CN117036348B - 基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法 - Google Patents
基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法 Download PDFInfo
- Publication number
- CN117036348B CN117036348B CN202311288176.7A CN202311288176A CN117036348B CN 117036348 B CN117036348 B CN 117036348B CN 202311288176 A CN202311288176 A CN 202311288176A CN 117036348 B CN117036348 B CN 117036348B
- Authority
- CN
- China
- Prior art keywords
- crack
- image
- gray
- value
- cnn
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 52
- 239000002184 metal Substances 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 117
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 68
- 230000011218 segmentation Effects 0.000 claims abstract description 22
- 238000013508 migration Methods 0.000 claims abstract description 15
- 230000005012 migration Effects 0.000 claims abstract description 15
- 230000009466 transformation Effects 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 22
- 230000007547 defect Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 12
- 230000000877 morphologic effect Effects 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 239000000126 substance Substances 0.000 description 9
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 7
- 229910052760 oxygen Inorganic materials 0.000 description 7
- 239000001301 oxygen Substances 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 238000000691 measurement method Methods 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 238000013526 transfer learning Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009661 fatigue test Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 239000007769 metal material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000009864 tensile test 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06N3/096—Transfer learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20—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
Abstract
本发明属于图像处理技术领域，公开了基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法。该方法对采集到的裂纹图片数据进行灰度变换，采用局部自适应阈值分割方法分割裂纹灰色图像，以及进行二值化操作，获取二值化裂纹图像，通过形态学消除二值化裂纹图像中的随机噪声以及进行平滑裂纹轮廓，再进行扩充；采用预训练的卷积神经网络VGG16作为区域候选网络对基础Faster R‑CNN模型进行迁移学习，获得改进的基于Faster R‑CNN的裂纹识别模型，实现金属疲劳裂纹非接触识别。本发明改进的基于Faster R‑CNN的裂纹识别模型得到较高识别精度的目的，提高模型泛化能力。
Description
技术领域
本发明属于图像处理技术领域，尤其涉及一种基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法。
背景技术
金属疲劳裂纹扩展试验是研究材料疲劳性能的重要手段，疲劳裂纹扩展试验的目的是测量循环疲劳荷载作用下裂纹长度的变化，进而通过裂纹扩展速率和裂纹尖端应力强度因子幅值曲线来描述疲劳裂纹扩展过程。
由于裂纹长度是计算裂纹扩展速率和裂纹尖端应力强度因子幅的基本参量，因此在疲劳裂纹扩展实验中准确测量裂纹长度至关重要。虽然传统的柔度法、电位差法、涡流法、应变法等裂纹长度测量方法可以实现裂纹长度的自动化测量，但试件特殊要求、传感器布置以及复杂处理程序极大限制了其在疲劳裂纹试验中的应用。
通过上述分析，现有技术存在的问题及缺陷为：现有金属疲劳裂纹扩展试验裂纹长度测量方法试件要求高、传感器布置及处理程序复杂，而且对裂纹图像识别质量和准确性较差。
发明内容
为克服相关技术中存在的问题，本发明公开实施例提供了一种基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法。具体涉及一种基于图像处理和Faster R-CNN的金属疲劳裂纹检测方法。
所述技术方案如下：基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法，包括以下步骤：
S1，对采集到的裂纹图片数据进行灰度变换，将裂纹图像由裂纹彩色图像变为单通道的裂纹灰色图像；
S2，采用局部自适应阈值分割方法分割裂纹灰色图像，通过二值化操作获取二值化裂纹图像，通过形态学消除二值化裂纹图像中的随机噪声以及进行平滑裂纹轮廓，通过水平镜像和垂直镜像对形态学处理后的裂纹图像数据集进行扩充；
S3，基于扩充后的裂纹图像数据集，采用预训练的卷积神经网络VGG16作为区域候选网络对基础Faster R-CNN模型进行迁移学习，获得改进的基于Faster R-CNN的裂纹识别模型，实现金属疲劳裂纹非接触识别。
在步骤S1中，对采集到的裂纹图片数据进行灰度变换，包括：原始裂纹图像灰度值的灰度值在/>范围内，进行灰度映射关系变换，将裂纹灰度图像灰度值/>的灰度范围线性扩展至/>，表达式为：
，
式中，分别为裂纹图像在长宽方向上的位置，/>分别为原始裂纹图像灰度值的最小值和最大值，/>分别为灰度线性变换后图像灰度值的最小值和最大值，/>为原始裂纹图像灰度值，/>为裂纹灰度图像灰度值。
在步骤S2中，局部自适应阈值分割方法，包括：将整幅图像分成多个互不重叠的小区域，每个区域定义为一个窗口，每一个窗口内像素值的均值为：
，
式中，为窗口内像素值的均值，/>分别为窗口长宽方向对应的位置，/>为窗口大小，/>分别为裂纹图像在长宽方向上的位置，/>为原始裂纹图像灰度值，为每一个窗口内像素值；
每一个窗口内像素值的标准差为：
，
式中，为每一个窗口内像素值的标准差；
每一个窗口内像素值的阈值为：
，
式中，为每一个窗口内像素值的阈值，/>为系数，/>为最大灰度值与最小灰度值之间的差；
根据每一个窗口内像素值的阈值对图像进行二值化操作，如果像素值大于每一个窗口内像素值的阈值/>，则该像素被分到前景中，反之则分到背景中，二值图像的标准差为：
，
式中，为二值图像的标准差，
二值图像的阈值为：
，
式中，为二值图像的阈值，/>为控制分割敏感度的参数。
进一步，计算出相应的阈值后，根据二值图像的阈值对图像进行二值化操作，获取二值化裂纹图像，如果像素值大于阈值/>，则该像素被分到前景中，反之则分到背景中，表达式为：
，
式中，为二值图像像素值，/>为二值图像的阈值。
在步骤S2中，通过形态学消除二值化裂纹图像中的随机噪声以及进行平滑裂纹轮廓中，采用闭运算对自适应阈值分割后的二值化裂纹图像先进行膨胀操作，再进行腐蚀操作。
进一步，采用闭运算将图像中的小孔洞和空隙填平，同时将相邻的裂纹连接起来，增加裂纹的长度和面积，反映材料中的实际裂纹分布情况。
在步骤S2中，通过水平镜像和垂直镜像对形态学处理后的裂纹图像数据集进行扩充中，将得到处理后的裂纹图像数据集，对该裂纹图像数据集进行区分，随机选取数据集中60%的图像作为训练集，20%的图像作为验证集，20%的图像作为测试集；针对裂纹图像数据集中包含的所有图像手动标记，选中裂纹所处区域，经过标记的图像将作为最终训练集用于基础Faster R-CNN模型的训练。
在步骤S3中，采用预训练的卷积神经网络VGG16作为区域候选网络对基础FasterR-CNN模型进行迁移学习，包括：使Faster R-CNN模型先获得预处理后裂纹图像的底层特征权重，再将这些特征信息迁移学习至裂纹识别的任务中，获得改进的基于Faster R-CNN的裂纹识别模型。
进一步，对基础Faster R-CNN模型进行迁移学习，包括：
（1）特征提取网络：采用VGG16网络中的13个卷积层对缺陷图像进行特征提取，获得特征图；
（2）用于初次检测的区域候选网络RPN：利用Anchor生成机制对特征提取网络得到的特征图上的每个像素点生成个Anchor，接着预测/>个Anchor的分类得分与边界框偏移值，并判断该Anchor是否存在缺陷和对缺陷进行初定位；
（3）ROI池化层：将区域候选网络RPN得到的区域建议框映射到特征提取网络得到的特征图上，并将映射后的特征图转换为7×7大小；
（4）用于精准检测的分类回归网络：对RO1池化层得到的7×7大小的特征图输入到分类回归网络再次进行缺陷分类与位置精修，并通过计算损失值提高检测精度。
进一步，基础Faster R-CNN模型训练完成后，通过测试数据集对训练后的改进的基于Faster R-CNN的裂纹识别模型进行测试，将预处理后的测试图像输入改进的基于Faster R-CNN的裂纹识别模型，获得图像中裂纹位置所占据的像素点数，为获得裂纹的真实长度，通过下式计算真实裂纹长度：
，
式中，为真实裂纹长度，/>为图像中裂纹位置所占据的像素点数，/>为图像中1毫米对应像素点数。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明公开的金属疲劳裂纹非接触识别方法，通过图像处理及Faster R-CNN方法，解决了传统测量方法对试件要求高，传感器布置以及处理程序复杂等缺陷，实现金属疲劳裂纹扩展试验中裂纹长度非接触测量。通过灰度变换、阈值分割、形态学处理和图像增强等方法进行裂纹图像预处理，降低了处理图像复杂度，更好地反映出材料中实际裂纹的分布和状态，节省Faster R-CNN模型计算资源，提高算法的训练效率，有效提高后续裂纹图像识别质量和准确性。此外，本发明采用预训练的卷积神经网络VGG16作为区域候选网络进行迁移学习，达到用少量图像训练使改进的基于Faster R-CNN的裂纹识别模型得到较高识别精度的目的，提高模型泛化能力。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理；
图1是本发明实施例提供的基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法流程图；
图2是本发明实施例提供的疲劳试验机示意图；
图3为应用场合一通过本发明的方法与现有COD规测量法检测的裂纹长度识别结果与实际长度对比图；
图4为应用场合二通过本发明的方法与现有COD规测量法检测的裂纹长度识别结果与实际长度对比图；
图5为应用场合三通过本发明的方法与现有COD规测量法检测的裂纹长度识别结果与实际长度对比图；
图6为应用场合四通过本发明的方法与现有COD规测量法检测的裂纹长度识别结果与实际长度对比图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
本发明实施例提供的基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法创新点在于：
本发明提供的基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法具有以下创新点：
1.非接触性测量：传统的金属疲劳裂纹检测方法多依赖于物理传感器接触试件进行测量，而本发明利用图像处理和裂纹识别模型实现了对裂纹的非接触性检测。这不仅消除了接触式传感器对试件的要求，还避免了传感器与试件接触引起的干扰，提高了测量的准确性和可靠性。
2.形态学处理优化：本发明通过阈值分割和形态学处理对采集到的裂纹图像进行预处理，对裂纹特征进行突出和增强，同时平滑了裂纹轮廓，降低了噪声和细节对测量结果的影响。这种优化的形态学处理方法能够提高图像质量，增强裂纹边缘的清晰度和鲁棒性，提高裂纹识别的准确性。
3.迁移学习的应用：本发明采用预训练的卷积神经网络VGG16作为区域候选网络，并进行迁移学习，将其应用于裂纹识别模型的训练中。通过少量图像样本的训练，使得裂纹识别模型能够获得较高的识别精度，提高了模型的泛化能力和适应性。
4.增强图像数据集：为了进一步提高裂纹识别模型的准确性，本发明利用了水平镜像和垂直镜像对图像数据集进行扩充。这种数据增强的方法能够增加训练样本的多样性，提供更丰富的数据信息，有助于改善裂纹识别模型的性能。
综上所述，本发明基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法通过非接触性测量、形态学处理优化、迁移学习的应用和增强图像数据集等创新点，提出了一种高效、准确的金属疲劳裂纹检测方案。该方法能够有效解决传统方法的局限性，具有广泛的应用前景和商业价值。
通过图像处理与深度学习结合形成新的金属疲劳裂纹检测流程。
实施例1，如图1所示，本发明实施例提供的基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法包括以下步骤：
S1，对采集到的裂纹图片数据进行灰度变换，将裂纹图像由裂纹彩色图像变为单通道的裂纹灰色图像；
S2，采用局部自适应阈值分割方法分割裂纹灰色图像，通过二值化操作获取二值化裂纹图像，通过形态学消除二值化裂纹图像中的随机噪声以及进行平滑裂纹轮廓，通过水平镜像和垂直镜像对形态学处理后的裂纹图像数据集进行扩充；
S3，基于扩充后的裂纹图像数据集，采用预训练的卷积神经网络VGG16作为区域候选网络对基础Faster R-CNN模型进行迁移学习，获得改进的基于Faster R-CNN的裂纹识别模型，实现金属疲劳裂纹非接触识别
实施例2，作为本发明的另一种实施方式，本发明实施例提供的基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法包括：
步骤一、灰度变换：通常疲劳裂纹扩展试验采集裂纹图像整体光线较亮，裂纹周边存在部分阴影，与背景部分对比度较低。整体图像亮度较暗，且明暗区域对比不明显，存在混合及细节损失。经过灰度线性变换拉伸，图像的最大灰度映射到255，即呈现出白色。中间的灰度值按比例进行映射，裂纹灰度值扩展至更大灰度区间，使原始图像中的灰度值分布更加均匀，使原始图像中与背景模糊的裂纹边缘变得更加锐利，提高明暗区域差异和细节的可见性提高，增强图像的对比度。
本发明灰度变换方法能够加大图像的灰度动态范围，用于调整图像的亮度和对比度，以便于更加清晰精准地识别图像中的目标。在灰度图像中，每个像素的灰度值通常表示为一个介于0和255之间的整数，其中0代表黑色，255代表白色。灰度线性变换中，若假设原始裂纹图像的灰度值在/>范围内，进行灰度映射关系变换，将裂纹灰度图像的灰度范围线性扩展至/>，表达式为：
，
式中，分别为裂纹图像在长宽方向上的位置，/>分别为原始裂纹图像灰度值的最小值和最大值，/>分别为灰度线性变换后图像灰度值的最小值和最大值，/>为原始裂纹图像灰度值，/>为裂纹灰度图像灰度值。
步骤二、阈值分割：通过阈值分割是将一幅图像分成两个部分：目标物体（前景）和背景。通过设定一个合适的灰度阈值，将大于该阈值的像素点划分到前景区域，小于该阈值的像素点划分到背景区域，最终得到的前景区域即为裂纹区域。
在实际情况中，受环境噪声及光照不均等条件影响，原始图像的灰度值可能变化较大，选中的某一阈值在图像的某一区域能够实现良好的分割效果，但在其他目标区域可能并不适用。这种情况下若仍采用固定值作为图像分割阈值来进行分割处理，将难以实现原始图像的合理分析处理，出现分割效果失真的情况。为解决该问题，本发明采用局部自适应阈值分割方法首先将整幅图像分成很多个互不重叠的小区域，称为窗口。每一个窗口内像素值的均值为：
，
式中，为窗口内像素值的均值，/>分别为窗口长宽方向对应的位置，/>为窗口大小，/>分别为裂纹图像在长宽方向上的位置，/>为原始裂纹图像灰度值，为每一个窗口内像素值；
每一个窗口内像素值的标准差为：
，
式中，为每一个窗口内像素值的标准差；
每一个窗口内像素值的阈值为：
，
式中，为每一个窗口内像素值的阈值，/>为系数，/>为最大灰度值与最小灰度值之间的差；
根据每一个窗口内像素值的阈值对图像进行二值化操作，如果像素值大于每一个窗口内像素值的阈值/>，则该像素被分到前景中，反之则分到背景中，二值图像的标准差为：
，
式中，为二值图像的标准差，
二值图像的阈值为：
，
式中，为二值图像的阈值，/>为控制分割敏感度的参数。
计算出相应的阈值后，根据二值图像的阈值对图像进行二值化操作，获取二值化裂纹图像，如果像素值大于阈值/>，则该像素被分到前景中，反之则分到背景中，表达式为：
，
式中，为二值图像像素值，/>为二值图像的阈值。
步骤三、形态学处理：本发明采用闭运算对自适应阈值分割后的二值化裂纹图像先进行膨胀操作，再进行腐蚀操作。通过闭运算作用在二值化的裂纹图像上，能够将图像中的小孔洞和空隙填平，从而实现对裂纹的去噪和平滑，同时还能够将相邻的裂纹连接起来，增加裂纹的长度和面积，更好地反映出材料中的实际裂纹分布情况；另外，闭运算还能够平滑裂纹轮廓，减少因噪声和细节造成的不稳定性，增强裂纹边缘的清晰度和鲁棒性。
步骤四、数据集扩充：深度学习模型需要充足的数据量才能实现较好的训练效果，但在疲劳裂纹扩展测试中，不能保证每次捕获的图像都是在此循环下裂纹张开最大的图像，因此可能造成训练样本较小。本发明采用水平镜像和垂直镜像对闭运算后的裂纹图像数据集进行扩充，提高Faster R-CNN模型的泛化性能和识别精度，进而提高Faster R-CNN模型在实际应用中的表现。
得到处理后的裂纹图像数据集后，对该裂纹图像数据集进行区分，随机选取数据集中60%的图像作为训练集，20%的图像作为验证集，20%的图像作为测试集。针对训练集，为实现图像深度学习功能，应对其进行标记以便于学习。训练集中包含的所有图像都是手动标记的。使用Matlab中的imageLabeler功能对图像进行标记，选中其裂纹所处区域。这些经过标记的图像将作为最终训练集用于基础Faster R-CNN模型的训练。
步骤五、基于Faster R-CNN的裂纹识别模型训练：
本发明使用预训练的卷积神经网络VGG16作为区域候选网络（RPN）进行迁移学习，Faster R-CNN本质是一种用于目标检测的深度学习模型，使Faster R-CNN模型先获得预处理后裂纹图像的底层特征权重，Faster R-CNN获得预处理后裂纹图像的底层特征权重的过程包括图像标准化、缩放和增广等预处理步骤，然后使用深度卷积神经网络提取图像的高级特征表示。接下来，通过候选区域生成的RPN网络计算裂纹图像的底层特征权重，这些权重表示了候选框与图像中不同位置的关联程度，为目标检测和识别提供输入。再将这些特征信息迁移学习至裂纹识别的任务中，获得改进的基于Faster R-CNN的裂纹识别模型达到用少量图像训练使改进的基于Faster R-CNN的裂纹识别模型得到较高识别精度的目的，提高改进的基于Faster R-CNN的裂纹识别模型泛化能力。基于Faster R-CNN的裂纹识别模型本质上是一个结合了图像预处理、迁移学习和Faster R-CNN模型等多种技术的深度学习模型，用于实现裂纹的自动化检测与识别。采用随机梯度下降法对区域候选网络（RPN）进行训练，将动量因子设置为0.9，初始学习率设置为0.1，随机失活率设置为0.1，最大循环次数设置为20。
可以理解，本发明创新的通过使用预训练的卷积神经网络VGG16作为区域候选网络（RPN）进行迁移学习，改进基础FASTER-RCNN模型。
基于Faster R-CNN的裂纹识别模型本质上是一个结合了图像预处理、迁移学习和Faster R-CNN模型等多种技术的深度学习模型，用于实现裂纹的自动化检测与识别。基础Faster R-CNN模型的迁移学习流程包括以下四个部分：
（1）特征提取网络：采用VGG16网络中的13个卷积层对缺陷图像进行特征提取，获得特征图。
（2）用于初次检测的区域候选网络RPN：首先利用Anchor生成机制对特征提取网络得到的特征图上的每个像素点生成个Anchor，接着预测/>个Anchor的分类得分与边界框偏移值，并判断该Anchor是否存在缺陷和对缺陷进行初定位。
（3）ROI池化层：将区域候选网络RPN得到的区域建议框映射到特征提取网络得到的特征图上，并将映射后的特征图转换为7×7大小。
（4）用于精准检测的分类回归网络：对RO1池化层得到的7×7大小的特征图输入到分类回归网络再次进行缺陷分类与位置精修，并通过计算损失值提高检测精度。
步骤六、裂纹识别：
基础Faster R-CNN模型训练完成后，通过测试数据集对训练后的改进的基于Faster R-CNN的裂纹识别模型进行测试，将预处理后的测试图像输入改进的基于FasterR-CNN的裂纹识别模型，即可获得图像中裂纹位置所占据的像素点数，为了获得裂纹的真实长度，通过下式出真实裂纹长度。
，
式中，为真实裂纹长度，/>为图像中裂纹位置所占据的像素点数，/>为图像中1毫米对应像素点数。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
实施例3，本发明实施例提供的基于图像处理和裂纹识别模型的金属疲劳裂纹检测系统，包括：
灰度变换模块，用于对采集到的裂纹图片数据进行灰度变换，将裂纹图像由裂纹彩色图像变为单通道的裂纹灰色图像；
图像处理模块，用于采用局部自适应阈值分割方法分割裂纹灰色图像，以及进行二值化操作，获取二值化裂纹图像，进而通过形态学消除二值化裂纹图像中的随机噪声以及进行平滑裂纹轮廓，在此基础上通过水平镜像和垂直镜像对形态学处理后的裂纹图像数据集进行扩充；
金属疲劳裂纹非接触识别模块，用于基于扩充后的裂纹图像数据集，采用预训练的卷积神经网络VGG16作为区域候选网络对Faster R-CNN模型进行迁移学习，获得最终实现金属疲劳裂纹非接触识别。
上述装置/单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程。
本发明实施例还提供了一种计算机设备，该计算机设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
本发明实施例还提供了一种信息数据处理终端，所述信息数据处理终端用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤，所述信息数据处理终端不限于手机、电脑、交换机。
本发明实施例还提供了一种服务器，所述服务器用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤。
本发明实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random AccessMemory，RAM）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
为进一步说明本发明实施例相关效果，进行如下实验。
应用场景：本发明可应用于金属疲劳裂纹扩展实验裂纹长度非接触识别。
应用例：以X80管道钢为例，化学成分如表1所示，室温下的力学性能参数见表2。如图2，由X80钢平板加工得到含4mm预制裂纹紧凑拉伸试件（CT），试件厚度8mm。为保证各个试件疲劳性能大致相同，各试件取样方向严格控制为为晶粒流动方向相同的钢板轧制方向。疲劳裂纹扩展试验在250kN MTS疲劳试验机进行，试验条件为室温空气环境，试验采用载荷控制方式，以10Hz的正弦波进行加载，其他详细过程按照GB/T6398规范。
疲劳加载中最大载荷水平为10kN，详细加载参数见表1。和/>分别为每个CT试件预制裂纹长度与测试结束裂纹长度。
表1加载工况：
表中，为循环加载最大值；/>为循环加载最小值。
在实验过程中，通过拍摄装置实时采集裂纹图像，将拍摄后的裂纹图像经图像预处理后，导入FASTER-RCNN模型中进行训练。FASTER-RCNN模型训练完成后，通过测试数据集对训练后的Faster R-CNN的裂纹识别模型进行测试，将预处理后的测试图像输入改进的基于Faster R-CNN的裂纹识别模型，即可获得图像中裂纹位置所占据的像素点，为了获得裂缝的真实长度，通过像素点和实际长度之间的关系计算出真实裂纹长度。为验证改进的基于Faster R-CNN的裂纹识别模型识别裂纹长度准确性，试验中同时采用现有技术COD规测量裂纹实际长度。
表1X80管道钢化学成分(%)：
表2 X80管道钢力学性能：
图3为应用场合一通过本发明的方法与现有COD规测量法检测的裂纹长度识别结果与实际长度对比图；
图4为应用场合二通过本发明的方法与现有COD规测量法检测的裂纹长度识别结果与实际长度对比图；
图5为应用场合三通过本发明的方法与现有COD规测量法检测的裂纹长度识别结果与实际长度对比图；
图6为应用场合四通过本发明的方法与现有COD规测量法检测的裂纹长度识别结果与实际长度对比图；
其中方框为COD规测量得到裂纹长度，圆点为本发明非接触测量得到裂纹长度。从图3-图6中可以看出，二者之间的误差较小，验证了本发明非接触测量裂纹疲劳裂纹扩展实验中裂纹长度的准确性和可行性。
本发明提出的基于图像处理和Faster R-CNN的金属疲劳裂纹非接触识别方法，可以解决传统测量方法对试件要求高、传感器布置以及处理程序复杂等缺陷，并实现金属疲劳裂纹扩展试验中裂纹长度非接触测量。这种技术方案的转化后预期收益和商业价值包括：
1.提高产品质量：将该技术应用于金属材料的生产过程中，能够通过自动化的裂纹识别技术对材料进行分类和筛选，以确保产品的质量。
2.降低人工成本：该技术无需人工干预，可以自动实现金属疲劳裂纹非接触识别，因此可以减少人工成本。
3.提高效率：该技术方案能够快速、准确地对裂纹进行识别和测量，同时能够对多个样品进行同时处理，提高了实验的效率。
4.拓展应用领域：该技术不仅可以应用于金属材料的疲劳试验中，还可以应用于其他需要进行裂纹识别的领域。
因此，该技术的转化后预期收益和商业价值巨大，具有广阔的应用前景和市场潜力。
传统金属疲劳裂纹扩展试验中裂纹长度测量方法存在要求高、传感器布置和处理程序复杂等缺陷。而本发明提供了一种基于图像处理和Faster R-CNN的金属疲劳裂纹非接触识别方法，通过图像处理技术和深度学习模型的应用，实现了对裂纹长度的自动化测量，大大简化了试件要求和传感器布置的复杂性。本发明采用灰度变换、阈值分割、形态学处理和图像增强等方法对裂纹图像进行预处理，降低了处理图像的复杂度，并更好地反映出材料中实际裂纹的分布和状态。这一预处理步骤有助于提高后续裂纹图像识别的质量和准确性。本发明采用了预训练的卷积神经网络VGG16作为区域候选网络进行迁移学习，使得使用少量图像即可训练出较高的识别精度的Faster R-CNN模型。这一方法提高了模型的泛化能力，并节省了计算资源，提高了算法的训练效率。
综上所述，本发明的技术方案填补了传统金属疲劳裂纹扩展试验中裂纹长度测量方法的不足，提供了一种高效、准确的金属疲劳裂纹非接触识别方法，弥补了国内外业内技术空白。
在传统的金属疲劳裂纹扩展试验中，准确测量裂纹长度是十分重要的，然而传统的测量方法要求高、传感器布置复杂，并且处理程序也较为繁琐。这些问题限制了传统方法在疲劳裂纹试验中的应用。而本发明提供了一种基于图像处理和Faster R-CNN的金属疲劳裂纹非接触识别方法，通过图像处理技术和深度学习模型的应用，实现了对裂纹长度的自动化测量，极大地简化了试件要求和传感器布置的复杂性。因此，本发明成功地解决了该技术领域长期以来困扰人们的技术难题，填补了国内外业内的技术空白。
本发明所描述的金属疲劳裂纹非接触识别方法是一种技术解决方案，它主要关注解决传统裂纹长度测量方法的局限性，并提供了一种更简单、准确和高效的方法，克服了技术偏见。
以上所述，仅为本发明较优的具体的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法，其特征在于，该方法包括以下步骤：
S1，对采集到的裂纹图片数据进行灰度变换，将裂纹图像由裂纹彩色图像变为单通道的裂纹灰色图像；
S2，采用局部自适应阈值分割方法分割裂纹灰色图像，通过二值化操作获取二值化裂纹图像，通过形态学消除二值化裂纹图像中的随机噪声以及进行平滑裂纹轮廓，通过水平镜像和垂直镜像对形态学处理后的裂纹图像数据集进行扩充；
S3，基于扩充后的裂纹图像数据集，采用预训练的卷积神经网络VGG16作为区域候选网络对基础Faster R-CNN模型进行迁移学习，获得改进的基于Faster R-CNN的裂纹识别模型，实现金属疲劳裂纹非接触识别；
在步骤S2中，局部自适应阈值分割方法，包括：将整幅图像分成多个互不重叠的小区域，每个区域定义为一个窗口，每一个窗口内像素值的均值为：
式中，m(x，y)为窗口内像素值的均值，s，t分别为窗口长宽方向对应的位置，w为窗口大小，x，y分别为裂纹图像在长宽方向上的位置，f(x，y)为原始裂纹图像灰度值，f(x+s，y+t)为每一个窗口内像素值；
每一个窗口内像素值的标准差为：
式中，σw(x，y)为每一个窗口内像素值的标准差；
每一个窗口内像素值的阈值为:
式中，Tw(x，y)为每一个窗口内像素值的阈值，kw为系数，R为最大灰度值与最小灰度值之间的差；
根据每一个窗口内像素值的阈值Tw(x，y)对图像进行二值化操作，如果像素值大于每一个窗口内像素值的阈值Tw(x，y)，则该像素被分到前景中，反之则分到背景中，二值图像的标准差为：
式中，σb(x，y)为二值图像的标准差，
二值图像的阈值为:
式中，Tb(x，y)为二值图像的阈值，k为控制分割敏感度的参数。
2.根据权利要求1所述的基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法，其特征在于，在步骤S1中，对采集到的裂纹图片数据进行灰度变换，包括：原始裂纹图像灰度值f(x，y)的灰度值在[a，b]范围内，进行灰度映射关系变换，将裂纹灰度图像灰度值g(x，y)的灰度范围线性扩展至[c，d]，表达式为：
式中，x，y分别为裂纹图像在长宽方向上的位置，a，b分别为原始裂纹图像灰度值的最小值和最大值，c，d分别为灰度线性变换后图像灰度值的最小值和最大值，f(x，y)为原始裂纹图像灰度值，g(x，y)为裂纹灰度图像灰度值。
3.根据权利要求1所述的基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法，其特征在于，k计算出相应的阈值后，根据二值图像的阈值对图像进行二值化操作，获取二值化裂纹图像，如果像素值大于阈值Tb(x，y)，则该像素被分到前景中，反之则分到背景中，表达式为：
式中，g(x，y)为二值图像像素值，Tb(x，y)为二值图像的阈值。
4.根据权利要求1所述的基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法，其特征在于，在步骤S2中，通过形态学消除二值化裂纹图像中的随机噪声以及进行平滑裂纹轮廓中，采用闭运算对自适应阈值分割后的二值化裂纹图像先进行膨胀操作，再进行腐蚀操作。
5.根据权利要求4所述的基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法，其特征在于，采用闭运算将图像中的小孔洞和空隙填平，同时将相邻的裂纹连接起来，增加裂纹的长度和面积，反映材料中的实际裂纹分布情况。
6.根据权利要求1所述的基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法，其特征在于，在步骤S2中，通过水平镜像和垂直镜像对形态学处理后的裂纹图像数据集进行扩充中，将得到处理后的裂纹图像数据集，对该裂纹图像数据集进行区分，随机选取数据集中60％的图像作为训练集，20％的图像作为验证集，20％的图像作为测试集；针对裂纹图像数据集中包含的所有图像手动标记，选中裂纹所处区域，经过标记的图像将作为最终训练集用于基础Faster R-CNN模型的训练。
7.根据权利要求1所述的基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法，其特征在于，在步骤S3中，采用预训练的卷积神经网络VGG16作为区域候选网络对基础FasterR-CNN模型进行迁移学习，包括：使Faster R-CNN模型先获得预处理后裂纹图像的底层特征权重，再将这些特征信息迁移学习至裂纹识别的任务中，获得改进的基于Faster R-CNN的裂纹识别模型。
8.根据权利要求7所述的基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法，其特征在于，对基础Faster R-CNN模型进行迁移学习，包括：
(1)特征提取网络：采用VGG16网络中的13个卷积层对缺陷图像进行特征提取，获得特征图；
(2)用于初次检测的区域候选网络RPN：利用Anchor生成机制对特征提取网络得到的特征图上的每个像素点生成ka个Anchor，接着预测ka个Anchor的分类得分与边界框偏移值，并判断该Anchor是否存在缺陷和对缺陷进行初定位；
(3)ROI池化层：将区域候选网络RPN得到的区域建议框映射到特征提取网络得到的特征图上，并将映射后的特征图转换为7×7大小；
(4)用于精准检测的分类回归网络：对RO1池化层得到的7×7大小的特征图输入到分类回归网络再次进行缺陷分类与位置精修，并通过计算损失值提高检测精度。
9.根据权利要求7所述的基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法，其特征在于，基础Faster R-CNN模型训练完成后，通过测试数据集对训练后的改进的基于Faster R-CNN的裂纹识别模型进行测试，将预处理后的测试图像输入改进的基于FasterR-CNN的裂纹识别模型，获得图像中裂纹位置所占据的像素点数np，为获得裂纹的真实长度，通过下式计算真实裂纹长度：
式中，l为真实裂纹长度，np为图像中裂纹位置所占据的像素点数，nu为图像中1毫米对应像素点数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311288176.7A CN117036348B (zh) | 2023-10-08 | 2023-10-08 | 基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311288176.7A CN117036348B (zh) | 2023-10-08 | 2023-10-08 | 基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117036348A CN117036348A (zh) | 2023-11-10 |
| CN117036348B true CN117036348B (zh) | 2024-01-09 |
Family
ID=88641473
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311288176.7A Active CN117036348B (zh) | 2023-10-08 | 2023-10-08 | 基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117036348B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117788467B (zh) * | 2024-02-26 | 2024-04-26 | 宝鸡百润万德钛业有限公司 | 一种钛金属板材缺陷图像分类方法 |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001016413A (ja) * | 1999-06-30 | 2001-01-19 | Fuji Photo Film Co Ltd | 画像読取装置 |
| JP2002236907A (ja) * | 2001-02-09 | 2002-08-23 | Toshiba Corp | 欠陥検査装置及び該装置を用いた半導体デバイス製造方法 |
| JP2010121992A (ja) * | 2008-11-18 | 2010-06-03 | Taisei Corp | ひび割れ検出方法 |
| KR20110098127A (ko) * | 2010-02-26 | 2011-09-01 | 한국표준과학연구원 | 영상처리기법을 이용한 균열측정시스템의 역치값 보정을 위한 캘리브레이션 장치 및 방법 |
| CN107742286A (zh) * | 2017-09-28 | 2018-02-27 | 河北工业大学 | 一种多晶硅太阳能电池片el测试裂纹缺陷检测方法 |
| CN108051449A (zh) * | 2018-01-30 | 2018-05-18 | 华中农业大学 | 基于形态学边缘检测的咸鸭蛋表面裂纹在线视觉检测方法 |
| WO2019134252A1 (zh) * | 2018-01-03 | 2019-07-11 | 东南大学 | 结构裂缝自动化描绘及宽度精准测量方法与设备 |
| CN110009606A (zh) * | 2019-03-22 | 2019-07-12 | 北京航空航天大学 | 一种基于图像识别的裂纹扩展动态监测方法及装置 |
| CN110211097A (zh) * | 2019-05-14 | 2019-09-06 | 河海大学 | 一种基于Faster R-CNN参数迁移的裂缝图像检测方法 |
| CN110321815A (zh) * | 2019-06-18 | 2019-10-11 | 中国计量大学 | 一种基于深度学习的道路裂缝识别方法 |
| CN110555842A (zh) * | 2019-09-10 | 2019-12-10 | 太原科技大学 | 一种基于锚点集优化的硅片图像缺陷检测方法 |
| CN111932489A (zh) * | 2020-06-03 | 2020-11-13 | 西安电子科技大学 | 焊缝缺陷检测方法、系统、存储介质、计算机设备、终端 |
| CN113392849A (zh) * | 2021-06-30 | 2021-09-14 | 哈尔滨理工大学 | 一种基于r-cnn的复杂路面裂缝识别方法 |
| CN113870197A (zh) * | 2021-09-10 | 2021-12-31 | 贵州大学 | 一种基于小波多层分解的齿轮裂纹检测方法 |
| CN114037691A (zh) * | 2021-11-15 | 2022-02-11 | 浙江理工大学 | 一种基于图像处理的碳纤维板裂纹检测方法 |
| CN114119480A (zh) * | 2021-10-26 | 2022-03-01 | 北京临近空间飞行器系统工程研究所 | 一种基于深度学习的裂纹缺陷检测系统 |
| WO2022053001A1 (zh) * | 2020-09-10 | 2022-03-17 | 上海航天精密机械研究所 | 焊缝内部缺陷智能检测装置、方法及介质 |
| WO2022160170A1 (zh) * | 2021-01-28 | 2022-08-04 | 东莞职业技术学院 | 一种金属表面缺陷检测方法及装置 |
| CN115439412A (zh) * | 2022-08-05 | 2022-12-06 | 贵州大学 | 一种轻量化卷积网络的桥梁表面裂纹检测方法及设备 |
| CN116703812A (zh) * | 2022-10-31 | 2023-09-05 | 大唐（赤峰）新能源有限公司 | 一种基于深度学习的光伏组件裂纹检测方法与系统 |
| CN116824347A (zh) * | 2023-06-01 | 2023-09-29 | 中国电建集团西北勘测设计研究院有限公司 | 一种基于深度学习的道路裂纹检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10489903B2 (en) * | 2015-04-27 | 2019-11-26 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | Stepwise refinement detection method for pavement cracks |
| US20220092856A1 (en) * | 2020-09-22 | 2022-03-24 | Bentley Systems, Incorporated | Crack detection, assessment and visualization using deep learning with 3d mesh model |
-
2023
- 2023-10-08 CN CN202311288176.7A patent/CN117036348B/zh active Active
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001016413A (ja) * | 1999-06-30 | 2001-01-19 | Fuji Photo Film Co Ltd | 画像読取装置 |
| JP2002236907A (ja) * | 2001-02-09 | 2002-08-23 | Toshiba Corp | 欠陥検査装置及び該装置を用いた半導体デバイス製造方法 |
| JP2010121992A (ja) * | 2008-11-18 | 2010-06-03 | Taisei Corp | ひび割れ検出方法 |
| KR20110098127A (ko) * | 2010-02-26 | 2011-09-01 | 한국표준과학연구원 | 영상처리기법을 이용한 균열측정시스템의 역치값 보정을 위한 캘리브레이션 장치 및 방법 |
| CN107742286A (zh) * | 2017-09-28 | 2018-02-27 | 河北工业大学 | 一种多晶硅太阳能电池片el测试裂纹缺陷检测方法 |
| WO2019134252A1 (zh) * | 2018-01-03 | 2019-07-11 | 东南大学 | 结构裂缝自动化描绘及宽度精准测量方法与设备 |
| CN108051449A (zh) * | 2018-01-30 | 2018-05-18 | 华中农业大学 | 基于形态学边缘检测的咸鸭蛋表面裂纹在线视觉检测方法 |
| CN110009606A (zh) * | 2019-03-22 | 2019-07-12 | 北京航空航天大学 | 一种基于图像识别的裂纹扩展动态监测方法及装置 |
| CN110211097A (zh) * | 2019-05-14 | 2019-09-06 | 河海大学 | 一种基于Faster R-CNN参数迁移的裂缝图像检测方法 |
| CN110321815A (zh) * | 2019-06-18 | 2019-10-11 | 中国计量大学 | 一种基于深度学习的道路裂缝识别方法 |
| CN110555842A (zh) * | 2019-09-10 | 2019-12-10 | 太原科技大学 | 一种基于锚点集优化的硅片图像缺陷检测方法 |
| CN111932489A (zh) * | 2020-06-03 | 2020-11-13 | 西安电子科技大学 | 焊缝缺陷检测方法、系统、存储介质、计算机设备、终端 |
| WO2022053001A1 (zh) * | 2020-09-10 | 2022-03-17 | 上海航天精密机械研究所 | 焊缝内部缺陷智能检测装置、方法及介质 |
| WO2022160170A1 (zh) * | 2021-01-28 | 2022-08-04 | 东莞职业技术学院 | 一种金属表面缺陷检测方法及装置 |
| CN113392849A (zh) * | 2021-06-30 | 2021-09-14 | 哈尔滨理工大学 | 一种基于r-cnn的复杂路面裂缝识别方法 |
| CN113870197A (zh) * | 2021-09-10 | 2021-12-31 | 贵州大学 | 一种基于小波多层分解的齿轮裂纹检测方法 |
| CN114119480A (zh) * | 2021-10-26 | 2022-03-01 | 北京临近空间飞行器系统工程研究所 | 一种基于深度学习的裂纹缺陷检测系统 |
| CN114037691A (zh) * | 2021-11-15 | 2022-02-11 | 浙江理工大学 | 一种基于图像处理的碳纤维板裂纹检测方法 |
| CN115439412A (zh) * | 2022-08-05 | 2022-12-06 | 贵州大学 | 一种轻量化卷积网络的桥梁表面裂纹检测方法及设备 |
| CN116703812A (zh) * | 2022-10-31 | 2023-09-05 | 大唐（赤峰）新能源有限公司 | 一种基于深度学习的光伏组件裂纹检测方法与系统 |
| CN116824347A (zh) * | 2023-06-01 | 2023-09-29 | 中国电建集团西北勘测设计研究院有限公司 | 一种基于深度学习的道路裂纹检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 基于CCD图像的表面疲劳裂纹识别与长度计算;莫国影;左敦稳;朱笑笑;;机械制造与自动化(02);正文全文 * |
| 基于CCD图像的表面裂纹检测;曹宇;应保胜;;现代制造工程(12);正文全文 * |
| 基于Faster R-CNN的隧道图像裂缝检测;吴贺贺;王安红;王海东;;太原科技大学学报(03);正文全文 * |
| 基于VGG深度卷积神经网络和空间分布的道路裂纹种类识别;王相龙;胡钊政;穆孟超;陶倩文;张帆;;交通信息与安全(06);正文全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117036348A (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110349126B (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
| CN111310558B (zh) | 一种基于深度学习和图像处理法的路面病害智能提取方法 | |
| CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
| CN106875381B (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
| CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
| CN111325721A (zh) | 一种基于红外热成像的气体泄漏检测方法及系统 | |
| CN117036348B (zh) | 基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法 | |
| CN107808138B (zh) | 一种基于FasterR-CNN的通信信号识别方法 | |
| CN109118471A (zh) | 一种适用于复杂环境下的打磨工件缺陷检测方法 | |
| CN112215803B (zh) | 一种基于改进生成对抗网络的铝板电涡流检测图像缺陷分割方法 | |
| KR102141302B1 (ko) | 회귀 딥러닝 모델 기반의 영상 객체 검출 방법 및 영상처리장치 | |
| CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
| CN109509170A (zh) | 一种压铸件缺陷检测方法及装置 | |
| CN111160477B (zh) | 一种基于特征点检测的图像模板匹配方法 | |
| CN112085651B (zh) | 一种基于图像自适应阈值与特征提取的激波自动检测跟踪算法 | |
| CN112862744B (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
| CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
| CN109726660A (zh) | 一种遥感图像船舶识别方法 | |
| CN114926441A (zh) | 一种注塑件加工成型的缺陷检测方法及系统 | |
| CN101937562A (zh) | 灰度级信息量直方图构造方法 | |
| CN115775236A (zh) | 基于多尺度特征融合的表面微小缺陷视觉检测方法及系统 | |
| CN114841992A (zh) | 基于循环生成对抗网络和结构相似性的缺陷检测方法 | |
| KR101929669B1 (ko) | 엔트로피를 이용하여 이미지를 분석하는 방법 및 장치 | |
| CN112288726A (zh) | 一种井下带式输送机带面异物检测方法 | |
| CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 |
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 |