CN116930192B - 一种高精度铜管缺陷检测方法及系统 - Google Patents
一种高精度铜管缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN116930192B CN116930192B CN202310925934.5A CN202310925934A CN116930192B CN 116930192 B CN116930192 B CN 116930192B CN 202310925934 A CN202310925934 A CN 202310925934A CN 116930192 B CN116930192 B CN 116930192B
- Authority
- CN
- China
- Prior art keywords
- image
- copper pipe
- wall
- dimensional
- convolution kernel
- 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
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 title claims abstract description 195
- 229910052802 copper Inorganic materials 0.000 title claims abstract description 195
- 239000010949 copper Substances 0.000 title claims abstract description 195
- 230000007547 defect Effects 0.000 title claims abstract description 106
- 238000001514 detection method Methods 0.000 title claims abstract description 74
- 239000011159 matrix material Substances 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000003708 edge detection Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003702 image correction Methods 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Computer Graphics (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及铜管检测的技术领域，特别是涉及一种高精度铜管缺陷检测方法，其有助于提高铜管缺陷检测的精度和准确性；方法包括：S1、获取铜管内壁平面图像和外壁平面图像；S2、将铜管内壁平面图像和外壁平面图像分别转换为内壁环状图像和外壁环状图像；S3、将内壁环状图像与外壁环状图像进行同轴组合，得到铜管全貌立体图像；铜管全貌立体图像中的内壁环状图像与外壁环状图像圆心角度与铜管实际圆心角度相同；S4、对铜管全貌立体图像进行预处理，并提取铜管全貌立体图像中各像素点的灰度值；S5、根据各个像素点的灰度值，将铜管全貌立体图像转换成由灰度值表示的三维管状矩阵；S6、利用预先构建的缺陷检测模型对三维管状矩阵进行识别。
Description
技术领域
本发明涉及铜管检测的技术领域，特别是涉及一种高精度铜管缺陷检测方法及系统。
背景技术
现有的铜管缺陷检测方法在应用时，对管件内壁和外壁分开进行图像识别检测，当外壁图像和内壁图像上均未检测出存在超过缺陷阈值的缺陷时，按现有的检测方法则判定该铜管合格；但是如果管件内壁和外壁均存在未超过缺陷阈值的缺陷时，并且内壁缺陷与外壁缺陷位于同一条半径上则很有可能导致铜管该处的壁厚不能满足加工要求的壁厚，因此铜管缺陷检测精度较低，亟需一种将内壁图像和外壁图像相互对应结合进行检测的高精度铜管缺陷检测方法。
发明内容
为解决上述技术问题，本发明提供一种有助于提高铜管缺陷检测的精度和准确性的一种高精度铜管缺陷检测方法。
第一方面，本发明提供了一种高精度铜管缺陷检测方法，所述方法包括：
S1、获取铜管内壁平面图像和外壁平面图像；
S2、将铜管内壁平面图像和外壁平面图像分别转换为内壁环状图像和外壁环状图像；
S3、将内壁环状图像与外壁环状图像进行同轴组合，得到铜管全貌立体图像；所述铜管全貌立体图像中的内壁环状图像与外壁环状图像圆心角度与铜管实际圆心角度相同；
S4、对铜管全貌立体图像进行预处理，并提取铜管全貌立体图像中各像素点的灰度值；
S5、根据各个像素点的灰度值，将铜管全貌立体图像转换成由灰度值表示的三维管状矩阵；
S6、利用预先构建的缺陷检测模型对三维管状矩阵进行识别，判断铜管是否存在缺陷。
另一方面，本申请还提供了一种高精度铜管缺陷检测系统，所述系统包括：
图像获取单元，用于采集铜管的内壁平面图像和外壁平面图像，并发送；
图像转换单元，用于接收图像获取单元发送的内壁平面图像和外壁平面图像，并将平面图像转换成内壁环状图像和外壁环状图像，并发送；
图像组合单元，用于接收图像转换单元发送的内壁环状图像和外壁环状图像，并将内壁环状图像与外壁环状图像进行同轴组合，得到铜管的全貌立体图像，并发送；
图像预处理单元，用于接收图像组合单元发送的铜管全貌立体图像，并对铜管全貌立体图像进行去噪、增强对比度、减少图像失真；并将预处理后的铜管全貌立体图像发送；
图像数据化单元，用于接收图像预处理单元发送的铜管全貌立体图像，并根据各个像素点的灰度值，将铜管全貌立体图像转换为由灰度值表示的三维管状矩阵，并发送；
检测单元，用于接收图像数据化单元发送的三维管状矩阵，利用预先训练存储的缺陷检测模型，对三维管状矩阵进行缺陷特征识别，并生成相应的检测结果；其中所述缺陷检测模型采用卷积神经网络。
第三方面，本申请提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
进一步地，所述S1通过以下方法采集铜管内壁平面图像：
S111、采用广角为180°的图像采集设备采集铜管内壁上端的部分图像；
S112、驱动图像采集设备沿铜管轴线旋转180°，再采集铜管内壁下端的部分图像；
S113、驱动图像采集设备沿轴线方向移动一定距离，此段距离与图像采集设备单次采集的图像宽度相同，图像宽度即采集的图像沿轴线方向的宽度；
S114、重复S111、S112和S113，直至将整根铜管内壁图像采集完。
进一步地，所述S1通过以下方法采集铜管外壁平面图像：
S121、利用位于铜管正上方的图像采集设备垂直采集铜管外壁上端的部分图像；
S122、利用位于铜管正下方的图像采集设备采集铜管外壁下端的部分图像；
S123、驱动铜管正上方和正下方的图像采集设备沿轴线方向移动一定距离，此段距离与图像采集设备单次采集的图像宽度相同，图像宽度即采集的图像沿轴线方向的宽度；
S124、重复S121、S122和S123，直至将整根铜管外壁图像采集完。
进一步地，所述S2中通过以下方法将平面图像转换成环状图像：
S21、对铜管内壁和外壁的平面图像进行预处理；
S22、检测预处理后的图像中检测出图像的边缘；
S23、检测图像中的圆形结构；
S24、根据圆形结构的检测结果，确定图像中圆形的位置和半径；
S25、根据圆形结构将内壁平面图像和外壁平面图像重新组合成环状图像。
进一步地，所述S3通过以下方法调整内壁环状图像和外壁环状图像的位置：
S31、获取内壁环状图像和外壁环状图像
S32、确定内壁环状图像和外壁环状图像的起始位置；
S33、调整内壁环状图像和外壁环状图像的尺寸和缩放；
S34、同轴组合内壁环状图像和外壁环状图像。
进一步地，所述缺陷检测模型采用卷积神经网络；所述缺陷检测模型的卷积核由若干个滤波器系数同心双环绕组成，所述卷积核同一圆心上的滤波器系数的个数与三维管状矩阵同一圆心上的像素点个数相同，同一圆心上的若干滤波器系数组成一层滤波层，卷积核具有至少四层滤波层，卷积核的步长为3；
卷积核与三维管状矩阵重叠区域内，卷积核上若干个滤波器系数分别与覆盖三维管状矩阵的像素点的灰度值进行比值求和，得到对应铜管该位置的特征数据，卷积核沿三维管状矩阵轴线每进给移动一次，均能够得到一个特征数据；当卷积核将三维管状矩阵遍历后即可得到整根铜管数据化的缺陷特征，将该数据化的缺陷特征与预先标记构建的缺陷特征数据库进行比对，即可得出该铜管是否存在缺陷。
进一步地，所述S2采用图像极坐标变换处理算法，将平面图像转换为环状图像。
与现有技术相比本发明的有益效果为：通过将内壁和外壁的平面图像转换为环状图像并进行同轴组合，得到铜管的全貌立体图像；这样做能够更好地理解整个管件的结构和特征，以便更准确地检测缺陷；通过将铜管全貌立体图像转换成由灰度值表示的三维管状矩阵；这样的表示方式可以保留图像的纹理和几何结构信息，有助于提取更丰富的特征并进行更准确的检测。
附图说明
图1是高精度铜管缺陷检测方法的流程图；
图2是三维管状矩阵的结构示意图；
图3是缺陷检测模型的卷积核结构示意图；
图4是将平面图像转换成环状图像的流程图；
图5是调整内壁环状图像和外壁环状图像的流程图。
具体实施方式
在本申请的描述中，所属技术领域的技术人员应当知道，本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此，本申请可以具体实现为以下形式：完全的硬件、完全的软件（包括固件、驻留软件、微代码等）、硬件和软件结合的形式。此外，在一些实施例中，本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式，该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括：电、磁、光、电磁、红外或半导体的系统、装置或器件，或者以上任意的组合。计算机可读存储介质更具体的例子包括：便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中，计算机可读存储介质可以是任意包含或存储程序的有形介质，该程序可以被指令执行系统、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解，流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合，都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而生产出一种机器，这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行，产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样，存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一
如图1至图5所示，本发明的一种高精度铜管缺陷检测方法，方法包括：
S1、获取铜管内壁平面图像和外壁平面图像；
具体在本步骤中，需要用工业相机、内窥镜相机或其他专业图像采集设备；确保设备具有足够的分辨率和适应性，以捕捉圆管内壁的细节；其中图像采集设备的分辨率根据铜管的加工精度来设定，加工精度越高要求分辨率也就越高；同时还要确保圆管内壁的照明环境一致且充分，以获得清晰的图像；使用合适的照明设备，例如LED灯条或光纤照明，以确保图像质量；在正式进行图像采集时，将图像采集设备放置在铜管的一端，使其能够拍摄或扫描铜管的内壁表面；通过控制设备的位置和角度，获取内壁平面图像具体采用以下步骤：
S111、采用广角为180°的图像采集设备采集铜管内壁上端的部分图像；
S112、驱动图像采集设备沿铜管轴线旋转180°，再采集铜管内壁下端的部分图像；
S113、驱动图像采集设备沿轴线方向移动一定距离，此段距离恰好与图像采集设备单次采集的图像宽度相同，即采集的图像沿轴线方向的宽度；
S114、重复S111、S112和S113，直至将整根铜管内壁图像采集完。
同样的，采集铜管外壁的平面图像具体采用以下步骤：
S121、利用位于铜管正上方的图像采集设备垂直采集铜管外壁上端的部分图像；
S122、利用位于铜管正下方的图像采集设备采集铜管外壁下端的部分图像；
S123、驱动铜管正上方和正下方的图像采集设备沿轴线方向移动一定距离，此段距离恰好与图像采集设备单次采集的图像宽度相同，即采集的图像沿轴线方向的宽度；
S124、重复S121、S122和S123，直至将整根铜管外壁图像采集完。
在本步骤中，需要注意采集时的光照条件、成像设备设置以及图像校正等外在因素保持一致，以确保获得高质量和准确的图像用于后续的缺陷检测处理。
S2、将铜管内壁平面图像和外壁平面图像分别转换为内壁环状图像和外壁环状图像；
通过S1得到了铜管内壁和外壁的平面图像，要想将铜管内壁和铜管外壁相结合并进行识别，需要将平面图像结合成环状图像；要将平面图像转换为环状图像，可以利用霍夫变换来检测图像中的圆形结构；下面是使用霍夫变换将平面图像转换为环状图像的一般步骤：
S21、图像预处理：首先，对待处理的平面图像进行预处理；可以应用一些图像增强和去噪的技术，例如平滑滤波和边缘检测，以提高圆形结构的检测结果；
S22、边缘检测：使用合适的边缘检测算法，如Canny算法，在预处理后的图像中检测出图像的边缘；边缘检测有助于提取出图像中物体的边界信息；
S23、霍夫变换：应用霍夫变换来检测图像中的圆形结构；霍夫变换可用于检测图像中各种形状，包括圆形；在霍夫变换中，每个图像点都被视为可能是圆心的候选点，并计算通过该点的所有可能半径的圆；通过对投票进行累加，可以确定可能是圆形结构的区域；
S24、圆形检测：根据霍夫变换的结果，确定图像中可能是圆形的位置和半径；可以设置一些阈值来筛选出符合条件的圆形结构，例如最小半径和最大半径的范围；在圆形检测中一般以管件的端部或管件加工过程中的车痕为参考圆形；
S25、重建环状图像：在得到圆形检测结果后，可以将这些圆形结构重新组合成环状图像；根据每个圆的位置和半径，可以通过在新图像中绘制圆形来生成环状图像；需要注意的是，图像预处理和设置合适的阈值对于获得准确的圆形检测结果也非常重要；因此，根据具体的应用需求进行参数调整和优化是必要的。
另一方面，还可以采用以下方法将铜管内壁平面图像和外壁平面图像转换为内壁环状图像和外壁环状图像；
内壁平面图像转换为内壁环状图像：首先，将铜管内壁平面图像加载到计算机环境中；然后，通过图像处理算法，例如极坐标变换，将平面图像转换为环状图像；在极坐标变换中，图像中心点被定义为铜管的圆心，而各个像素点则按照其距离铜管圆心的半径和每个角度的极角进行重新映射；这样，得到一个表示铜管内壁环状特征的图像；
外壁平面图像转换为外壁环状图像：类似地，将铜管外壁平面图像加载到计算机环境中；然后，采用与内壁平面图像相同的方法进行图像处理，将外壁平面图像转换为外壁环状图像；这样，得到一个表示铜管外壁环状特征的图像；
通过S2步骤的转换过程，得到了内壁环状图像和外壁环状图像，这些图像保留了铜管的环状几何结构特征；将铜管的内壁和外壁图像转换为环状图像有助于后续步骤对铜管进行全貌立体重建和缺陷分析；具体的图像处理算法和步骤可能因不同的实际应用而有所差异；在实际应用中，可能需要根据具体要求进行图像校正、滤波、边缘检测等处理，以获得更准确的环状图像表示；总体来说，S2步骤通过图像处理算法将铜管的内壁平面图像和外壁平面图像转换为内壁环状图像和外壁环状图像，以更好地表达铜管的环状几何特征；这为后续的全貌立体图像生成和缺陷分析奠定了基础。
S3、将内壁环状图像与外壁环状图像进行同轴组合，得到铜管全貌立体图像；铜管全貌立体图像中的内壁环状图像与外壁环状图像圆心角度与铜管实际圆心角度相同；
具体的，本步骤的目的是将内壁环状图像与外壁环状图像进行同轴组合，生成铜管的全貌立体图像；这一步骤涉及到将两个环状图像进行重合，并确保其圆心角度与铜管的实际圆心角度相同；具体通过以下步骤实现：
S31、获取内壁环状图像和外壁环状图像：根据S2步骤的描述，我们已经获得了铜管的内壁环状图像和外壁环状图像；这些图像以环状形式表示铜管的几何特征；
S32、确定内壁环状图像和外壁环状图像的起始位置：在同轴组合之前，我们需要确定内壁环状图像和外壁环状图像的起始位置，并确保它们对应于铜管的实际圆心位置；
S33、调整内壁环状图像和外壁环状图像的尺寸和缩放：由于内壁环状图像和外壁环状图像可能具有不同的尺寸和缩放，我们需要按比例调整它们的大小，使得它们具有相似的尺寸和缩放比例；
S34、同轴组合内壁环状图像和外壁环状图像：将内壁环状图像与外壁环状图像进行同轴组合；这可以通过将两个环状图像进行旋转、平移、缩放等操作，使得它们的圆心重合，并保持相同的圆心角度；
通过以上步骤的处理，我们可以得到铜管的全貌立体图像，其中内壁环状图像与外壁环状图像在同一个图像中组合成立体效果；这样的组合图像有助于后续的缺陷分析和识别，因为它提供了更全面的铜管表面信息；具体的同轴组合方法可能因不同的实际应用而有所差异；在实际应用中，可能需要考虑图像的对齐精度、坐标转换以及消除畸变等因素，以确保得到准确的全貌立体图像；S3步骤通过将内壁环状图像与外壁环状图像进行同轴组合，生成铜管的全貌立体图像；这个步骤的目标是确保图像间的重合，并使其与实际铜管的几何特征相匹配；这为后续的预处理、特征提取和缺陷检测提供了基础。
S4、对铜管全貌立体图像进行预处理，并提取铜管全貌立体图像中各像素点的灰度值；
本步骤的目标是对铜管全貌立体图像进行预处理，并提取各个像素点的灰度值；这一步骤的目的是为后续的缺陷检测提供可用的数据表示；具体包括以下两方面：
一方面是，铜管全貌立体图像预处理：首先需要对铜管全貌立体图像进行预处理；这可能包括去噪、增强对比度、减少图像失真等操作；预处理旨在优化图像质量和减少噪声，以提供更清晰、更准确的图像数据供后续处理使用；
另一方面是，提取像素点的灰度值：提取图像中各个像素点的灰度值是S4步骤的关键；对于灰度图像，每个像素点通常表示为一个灰度值，代表其在灰度级范围内的相对亮度；可以通过读取图像数据并解析每个像素点的灰度值来实现。
S5、根据各个像素点的灰度值，将铜管全貌立体图像转换成由灰度值表示的三维管状矩阵；
本步骤是根据各个像素点的灰度值，将铜管全貌立体图像转换成由灰度值表示的三维管状矩阵；这一步骤的目的是将图像数据转化为更适合进行缺陷检测的数据结构；具体包括以下几个方面：
灰度值表示：在S4步骤中，我们已经提取了铜管全貌立体图像中各个像素点的灰度值，这些灰度值通常表示亮度或颜色信息；通常，灰度值的范围是0到255，其中0表示黑色，255表示白色；
三维管状矩阵建立：根据提取的灰度值，我们可以建立一个三维管状矩阵，其中矩阵的每个元素代表铜管的一个像素点；这个矩阵具有与原始图像相同的尺寸；每个矩阵元素的值由对应像素点的灰度值决定，可以将其直接映射到矩阵元素的值，具体的三维管状矩阵如图2所示；
灰度值的映射：根据具体需求，灰度值可以使用不同的映射方式进行转换；例如，可以进行线性映射，将灰度值的范围映射到特定的数值范围，或者进行归一化处理，将灰度值映射到[0, 1]的范围内；
通过以上步骤，能够得到一个由灰度值表示的三维管状矩阵；这个矩阵将保留铜管图像的灰度信息，并提供了更方便进行缺陷检测的数据结构；在进行灰度值的转换和建立三维矩阵时，应该考虑到图像的分辨率、噪声和图像质量等因素，以确保提取的数据准确反映铜管图像的特征；S5步骤根据各个像素点的灰度值，将铜管全貌立体图像转换成由灰度值表示的三维管状矩阵；这个步骤将图像数据转化为更适合进行缺陷检测的数据表示形式，为后续的缺陷识别提供了基础。
S6、利用预先构建的缺陷检测模型对三维管状矩阵进行识别，判断铜管是否存在缺陷；
具体在本步骤中，缺陷检测模型采用卷积神经网络来对三维管状矩阵进行识别，判断铜管是否存在缺陷；具体的缺陷检测模型构建包括以下步骤：
S61、数据集准备：需要准备一个包含铜管样本和相应标签的训练数据集；训练数据集应涵盖不同类型的铜管缺陷和正常铜管样本；每个样本应包括对应的三维管状矩阵表示和标签；
S62、数据预处理：对训练数据集进行预处理操作，例如数据增强和标准化；数据增强技术可以通过对图像进行平移、旋转、缩放等操作来扩充数据集，增加模型的鲁棒性；标准化可以使数据在训练过程中具有相似的尺度和分布；
S63、模型架构设计：选择适合于缺陷检测任务的卷积神经网络架构；根据任务的复杂性和特定需求，可以进行网络深度、卷积核大小、池化操作等方面的调整；
S64、模型训练：使用准备好的数据集和定义好的模型架构，进行模型的训练；在训练过程中，将输入的三维管状矩阵提供给模型，并根据样本的标签进行监督学习，通过反向传播算法不断调整模型参数，使其能够更好地进行缺陷识别；
S65、模型评估：使用一个独立的测试数据集来评估训练好的缺陷检测模型的性能；通过计算精确度、召回率、F1分数等指标来评估模型在判断铜管缺陷的准确性和鲁棒性；
S66、模型优化：根据评估结果，对模型进行调优，包括调整超参数、增加训练数据量、改进网络架构等；优化的目标是提高模型的检测准确率和泛化能力；
将训练好的缺陷检测模型应用到实际的铜管缺陷检测中；将待检测的铜管的三维管状矩阵输入到模型中，模型将输出预测结果，指示铜管是否存在缺陷；需要注意的是，该过程中的具体步骤、模型架构和参数设置可能会因具体情况而有所不同；这里只是提供了一个一般的框架，实际应用时需要根据具体问题进行适当调整和优化；
缺陷检测模型在实际应用过程中，缺陷检测模型的卷积核如图3所示，卷积核由若干个滤波器系数同心双环绕组成，卷积核同一圆心上的滤波器系数的个数与三维管状矩阵同一圆心上的像素点个数相同，同一圆心上的若干滤波器系数组成一层滤波层，卷积核具有至少四层滤波层；卷积核的步长为3；具体的，卷积核与三维管状矩阵重叠区域内，卷积核上若干个滤波器系数分别与覆盖三维管状矩阵的像素点的灰度值进行比值求和，得到对应铜管该位置的特征数据，卷积核沿三维管状矩阵轴线每进给移动一次，均能够得到一个特征数据；当卷积核将三维管状矩阵遍历后即可得到整根铜管数据化的缺陷特征，将该数据化的缺陷特征与预先标记构建的缺陷特征数据库进行比对，即可得出该铜管是否存在缺陷。
实施例二
一种高精度铜管缺陷检测系统，包括：
图像获取单元，用于采集铜管的内壁平面图像和外壁平面图像，并发送；
图像转换单元，用于接收图像获取单元发送的内壁平面图像和外壁平面图像，并将平面图像转换成内壁环状图像和外壁环状图像，并发送；
图像组合单元，用于接收图像转换单元发送的内壁环状图像和外壁环状图像，并将内壁环状图像与外壁环状图像进行同轴组合，得到铜管的全貌立体图像，并发送；
图像预处理单元，用于接收图像组合单元发送的铜管全貌立体图像，并对铜管全貌立体图像进行去噪、增强对比度、减少图像失真；并将预处理后的铜管全貌立体图像发送；
图像数据化单元，用于接收图像预处理单元发送的铜管全貌立体图像，并根据各个像素点的灰度值，将铜管全貌立体图像转换为由灰度值表示的三维管状矩阵，并发送；
检测单元，用于接收图像数据化单元发送的三维管状矩阵，利用预先训练存储的缺陷检测模型，对三维管状矩阵进行缺陷特征识别，并生成相应的检测结果；其中缺陷检测模型采用卷积神经网络。
本系统采用了多个模块，包括图像获取、图像转换、图像组合、图像预处理、图像数据化和检测等模块，这些模块的有机组合可提供高精度的铜管缺陷检测结果；通过图像获取和转换模块，系统获取铜管的内壁平面图像和外壁平面图像，并将其转换为内壁环状图像和外壁环状图像；通过图像组合模块将内壁环状图像和外壁环状图像进行同轴组合，得到铜管的全貌立体图像，这有助于全面观察铜管并检测可能存在的缺陷；图像预处理单元对铜管全貌立体图像进行去噪、增强对比度和减少图像失真等处理，以提高图像质量和缺陷检测的准确性；检测单元利用预先训练存储的缺陷检测模型，采用卷积神经网络等先进的深度学习算法，对图像数据化单元发送的三维管状矩阵进行缺陷特征识别；这种模型可以学习和识别各种铜管缺陷，提高缺陷检测的准确性和可靠性；系统以模块化的方式设计，各个模块之间进行数据传输和处理，可以实现较快的处理速度，适用于实时缺陷检测场景；该系统通过结合图像处理和深度学习算法，提供了高精度的铜管缺陷检测功能，能够快速、准确地识别铜管中的缺陷问题。
前述实施例一中的高精度铜管缺陷检测方法的各种变化方式和具体实施例同样适用于本实施例的高精度铜管缺陷检测系统,通过前述对高精度铜管缺陷检测方法的详细描述,本领域技术人员可以清楚的知道本实施例中高精度铜管缺陷检测系统的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连，计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。
Claims (9)
1.一种高精度铜管缺陷检测方法，其特征在于，所述方法包括：
S1、获取铜管内壁平面图像和外壁平面图像；
S2、将铜管内壁平面图像和外壁平面图像分别转换为内壁环状图像和外壁环状图像；
S3、将内壁环状图像与外壁环状图像进行同轴组合，得到铜管全貌立体图像；所述铜管全貌立体图像中的内壁环状图像与外壁环状图像圆心角度与铜管实际圆心角度相同；
S4、对铜管全貌立体图像进行预处理，并提取铜管全貌立体图像中各像素点的灰度值；
S5、根据各个像素点的灰度值，将铜管全貌立体图像转换成由灰度值表示的三维管状矩阵；
S6、利用预先构建的缺陷检测模型对三维管状矩阵进行识别，判断铜管是否存在缺陷；
所述缺陷检测模型采用卷积神经网络；所述缺陷检测模型的卷积核由若干个滤波器系数同心双环绕组成，所述卷积核同一圆心上的滤波器系数的个数与三维管状矩阵同一圆心上的像素点个数相同，同一圆心上的若干滤波器系数组成一层滤波层，卷积核具有至少四层滤波层，卷积核的步长为3；卷积核与三维管状矩阵重叠区域内，卷积核上若干个滤波器系数分别与覆盖三维管状矩阵的像素点的灰度值进行比值求和，得到对应铜管该区域位置的特征数据，卷积核沿三维管状矩阵轴线每进给移动一次，均能够得到一个特征数据；当卷积核将三维管状矩阵遍历后即可得到整根铜管数据化的缺陷特征，将该数据化的缺陷特征与预先标记构建的缺陷特征数据库进行比对，即可得出该铜管是否存在缺陷。
2.如权利要求1所述的一种高精度铜管缺陷检测方法，其特征在于，所述S1通过以下方法采集铜管内壁平面图像：
S111、采用广角为180°的图像采集设备采集铜管内壁上端的部分图像；
S112、驱动图像采集设备沿铜管轴线旋转180°，再采集铜管内壁下端的部分图像；
S113、驱动图像采集设备沿轴线方向移动一定距离，此段距离与图像采集设备单次采集的图像宽度相同，图像宽度即采集的图像沿轴线方向的宽度；
S114、重复S111、S112和S113，直至将整根铜管内壁图像采集完。
3.如权利要求2所述的一种高精度铜管缺陷检测方法，其特征在于，所述S1通过以下方法采集铜管外壁平面图像：
S121、利用位于铜管正上方的图像采集设备垂直采集铜管外壁上端的部分图像；
S122、利用位于铜管正下方的图像采集设备采集铜管外壁下端的部分图像；
S123、驱动铜管正上方和正下方的图像采集设备沿轴线方向移动一定距离，此段距离与图像采集设备单次采集的图像宽度相同，即采集的图像沿轴线方向的宽度；
S124、重复S121、S122和S123，直至将整根铜管外壁图像采集完。
4.如权利要求1所述的一种高精度铜管缺陷检测方法，其特征在于，所述S2中通过以下方法将平面图像转换成环状图像：
S21、对铜管内壁和外壁的平面图像进行预处理；
S22、检测预处理后的图像中检测出图像的边缘；
S23、检测图像中的圆形结构；
S24、根据圆形结构的检测结果，确定图像中圆形的位置和半径；
S25、根据圆形结构将内壁平面图像和外壁平面图像重新组合成环状图像。
5.如权利要求4所述的一种高精度铜管缺陷检测方法，其特征在于，所述S3通过以下方法调整内壁环状图像和外壁环状图像的位置：
S31、获取内壁环状图像和外壁环状图像
S32、确定内壁环状图像和外壁环状图像的起始位置；
S33、调整内壁环状图像和外壁环状图像的尺寸和缩放；
S34、同轴组合内壁环状图像和外壁环状图像。
6.如权利要求1所述的一种高精度铜管缺陷检测方法，其特征在于，所述S2采用图像极坐标变换处理算法，将平面图像转换为环状图像。
7.一种高精度铜管缺陷检测系统，其特征在于，所述系统包括：
图像获取单元，用于采集铜管的内壁平面图像和外壁平面图像，并发送；
图像转换单元，用于接收图像获取单元发送的内壁平面图像和外壁平面图像，并将平面图像转换成内壁环状图像和外壁环状图像，并发送；
图像组合单元，用于接收图像转换单元发送的内壁环状图像和外壁环状图像，并将内壁环状图像与外壁环状图像进行同轴组合，得到铜管的全貌立体图像，并发送；
图像预处理单元，用于接收图像组合单元发送的铜管全貌立体图像，并对铜管全貌立体图像进行去噪、增强对比度、减少图像失真；并将预处理后的铜管全貌立体图像发送；
图像数据化单元，用于接收图像预处理单元发送的铜管全貌立体图像，并根据各个像素点的灰度值，将铜管全貌立体图像转换为由灰度值表示的三维管状矩阵，并发送；
检测单元，用于接收图像数据化单元发送的三维管状矩阵，利用预先训练存储的缺陷检测模型，对三维管状矩阵进行缺陷特征识别，并生成相应的检测结果；其中所述缺陷检测模型采用卷积神经网络；
所述缺陷检测模型的卷积核由若干个滤波器系数同心双环绕组成，所述卷积核同一圆心上的滤波器系数的个数与三维管状矩阵同一圆心上的像素点个数相同，同一圆心上的若干滤波器系数组成一层滤波层，卷积核具有至少四层滤波层，卷积核的步长为3；卷积核与三维管状矩阵重叠区域内，卷积核上若干个滤波器系数分别与覆盖三维管状矩阵的像素点的灰度值进行比值求和，得到对应铜管该区域位置的特征数据，卷积核沿三维管状矩阵轴线每进给移动一次，均能够得到一个特征数据；当卷积核将三维管状矩阵遍历后即可得到整根铜管数据化的缺陷特征，将该数据化的缺陷特征与预先标记构建的缺陷特征数据库进行比对，即可得出该铜管是否存在缺陷。
8.一种高精度铜管缺陷检测方法的电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1-6中任一项所述方法中的步骤。
9.一种高精度铜管缺陷检测方法的计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310925934.5A CN116930192B (zh) | 2023-07-26 | 2023-07-26 | 一种高精度铜管缺陷检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310925934.5A CN116930192B (zh) | 2023-07-26 | 2023-07-26 | 一种高精度铜管缺陷检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116930192A CN116930192A (zh) | 2023-10-24 |
| CN116930192B true CN116930192B (zh) | 2024-02-09 |
Family
ID=88375227
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310925934.5A Active CN116930192B (zh) | 2023-07-26 | 2023-07-26 | 一种高精度铜管缺陷检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116930192B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101256625A (zh) * | 2007-12-19 | 2008-09-03 | 重庆大学 | 多方法结合的人耳图像边缘提取方法 |
| CN101903771A (zh) * | 2007-12-21 | 2010-12-01 | V&M法国公司 | 特别是用于制造期间或处于成品状态的管子的无损检测 |
| CN105445277A (zh) * | 2015-11-12 | 2016-03-30 | 湖北工业大学 | 一种fpc表面质量视觉智能检测方法 |
| WO2017208093A1 (en) * | 2016-05-31 | 2017-12-07 | Pirelli Tyre S.P.A. | Method for checking tyres |
| CN107633502A (zh) * | 2017-07-27 | 2018-01-26 | 西北工业大学 | 一种轴孔装配自动对中的靶心识别方法 |
| CN109982782A (zh) * | 2016-11-15 | 2019-07-05 | 新日铁住金株式会社 | 电焊钢管的高频电阻焊接以及感应加热焊接的作业监视装置、方法和程序 |
| CN111429563A (zh) * | 2020-03-10 | 2020-07-17 | 山东大学 | 基于深度学习的管道三维重建方法、系统、介质及设备 |
| CN112733882A (zh) * | 2020-12-22 | 2021-04-30 | 郑州金惠计算机系统工程有限公司 | 基于深度学习的气缸套表面缺陷检测方法及系统和设备 |
| EP3852055A1 (en) * | 2020-01-16 | 2021-07-21 | Refractory Intellectual Property GmbH & Co. KG | System and method for determination of a 3d information and of a modification of a metallurgical vessel |
| CN116229017A (zh) * | 2022-11-09 | 2023-06-06 | 南京大学 | 一种基于逆向投影的管件三维模型重建方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8154636B2 (en) * | 2005-12-21 | 2012-04-10 | DigitalOptics Corporation International | Image enhancement using hardware-based deconvolution |
| US20220414862A1 (en) * | 2021-06-25 | 2022-12-29 | Stupp Bros., Inc. | Method for creating a digital twin of an infrastructure component |
-
2023
- 2023-07-26 CN CN202310925934.5A patent/CN116930192B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101256625A (zh) * | 2007-12-19 | 2008-09-03 | 重庆大学 | 多方法结合的人耳图像边缘提取方法 |
| CN101903771A (zh) * | 2007-12-21 | 2010-12-01 | V&M法国公司 | 特别是用于制造期间或处于成品状态的管子的无损检测 |
| CN105445277A (zh) * | 2015-11-12 | 2016-03-30 | 湖北工业大学 | 一种fpc表面质量视觉智能检测方法 |
| WO2017208093A1 (en) * | 2016-05-31 | 2017-12-07 | Pirelli Tyre S.P.A. | Method for checking tyres |
| CN109982782A (zh) * | 2016-11-15 | 2019-07-05 | 新日铁住金株式会社 | 电焊钢管的高频电阻焊接以及感应加热焊接的作业监视装置、方法和程序 |
| CN107633502A (zh) * | 2017-07-27 | 2018-01-26 | 西北工业大学 | 一种轴孔装配自动对中的靶心识别方法 |
| EP3852055A1 (en) * | 2020-01-16 | 2021-07-21 | Refractory Intellectual Property GmbH & Co. KG | System and method for determination of a 3d information and of a modification of a metallurgical vessel |
| CN111429563A (zh) * | 2020-03-10 | 2020-07-17 | 山东大学 | 基于深度学习的管道三维重建方法、系统、介质及设备 |
| CN112733882A (zh) * | 2020-12-22 | 2021-04-30 | 郑州金惠计算机系统工程有限公司 | 基于深度学习的气缸套表面缺陷检测方法及系统和设备 |
| CN116229017A (zh) * | 2022-11-09 | 2023-06-06 | 南京大学 | 一种基于逆向投影的管件三维模型重建方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于两相同圆的自标定方法;张虎;达飞鹏;李勤;;仪器仪表学报(第03期);618-624 * |
| 基于主动式全景视觉的管道形貌缺陷检测系统;汤一平;鲁少辉;吴挺;韩国栋;;红外与激光工程(第11期);1117005 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116930192A (zh) | 2023-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102037893B1 (ko) | 디지털 외관조사망도 구축 시스템 및 방법 | |
| KR20230124713A (ko) | 결함 검출 방법, 장치 및 시스템 | |
| JP7292979B2 (ja) | 画像処理装置及び画像処理方法 | |
| CN112733950A (zh) | 一种基于图像融合与目标检测结合的电力设备故障诊断方法 | |
| CN109903282B (zh) | 一种细胞计数方法、系统、装置和存储介质 | |
| Li et al. | Automatic bridge crack identification from concrete surface using ResNeXt with postprocessing | |
| CN113284109B (zh) | 管道缺陷识别方法、装置、终端设备及存储介质 | |
| CN111931620A (zh) | 仪表盘定位识别方法、装置、电子设备及存储介质 | |
| CN116524313A (zh) | 基于深度学习和多模态图像的缺陷检测方法及相关装置 | |
| CN116912675B (zh) | 一种基于特征迁移的水下目标检测方法及系统 | |
| Hou et al. | A pointer meter reading recognition method based on YOLOX and semantic segmentation technology | |
| CN113256572B (zh) | 基于修复和选择性增强的胃镜图像分析系统、方法及设备 | |
| CN116930192B (zh) | 一种高精度铜管缺陷检测方法及系统 | |
| CN114596244A (zh) | 基于视觉处理和多特征融合的红外图像识别方法及系统 | |
| CN115082299B (zh) | 非严格对齐的小样本不同源图像转换方法、系统及设备 | |
| JP2023145412A (ja) | 欠陥検出方法及びシステム | |
| CN114913086B (zh) | 基于生成对抗网络的人脸图像质量增强方法 | |
| CN115389514A (zh) | 一种材料缺陷检测方法和装置 | |
| CN113920087A (zh) | 基于深度学习的微小元器件缺陷检测系统及方法 | |
| Sutcliffe et al. | Automatic defect recognition of single-v welds using full matrix capture data, computer vision and multi-layer perceptron artificial neural networks | |
| CN111062920B (zh) | 用于生成半导体检测报告的方法及装置 | |
| CN112102394B (zh) | 基于深度学习的遥感图像舰船尺寸一体化提取方法 | |
| CN117128862B (zh) | 一种汽车部件的扫描检测分析方法 | |
| CN117474915B (zh) | 一种异常检测方法、电子设备及存储介质 | |
| CN109903289B (zh) | 一种太赫兹图像无损检测的方法、装置以及设备 |
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 |