；
S7：使用YOLOv5算法训练改进的YOLOv5模型，使用训练集、测试集、验证集分别对模型进行训练、测试和验证，获得改进的YOLOv5铝合金薄板焊接缺陷检测模型，判断模型的精度；
模型精度的计算公式如下：
其中Precision为精确度、Recall为回收率，TP表示正例，FP表示反例，FN表示假反例；
AP＝∑P/Num(TotalObjects)
mAP＝∑AP/Num(class)
其中AP表示Precision-Recall曲线与x轴和y轴所围成的曲线面积，P为Precision，mAP表示平均精度值，Num(TotalObjects)表示测量总数量，Num(class)表示类别数；
S8：使用满足精度要求的模型进行缺陷检测。
本发明的有益效果在于，在焊接时对铝合金薄板焊缝质量进行实时检测，能够精准的采集图像，图像经处理后自动生成数据集，提高检测的精度，通过在YOLOv5模型主干网络中加入了RepLKDeXt模块，用大卷积核代替了原模型中的小卷积核，使得有效感受野变得非常大，大幅度提高检测速度；损失函数中引入了F-EIOU损失函数，加速了预测模型的收敛速度、提高了预测模型的回归精度，与原模型相比，在参数量和计算量减小的同时，平均检测精度由原模型的93.52％提高到95％，足以满足CMT铝合金薄板焊接缺陷检测要求。
本发明是通过实施例进行描述的，本领域技术人员知悉，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明的保护范围。
Claims (10)
1.一种基于改进YOLOv5的铝合金薄板焊接缺陷检测方法，其特征在于，包括以下步骤：
S1：将待焊接的铝合金薄板进行去氧化操作后，用夹具固定在焊接试验平台上；
S2：将视觉传感系统安装在焊枪后方，并相隔一定距离，视觉传感系统与工件表面垂直；
S3：进行熔池图像采集，在焊枪运动过程中，固定时间间隔采集当前焊接熔池特征图像；
S4：使用Opencv软件对采集的图像进行预处理；
S5：使用开源的标注软件对训练集和测试集的图片进行标注，得到两种铝合金焊接情况的标签，其中包焊穿Perforation标签和未焊穿Unperforated，并将获取的图像划分为训练集、测试集和验证集，并将图片缩放到统一分辨率，；
S6：搭建改进的YOLOv5模型，所述模型包括输入框、主干网络、特征融合部分、输出检测框，使用F-EIOU损失函数代替原模型CIOU损失函数；
S7：使用YOLOv5算法训练改进的YOLOv5模型，使用训练集、测试集、验证集分别对模型进行训练、测试和验证，获得改进的YOLOv5铝合金薄板焊接缺陷检测模型，判断模型的精度；
S8：使用满足精度要求的模型进行缺陷检测。
2.根据权利要求1所述的一种基于改进YOLOv5的铝合金薄板焊接缺陷检测方法，其特征在于，所述步骤S3中时间间隔为100ms。
3.根据权利要求1所述的一种基于改进YOLOv5的铝合金薄板焊接缺陷检测方法，其特征在于，所述步骤S4中的预处理包括图像缩放、旋转、平移、裁剪熔池区域、图像灰度化处理和图像增强，图像统一缩放到640*640的分辨率大小。
4.根据权利要求1所述的一种基于改进YOLOv5的铝合金薄板焊接缺陷检测方法，其特征在于，所述步骤S5中的图像按照6:2:2的比例划分为训练集、测试集和验证集。
5.根据权利要求1所述的一种基于改进YOLOv5的铝合金薄板焊接缺陷检测方法，其特征在于，所述步骤S6中的主干网络包括的结构为Conv-Conv-RepLKDext-Conv-RepLKDext-Conv-RepLKDext-Conv-RepLKDext-SPPF。
6.根据权利要求1所述的一种基于改进YOLOv5的铝合金薄板焊接缺陷检测方法，其特征在于，所步骤S6中的特征融合部分的结构为Conv-上采样层-Concat-C3-Conv-上采样层-Concat-RepLKDext-Conv-Concat-C3-Conv-Concat-C3。
7.根据权利要求5或6所述的一种基于改进YOLOv5的铝合金薄板焊接缺陷检测方法，其特征在于，所述Conv模块用于对输入的特征图执行卷积、批量归一化操作控制梯度消失和激活函数操作，所述RepLKDext模块包括三部分，第一部分包括步长为2的3×3卷积、深度可分离卷积和步长为2的深度可分离卷积，第二部分包括堆叠而成的RepLK Block和ConvFFN，RepLK Block包括归一化层、1×1卷积、深度可分离卷积和残差连接，ConvFFN包括1×1卷积替和层间的残差连接；第三部分包括点卷积和步长为2的深度可分离卷积。
8.根据权利要求5所述的一种基于改进YOLOv5的铝合金薄板焊接缺陷检测方法，其特征在于，SPPF模块用于将输入并行通过多个不同大小的最大值池化，做进一步融合。
9.根据权利要求6所述的一种基于改进YOLOv5的铝合金薄板焊接缺陷检测方法，其特征在于，所述上采样层用于将特征图通过插值的方法使特征图的尺寸变大；所述C3模块用于将特征图分为两个部分，一部分进行标准卷积，另一部分进行多个残差块的卷积操作；所述Concat模块用于将特征图进行拼接，扩充特征图的维度。
10.根据权利要求1所述的一种基于改进YOLOv5的铝合金薄板焊接缺陷检测方法，其特征在于，所述步骤S7中，模型精度的计算公式如下：
其中Precision为精确度、Recall为回收率，TP表示正例，FP表示反例，FN表示假反例；
AP＝∑P/Num(TotalObjects)
mAP＝∑AP/Num(class)
其中AP表示Precision-Recall曲线与x轴和y轴所围成的曲线面积，P为Precision，mAP表示平均精度值，Num(TotalObjects)表示测量总数量，Num(class)表示类别数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310646959.1A CN116912165A (zh) | 2023-06-02 | 2023-06-02 | 一种基于改进YOLOv5的铝合金薄板焊接缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310646959.1A CN116912165A (zh) | 2023-06-02 | 2023-06-02 | 一种基于改进YOLOv5的铝合金薄板焊接缺陷检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116912165A true CN116912165A (zh) | 2023-10-20 |
Family
ID=88355347
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310646959.1A Pending CN116912165A (zh) | 2023-06-02 | 2023-06-02 | 一种基于改进YOLOv5的铝合金薄板焊接缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116912165A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117333491A (zh) * | 2023-12-01 | 2024-01-02 | 北京航空航天大学杭州创新研究院 | 一种钢材表面缺陷检测方法及系统 |
-
2023
- 2023-06-02 CN CN202310646959.1A patent/CN116912165A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117333491A (zh) * | 2023-12-01 | 2024-01-02 | 北京航空航天大学杭州创新研究院 | 一种钢材表面缺陷检测方法及系统 |
| CN117333491B (zh) * | 2023-12-01 | 2024-03-15 | 北京航空航天大学杭州创新研究院 | 一种钢材表面缺陷检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021213223A1 (zh) | 焊缝质量检测方法、装置、系统及电子设备 | |
| EP3176537B1 (en) | System for automated in-process inspection of welds | |
| Chu et al. | A vision-based system for post-welding quality measurement and defect detection | |
| CN111982916A (zh) | 一种基于机器视觉的焊缝表面缺陷检测方法及系统 | |
| Campbell | Inspection of metals: understanding the basics | |
| CN116912165A (zh) | 一种基于改进YOLOv5的铝合金薄板焊接缺陷检测方法 | |
| CN113146172A (zh) | 一种基于多视觉的检测与装配系统及方法 | |
| WO2020205998A1 (en) | Non-destructive evaluation and weld-to-weld adaptive control of metal resistance spot welds via topographical data collection and analysis | |
| CN114719749B (zh) | 基于机器视觉的金属表面裂纹检测及真实尺寸测量方法及系统 | |
| CN112200776A (zh) | 芯片封装缺陷检测方法和检测装置 | |
| CN109986172A (zh) | 一种焊缝定位方法、设备及系统 | |
| CN110238520B (zh) | 一种基于ccd视觉检测的自动精密激光焊接方法 | |
| CN115713476A (zh) | 基于激光焊接的视觉检测方法、装置及可读存储介质 | |
| CN116228652A (zh) | 一种基于三维点云曲率的管道焊缝表面缺陷检测方法 | |
| CN112858351A (zh) | 一种基于机器视觉的x射线无损探伤方法 | |
| JP2006170684A (ja) | プレス不良の検査方法、及び検査装置 | |
| Ali et al. | Defects detection of cylindrical object's surface using vision system | |
| CN112129774B (zh) | 一种焊接未熔合缺陷在线检测方法 | |
| CN115311273A (zh) | 检测模型的训练方法、缺陷检测方法、装置及存储介质 | |
| Brzeskot et al. | Development of the automatic method of detection and grouping of external welding imperfections | |
| CN113727022A (zh) | 巡检图像的采集方法及装置、电子设备、存储介质 | |
| Alamy et al. | Flash Defect Detection System of Friction Stir Welding Process Based on Convolutional Neural Networks for AA 6061-T651 | |
| CN112264731A (zh) | 一种改善焊接质量的控制方法及装置 | |
| Da Wu et al. | Enhanced Identification of Internal Casting Defects in Vehicle Wheels Using YOLO Object Detection and X-Ray Inspection. | |
| Świłło et al. | Hemming Process Evaluation by Using Computer Aided Measurement System and Numerical Analysis |
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 |