CN118130508A - 励磁浇筑母线质量检测方法、装置和计算机设备 - Google Patents
励磁浇筑母线质量检测方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN118130508A CN118130508A CN202410528792.3A CN202410528792A CN118130508A CN 118130508 A CN118130508 A CN 118130508A CN 202410528792 A CN202410528792 A CN 202410528792A CN 118130508 A CN118130508 A CN 118130508A
- Authority
- CN
- China
- Prior art keywords
- excitation
- quality detection
- image
- bus
- pouring
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 398
- 230000005284 excitation Effects 0.000 title claims abstract description 377
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000000605 extraction Methods 0.000 claims abstract description 45
- 238000004590 computer program Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 238000010521 absorption reaction Methods 0.000 claims description 89
- 238000012545 processing Methods 0.000 claims description 69
- 238000007499 fusion processing Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 19
- 238000005266 casting Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 18
- 238000003062 neural network model Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 239000012535 impurity Substances 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001678 irradiating effect Effects 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
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
Landscapes
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本申请涉及一种励磁浇筑母线质量检测方法、装置、计算机设备、存储介质和计算机程序产品。该方法包括:获取待分析的励磁浇筑母线的母线接头的X射线图像,作为励磁浇筑母线图像;对励磁浇筑母线图像进行预处理,得到预处理后励磁浇筑母线图像;对预处理后励磁浇筑母线图像进行特征提取处理,得到预处理后励磁浇筑母线图像对应的关键图像特征;分别将各个关键图像特征,输入至预先训练的励磁浇筑母线质量检测模型中与各个关键图像特征对应的子质量检测模型,得到各个子质量检测模型输出的质量检测结果;对各个质量检测结果进行融合处理,得到母线接头对应的目标质量检测结果。采用本方法,能够提高励磁浇筑母线质量的检测效率。
Description
技术领域
本申请涉及电网技术领域,特别是涉及一种励磁浇筑母线质量检测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
在电力企业中,为了确保电力系统的稳定运行,减少停电等问题的发生,进行励磁浇筑母线质量检测至关重要。
传统技术中,在进行励磁浇筑母线质量检测时,一般采用人工观察的方式;但是,这种方式容易耗费大量的时间和人力,导致励磁浇筑母线质量的检测效率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高励磁浇筑母线质量的检测效率的励磁浇筑母线质量检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种励磁浇筑母线质量检测方法,包括:
获取待分析的励磁浇筑母线图像;所述励磁浇筑母线图像用于表示针对待分析的励磁浇筑母线的母线接头的X射线图像;
对所述励磁浇筑母线图像进行预处理,得到预处理后励磁浇筑母线图像;
对所述预处理后励磁浇筑母线图像进行特征提取处理,得到所述预处理后励磁浇筑母线图像对应的关键图像特征;
分别将各个所述关键图像特征,输入至预先训练的励磁浇筑母线质量检测模型中与各个所述关键图像特征对应的子质量检测模型,得到各个所述子质量检测模型输出的质量检测结果;
对各个所述子质量检测模型输出的质量检测结果进行融合处理,得到所述母线接头对应的目标质量检测结果。
在其中一个实施例中,所述对所述励磁浇筑母线图像进行预处理,得到预处理后励磁浇筑母线图像,包括:
对所述励磁浇筑母线图像进行分解,得到所述励磁浇筑母线图像对应的吸收分量图和散射分量图;
对所述吸收分量图进行边缘增强处理,得到所述吸收分量图对应的增强后吸收分量图;
对所述增强后吸收分量图和所述散射分量图进行融合处理,得到预处理后励磁浇筑母线图像。
在其中一个实施例中,所述对所述吸收分量图进行边缘增强处理,得到所述吸收分量图对应的增强后吸收分量图,包括:
提取所述吸收分量图的目标特征图;
对所述目标特征图和所述吸收分量图进行融合处理,得到所述吸收分量图对应的增强后吸收分量图。
在其中一个实施例中,所述对各个所述子质量检测模型输出的质量检测结果进行融合处理,得到所述母线接头对应的目标质量检测结果,包括:
获取各个所述子质量检测模型对应的预测精确度;
从各个所述子质量检测模型输出的质量检测结果中,筛选出对应的预测精确度大于预设精确度的目标子质量检测模型输出的质量检测结果;
根据各个所述目标子质量检测模型对应的预测精确度,确定各个所述目标子质量检测模型对应的模型权重;
根据各个所述目标子质量检测模型对应的模型权重,对各个所述目标子质量检测模型输出的质量检测结果进行融合处理,得到所述母线接头对应的目标质量检测结果。
在其中一个实施例中,在分别将各个所述关键图像特征,输入至预先训练的励磁浇筑母线质量检测模型中与各个所述关键图像特征对应的子质量检测模型,得到各个所述子质量检测模型输出的质量检测结果之前,还包括:
获取关键图像特征与子质量检测模型之间的对应关系;
根据各个所述关键图像特征,查询所述对应关系,得到与各个所述关键图像特征对应的子质量检测模型。
在其中一个实施例中,所述预先训练的励磁浇筑母线质量检测模型通过下述方式得到:
获取样本励磁浇筑母线图像;所述样本励磁浇筑母线图像用于表示针对样本励磁浇筑母线的样本母线接头的X射线图像;
对所述样本励磁浇筑母线图像进行预处理,得到预处理后样本励磁浇筑母线图像;
对所述预处理后样本励磁浇筑母线图像进行特征提取处理,得到所述预处理后样本励磁浇筑母线图像对应的样本关键图像特征;
分别将各个所述样本关键图像特征,输入至待训练的励磁浇筑母线质量检测模型中与各个所述样本关键图像特征对应的子质量检测模型,得到各个所述样本关键图像特征对应的子质量检测模型输出的样本质量检测结果;
对各个所述子质量检测模型输出的样本质量检测结果进行融合处理,得到所述样本母线接头对应的预测质量检测结果;
根据所述样本母线接头对应的预测质量检测结果和实际质量检测结果之间的差异,对所述待训练的励磁浇筑母线质量检测模型进行迭代训练,得到所述预先训练的励磁浇筑母线质量检测模型。
在其中一个实施例中,所述获取样本励磁浇筑母线图像,包括:
获取正样本励磁浇筑母线图像和负样本励磁浇筑母线图像;
获取所述正样本励磁浇筑母线图像中的第一母线接头位置信息,以及所述负样本励磁浇筑母线图像中的第二母线接头位置信息;
根据所述第一母线接头位置信息,对所述正样本励磁浇筑母线图像进行对象提取处理,得到包含有所述第一母线接头位置信息对应的第一样本母线接头的子正样本励磁浇筑母线图像,以及根据所述第二母线接头位置信息,对所述负样本励磁浇筑母线图像进行对象提取处理,得到包含有所述第二母线接头位置信息对应的第二样本母线接头的子负样本励磁浇筑母线图像;
将所述子正样本励磁浇筑母线图像与所述子负样本励磁浇筑母线图像,均作为样本励磁浇筑母线图像。
第二方面,本申请还提供了一种励磁浇筑母线质量检测装置,包括:
图像获取模块,用于获取待分析的励磁浇筑母线图像;所述励磁浇筑母线图像用于表示针对待分析的励磁浇筑母线的母线接头的X射线图像;
第一处理模块,用于对所述励磁浇筑母线图像进行预处理,得到预处理后励磁浇筑母线图像;
第二处理模块,用于对所述预处理后励磁浇筑母线图像进行特征提取处理,得到所述预处理后励磁浇筑母线图像对应的关键图像特征;
模型预测模块,用于分别将各个所述关键图像特征,输入至预先训练的励磁浇筑母线质量检测模型中与各个所述关键图像特征对应的子质量检测模型,得到各个所述子质量检测模型输出的质量检测结果;
结果确定模块,用于对各个所述子质量检测模型输出的质量检测结果进行融合处理,得到所述母线接头对应的目标质量检测结果。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待分析的励磁浇筑母线图像;所述励磁浇筑母线图像用于表示针对待分析的励磁浇筑母线的母线接头的X射线图像;
对所述励磁浇筑母线图像进行预处理,得到预处理后励磁浇筑母线图像;
对所述预处理后励磁浇筑母线图像进行特征提取处理,得到所述预处理后励磁浇筑母线图像对应的关键图像特征;
分别将各个所述关键图像特征,输入至预先训练的励磁浇筑母线质量检测模型中与各个所述关键图像特征对应的子质量检测模型,得到各个所述子质量检测模型输出的质量检测结果;
对各个所述子质量检测模型输出的质量检测结果进行融合处理,得到所述母线接头对应的质量检测结果。
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以下步骤:
获取待分析的励磁浇筑母线图像;所述励磁浇筑母线图像用于表示针对待分析的励磁浇筑母线的母线接头的X射线图像;
对所述励磁浇筑母线图像进行预处理,得到预处理后励磁浇筑母线图像;
对所述预处理后励磁浇筑母线图像进行特征提取处理,得到所述预处理后励磁浇筑母线图像对应的关键图像特征;
分别将各个所述关键图像特征,输入至预先训练的励磁浇筑母线质量检测模型中与各个所述关键图像特征对应的子质量检测模型,得到各个所述子质量检测模型输出的质量检测结果;
对各个所述子质量检测模型输出的质量检测结果进行融合处理,得到所述母线接头对应的质量检测结果。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取待分析的励磁浇筑母线图像;所述励磁浇筑母线图像用于表示针对待分析的励磁浇筑母线的母线接头的X射线图像;
对所述励磁浇筑母线图像进行预处理,得到预处理后励磁浇筑母线图像;
对所述预处理后励磁浇筑母线图像进行特征提取处理,得到所述预处理后励磁浇筑母线图像对应的关键图像特征;
分别将各个所述关键图像特征,输入至预先训练的励磁浇筑母线质量检测模型中与各个所述关键图像特征对应的子质量检测模型,得到各个所述子质量检测模型输出的质量检测结果;
对各个所述子质量检测模型输出的质量检测结果进行融合处理,得到所述母线接头对应的质量检测结果。
上述励磁浇筑母线质量检测方法、装置、计算机设备、存储介质和计算机程序产品,先获取针对待分析的励磁浇筑母线的母线接头的X射线图像,作为励磁浇筑母线图像,再对励磁浇筑母线图像进行预处理,得到预处理后励磁浇筑母线图像,接着,对预处理后励磁浇筑母线图像进行特征提取处理,得到预处理后励磁浇筑母线图像对应的关键图像特征,然后,分别将各个关键图像特征,输入至预先训练的励磁浇筑母线质量检测模型中与各个关键图像特征对应的子质量检测模型,得到各个子质量检测模型输出的质量检测结果,最后,对各个子质量检测模型输出的质量检测结果进行融合处理,得到母线接头对应的目标质量检测结果。这样,在进行励磁浇筑母线质量检测时,通过对励磁浇筑母线图像进行预处理和特征提取处理,并输入至预先训练的励磁浇筑母线质量检测模型中各个子质量检测模型,最后融合各个子质量检测模型的质量检测结果,从而使得母线接头对应的质量检测结果更加全面,有利于提高励磁浇筑母线质量的检测准确率;而且,该方法无需人工进行干预,避免了采用人工观察的方式容易耗费大量的时间和人力,导致励磁浇筑母线质量的检测效率较低的缺陷,进而提高了励磁浇筑母线质量的检测效率。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中励磁浇筑母线质量检测方法的流程示意图;
图2为一个实施例中得到预处理后励磁浇筑母线图像的步骤的流程示意图;
图3为一个实施例中得到母线接头对应的质量检测结果的步骤的流程示意图;
图4为一个实施例中预先训练的励磁浇筑母线质量检测模型的训练步骤的流程示意图;
图5为另一个实施例中励磁浇筑母线质量检测方法的流程示意图;
图6为一个实施例中励磁浇筑母线质量检测装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要符合相关规定。
目前,在发电机系统中,励磁浇筑母线一般与励磁变压器和励磁系统相连。励磁浇筑母线由多段子励磁浇筑母线构成,每两段子励磁浇筑母线之间,通过母线接头组合在一起,每段子励磁浇筑母线中包括多根ABC三相线。在实际场景中,在每两段子励磁浇筑母线之间,一般是通过树脂对母线接头进行浇筑,使得每两段子励磁浇筑母线组合在一起;但是,在浇筑过程中,母线接头部位可能存在错位、金属杂质、大空腔等;因此,进行励磁浇筑母线质量检测至关重要。然而,在进行励磁浇筑母线质量检测时,一般采用人工观察的方式;但是,这种方式容易耗费大量的时间和人力,导致励磁浇筑母线质量的检测效率较低。因此,本申请提供了一种励磁浇筑母线质量检测方法,可以解决励磁浇筑母线质量的检测效率较低的问题,达到提高励磁浇筑母线质量的检测效率的效果。
在一个示例性的实施例中,如图1所示,提供了一种励磁浇筑母线质量检测方法,本实施例以该方法应用于服务器进行举例说明;可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器的系统,并通过终端和服务器之间的交互实现。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑;服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中,该方法包括以下步骤:
步骤S101,获取待分析的励磁浇筑母线图像;励磁浇筑母线图像用于表示针对待分析的励磁浇筑母线的母线接头的X射线图像。
其中,待分析的励磁浇筑母线图像是指需要进行分析的励磁浇筑母线图像。
其中,励磁浇筑母线包括多段子励磁浇筑母线。
其中,母线接头用于对各子励磁浇筑母线进行组合。
其中,X射线图像是指通过X射线照射物体后所生成的图像。在实际场景中,X射线图像是指通过X射线照射待分析的励磁浇筑母线的母线接头后所生成的图像。
示例性地,服务器响应于针对待分析的励磁浇筑母线的母线接头的质量检测指令,从数据库中获取母线接头的X射线图像;接着,服务器从母线接头的X射线图像中,筛选出针对待分析的励磁浇筑母线的母线接头的X射线图像,作为待分析的励磁浇筑母线图像。
步骤S102,对励磁浇筑母线图像进行预处理,得到预处理后励磁浇筑母线图像。
其中,预处理后励磁浇筑母线图像是指经过预处理后的励磁浇筑母线图像。
示例性地,服务器对励磁浇筑母线图像进行边缘增强处理,得到增强后励磁浇筑母线图像;接着,服务器对增强后励磁浇筑母线图像进行预处理,比如对增强后励磁浇筑母线图像进行去噪、增强对比度等操作,减少增强后励磁浇筑母线图像中的干扰和突出特征,得到预处理后励磁浇筑母线图像。
步骤S103,对预处理后励磁浇筑母线图像进行特征提取处理,得到预处理后励磁浇筑母线图像对应的关键图像特征。
其中,特征提取处理是指提取图像中的关键图像特征对应的处理过程。
其中,关键图像特征是指从预处理后励磁浇筑母线图像提取得到的重要程度较高的图像特征。例如,本申请将预处理后励磁浇筑母线图像对应的图像特征中重要程度大于预设重要程度的图像特征(比如边缘、纹理、形状等信息),作为关键图像特征。
示例性地,服务器对预处理后励磁浇筑母线图像进行特征提取处理,得到预处理后励磁浇筑母线图像对应的图像特征;例如,服务器将预处理后励磁浇筑母线图像输入至特征提取模型,通过特征提取模型对预处理后励磁浇筑母线图像进行特征提取处理,得到预处理后励磁浇筑母线图像对应的图像特征;接着,服务器确定各图像特征对应的重要程度;然后,服务器从各图像特征中,筛选出对应的重要程度大于预设重要程度的目标图像特征,并将这些目标图像特征作为关键图像特征。
步骤S104,分别将各个关键图像特征,输入至预先训练的励磁浇筑母线质量检测模型中与各个关键图像特征对应的子质量检测模型,得到各个子质量检测模型输出的质量检测结果。
其中,励磁浇筑母线质量检测模型是指能够对母线接头进行质量检测对应的网络模型。需要说明的是,励磁浇筑母线质量检测模型包括多个子质量检测模型,比如CNN(Convolutional Neural Networks,卷积神经网络)、RNN(Recurrent Neural Network,循环神经网络)、Autoencoder(自编码器)等。
其中,质量检测结果表征母线接头对应的质量情况,比如是否错位、是否存在金属杂质、是否存在大空腔等。
示例性地,服务器根据关键图像特征与子质量检测模型之间的对应关系,确定各个关键图像特征对应的子质量检测模型;接着,服务器分别将各个关键图像特征,输入至预先训练的励磁浇筑母线质量检测模型中与各个关键图像特征对应的子质量检测模型,得到各个子质量检测模型输出的质量检测结果。
步骤S105,对各个子质量检测模型输出的质量检测结果进行融合处理,得到母线接头对应的目标质量检测结果。
其中,融合处理可以是指加权求和处理。
其中,目标质量检测结果用于表征母线接头对应的综合质量情况,比如是否错位、是否存在金属杂质、是否存在大空腔等。
示例性地,服务器根据各个子质量检测模型对应的预测精确度,确定各个子质量检测模型对应的模型权重;接着,服务器根据各个子质量检测模型对应的模型权重,对各个子质量检测模型输出的质量检测结果进行融合处理,得到母线接头对应的质量检测结果;例如,服务器根据各个子质量检测模型对应的模型权重,对各个子质量检测模型输出的质量检测结果进行加权求和处理,得到母线接头对应的质量检测结果。
上述励磁浇筑母线质量检测方法中,先获取针对待分析的励磁浇筑母线的母线接头的X射线图像,作为励磁浇筑母线图像,再对励磁浇筑母线图像进行预处理,得到预处理后励磁浇筑母线图像,接着,对预处理后励磁浇筑母线图像进行特征提取处理,得到预处理后励磁浇筑母线图像对应的关键图像特征,然后,分别将各个关键图像特征,输入至预先训练的励磁浇筑母线质量检测模型中与各个关键图像特征对应的子质量检测模型,得到各个子质量检测模型输出的质量检测结果,最后,对各个子质量检测模型输出的质量检测结果进行融合处理,得到母线接头对应的目标质量检测结果。这样,在进行励磁浇筑母线质量检测时,通过对励磁浇筑母线图像进行预处理和特征提取处理,并输入至预先训练的励磁浇筑母线质量检测模型中各个子质量检测模型,最后融合各个子质量检测模型的质量检测结果,从而使得母线接头对应的质量检测结果更加全面,有利于提高励磁浇筑母线质量的检测准确率;而且,该方法无需人工进行干预,避免了采用人工观察的方式容易耗费大量的时间和人力,导致励磁浇筑母线质量的检测效率较低的缺陷,进而提高了励磁浇筑母线质量的检测效率。
在一个示例性的实施例中,如图2所示,上述步骤S102,对励磁浇筑母线图像进行预处理,得到预处理后励磁浇筑母线图像,具体包括如下步骤:
步骤S201,对励磁浇筑母线图像进行分解,得到励磁浇筑母线图像对应的吸收分量图和散射分量图。
步骤S202,对吸收分量图进行边缘增强处理,得到吸收分量图对应的增强后吸收分量图。
步骤S203,对增强后吸收分量图和散射分量图进行融合处理,得到预处理后励磁浇筑母线图像。
其中,吸收分量图表征物体的内部结构对应的分量图。
其中,散射分量图表征显示物体的散射情况对应的分量图。
其中,边缘增强处理是指增强图像中物体边界或轮廓的清晰度和对比度对应的处理过程。
其中,增强后吸收分量图是指进行增强处理后得到的吸收分量图。
示例性地,服务器对励磁浇筑母线图像进行分解,得到励磁浇筑母线图像对应的吸收分量图和散射分量图;接着,服务器对吸收分量图进行边缘增强处理,得到吸收分量图对应的增强后吸收分量图;例如,服务器将吸收分量图输入至边缘增强模型,通过图像增强模型对吸收分量图进行边缘增强处理,得到吸收分量图对应的增强后吸收分量图;接着,服务器对增强后吸收分量图和散射分量图进行融合处理,得到增强后励磁浇筑母线图像;例如,服务器对增强后吸收分量图和散射分量图进行加权求和处理,得到增强后励磁浇筑母线图像;然后,服务器对增强后励磁浇筑母线图像进行预处理,比如对增强后励磁浇筑母线图像进行去噪、增强对比度等操作,减少增强后励磁浇筑母线图像中的干扰和突出特征,得到预处理后励磁浇筑母线图像。
本实施例中,通过对励磁浇筑母线图像进行分解,得到吸收分量图和散射分量图,并对吸收分量图进行边缘增强处理,再将增强后吸收分量图和散射分量图进行融合,有利于提高励磁浇筑母线图像的清晰度和对比度,便于后续对图像进行特征提取处理。
在一个示例性的实施例中,上述步骤S202,对吸收分量图进行边缘增强处理,得到吸收分量图对应的增强后吸收分量图,还包括:提取吸收分量图的目标特征图;对目标特征图和吸收分量图进行融合处理,得到吸收分量图对应的增强后吸收分量图。
其中,目标特征图是指将吸收分量图输入多层卷积层得到的特征图。
示例性地,服务器将吸收分量图输入至多层卷积层中进行卷积处理,得到吸收分量图的目标特征图;接着,服务器对目标特征图和吸收分量图进行融合处理,得到吸收分量图对应的增强后吸收分量图;例如,服务器对目标特征图和吸收分量图进行加权求和处理,得到吸收分量图对应的增强后吸收分量图。
本实施例中,提取吸收分量图的目标特征图,有利于聚焦吸收分量图中的关键信息;而且,将目标特征图与吸收分量图进行融合,综合了两者的图像信息,便于后续的融合处理。
在一个示例性的实施例中,上述步骤S105,对各个子质量检测模型输出的质量检测结果进行融合处理,得到母线接头对应的目标质量检测结果,具体包括如下步骤:
步骤S301,获取各个子质量检测模型对应的预测精确度。
步骤S302,从各个子质量检测模型输出的质量检测结果中,筛选出对应的预测精确度大于预设精确度的目标子质量检测模型输出的质量检测结果。
步骤S303,根据各个目标子质量检测模型对应的预测精确度,确定各个目标子质量检测模型对应的模型权重。
步骤S304,根据各个目标子质量检测模型对应的模型权重,对各个目标子质量检测模型输出的质量检测结果进行融合处理,得到母线接头对应的目标质量检测结果。
其中,预测精确度是指预测误差与实际值的相对大小,可以通过预测误差除以实际值来进行计算,用于表征模型的预测水平。其中,预测误差可以通过模型的预测值减去实际值的绝对值来进行计算。
其中,预设精确度是指预先设定的预测精确度阈值,用于对子质量检测模型对应的预测精确度进行判断。
其中,目标子质量检测模型是指对应的预测精确度大于预设精确度的子质量检测模型。
其中,模型权重表征模型对应的重要程度。
示例性地,服务器获取各个子质量检测模型对应的预测精确度;接着,服务器从各个子质量检测模型中,筛选出对应的预测精确度大于预设精确度的目标子质量检测模型;然后,服务器从各个子质量检测模型输出的质量检测结果中,筛选出目标子质量检测模型输出的质量检测结果;接着,服务器根据各个目标子质量检测模型对应的预测精确度,确定各个目标子质量检测模型对应的模型权重;然后,服务器根据各个目标子质量检测模型对应的模型权重,对各个目标子质量检测模型输出的质量检测结果进行融合处理,得到母线接头对应的目标质量检测结果;例如,服务器根据各个目标子质量检测模型对应的模型权重,对各个目标子质量检测模型输出的质量检测结果进行加权求和处理,得到母线接头对应的质量检测结果。
本实施例中,通过筛选出对应的预测精确度大于预设精确度的子质量检测模型,有利于筛选出预测能力符合条件的子质量检测模型;而且根据模型的预测准确率确定模型权重,相当于根据预测准确率确定模型对应的重要程度,使得预测准确率越大的模型,对应的模型权重越大,进而提高了励磁浇筑母线质量检测模型的预测准确率。
在一个示例性的实施例中,上述步骤S104,在分别将各个关键图像特征,输入至预先训练的励磁浇筑母线质量检测模型中与各个关键图像特征对应的子质量检测模型,得到各个子质量检测模型输出的质量检测结果之前,还包括:获取关键图像特征与子质量检测模型之间的对应关系;根据各个关键图像特征,查询对应关系,得到与各个关键图像特征对应的子质量检测模型。
其中,关键图像特征与子质量检测模型之间的对应关系,是指关键图像特征与子质量检测模型之间的关联信息。比如,关键图像特征A对应子质量检测模型a,关键图像特征B对应子质量检测模型b,关键图像特征C对应子质量检测模型c。
示例性地,服务器获取每个样本关键图像特征对应的特征类型,并根据每个样本关键图像特征对应的特征类型,确定与特征类型对应的子质量检测模型,作为每个样本关键图像特征对应的子质量检测模型;接着,服务器根据每个样本关键图像特征对应的子质量检测模型,构建关键图像特征与子质量检测模型之间的对应关系;然后,服务器根据各个关键图像特征,查询关键图像特征与子质量检测模型之间的对应关系,得到与各个关键图像特征对应的子质量检测模型。
本实施例中,通过关键图像特征与子质量检测模型之间的对应关系,确定与各个关键图像特征对应的子质量检测模型,从而可以综合利用各个子质量检测模型对应的优势,有利于提高励磁浇筑母线质量的检测准确率。
在一个示例性的实施例中,如图4所示,本申请提供的励磁浇筑母线质量检测方法还包括预先训练的励磁浇筑母线质量检测模型的训练步骤,具体包括如下步骤:
步骤S401,获取样本励磁浇筑母线图像;样本励磁浇筑母线图像用于表示针对样本励磁浇筑母线的样本母线接头的X射线图像。
步骤S402,对样本励磁浇筑母线图像进行预处理,得到预处理后样本励磁浇筑母线图像。
步骤S403,对预处理后样本励磁浇筑母线图像进行特征提取处理,得到预处理后样本励磁浇筑母线图像对应的样本关键图像特征。
步骤S404,分别将各个样本关键图像特征,输入至待训练的励磁浇筑母线质量检测模型中与各个样本关键图像特征对应的子质量检测模型,得到各个样本关键图像特征对应的子质量检测模型输出的样本质量检测结果。
步骤S405,对各个子质量检测模型输出的样本质量检测结果进行融合处理,得到样本母线接头对应的预测质量检测结果。
步骤S406,根据样本母线接头对应的预测质量检测结果和实际质量检测结果之间的差异,对待训练的励磁浇筑母线质量检测模型进行迭代训练,得到预先训练的励磁浇筑母线质量检测模型。
其中,样本励磁浇筑母线图像是指用于训练励磁浇筑母线质量检测模型对应的励磁浇筑母线图像。
其中,样本励磁浇筑母线是指用于训练励磁浇筑母线质量检测模型对应的励磁浇筑母线。
其中,样本母线接头是指用于训练励磁浇筑母线质量检测模型对应的母线接头。
其中,预处理后样本励磁浇筑母线图像是指经过预处理后的样本励磁浇筑母线图像。
其中,样本关键图像特征是指从预处理后样本励磁浇筑母线图像提取得到的重要程度较高的图像特征。
其中,样本质量检测结果表征样本母线接头对应的质量情况。
其中,预测质量检测结果是指样本母线接头的质量检测结果对应的预测值。
其中,实际质量检测结果是指样本母线接头的质量检测结果对应的实际值。
示例性地,服务器响应于针对待训练的励磁浇筑母线质量检测模型的模型训练指令,从数据库中获取针对样本励磁浇筑母线的样本母线接头的X射线图像,作为样本励磁浇筑母线图像;接着,服务器对样本励磁浇筑母线图像进行边缘增强处理,得到增强后样本励磁浇筑母线图像;接着,服务器对增强后样本励磁浇筑母线图像进行预处理,比如对增强后样本励磁浇筑母线图像进行去噪、增强对比度等操作,减少增强后样本励磁浇筑母线图像中的干扰和突出特征,得到预处理后样本励磁浇筑母线图像;然后,服务器对预处理后样本励磁浇筑母线图像进行特征提取处理,得到预处理后样本励磁浇筑母线图像对应的图像特征;例如,服务器将预处理后样本励磁浇筑母线图像输入至特征提取模型,通过特征提取模型对预处理后样本励磁浇筑母线图像进行特征提取处理,得到预处理后样本励磁浇筑母线图像对应的图像特征;接着,服务器确定各图像特征对应的重要程度;然后,服务器从各图像特征中,筛选出对应的重要程度大于预设重要程度的图像特征,并将这些图像特征作为预处理后样本励磁浇筑母线图像对应的样本关键图像特征;接着,服务器根据关键图像特征与子质量检测模型之间的对应关系,确定各个关键图像特征对应的子质量检测模型;然后,服务器分别将各个样本关键图像特征,输入至待训练的励磁浇筑母线质量检测模型中与各个样本关键图像特征对应的子质量检测模型,得到各个样本关键图像特征对应的子质量检测模型输出的样本质量检测结果;接着,服务器根据各个子质量检测模型对应的预测精确度,确定各个子质量检测模型对应的模型权重;然后,服务器根据各个子质量检测模型对应的模型权重,对各个子质量检测模型输出的样本质量检测结果进行融合处理,得到母线接头对应的预测质量检测结果;例如,服务器根据各个子质量检测模型对应的模型权重,对各个子质量检测模型输出的样本质量检测结果进行加权求和处理,得到母线接头对应的预测质量检测结果;接着,服务器根据样本母线接头对应的预测质量检测结果和实际质量检测结果之间的差异,得到损失值;然后,服务器根据损失值,对待训练的励磁浇筑母线质量检测模型的模型参数进行调整,并对模型参数调整后的励磁浇筑母线质量检测模型进行再次训练,直到训练后的励磁浇筑母线质量检测模型得到的损失值小于损失值阈值,则停止训练,并将该训练后的励磁浇筑母线质量检测模型,作为预先训练的励磁浇筑母线质量检测模型。
本实施例中,通过预先训练励磁浇筑母线质量检测模型,便于在实际应用中,在获取待分析的励磁浇筑母线图像后,对母线接头对应的质量检测结果进行预测即可;而且,励磁浇筑母线质量检测模型在每一轮迭代中接收新的数据,进行模型内部改进及优化,便于能够更有效地进行预测,有利于提高励磁浇筑母线质量检测模型的预测准确率。
在一个示例性的实施例中,上述步骤S401,获取样本励磁浇筑母线图像,还包括:获取正样本励磁浇筑母线图像和负样本励磁浇筑母线图像;获取正样本励磁浇筑母线图像中的第一母线接头位置信息,以及负样本励磁浇筑母线图像中的第二母线接头位置信息;根据第一母线接头位置信息,对正样本励磁浇筑母线图像进行对象提取处理,得到包含有第一母线接头位置信息对应的第一样本母线接头的子正样本励磁浇筑母线图像,以及根据第二母线接头位置信息,对负样本励磁浇筑母线图像进行对象提取处理,得到包含有第二母线接头位置信息对应的第二样本母线接头的子负样本励磁浇筑母线图像;将子正样本励磁浇筑母线图像与子负样本励磁浇筑母线图像,均作为样本励磁浇筑母线图像。
其中,正样本励磁浇筑母线图像是指正常母线的X射线图像。
其中,负样本励磁浇筑母线图像是指非正常母线的X射线图像。
其中,第一母线接头位置信息是指正样本励磁浇筑母线图像中母线接头对应的位置信息。
其中,第二母线接头位置信息是指负样本励磁浇筑母线图像中母线接头对应的位置信息。
其中,对象提取处理是指从图像中识提取特定对象的过程。
其中,第一样本母线接头是指正样本励磁浇筑母线图像中的样本母线接头。
其中,子正样本励磁浇筑母线图像是指从正样本励磁浇筑母线图像截取到的包含第一样本母线接头的部分图像。
其中,第二样本母线接头是指负样本励磁浇筑母线图像中的样本母线接头。
其中,子负样本励磁浇筑母线图像是指从负样本励磁浇筑母线图像截取到的包含第二样本母线接头的部分图像。
示例性地,服务器响应于针对待训练的励磁浇筑母线质量检测模型的模型训练指令,从数据库中获取正样本励磁浇筑母线图像和负样本励磁浇筑母线图像;接着,服务器获取正样本励磁浇筑母线图像中的第一样本母线接头对应的位置信息,作为第一母线接头位置信息,以及负样本励磁浇筑母线图像中的第二样本母线接头对应的位置信息,作为第二母线接头位置信息;然后,服务器根据第一母线接头位置信息,对正样本励磁浇筑母线图像进行对象提取处理,得到包含有第一母线接头位置信息对应的第一样本母线接头的图像,作为子正样本励磁浇筑母线图像,以及根据第二母线接头位置信息,对负样本励磁浇筑母线图像进行对象提取处理,得到包含有第二母线接头位置信息对应的第二样本母线接头的图像,作为子负样本励磁浇筑母线图像;最后,服务器将子正样本励磁浇筑母线图像与子负样本励磁浇筑母线图像,均作为样本励磁浇筑母线图像。
本实施例中,通过根据第一母线接头位置信息和第二母线接头位置信息进行对象提取处理,从而可以得到更准确的包含样本母线接头的图像,有利于提高了样本励磁浇筑母线图像的确定准确度,为后续模型训练提供了更加准确的样本励磁浇筑母线图像,进而提高了后续模型训练的训练效果。
在一个示例性的实施例中,如图5所示,提供了另一种励磁浇筑母线质量检测方法,以该方法应用于服务器进行举例说明,包括以下步骤:
步骤S501,获取待分析的励磁浇筑母线图像;励磁浇筑母线图像用于表示针对待分析的励磁浇筑母线的母线接头的X射线图像。
步骤S502,对励磁浇筑母线图像进行分解,得到励磁浇筑母线图像对应的吸收分量图和散射分量图;提取吸收分量图的目标特征图;对目标特征图和吸收分量图进行融合处理,得到吸收分量图对应的增强后吸收分量图;对增强后吸收分量图和散射分量图进行融合处理,得到预处理后励磁浇筑母线图像。
步骤S503,对预处理后励磁浇筑母线图像进行特征提取处理,得到预处理后励磁浇筑母线图像对应的关键图像特征。
步骤S504,获取关键图像特征与子质量检测模型之间的对应关系;根据各个关键图像特征,查询对应关系,得到与各个关键图像特征对应的子质量检测模型。
步骤S505,分别将各个关键图像特征,输入至预先训练的励磁浇筑母线质量检测模型中与各个关键图像特征对应的子质量检测模型,得到各个子质量检测模型输出的质量检测结果。
步骤S506,获取各个子质量检测模型对应的预测精确度;从各个子质量检测模型输出的质量检测结果中,筛选出对应的预测精确度大于预设精确度的目标子质量检测模型输出的质量检测结果。
步骤S507,根据各个目标子质量检测模型对应的预测精确度,确定各个目标子质量检测模型对应的模型权重;根据各个目标子质量检测模型对应的模型权重,对各个目标子质量检测模型输出的质量检测结果进行融合处理,得到母线接头对应的目标质量检测结果。
上述励磁浇筑母线质量检测方法中,在进行励磁浇筑母线质量检测时,通过对励磁浇筑母线图像进行预处理和特征提取处理,并输入至预先训练的励磁浇筑母线质量检测模型中各个子质量检测模型,最后融合各个子质量检测模型的质量检测结果,从而使得母线接头对应的质量检测结果更加全面,有利于提高励磁浇筑母线质量的检测准确率;而且,该方法无需人工进行干预,避免了采用人工观察的方式容易耗费大量的时间和人力,导致励磁浇筑母线质量的检测效率较低的缺陷,进而提高了励磁浇筑母线质量的检测效率。
在一个示例性的实施例中,为了更清晰阐明本申请实施例提供的励磁浇筑母线质量检测方法,以下以一个具体的实施例对该励磁浇筑母线质量检测方法进行具体说明。在一个实施例中,本申请还提供了一种基于X射线的励磁浇筑母线质量检测方法,在进行励磁浇筑母线质量检测时,先获取针对待分析的励磁浇筑母线的母线接头的X射线图像,作为励磁浇筑母线图像,再对励磁浇筑母线图像进行预处理,得到预处理后励磁浇筑母线图像,接着,对预处理后励磁浇筑母线图像进行特征提取处理,得到预处理后励磁浇筑母线图像对应的关键图像特征,然后,分别将各个关键图像特征,输入至预先训练的励磁浇筑母线质量检测模型中与各个关键图像特征对应的子质量检测模型,得到各个子质量检测模型输出的质量检测结果,最后,对各个子质量检测模型输出的质量检测结果进行融合处理,得到母线接头对应的目标质量检测结果。具体包括如下内容:
(1)收集包含正常母线和有质量问题母线的X射线图像数据集。对数据进行标注,标记正常母线和有质量问题母线的区域,作为训练和测试的标签。
(2)对X射线图像进行预处理,包括去噪、增强对比度、边缘检测等操作,以减少干扰和突出特征。比如,X射线图像进行分解,得到吸收分量图和散射分量图,对吸收分量图进行边缘增强处理,得到增强后吸收分量图(比如提取吸收分量图的目标特征图,将吸收分量图的目标特征图和吸收分量图进行融合处理,得到吸收分量图对应的增强后吸收分量图),将增强后吸收分量图和散射分量图进行融合处理,得到X射线图像的增强后X射线图像。
(3)使用图像处理技术提取X射线图像中的特征,如边缘、纹理、形状等信息,以便神经网络模型学习。
(4)设计多个不同结构的神经网络模型,如卷积神经网络、循环神经网络自编码器等,以便综合利用它们的优势。每个模型可以专注于不同类型的特征提取和学习,提高整体的检测性能。
(5)将多个神经网络模型进行集成,可以通过投票、融合等方式综合利用它们的预测结果。对集成模型进行优化和调参,以提高整体的准确性和鲁棒性。
(6)使用标记好的数据集对综合模型进行训练,并进行验证和调优,以提高模型的性能。使用独立的测试数据集对模型进行评估,检查其在检测母线质量问题方面的效果。
(7)将训练好的综合神经网络模型应用于新的X射线图像,对母线进行质量问题检测;综合各个模型的输出结果,判断母线是否正常或存在质量问题,并给出相应的判断和建议。比如,获取母线接头浇筑过程中、浇筑过程后的X射线图像,对X射线图像进行预处理,得到预处理后X射线图像;对预处理后X射线图像进行特征提取处理,得到多个关键图像特征;分别将各个关键图像特征,输入到训练好的综合神经网络模型中的各个子模型,得到多个检测结果,对多个检测结果进行集成,可以采用投票法、加权平均法等方式,综合判断母线是否存在质量问题,比如是否错位,是否存在金属杂质,是否存在大空腔,最终评定接头浇筑质量。
上述实施例,在进行励磁浇筑母线质量检测时,通过对励磁浇筑母线图像进行预处理和特征提取处理,并输入至预先训练的励磁浇筑母线质量检测模型中各个子质量检测模型,最后融合各个子质量检测模型的质量检测结果,从而使得母线接头对应的质量检测结果更加全面,有利于提高励磁浇筑母线质量的检测准确率;而且,该方法无需人工进行干预,避免了采用人工观察的方式容易耗费大量的时间和人力,导致励磁浇筑母线质量的检测效率较低的缺陷,进而提高了励磁浇筑母线质量的检测效率。同时,通过以上步骤,综合运用图像处理技术和多种神经网络模型,可以有效地检测一段母线的X射线图像中是否存在质量问题,提高检测的准确性和鲁棒性。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的励磁浇筑母线质量检测方法的励磁浇筑母线质量检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个励磁浇筑母线质量检测装置实施例中的具体限定可以参见上文中对于励磁浇筑母线质量检测方法的限定,在此不再赘述。
在一个示例性的实施例中,如图6所示,提供了一种励磁浇筑母线质量检测装置,包括:图像获取模块601、第一处理模块602、第二处理模块603、模型预测模块604和结果确定模块605,其中:
图像获取模块601,用于获取待分析的励磁浇筑母线图像;励磁浇筑母线图像用于表示针对待分析的励磁浇筑母线的母线接头的X射线图像。
第一处理模块602,用于对励磁浇筑母线图像进行预处理,得到预处理后励磁浇筑母线图像。
第二处理模块603,用于对预处理后励磁浇筑母线图像进行特征提取处理,得到预处理后励磁浇筑母线图像对应的关键图像特征。
模型预测模块604,用于分别将各个关键图像特征,输入至预先训练的励磁浇筑母线质量检测模型中与各个关键图像特征对应的子质量检测模型,得到各个子质量检测模型输出的质量检测结果。
结果确定模块605,用于对各个子质量检测模型输出的质量检测结果进行融合处理,得到母线接头对应的目标质量检测结果。
在一个示例性的实施例中,第一处理模块602,还用于对励磁浇筑母线图像进行分解,得到励磁浇筑母线图像对应的吸收分量图和散射分量图;对吸收分量图进行边缘增强处理,得到吸收分量图对应的增强后吸收分量图;对增强后吸收分量图和散射分量图进行融合处理,得到预处理后励磁浇筑母线图像。
在一个示例性的实施例中,第一处理模块602,还用于提取吸收分量图的目标特征图;对目标特征图和吸收分量图进行融合处理,得到吸收分量图对应的增强后吸收分量图。
在一个示例性的实施例中,结果确定模块605,用于获取各个子质量检测模型对应的预测精确度;从各个子质量检测模型输出的质量检测结果中,筛选出对应的预测精确度大于预设精确度的目标子质量检测模型输出的质量检测结果;根据各个目标子质量检测模型对应的预测精确度,确定各个目标子质量检测模型对应的模型权重;根据各个目标子质量检测模型对应的模型权重,对各个目标子质量检测模型输出的质量检测结果进行融合处理,得到母线接头对应的目标质量检测结果。
在一个示例性的实施例中,该励磁浇筑母线质量检测装置还包括模型确定模块,用于获取关键图像特征与子质量检测模型之间的对应关系;根据各个关键图像特征,查询对应关系,得到与各个关键图像特征对应的子质量检测模型。
在一个示例性的实施例中,该励磁浇筑母线质量检测装置还包括模型训练模块,用于获取样本励磁浇筑母线图像;样本励磁浇筑母线图像用于表示针对样本励磁浇筑母线的样本母线接头的X射线图像;对样本励磁浇筑母线图像进行预处理,得到预处理后样本励磁浇筑母线图像;对预处理后样本励磁浇筑母线图像进行特征提取处理,得到预处理后样本励磁浇筑母线图像对应的样本关键图像特征;分别将各个样本关键图像特征,输入至待训练的励磁浇筑母线质量检测模型中与各个样本关键图像特征对应的子质量检测模型,得到各个样本关键图像特征对应的子质量检测模型输出的样本质量检测结果;对各个子质量检测模型输出的样本质量检测结果进行融合处理,得到样本母线接头对应的预测质量检测结果;根据样本母线接头对应的预测质量检测结果和实际质量检测结果之间的差异,对待训练的励磁浇筑母线质量检测模型进行迭代训练,得到预先训练的励磁浇筑母线质量检测模型。
在一个示例性的实施例中,模型训练模块,还用于获取正样本励磁浇筑母线图像和负样本励磁浇筑母线图像;获取正样本励磁浇筑母线图像中的第一母线接头位置信息,以及负样本励磁浇筑母线图像中的第二母线接头位置信息;根据第一母线接头位置信息,对正样本励磁浇筑母线图像进行对象提取处理,得到包含有第一母线接头位置信息对应的第一样本母线接头的子正样本励磁浇筑母线图像,以及根据第二母线接头位置信息,对负样本励磁浇筑母线图像进行对象提取处理,得到包含有第二母线接头位置信息对应的第二样本母线接头的子负样本励磁浇筑母线图像;将子正样本励磁浇筑母线图像与子负样本励磁浇筑母线图像,均作为样本励磁浇筑母线图像。
上述励磁浇筑母线质量检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储励磁浇筑母线图像、关键图像特征等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种励磁浇筑母线质量检测方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个示例性的实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个示例性的实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个示例性的实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种励磁浇筑母线质量检测方法,其特征在于,所述方法包括:
获取待分析的励磁浇筑母线图像;所述励磁浇筑母线图像用于表示针对待分析的励磁浇筑母线的母线接头的X射线图像;
对所述励磁浇筑母线图像进行预处理,得到预处理后励磁浇筑母线图像;
对所述预处理后励磁浇筑母线图像进行特征提取处理,得到所述预处理后励磁浇筑母线图像对应的关键图像特征;
分别将各个所述关键图像特征,输入至预先训练的励磁浇筑母线质量检测模型中与各个所述关键图像特征对应的子质量检测模型,得到各个所述子质量检测模型输出的质量检测结果;
对各个所述子质量检测模型输出的质量检测结果进行融合处理,得到所述母线接头对应的目标质量检测结果。
2.根据权利要求1所述的方法,其特征在于,所述对所述励磁浇筑母线图像进行预处理,得到预处理后励磁浇筑母线图像,包括:
对所述励磁浇筑母线图像进行分解,得到所述励磁浇筑母线图像对应的吸收分量图和散射分量图;
对所述吸收分量图进行边缘增强处理,得到所述吸收分量图对应的增强后吸收分量图;
对所述增强后吸收分量图和所述散射分量图进行融合处理,得到预处理后励磁浇筑母线图像。
3.根据权利要求2所述的方法,其特征在于,所述对所述吸收分量图进行边缘增强处理,得到所述吸收分量图对应的增强后吸收分量图,包括:
提取所述吸收分量图的目标特征图;
对所述目标特征图和所述吸收分量图进行融合处理,得到所述吸收分量图对应的增强后吸收分量图。
4.根据权利要求1所述的方法,其特征在于,所述对各个所述子质量检测模型输出的质量检测结果进行融合处理,得到所述母线接头对应的目标质量检测结果,包括:
获取各个所述子质量检测模型对应的预测精确度;
从各个所述子质量检测模型输出的质量检测结果中,筛选出对应的预测精确度大于预设精确度的目标子质量检测模型输出的质量检测结果;
根据各个所述目标子质量检测模型对应的预测精确度,确定各个所述目标子质量检测模型对应的模型权重;
根据各个所述目标子质量检测模型对应的模型权重,对各个所述目标子质量检测模型输出的质量检测结果进行融合处理,得到所述母线接头对应的目标质量检测结果。
5.根据权利要求1所述的方法,其特征在于,在分别将各个所述关键图像特征,输入至预先训练的励磁浇筑母线质量检测模型中与各个所述关键图像特征对应的子质量检测模型,得到各个所述子质量检测模型输出的质量检测结果之前,还包括:
获取关键图像特征与子质量检测模型之间的对应关系;
根据各个所述关键图像特征,查询所述对应关系,得到与各个所述关键图像特征对应的子质量检测模型。
6.根据权利要求1至5中任一项所述的方法,其特征在于,所述预先训练的励磁浇筑母线质量检测模型通过下述方式得到:
获取样本励磁浇筑母线图像;所述样本励磁浇筑母线图像用于表示针对样本励磁浇筑母线的样本母线接头的X射线图像;
对所述样本励磁浇筑母线图像进行预处理,得到预处理后样本励磁浇筑母线图像;
对所述预处理后样本励磁浇筑母线图像进行特征提取处理,得到所述预处理后样本励磁浇筑母线图像对应的样本关键图像特征;
分别将各个所述样本关键图像特征,输入至待训练的励磁浇筑母线质量检测模型中与各个所述样本关键图像特征对应的子质量检测模型,得到各个所述样本关键图像特征对应的子质量检测模型输出的样本质量检测结果;
对各个所述子质量检测模型输出的样本质量检测结果进行融合处理,得到所述样本母线接头对应的预测质量检测结果;
根据所述样本母线接头对应的预测质量检测结果和实际质量检测结果之间的差异,对所述待训练的励磁浇筑母线质量检测模型进行迭代训练,得到所述预先训练的励磁浇筑母线质量检测模型。
7.根据权利要求6所述的方法,其特征在于,所述获取样本励磁浇筑母线图像,包括:
获取正样本励磁浇筑母线图像和负样本励磁浇筑母线图像;
获取所述正样本励磁浇筑母线图像中的第一母线接头位置信息,以及所述负样本励磁浇筑母线图像中的第二母线接头位置信息;
根据所述第一母线接头位置信息,对所述正样本励磁浇筑母线图像进行对象提取处理,得到包含有所述第一母线接头位置信息对应的第一样本母线接头的子正样本励磁浇筑母线图像,以及根据所述第二母线接头位置信息,对所述负样本励磁浇筑母线图像进行对象提取处理,得到包含有所述第二母线接头位置信息对应的第二样本母线接头的子负样本励磁浇筑母线图像;
将所述子正样本励磁浇筑母线图像与所述子负样本励磁浇筑母线图像,均作为样本励磁浇筑母线图像。
8.一种励磁浇筑母线质量检测装置,其特征在于,所述装置包括:
图像获取模块,用于获取待分析的励磁浇筑母线图像;所述励磁浇筑母线图像用于表示针对待分析的励磁浇筑母线的母线接头的X射线图像;
第一处理模块,用于对所述励磁浇筑母线图像进行预处理,得到预处理后励磁浇筑母线图像;
第二处理模块,用于对所述预处理后励磁浇筑母线图像进行特征提取处理,得到所述预处理后励磁浇筑母线图像对应的关键图像特征;
模型预测模块,用于分别将各个所述关键图像特征,输入至预先训练的励磁浇筑母线质量检测模型中与各个所述关键图像特征对应的子质量检测模型,得到各个所述子质量检测模型输出的质量检测结果;
结果确定模块,用于对各个所述子质量检测模型输出的质量检测结果进行融合处理,得到所述母线接头对应的目标质量检测结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种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权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410528792.3A CN118130508A (zh) | 2024-04-29 | 2024-04-29 | 励磁浇筑母线质量检测方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410528792.3A CN118130508A (zh) | 2024-04-29 | 2024-04-29 | 励磁浇筑母线质量检测方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118130508A true CN118130508A (zh) | 2024-06-04 |
Family
ID=91242825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410528792.3A Pending CN118130508A (zh) | 2024-04-29 | 2024-04-29 | 励磁浇筑母线质量检测方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118130508A (zh) |
-
2024
- 2024-04-29 CN CN202410528792.3A patent/CN118130508A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001399B (zh) | 基于局部特征显著化的图像场景分类方法和装置 | |
CN112884758B (zh) | 一种基于风格迁移方法的缺陷绝缘子样本生成方法及系统 | |
CN112966754B (zh) | 样本筛选方法、样本筛选装置及终端设备 | |
CN114445336A (zh) | 配电设备缺陷检测方法、装置、计算机设备和存储介质 | |
CN117318052B (zh) | 发电机组进相试验无功功率预测方法、装置和计算机设备 | |
CN114639102A (zh) | 基于关键点与尺寸回归的细胞分割方法和装置 | |
CN113222209B (zh) | 基于域适应的区域尾气迁移预测方法、系统及存储介质 | |
CN118130508A (zh) | 励磁浇筑母线质量检测方法、装置和计算机设备 | |
CN116187387A (zh) | 神经网络模型量化方法、装置、计算机设备和存储介质 | |
CN116467665A (zh) | 核反应堆的故障诊断方法、装置、计算机设备和存储介质 | |
CN116188391A (zh) | 断栅缺陷检测方法、装置、电子设备和存储介质 | |
CN108052987B (zh) | 图像分类输出结果的检测方法 | |
CN115439721B (zh) | 电力设备异常少样本缺陷分类模型训练方法、装置 | |
CN117372801A (zh) | 变电站缺陷异常检测方法、装置和计算机设备 | |
CN116049711A (zh) | 高压直流输电系统故障检测方法、装置和计算机设备 | |
CN117909797A (zh) | 电力建设企业电力应急能力预测方法、装置和计算机设备 | |
CN115965856B (zh) | 图像检测模型构建方法、装置、计算机设备及存储介质 | |
CN117973940A (zh) | 城市系统电力应急能力预测方法、装置和计算机设备 | |
CN117372348A (zh) | 缺陷分析方法、装置、计算机设备及其存储介质 | |
CN116279935B (zh) | 车辆倾倒预警方法、装置及计算机设备 | |
CN117611430A (zh) | 基于随机权重的无人车导航图像生成方法、装置及设备 | |
CN116911977A (zh) | 虚拟资源处理方法、装置、计算机设备和存储介质 | |
CN115392737A (zh) | 航运信息的检验方法及装置 | |
CN117786403A (zh) | 带电检测综合分析模型训练方法、应用方法和装置 | |
Wei et al. | Exploring fast-inferring in transformer backboned model for fatigue crack detection and propagation tracking for proton exchange membrane |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |