CN117788396A - 一种基于深度学习的dr图像缺陷智能识别算法 - Google Patents
一种基于深度学习的dr图像缺陷智能识别算法 Download PDFInfo
- Publication number
- CN117788396A CN117788396A CN202311743135.2A CN202311743135A CN117788396A CN 117788396 A CN117788396 A CN 117788396A CN 202311743135 A CN202311743135 A CN 202311743135A CN 117788396 A CN117788396 A CN 117788396A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- values
- queue
- remainder
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 33
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 78
- 230000008859 change Effects 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims description 31
- 229910000831 Steel Inorganic materials 0.000 claims description 28
- 239000010959 steel Substances 0.000 claims description 28
- 238000003384 imaging method Methods 0.000 claims description 19
- 238000003466 welding Methods 0.000 claims description 17
- 238000000926 separation method Methods 0.000 claims description 11
- 238000000746 purification Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 3
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims 1
- 239000006185 dispersion Substances 0.000 abstract description 7
- 230000002194 synthesizing effect Effects 0.000 abstract description 4
- 238000003860 storage Methods 0.000 description 14
- 230000002159 abnormal effect Effects 0.000 description 10
- 238000004140 cleaning Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 108010094028 Prothrombin Proteins 0.000 description 2
- AGVAZMGAQJOSFJ-WZHZPDAFSA-M cobalt(2+);[(2r,3s,4r,5s)-5-(5,6-dimethylbenzimidazol-1-yl)-4-hydroxy-2-(hydroxymethyl)oxolan-3-yl] [(2r)-1-[3-[(1r,2r,3r,4z,7s,9z,12s,13s,14z,17s,18s,19r)-2,13,18-tris(2-amino-2-oxoethyl)-7,12,17-tris(3-amino-3-oxopropyl)-3,5,8,8,13,15,18,19-octamethyl-2 Chemical compound [Co+2].N#[C-].[N-]([C@@H]1[C@H](CC(N)=O)[C@@]2(C)CCC(=O)NC[C@@H](C)OP(O)(=O)O[C@H]3[C@H]([C@H](O[C@@H]3CO)N3C4=CC(C)=C(C)C=C4N=C3)O)\C2=C(C)/C([C@H](C\2(C)C)CCC(N)=O)=N/C/2=C\C([C@H]([C@@]/2(CC(N)=O)C)CCC(N)=O)=N\C\2=C(C)/C2=N[C@]1(C)[C@@](C)(CC(N)=O)[C@@H]2CCC(N)=O AGVAZMGAQJOSFJ-WZHZPDAFSA-M 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009429 electrical wiring Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
一种基于深度学习的DR图像缺陷智能识别算法，其分别取得各个DR图像值的余项队列，取得代表DR图像值相应的区间范畴中数值区别量与分散幅度的余项拓展因子，随后对DR图像值的区间数值分队列内数值的扰动状况执行解析，取得DR图像起伏参量；对DR图像值的区间数值分队列内数值的区别量状况执行解析，取得DR图像陡变参量，综合其解析值，取得DR图像值的机动平衡量；最终，可依据DR图像值的区间范畴内数值的平稳度幅度主动取得过滤数目大小，使得运用该过滤数目大小对各个DR图像值执行过滤处置的性能佳，改进型数值队列带有更好的防异常扰动性。
Description
技术领域
本发明属于DR图像缺陷技术领域，具体涉及一种基于深度学习的DR图像缺陷智能识别算法。
背景技术
DR是数字化直接摄影的缩写。传统的X射线拍片使用胶片来记录图像，而DR技术则完全数字化了这个过程。它使用数字传感器，将X射线通过传感器直接转化为数字信号，然后通过计算机进行处理和显示。这种数字化的过程使得DR图像获取更快捷、更精确，并且可以立即在计算机屏幕上显示结果。
由于DR图像的上述优点，目前普遍在钢管焊接部识别缺陷时运用专利申请号为“CN202211228352.3”且专利名称为“一种用于检测钢管焊接数字射线图像中缺陷的方法”的现有技术方案的方法来执行钢管焊接部识别缺陷，其中要经由管道焊缝设置的DR成像板取得若干钢管焊接部的DR图像，随后优化后得到优化后的网络模型，接着再把新采集的DR图像输入优化后的网络模型后识别出钢管焊接部的包含缺陷位置的缺陷性质。
然而DR成像板取得的钢管焊接部的DR图像的图像值常常会因为DR成像板设备自身问题或外部杂波扰乱会带有异常扰乱，所以要可精准的对钢管焊接部的DR图像执行及时钢管焊接部识别缺陷，对钢管焊接部的DR图像的图像值执行异常清理处置就非常关键；目前的异常清理方法运用恒定量的过滤尺度对钢管焊接部的DR图像的图像值执行异常清理处置，让DR图像异常清理性能不佳。
发明内容
为解决现有技术中带有的缺陷，本发明提出一种基于深度学习的DR图像缺陷智能识别算法，起初取得DR图像的DR图像值的队列，在DR图像值的队列中取得各个DR图像值的区间数值分队列，主动认定各个DR图像值的过滤数目；然后，分别取得各个DR图像值的余项队列，且对其内的区别量排布状况执行解析，取得代表DR图像值相应的区间范畴中数值区别量与分散幅度的余项拓展因子，随后对DR图像值的区间数值分队列内数值的扰动状况执行解析，聚合余项拓展因子，取得DR图像起伏参量；对DR图像值的区间数值分队列内数值的区别量状况执行解析，且联合余项拓展因子，取得DR图像陡变参量，综合其解析值，取得DR图像值的机动平衡量；最终，依据所述机动平衡量认定各个DR图像值相应的过滤数目大小，可依据DR图像值的区间范畴内数值的平稳度幅度主动取得过滤数目大小，使得运用该过滤数目大小对各个DR图像值执行过滤处置的性能佳，改进型数值队列带有更好的防异常扰动性。
本发明运用如下的技术方案。
一种基于深度学习的DR图像缺陷智能识别装置，包括：
管道焊缝设置的DR成像板，DR成像板与识别装置通信相连；
DR成像板用于收集钢管焊接部的DR图像的图像值且传至识别装置执行预处置，识别装置用于对预处置后的钢管焊接部的DR图像的图像值执行优化后得到优化后的网络模型，接着再把新采集的DR图像输入优化后的网络模型后识别出钢管焊接部的缺陷性质；
运行在识别装置上的模块包含：
形成模块，其用于取得定义时长中经DR成像板传来的不一样时点的钢管焊接部的DR图像的图像值，形成DR图像值的队列；取得DR图像值的队列内各个DR图像值的区间数值分队列；
分离模块，其用于对各个区间数值分队列分别执行分离取得相应的各个DR图像值的余项队列；依据各个DR图像值的余项队列内余项数值间的区别量排布取得各个DR图像值的余项拓展因子；
认定模块，其用于依据各个DR图像值的余项拓展因子与区间数值分队列中数值的扰动状况取得各个DR图像值的DR图像起伏参量；依据各个DR图像值的余项拓展因子与区间数值分队列内毗邻数值间的区别量状况取得各个DR图像值的DR图像陡变参量；依据所述DR图像起伏参量和DR图像陡变参量认定各个DR图像值的机动平衡量；
过滤模块，其用于依据所述机动平衡量认定各个DR图像值相应的过滤数目大小，运用所述过滤数目大小分别对DR图像值的队列内各个DR图像值执行过滤处置，取得改进型数值队列。
一种基于深度学习的DR图像缺陷智能识别算法，包括：
S1：取得定义时长中经DR成像板传来的不一样时点的钢管焊接部的DR图像的图像值，形成DR图像值的队列；取得DR图像值的队列内各个DR图像值的区间数值分队列；
S2：对各个区间数值分队列分别执行分离取得相应的各个DR图像值的余项队列；依据各个DR图像值的余项队列内余项数值间的区别量排布取得各个DR图像值的余项拓展因子；
S3：依据各个DR图像值的余项拓展因子与区间数值分队列中数值的扰动状况取得各个DR图像值的DR图像起伏参量；依据各个DR图像值的余项拓展因子与区间数值分队列内毗邻数值间的区别量状况取得各个DR图像值的DR图像陡变参量；依据所述DR图像起伏参量和DR图像陡变参量认定各个DR图像值的机动平衡量；
S4：依据所述机动平衡量认定各个DR图像值相应的过滤数目大小，运用所述过滤数目大小分别对DR图像值的队列内各个DR图像值执行过滤处置，取得改进型数值队列。
优选地，在S1中，在定义时长中各个时点的DR图像值，依照时点的先后次序形成DR图像值的队列，且把所述DR图像值的队列内的数值定义成DR图像值；
依据起始取得事先定义的时距大小中含有的DR图像值形成DR图像值的区间数值分队列，所述事先定义的时距大小低于定义时长的大小。
优选地，在S2中，运用依据STL算法，对各个DR图像值的区间数值分队列执行分离，取得各个DR图像值的余项队列；
面向随意一DR图像值，把DR图像值的余项队列中随意一数值定义成标志余项数值，取得标志余项数值同其区间中余项数值的平均数，当做标志余项数值的改进型余项数值；
运用Hants算法对余项队列执行净化处置，取得改进型余项队列；
经由对净化后的余项数值执行区别量解析，运算改进型余项队列中全体改进型余项数值的平均数，把改进型余项队列内改进型余项数值的最高量减去最低量而得的量当做因子一；把改进型余项队列中随意一改进型余项数值定义成择定改进型余项数值，把择定改进型余项数值和所述平均数相减而得的量的模数当做因子二；把因子一除以因子二而得的量当做择定改进型余项数值的区别量属性值；运算DR图像值相应的改进型余项队列内全体改进型余项数值的区别量属性值的平均数当做DR图像值的余项拓展因子。
优选地，把改进型余项队列内第w个改进型余项数值当做择定改进型余项数值，那么第p个DR图像值的余项拓展因子的方程为：
方程中，σp代表DR图像值的队列中第p个DR图像值的余项拓展因子，Np代表第p个DR图像值的改进型余项队列内含有的数值的总个数，γp,w代表第p个DR图像值的改进型余项队列内第w个改进型余项数值，代表第p个DR图像值的改进型余项队列内全体改进型余项数值的平均数，γp,zg与γp,zd分别代表第p个DR图像值的改进型余项队列内改进型余项数值的最高量和最低量。
优选地，第p个DR图像值的DR图像起伏参量的方程为：
其中，βp代表DR图像值的队列内第p个DR图像值的DR图像起伏参量，代表第p个DR图像值的区间数值分队列内全体数值的标准差，νp代表第p个DR图像值的区间数值分队列内全体数值的平均数，σp代表DR图像值的队列中第p个DR图像值的余项拓展因子。
优选地，取得各个DR图像值的DR图像陡变参量的方法，包含：
面向随意一DR图像值，依据该DR图像值的区间数值分队列中毗邻数值间的区别量，取得DR图像值的对照队列；
依据DR图像值的对照队列内对照数值间的区别量取得DR图像值的陡变因子；
依据DR图像值的陡变因子与余项拓展因子取得DR图像值的DR图像陡变参量；也就是把DR图像值的陡变因子乘以余项拓展因子而得的量当做DR图像值的DR图像陡变参量。
优选地，取得DR图像值的对照队列的方法，包含：
把DR图像值的区间数值分队列内在最末一数值之外的随意一数值定义成择定数值，把择定数值减去同其毗邻的后一数值间而得的量当做择定数值的对照数值；
DR图像值的区间数值分队列内全体数值的对照数值形成DR图像值的对照队列。
优选地，第p个DR图像值的机动平衡量的方程为：
方程内，ηp代表DR图像值的队列内第p个DR图像值的机动平衡量，βp代表DR图像值的队列内第p个DR图像值的DR图像起伏参量，γp代表DR图像值的队列中第p个DR图像值的DR图像陡变参量，e代表欧拉数。
优选地，依据DR图像值的对照队列内对照数值间的区别量取得DR图像值的陡变因子的方法，包含：
把DR图像值的对照队列内对照数值的量不低于零的对照数值定义成数值种类一，把对照数值的量低于零的对照数值定义成数值种类二；取得DR图像值的对照队列内各个毗邻的二对照数值间的数值种类不一样的个数，把该个数除以对照队列中全体对照数值的总个数而得的量当做DR图像值的陡变因子。
优选地，S4具体包含：
依据所述机动平衡量认定各个DR图像值相应的过滤数目大小；
最终，依照先后次序分别把DR图像值的队列内各个DR图像值当做起点，把其之后相应的所述过滤数目大小个数的DR图像值执行过滤处置，取得改进型数值队列，由此实现了预处置。
优选地，依据所述机动平衡量认定各个DR图像值相应的过滤数目大小的方法，包含：
面向随意一DR图像值，运算事先定义的数值乘以DR图像值的机动平衡量而得的量，对该量执行四舍五入处置，取得整型量的过滤数目因子；
依据过滤数目因子取得DR图像值相应的过滤数目大小，过滤数目大小的方程为：
M＝2N+1
方程内，M为DR图像值相应的过滤数目大小，N为DR图像值相应的过滤数目因子。
本发明的有益效果在于，与现有技术相比，本发明起初取得DR图像的DR图像值的队列，在DR图像值的队列中取得各个DR图像值的区间数值分队列，宜于之后对各个DR图像值的区间范畴内的数值变动状况执行解析，主动认定各个DR图像值的过滤数目；然后，分别取得各个DR图像值的余项队列，且对其内的区别量排布状况执行解析，取得代表DR图像值相应的区间范畴中数值区别量与分散幅度的余项拓展因子，随后对DR图像值的区间数值分队列内数值的扰动状况执行解析，聚合余项拓展因子，取得DR图像起伏参量，代表DR图像值的相应的区间范畴中数值的扰动状况；对DR图像值的区间数值分队列内数值的区别量状况执行解析，且联合余项拓展因子，取得DR图像陡变参量，代表DR图像值相应的区间范畴内数值的区别量状况，综合其解析值，取得DR图像值的机动平衡量，代表了DR图像值相应的区间范畴内数值的平稳度幅度；最终，依据所述机动平衡量认定各个DR图像值相应的过滤数目大小，可依据DR图像值的区间范畴内数值的平稳度幅度主动取得过滤数目大小，使得运用该过滤数目大小对各个DR图像值执行过滤处置的性能佳，改进型数值队列带有更好的防异常扰动性。
附图说明
图1是本发明中所述基于深度学习的DR图像缺陷智能识别装置的模块示意图；
图2是本发明中所述基于深度学习的DR图像缺陷智能识别算法的整体流程图。
具体实施方式
为使本发明的目的、技术方案和优点更清楚，下面将结合本发明实施例中的附图，对本发明的技术方案执行清楚、完整地表达。本申请所表达的实施例仅仅是本发明一部分的实施例，而不是全体实施例。基于本发明精神，本领域普通技术人员在未有作出创造性劳动前提下所取得的有所另外实施例，都归于本发明的保护范围。
如图1所示，本发明所述的一种基于深度学习的DR图像缺陷智能识别装置，包括：
管道焊缝设置的DR成像板，DR成像板与移动通信网内的识别装置通信相连；识别装置能是电脑，DR成像板能是全网通DR成像板。
DR成像板用于收集钢管焊接部的DR图像的图像值且传至识别装置，识别装置用于对预处置后的钢管焊接部的DR图像的图像值执行优化后得到优化后的网络模型，接着再把新采集的DR图像输入优化后的网络模型后识别出钢管焊接部的缺陷性质；
运行在识别装置上的模块包含：
形成模块，其用于取得定义时长中经DR成像板传来的不一样时点的钢管焊接部的DR图像的图像值，形成DR图像值的队列；取得DR图像值的队列内各个DR图像值的区间数值分队列；
分离模块，其用于对各个区间数值分队列分别执行分离取得相应的各个DR图像值的余项队列；依据各个DR图像值的余项队列内余项数值间的区别量排布取得各个DR图像值的余项拓展因子；
认定模块，其用于依据各个DR图像值的余项拓展因子与区间数值分队列中数值的扰动状况取得各个DR图像值的DR图像起伏参量；依据各个DR图像值的余项拓展因子与区间数值分队列内毗邻数值间的区别量状况取得各个DR图像值的DR图像陡变参量；依据所述DR图像起伏参量和DR图像陡变参量认定各个DR图像值的机动平衡量；
过滤模块，其用于依据所述机动平衡量认定各个DR图像值相应的过滤数目大小，运用所述过滤数目大小分别对DR图像值的队列内各个DR图像值执行过滤处置，取得改进型数值队列。
如图2所示，本发明所述的一种基于深度学习的DR图像缺陷智能识别算法，运行在识别装置上，包括：
S1：取得定义时长中经DR成像板传来的不一样时点的钢管焊接部的DR图像的图像值，形成DR图像值的队列；取得DR图像值的队列内各个DR图像值的区间数值分队列；
本发明优选但非限制性的实施方式中，在S1中，起初，取得定义时长中经DR成像板传来的不一样时点的DR图像值，在本发明内，运用DR成像板收取用户的电能当做DR图像值。
在本发明内，把定义时长的大小设成16h，把毗邻二时点间的时距大小设成一分钟，管控者可依据实际状况执行定义。在定义时长中各个时点的DR图像值，依照时点的先后次序形成DR图像值的队列，且把所述DR图像值的队列内的数值定义成DR图像值；
而涉及到钢管焊接部的DR图像伴着时点变动的数值在不一样的时长内带有不一样的变动走势，要让异常清理改进后的数值更为精准，所以分别取得DR图像值的队列内各个DR图像值的区间数值分队列。
依据起始取得事先定义的时距大小中含有的DR图像值形成目的DR图像值的区间数值分队列，所述事先定义的时距大小低于定义时长的大小。在本发明内，事先定义的时距大小是0.5h，管控者可依据实际状况执行定义，就如把DR图像值的队列内首个DR图像值当做目的DR图像值，亦就是经定义时长的首个时点起始0.5h中含有的DR图像值，形成首个DR图像值的区间数值分队列。另外的DR图像值的区间数值分队列也就是同理依照该DR图像值的时点起始0.5h中含有的DR图像值，形成该DR图像值的区间数值分队列。
S2：对各个区间数值分队列分别执行分离取得相应的各个DR图像值的余项队列；依据各个DR图像值的余项队列内余项数值间的区别量排布取得各个DR图像值的余项拓展因子；
本发明优选但非限制性的实施方式中，在S2中，运用依据STL算法，对各个DR图像值的区间数值分队列执行分离，取得各个DR图像值的余项队列；运用STL算法能取得依据时点先后次序的走势分量、周期分量与余项，其内的余项为舍掉了时点先后次序内的走势分量与周期分量后的剩余项，带有随意性与不可知性，含有数值内的一些异常扰动状况，依据此就对各个DR图像值的区间数值分队列执行扰动状况的解析；
面向随意一DR图像值，把DR图像值的余项队列中随意一数值定义成标志余项数值，取得标志余项数值同其区间中余项数值的平均数，当做标志余项数值的改进型余项数值；在本发明内，把同标志余项数值毗邻的在先的二余项数值，还有同标志余项数值毗邻的在后的二余项数值当做标志余项数值的区间中余项数值，正如，把余项队列内第j个余项数值当做标志余项数值，那么第j个余项数值的区间中余项数值分别是第j-2个余项数值、第j-1个余项数值、第j+1个余项数值与第j+2个余项数值，那么运算该5个余项数值的平均数能取得第j个余项数值的改进型余项数值。
而面向各个余项数值的区间中的余项数值的取得方法管控者能依据实际状况执行定义；而面向余项队列两头的数值，其不能取得和余项数值在先或在后毗邻的二余项数值，把不能取得的数值运用定义数值执行取代，在本发明内运用余项队列内全体余项数值的平均数执行取代。
因为DR图像值的区间数值分队列的余项是随意的且不可知的，带有一些异常扰动量，所以在对余项执行解析前，就要对余项队列内的余项数值执行净化处置，有区别的对其内代表不可知要素的余项分量执行净化处置，来降低异常扰动量对数值质量的负面作用；也就是在本发明内，运用Hants算法对余项队列执行净化处置，取得改进型余项队列，一次送入Hants算法的余项队列的数目能是五，管控者能依据实际状况执行定义该数目；
经由对净化后的余项数值执行区别量解析，运算改进型余项队列中全体改进型余项数值的平均数，把改进型余项队列内改进型余项数值的最高量减去最低量而得的量当做因子一；把改进型余项队列中随意一改进型余项数值定义成择定改进型余项数值，把择定改进型余项数值和所述平均数相减而得的量的模数当做因子二；把因子一除以因子二而得的量当做择定改进型余项数值的区别量属性值；运算DR图像值相应的改进型余项队列内全体改进型余项数值的区别量属性值的平均数当做DR图像值的余项拓展因子。
本发明优选但非限制性的实施方式中，把改进型余项队列内第w个改进型余项数值当做择定改进型余项数值，那么第p个DR图像值的余项拓展因子的方程为：
方程中，σp代表DR图像值的队列中第p个DR图像值的余项拓展因子，Np代表第p个DR图像值的改进型余项队列内含有的数值的总个数，γp,w代表第p个DR图像值的改进型余项队列内第w个改进型余项数值，代表第p个DR图像值的改进型余项队列内全体改进型余项数值的平均数，γp,zg与γp,zd分别代表第p个DR图像值的改进型余项队列内改进型余项数值的最高量和最低量。
γp,zg-γp,zd是因子一，是因子二，因子二反应了第w个改进型余项数值和队列内整体状况间的区别量状况，因子二的量愈高，表明第w个改进型余项数值和整体的区别量愈高；/>是第w个改进型余项数值的区别量属性值，代表第w个改进型余项数值和队列整体间的区别量的比率状况，DR图像值的余项拓展因子代表相应余项队列内余项数值和整体的区别量状况，反应了DR图像值的分散度。
S3：依据各个DR图像值的余项拓展因子与区间数值分队列中数值的扰动状况取得各个DR图像值的DR图像起伏参量；依据各个DR图像值的余项拓展因子与区间数值分队列内毗邻数值间的区别量状况取得各个DR图像值的DR图像陡变参量；依据所述DR图像起伏参量和DR图像陡变参量认定各个DR图像值的机动平衡量；
起初对DR图像值的队列内各个DR图像值的区间数值分队列中数值的变动状况执行解析，要取得很精准的净化数值，在DR图像值的区间范畴中数值的扰动幅度不低，分散幅度不低时，相应就要给以该DR图像值不高的过滤数目，在DR图像值的区间范畴中数值的扰动幅度不高，分散幅度不高时，相应能给以该DR图像值不低的过滤数目。
由此依据各个DR图像值的余项拓展因子与区间数值分队列内数值的扰动状况取得各个DR图像值的DR图像起伏参量，而面向随意一DR图像值，分别取得该DR图像值的区间数值分队列内全体数值的标准差与平均数，依据DR图像值相应的所述标准差与平均数、余项拓展因子，取得DR图像值的DR图像起伏参量；所述标准差与余项拓展因子都同DR图像起伏参量间成正比，所述平均数与DR图像起伏参量间成反比。
本发明优选但非限制性的实施方式中，第p个DR图像值的DR图像起伏参量的方程为：
其中，βp代表DR图像值的队列内第p个DR图像值的DR图像起伏参量，代表第p个DR图像值的区间数值分队列内全体数值的标准差，νp代表第p个DR图像值的区间数值分队列内全体数值的平均数，σp代表DR图像值的队列中第p个DR图像值的余项拓展因子。
标准差反应了第p个DR图像值在区间范畴中的数值扰动状况，平均数νp反应了第p个DR图像值在区间范畴中的数值平衡状况，/>的量愈高，表明DR图像值在区间范畴中的数值分散幅度愈高，余项拓展因子σp的量愈高，相应的DR图像起伏参量取值愈高，表明DR图像值相应的区间数值分队列的分散幅度愈高，就愈要求不高的过滤数目。
本发明优选但非限制性的实施方式中，取得各个DR图像值的DR图像陡变参量的方法，包含：
对各个DR图像值区间范畴内毗邻数值间的变动状况执行解析，依据各个DR图像值的余项拓展因子和区间数值分队列中毗邻数值间的区别量状况取得各个DR图像值的DR图像陡变参量。
具体地，面向随意一DR图像值，依据该DR图像值的区间数值分队列中毗邻数值间的区别量，取得DR图像值的对照队列；
本发明优选但非限制性的实施方式中，取得DR图像值的对照队列的方法，包含：
把DR图像值的区间数值分队列内在最末一数值之外的随意一数值定义成择定数值，把择定数值减去同其毗邻的后一数值间而得的量当做择定数值的对照数值；而DR图像值的区间数值分队列内的最末一数值为带有同其毗邻的后一数值，所以用事先定义的数值来取代。
运算DR图像值的区间数值分队列中全体数值的平均数定义成属性平均数；面向DR图像值的区间数值分队列中的最末一数值，把所述最末一数值减去属性平均数而得的量当做所述最末一数值的对照数值；DR图像值的区间数值分队列内全体数值的对照数值形成DR图像值的对照队列。
DR图像值的队列内各个DR图像值都相应于一对照队列，把对照队列内的数值定义成对照数值，那么DR图像值的区间数值分队列内各个数值都相应于一对照数值，对照数值反应了区间数值分队列内毗邻二数值间的变动状况，所以能经由对对照数值间的区别量状况执行解析，取得可代表区间数值分队列内数值变动状况的参数，也就是依据DR图像值的对照队列内对照数值间的区别量取得DR图像值的陡变因子；
本发明优选但非限制性的实施方式中，依据DR图像值的对照队列内对照数值间的区别量取得DR图像值的陡变因子的方法，包含：
把DR图像值的对照队列内对照数值的量不低于零的对照数值定义成数值种类一，把对照数值的量低于零的对照数值定义成数值种类二；取得DR图像值的对照队列内各个毗邻的二对照数值间的数值种类不一样的个数，把该个数除以对照队列中全体对照数值的总个数而得的量当做DR图像值的陡变因子。
在DR图像值的对照队列内，在对照数值的量不低于零时，表明在区间数值分队列内相应的数值同其毗邻的后一数值相比不低，在对照数值的量低于零时，表明在区间数值分队列内相应的数值同其毗邻的后一数值相比不高，经由对比对照队列内各个毗邻的二对照数值间的正负号，能取得数值的变动状况，在二对照数值间的数值种类不一样时，表明区间数值分队列内数值的变动走势出现了变动。
面向DR图像值的对照队列中首个对照数值和第2个对照数值，如果首个对照数值同第2个对照数值的数值种类不一样时，也就是首个对照数值和第2个对照数值内一对照数值低于零，另一对照数值不低于零，所以登记个数为一；接着解析第2个对照数值和第3个对照数值间的正负号变动状况，如果第2个对照数值和第3个对照数值的数值种类不一样时，登记个数为三；同理可推而得DR图像值的对照队列内全体各自毗邻的二对照数值间都执行认定后取得最终的个数量，该个数反应了DR图像值的区间数值分队列内毗邻数值间的变动频次，DR图像值的陡变因子反应了变动次数的比率状况，其取值愈高，表明DR图像值的区间范畴中的DR图像值的变动幅度愈高。
依据DR图像值的陡变因子与余项拓展因子取得DR图像值的DR图像陡变参量；所述陡变因子与余项拓展因子都同DR图像陡变参量间为正比，在本发明内，也就是把DR图像值的陡变因子乘以余项拓展因子而得的量当做DR图像值的DR图像陡变参量。
DR图像值的陡变因子的量愈高，表明DR图像值的区间范畴中的DR图像值的变动幅度不低，而DR图像值的余项拓展因子取值愈高，表明DR图像值的区间范畴中的DR图像值的分散幅度愈高，相应的DR图像陡变参量取值愈高，表明DR图像值的区间范畴中数值平稳度愈差，变动幅度愈高。
最终，DR图像值的DR图像起伏参量反应了DR图像值在区间范畴中的数值扰动状况，DR图像值的DR图像陡变参量反应了DR图像值在区间范畴中的数值变动状况，综合DR图像值的DR图像陡变参量和电量值的DR图像起伏参量的解析，取得DR图像值的队列内各个DR图像值的平稳度状况，也就是依据所述DR图像起伏参量与DR图像陡变参量认定各个DR图像值的机动平衡量；这样面向随意一DR图像值，对DR图像值的DR图像起伏参量相加DR图像陡变参量而得的量执行反比条件下的标准化处置，取得DR图像值的机动平衡量。
本发明优选但非限制性的实施方式中，依据所述DR图像起伏参量和DR图像陡变参量认定各个DR图像值的机动平衡量的方法包含：第p个DR图像值的机动平衡量的方程为：
方程内，ηp代表DR图像值的队列内第p个DR图像值的机动平衡量，βp代表DR图像值的队列内第p个DR图像值的DR图像起伏参量，γp代表DR图像值的队列中第p个DR图像值的DR图像陡变参量，e代表欧拉数。
DR图像起伏参量的量愈高，表明DR图像值相应的区间数值分队列内数值的扰动幅度愈高，DR图像陡变参量的量愈高，表明DR图像值相应的区间数值分队列内数值的变动幅度愈高，相应的机动平衡量的量愈低，机动平衡量反应了DR图像值相应的区间数值分队列内数值的平稳度幅度，也就是DR图像值在区间范畴中数值的平稳度幅度。
S4：依据所述机动平衡量认定各个DR图像值相应的过滤数目大小，运用所述过滤数目大小分别对DR图像值的队列内各个DR图像值执行过滤处置，取得改进型数值队列。
本发明优选但非限制性的实施方式中，S4具体包含：
DR图像值的队列中各个DR图像值的机动平衡量的量愈低，表明DR图像值的区间范畴内的数值平稳度愈低，扰动幅度愈高，变动幅度愈高，相应的在对该DR图像值执行异常清理处置时，就要不高的过滤数目大小(也就是一次把DR图像的队列中的DR图像值送入过滤算法的个数，依照该个数分批把DR图像值的队列中DR图像值依次送入过滤算法内过滤处置，过滤处置后形成改进型数值队列)，可取得更精准的异常清理后的数值，避免了过滤数目大小太高，使得出现数值净化过头的状况，DR图像值的队列内各个DR图像值的机动平衡量的量愈高，表明DR图像值的区间范畴内的数值平稳度愈佳，相应的在对该DR图像值执行异常清理处置时，就要量高的过滤数目大小，可取得更精准的异常清理后的数值。
由此依据所述机动平衡量认定各个DR图像值相应的过滤数目大小；
本发明优选但非限制性的实施方式中，依据所述机动平衡量认定各个DR图像值相应的过滤数目大小的方法，包含：
面向随意一DR图像值，运算事先定义的数值乘以DR图像值的机动平衡量而得的量，对该量执行四舍五入处置，取得整型量的过滤数目因子；而事先定义的数值高过零。在本发明内，事先定义的数值是四，管控者可依据实际状况执行定义。
依据过滤数目因子取得DR图像值相应的过滤数目大小，过滤数目大小的方程为：
M＝2N+1
方程内，M为DR图像值相应的过滤数目大小，N为DR图像值相应的过滤数目因子；
最终，依照先后次序分别把DR图像值的队列内各个DR图像值当做起点，把其之后相应的所述过滤数目大小个数的DR图像值执行过滤处置，在本发明内，运用小波过滤方法执行过滤处置，取得改进型数值队列，由此实现了预处置。把改进型数值队列优化后得到优化后的网络模型，接着再把新采集的DR图像输入优化后的网络模型后识别出钢管焊接部的缺陷性质的方法就是专利申请号为“CN202211228352.3”且专利名称为“一种用于检测钢管焊接数字射线图像中缺陷的方法”的现有技术方案的方法。
本发明的有益效果在于，与现有技术相比，本发明起初取得DR图像的DR图像值的队列，在DR图像值的队列中取得各个DR图像值的区间数值分队列，宜于之后对各个DR图像值的区间范畴内的数值变动状况执行解析，主动认定各个DR图像值的过滤数目；然后，分别取得各个DR图像值的余项队列，且对其内的区别量排布状况执行解析，取得代表DR图像值相应的区间范畴中数值区别量与分散幅度的余项拓展因子，随后对DR图像值的区间数值分队列内数值的扰动状况执行解析，聚合余项拓展因子，取得DR图像起伏参量，代表DR图像值的相应的区间范畴中数值的扰动状况；对DR图像值的区间数值分队列内数值的区别量状况执行解析，且联合余项拓展因子，取得DR图像陡变参量，代表DR图像值相应的区间范畴内数值的区别量状况，综合其解析值，取得DR图像值的机动平衡量，代表了DR图像值相应的区间范畴内数值的平稳度幅度；最终，依据所述机动平衡量认定各个DR图像值相应的过滤数目大小，可依据DR图像值的区间范畴内数值的平稳度幅度主动取得过滤数目大小，使得运用该过滤数目大小对各个DR图像值执行过滤处置的性能佳，改进型数值队列带有更好的防异常扰动性。
本公开能是系统、方法和/或计算机程序产品。计算机程序产品能包括计算机可读存储介质，其上载有用于使处理器达成本公开的每个方面的计算机可读程序指令。
计算机可读存储介质能是能保持和存储由指令执行电网线路运用的指令的有形电网线路。计算机可读存储介质就像能是――但不限于――电存储电网线路、磁存储电网线路、光存储电网线路、电磁存储电网线路、半导体存储电网线路或上述的随意恰当的汇合。计算机可读存储介质的更进一步地例子(非枚举的列表)包括：便携式计算机盘、硬盘、随意存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随意存取存储器(SRAM)、便携式压缩盘只读存储器(HD-ROM)、数字多用途盘(DXD)、记忆棒、软盘、机械编码电网线路、就像其上存储有指令的打孔卡或凹槽内凸起结构、与上述的随意恰当的汇合。这里所运用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或其它自由传播的电磁波、通过波导或其它传输媒介传播的电磁波(就像，通过输电线路电缆的光脉冲)、或通过电线传输的电信号。
这里所表达的计算机可读程序指令能从计算机可读存储介质下载到每个推算/处理电网线路，或通过网络、就像因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储电网线路。网络能包括铜传输电缆、输电线路传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘业务器。每个推算/处理电网线路中的网络适配卡或网络接口从网络收取计算机可读程序指令，并转发该计算机可读程序指令，以供存放于每个推算/处理电网线路中的计算机可读存储介质中。
用于执行本公开运作的计算机程序指令能是汇编指令、指令集架构(lSA)指令、机器指令、机器关联指令、微代码、固件指令、条件设定数值、或以一种或多种编程语言的随意汇合编写的源代码或目的代码，所述编程语言包括面向对象的编程语言—诸如SdalltalA、H++等，与常规的过程式编程语言—诸如“H”语言或类似的编程语言。计算机可读程序指令能完全地在客户计算机上执行、部分地在客户计算机上执行、当做一个独立的软件包执行、部分在客户计算机上部分在远程计算机上执行、或完全在远程计算机或业务器上执行。在涉及远程计算机的情形中，远程计算机能通过随意属别的网络—包括局域网(LAb)或广域网(WAb)—连接到客户计算机，或，能连接到外部计算机(就像运用因特网业务提供商来通过因特网连接)。在一些实施例中，通过运用计算机可读程序指令的状况数值来个性化定制电子电路，就像可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路能执行计算机可读程序指令，以此达成本公开的每个方面。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明执行了详细的说明，所属领域的普通技术人员应当理解：依然能对本发明的具体实施方式执行修改或等同替换，而未脱离本发明精神和区间的任何修改或等同替换，其均应涵盖在本发明的权利要求保护区间之内。
Claims (10)
1.一种基于深度学习的DR图像缺陷智能识别装置，其特征在于，包括：
管道焊缝设置的DR成像板，DR成像板与识别装置通信相连；
DR成像板用于收集钢管焊接部的DR图像的图像值且传至识别装置，识别装置用于对预处置后的钢管焊接部的DR图像的图像值执行优化后得到优化后的网络模型，接着再把新采集的DR图像输入优化后的网络模型后识别出钢管焊接部的缺陷性质；
运行在识别装置上的模块包含：
形成模块，其用于取得定义时长中经DR成像板传来的不一样时点的钢管焊接部的DR图像的图像值，形成DR图像值的队列；取得DR图像值的队列内各个DR图像值的区间数值分队列；
分离模块，其用于对各个区间数值分队列分别执行分离取得相应的各个DR图像值的余项队列；依据各个DR图像值的余项队列内余项数值间的区别量排布取得各个DR图像值的余项拓展因子；
认定模块，其用于依据各个DR图像值的余项拓展因子与区间数值分队列中数值的扰动状况取得各个DR图像值的DR图像起伏参量；依据各个DR图像值的余项拓展因子与区间数值分队列内毗邻数值间的区别量状况取得各个DR图像值的DR图像陡变参量；依据所述DR图像起伏参量和DR图像陡变参量认定各个DR图像值的机动平衡量；
过滤模块，其用于依据所述机动平衡量认定各个DR图像值相应的过滤数目大小，运用所述过滤数目大小分别对DR图像值的队列内各个DR图像值执行过滤处置，取得改进型数值队列。
2.一种基于深度学习的DR图像缺陷智能识别算法，其特征在于，包括：
S1：取得定义时长中经DR成像板传来的不一样时点的钢管焊接部的DR图像的图像值，形成DR图像值的队列；取得DR图像值的队列内各个DR图像值的区间数值分队列；
S2：对各个区间数值分队列分别执行分离取得相应的各个DR图像值的余项队列；依据各个DR图像值的余项队列内余项数值间的区别量排布取得各个DR图像值的余项拓展因子；
S3：依据各个DR图像值的余项拓展因子与区间数值分队列中数值的扰动状况取得各个DR图像值的DR图像起伏参量；依据各个DR图像值的余项拓展因子与区间数值分队列内毗邻数值间的区别量状况取得各个DR图像值的DR图像陡变参量；依据所述DR图像起伏参量和DR图像陡变参量认定各个DR图像值的机动平衡量；
S4：依据所述机动平衡量认定各个DR图像值相应的过滤数目大小，运用所述过滤数目大小分别对DR图像值的队列内各个DR图像值执行过滤处置，取得改进型数值队列。
3.根据权利要求2所述的基于深度学习的DR图像缺陷智能识别算法，其特征在于，在S1中，在定义时长中各个时点的DR图像值，依照时点的先后次序形成DR图像值的队列，且把所述DR图像值的队列内的数值定义成DR图像值；
依据起始取得事先定义的时距大小中含有的DR图像值形成DR图像值的区间数值分队列，所述事先定义的时距大小低于定义时长的大小；
在S2中，运用依据STL算法，对各个DR图像值的区间数值分队列执行分离，取得各个DR图像值的余项队列；
面向随意一DR图像值，把DR图像值的余项队列中随意一数值定义成标志余项数值，取得标志余项数值同其区间中余项数值的平均数，当做标志余项数值的改进型余项数值；
运用Hants算法对余项队列执行净化处置，取得改进型余项队列；
经由对净化后的余项数值执行区别量解析，运算改进型余项队列中全体改进型余项数值的平均数，把改进型余项队列内改进型余项数值的最高量减去最低量而得的量当做因子一；把改进型余项队列中随意一改进型余项数值定义成择定改进型余项数值，把择定改进型余项数值和所述平均数相减而得的量的模数当做因子二；把因子一除以因子二而得的量当做择定改进型余项数值的区别量属性值；运算DR图像值相应的改进型余项队列内全体改进型余项数值的区别量属性值的平均数当做DR图像值的余项拓展因子。
4.根据权利要求3所述的基于深度学习的DR图像缺陷智能识别算法，其特征在于，把改进型余项队列内第w个改进型余项数值当做择定改进型余项数值，那么第p个DR图像值的余项拓展因子的方程为：
方程中，σp代表DR图像值的队列中第p个DR图像值的余项拓展因子，Np代表第p个DR图像值的改进型余项队列内含有的数值的总个数，γp,w代表第p个DR图像值的改进型余项队列内第w个改进型余项数值，代表第p个DR图像值的改进型余项队列内全体改进型余项数值的平均数，γp,zg与γp,zd分别代表第p个DR图像值的改进型余项队列内改进型余项数值的最高量和最低量。
5.根据权利要求2所述的基于深度学习的DR图像缺陷智能识别算法，其特征在于，第p个DR图像值的DR图像起伏参量的方程为：
其中，βp代表DR图像值的队列内第p个DR图像值的DR图像起伏参量，代表第p个DR图像值的区间数值分队列内全体数值的标准差，νp代表第p个DR图像值的区间数值分队列内全体数值的平均数，σp代表DR图像值的队列中第p个DR图像值的余项拓展因子；
取得各个DR图像值的DR图像陡变参量的方法，包含：
面向随意一DR图像值，依据该DR图像值的区间数值分队列中毗邻数值间的区别量，取得DR图像值的对照队列；
依据DR图像值的对照队列内对照数值间的区别量取得DR图像值的陡变因子；
依据DR图像值的陡变因子与余项拓展因子取得DR图像值的DR图像陡变参量；也就是把DR图像值的陡变因子乘以余项拓展因子而得的量当做DR图像值的DR图像陡变参量。
6.根据权利要求5所述的基于深度学习的DR图像缺陷智能识别算法，其特征在于，取得DR图像值的对照队列的方法，包含：
把DR图像值的区间数值分队列内在最末一数值之外的随意一数值定义成择定数值，把择定数值减去同其毗邻的后一数值间而得的量当做择定数值的对照数值；
DR图像值的区间数值分队列内全体数值的对照数值形成DR图像值的对照队列。
7.根据权利要求6所述的基于深度学习的DR图像缺陷智能识别算法，其特征在于，第p个DR图像值的机动平衡量的方程为：
方程内，ηp代表DR图像值的队列内第p个DR图像值的机动平衡量，βp代表DR图像值的队列内第p个DR图像值的DR图像起伏参量，γp代表DR图像值的队列中第p个DR图像值的DR图像陡变参量，e代表欧拉数。
8.根据权利要求7所述的基于深度学习的DR图像缺陷智能识别算法，其特征在于，依据DR图像值的对照队列内对照数值间的区别量取得DR图像值的陡变因子的方法，包含：
把DR图像值的对照队列内对照数值的量不低于零的对照数值定义成数值种类一，把对照数值的量低于零的对照数值定义成数值种类二；取得DR图像值的对照队列内各个毗邻的二对照数值间的数值种类不一样的个数，把该个数除以对照队列中全体对照数值的总个数而得的量当做DR图像值的陡变因子。
9.根据权利要求2所述的基于深度学习的DR图像缺陷智能识别算法，其特征在于，S4具体包含：
依据所述机动平衡量认定各个DR图像值相应的过滤数目大小；
最终，依照先后次序分别把DR图像值的队列内各个DR图像值当做起点，把其之后相应的所述过滤数目大小个数的DR图像值执行过滤处置，取得改进型数值队列，由此实现了预处置。
10.根据权利要求9所述的基于深度学习的DR图像缺陷智能识别算法，其特征在于，依据所述机动平衡量认定各个DR图像值相应的过滤数目大小的方法，包含：
面向随意一DR图像值，运算事先定义的数值乘以DR图像值的机动平衡量而得的量，对该量执行四舍五入处置，取得整型量的过滤数目因子；
依据过滤数目因子取得DR图像值相应的过滤数目大小，过滤数目大小的方程为：
M＝2N+1
方程内，M为DR图像值相应的过滤数目大小，N为DR图像值相应的过滤数目因子。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311743135.2A CN117788396A (zh) | 2023-12-18 | 2023-12-18 | 一种基于深度学习的dr图像缺陷智能识别算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311743135.2A CN117788396A (zh) | 2023-12-18 | 2023-12-18 | 一种基于深度学习的dr图像缺陷智能识别算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117788396A true CN117788396A (zh) | 2024-03-29 |
Family
ID=90399206
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311743135.2A Pending CN117788396A (zh) | 2023-12-18 | 2023-12-18 | 一种基于深度学习的dr图像缺陷智能识别算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117788396A (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104076768A (zh) * | 2014-05-29 | 2014-10-01 | 浙江大学 | 订单执行过程电能消耗的获取和节能控制方法 |
| CN104285175A (zh) * | 2012-05-02 | 2015-01-14 | 法国国家科学研究中心 | 使用小波分析进行单颗粒定位的方法和装置 |
| CN105081884A (zh) * | 2015-08-24 | 2015-11-25 | 成都飞机工业（集团）有限责任公司 | 一种旋转扫描3d成型的法向测量装置 |
| CN107192600A (zh) * | 2017-05-18 | 2017-09-22 | 西安科技大学 | 一种分析工程扰动影响下煤岩强度劣化耦合特征的方法 |
| CN113938306A (zh) * | 2021-10-18 | 2022-01-14 | 北京八分量信息科技有限公司 | 一种基于数据清洗规则的可信认证方法及系统 |
| CN114673863A (zh) * | 2022-04-07 | 2022-06-28 | 江苏省特种设备安全监督检验研究院 | 用于管道内部相控阵无损检测的机器人及检测方法 |
| CN115118511A (zh) * | 2022-06-29 | 2022-09-27 | 北京奇艺世纪科技有限公司 | 异常流量识别方法、装置、电子设备及存储介质 |
| CN115690001A (zh) * | 2022-10-09 | 2023-02-03 | 中石化石油机械股份有限公司沙市钢管分公司 | 一种用于检测钢管焊接数字射线图像中缺陷的方法 |
| CN115905991A (zh) * | 2022-11-21 | 2023-04-04 | 国网河南省电力公司经济技术研究院 | 一种基于深度学习的时间序列数据多元异常检测方法 |
| CN116010485A (zh) * | 2023-03-28 | 2023-04-25 | 杭州比智科技有限公司 | 一种动态周期时序的无监督异常检测方法 |
| US20230221265A1 (en) * | 2020-06-08 | 2023-07-13 | Koninklijke Philips N.V. | Stepping strategy for defect compensation in dax imaging |
| CN117009592A (zh) * | 2023-09-01 | 2023-11-07 | 上海申铁杰能信息科技有限公司 | 轨道交通接触网作业车车地数值整理装置与方法 |
| CN117197146A (zh) * | 2023-11-08 | 2023-12-08 | 北京航空航天大学江西研究院 | 一种铸件内部缺陷自动识别方法 |
-
2023
- 2023-12-18 CN CN202311743135.2A patent/CN117788396A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104285175A (zh) * | 2012-05-02 | 2015-01-14 | 法国国家科学研究中心 | 使用小波分析进行单颗粒定位的方法和装置 |
| CN104076768A (zh) * | 2014-05-29 | 2014-10-01 | 浙江大学 | 订单执行过程电能消耗的获取和节能控制方法 |
| CN105081884A (zh) * | 2015-08-24 | 2015-11-25 | 成都飞机工业（集团）有限责任公司 | 一种旋转扫描3d成型的法向测量装置 |
| CN107192600A (zh) * | 2017-05-18 | 2017-09-22 | 西安科技大学 | 一种分析工程扰动影响下煤岩强度劣化耦合特征的方法 |
| US20230221265A1 (en) * | 2020-06-08 | 2023-07-13 | Koninklijke Philips N.V. | Stepping strategy for defect compensation in dax imaging |
| CN113938306A (zh) * | 2021-10-18 | 2022-01-14 | 北京八分量信息科技有限公司 | 一种基于数据清洗规则的可信认证方法及系统 |
| CN114673863A (zh) * | 2022-04-07 | 2022-06-28 | 江苏省特种设备安全监督检验研究院 | 用于管道内部相控阵无损检测的机器人及检测方法 |
| CN115118511A (zh) * | 2022-06-29 | 2022-09-27 | 北京奇艺世纪科技有限公司 | 异常流量识别方法、装置、电子设备及存储介质 |
| CN115690001A (zh) * | 2022-10-09 | 2023-02-03 | 中石化石油机械股份有限公司沙市钢管分公司 | 一种用于检测钢管焊接数字射线图像中缺陷的方法 |
| CN115905991A (zh) * | 2022-11-21 | 2023-04-04 | 国网河南省电力公司经济技术研究院 | 一种基于深度学习的时间序列数据多元异常检测方法 |
| CN116010485A (zh) * | 2023-03-28 | 2023-04-25 | 杭州比智科技有限公司 | 一种动态周期时序的无监督异常检测方法 |
| CN117009592A (zh) * | 2023-09-01 | 2023-11-07 | 上海申铁杰能信息科技有限公司 | 轨道交通接触网作业车车地数值整理装置与方法 |
| CN117197146A (zh) * | 2023-11-08 | 2023-12-08 | 北京航空航天大学江西研究院 | 一种铸件内部缺陷自动识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| LIMING DUAN等: "Research on Automatic Recognition of Casting Defects Based on Deep Learning", 《IEEE ACCESS》, vol. 9, 31 December 2020 (2020-12-31), pages 12209 - 12216, XP011833816, DOI: 10.1109/ACCESS.2020.3048432 * |
| 孙佳杰: "城市综合管廊时序数据异常检测模型研究与应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 02, 15 February 2023 (2023-02-15), pages 038 - 3016 * |
| 王恩鲁: "时间序列植被专题信息时空变化表达与分析", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 05, 15 May 2019 (2019-05-15), pages 028 - 112 * |
| 王雷等: "基于STL-1DDCAE的轴承故障诊断研究", 《机电工程》, vol. 39, no. 5, 31 May 2022 (2022-05-31), pages 578 - 661 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107194508B (zh) | 一种基于时间序列动态预测中短期区域儿科门诊人次的方法 | |
| US9772896B2 (en) | Identifying intervals of unusual activity in information technology systems | |
| CN115122155B (zh) | 基于工业互联网大数据的机床远程诊断方法及系统 | |
| US11645540B2 (en) | Deep graph de-noise by differentiable ranking | |
| CN112613995A (zh) | 异常诊断方法和装置 | |
| CN111144477A (zh) | 一种钢材表面缺陷的训练样本生成方法、系统及电子设备 | |
| US10571446B2 (en) | Data quality control using a correlated sensor group | |
| CN117690063B (zh) | 电缆线路检测方法、装置、电子设备与计算机可读介质 | |
| CN109088793B (zh) | 用于检测网络故障的方法和装置 | |
| CN112183555B (zh) | 焊接质量的检测方法、系统、电子设备和存储介质 | |
| CN117788396A (zh) | 一种基于深度学习的dr图像缺陷智能识别算法 | |
| CN114143734A (zh) | 一种用于5g物联网卡流量采集的数据处理方法及装置 | |
| 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 | |
| CN114820488A (zh) | 一种样本成分分析方法、装置、设备及存储介质 | |
| CN116486467A (zh) | 眼睛检测框的确定方法、装置、设备及存储介质 | |
| CN113516328A (zh) | 数据处理方法、服务提供方法、装置、设备和存储介质 | |
| CN111062920A (zh) | 用于生成半导体检测报告的方法及装置 | |
| CN115602245B (zh) | 一种荧光图筛选的方法、装置、设备以及存储介质 | |
| CN112597994B (zh) | 候选框处理方法、装置、设备及介质 | |
| CN114241544B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| CN115359341B (zh) | 一种模型更新方法、装置、设备及介质 | |
| US20220189005A1 (en) | Automatic inspection using artificial intelligence models | |
| JP2022136988A (ja) | 特徴ベクトル抽出方法、装置及び記憶媒体 | |
| CN118211077A (zh) | 一种样本数据标注方法、装置及设备 | |
| CN118227416A (zh) | 设备故障信息生成方法、装置、设备和计算机可读介质 |
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 |