当前位置：文档之家 › 【CN109886298A】一种基于卷积神经网络的焊缝质量检测方法【专利】

【CN109886298A】一种基于卷积神经网络的焊缝质量检测方法【专利】

  • 格式：pdf
  • 大小：443.49 KB
  • 文档页数：11

权利要求书2页 说明书5页 附图3页
CN 109886298 A
CN 109886298
权 利 要 求 书
1/2 页
1 .一种基于卷积神经网络的焊缝质量检测方法，其特征在于，包括如下步骤： 步骤一 .图像采集：采集焊接点图像，并记录采集时间标记功能以及焊件信息记录功 能； 步骤二 .焊缝质量分析：包括以下步骤： 步骤1 ，对待检测图 像进行焊缝区域定位捕捉 ：采 用卷积神经网络对焊缝区域进行捕捉 定位，通过矩形框定位提取焊缝检测区域，然后对检测到的焊缝区域图像进行预处理，并将 预处理结果送入步骤2的质量检测分析模块对焊缝质量进行检测分析； 步骤2 ，对捕捉到的 焊接点区 域进行 质量检 测 ，判断 待检 测焊缝是否合格 ；首先为保证 焊缝区域的 清晰 度 ，对捕捉到的 焊接点区域 用三次 样条插值进行放大 ，然后将检 测到的 焊 接区域放大后，对该区域通过卷积神经网络进行焊缝质量检测，对大量焊接点样本和非焊 接点样本数据预处理后进行检测模型训练，利用训练好的模型进行焊缝质量分析检测； 步骤三 .对检测结果进行相应处理。 2 .根据权利要求1所述的一种基于卷积神经网络的焊缝质量检测方法，其特征在于，所 述步骤2中，训练正常焊缝样本和异常焊缝样本各12500张用于质量检测模型。 3 .根据权利要求2所述的一种基于卷积神经网络的焊缝质量检测方法，其特征在于，所 述步骤2的具体实现包括如下步骤： 步骤2 .1，卷积神经网络模型的训练：将经过预处理的12500张正常焊缝图像和12500张 异常焊缝图像数据分成训练集、训练集标签、测试集、测试集标签，采用反向传播学习算法， 和随 机梯度下降 方法 ，根据前向 传播的 loss值的 大小 ，进行反向 传播迭代更新卷积神经网 络每一层的权重，直到模型的loss值趋向于收敛时，表示模型训练完成； 步骤2 .2，焊缝图像的特征提取：将数据集当中的每一幅图像输入到前一步所述的卷积 神经网络中 ，根据上述已 经 训练好的卷积神经网络检测模型 ，提取焊缝图 像在该模型下的 特征，模型的倒数第二层采用全卷积处理得到该图像的特征； 步骤2 .3，焊缝图像的识别：给定一幅待检测的焊缝图像，输入到训练好的深度学习模 型中 ，得到图 像在卷积神经网络下的特征 ，并且在网络模型的最后一层采 用分类器对图 像 进行质量检测。 4 .根据权利要求3所述的一种基于卷积神经网络的焊缝质量检测方法，其特征在于，所 述卷积神经网络模型的训练是在Ubuntu系统的tensorflow框架下实现。 5 .根据权利要求3所述的一种基于卷积神经网络的焊缝质量检测方法，其特征在于，步 骤2 .1中，所述卷积神经网络模型的设计方法包括： 设计卷积层：首先使用一组基础卷积层+激活层+池化层提取图像的特征图 ，该特征图 被共享用于后续RPN层和全连接层；所有的卷积层都是：卷积核尺寸为3，图像边框为1；所有 的池化层都是：卷积核尺寸为2，卷积核移动步长为2。 设计RPN层：RPN层用于生成备选目标检测区域，该层通过softmax判断区域集合属于目 标前景或者背景，再利用边框回归化来修正区域集合获得精确的备选目标区域； 设计区 域集合 ：区 域集合的 生成是以 超像素为单位 ，框选区 域是超像素 划分得到的 每 个超像素区域、以及超像素临界区域，由超像素区域和超像素临界区域得到区域集合； 设计矩形框 调节标准 ：按照超像素的 临界 矩阵 进行扩散或收 缩 ，待选矩形框的 大小为 生成超像素或者超像素组所占最大矩形框；
2
CN 109886298 A
权 利 要 求 书
2/2 页
设计边框滑动 ：基于广度优先的图 像遍历 ，根据遍历路径 ，滑动框选边框 ，每次 滑动都 保证矩形框区域为当前超像素覆盖的最大矩形区域；
设计边框调节：基于邻接超像素最大相似性max(si)进行超像素合并的调节； 设计合并规则：计算超像素相似度：si＝d(xi ,yi)其中si为矩形覆盖超像素xi跟邻接超 像素yi的相似度，采用为矩形覆盖超像素xi跟邻接超像素yi的欧式距离表示；合并临界超像 素中相似度最大的超像素形成新的超像素区域，矩形边框为新的超像素区域覆盖的最大矩 形区域； 设计边框质量评价IOU(Intersection-over-Union)值计算方法：采用显著区域检测结 果与标准结果标签之间的交集同显著区域检测结果与标准结果之间的并集的上作为IOU的 值； 设计目 标区 域 判断 方法 ：利 用检 测到区 域的 特征图 计算检 测到的 区 域是否为目 标区 域，同时再次调整边框区域获得检测框最终的精确位置。 6 .根据权利要求5所述的一种基于卷积神经网络的焊缝质量检测方法，其特征在于，所 设计的卷积神经网络模型包括输入层，隐藏层，输出层，其中： 输入层：输入层为数据焊缝捕捉定位区域的焊缝图像； 隐藏层：包含卷积层和池化层；卷积层：依次选取卷积核为3*3，1*1的卷积层，每一层通
(10)申请公布号 CN 109886298 A (43)申请公布日 2019.06.14
( 54 )发明 名称 一 种基于卷 积 神经网 络的 焊缝 质量 检 测方
法 ( 57 )摘要
本发明公开了一种基于卷积神经网络的焊 缝质量检测方法。一 .图像采集 ：采集焊接点图 像，并记录采集时间标记功能以及焊件信息记录 功能；二 .焊缝质量分析：步骤1，采用卷积神经网 络对焊缝区域进行捕捉定位，通过矩形框定位提 取焊缝检测区域，然后对检测到的焊缝区域图像 进行预处理 ，并将预处理结果送入步骤2对焊缝 质量进行检测分析。步骤2，对焊接点区域进行质 量检 测 ，判断 待检 测焊缝是否合格 ，首先对捕捉 到的焊接点区域用三次样条插值进行放大，然后 将放大后的焊接区域通过卷积神经网络进行焊 缝质量检测，对焊接点样本和非焊接点样本数据 预处理后进行检测模型训练，利用检测模型进行 焊缝质量分析检测。步骤3 .对检测结果进行相应 处理。
( 19 )中华人民 共和国国家知识产权局
( 12 )发明专利申请
(21)申请号 201910041065 .3
(22)申请日 2019 .01 .16
(71)申请人 江苏大学 地址 212013 江苏省镇江市京口区学府路 301号
(72)发明人 陆虎 余超杰 姚棋 刘赛雄 朱玉全
(51)Int .Cl . G06K 9/62(2006 .01) G06K 9/32(2006 .01) G06N 3/04(2006 .01) G06N 3/08(2006 .01)

合集下载

【CN109886217A】一种基于卷积神经网络从近岸海浪视频中检测浪高的方法【专利】

【CN109886217A】一种基于卷积神经网络从近岸海浪视频中检测浪高的方法【专利】

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910141884.5(22)申请日 2019.02.26(71)申请人 上海海洋大学地址 200000 上海市浦东新区沪城环路999号(72)发明人 宋巍　周旭　王振华　陈媛媛　赵丹枫　何盛琪　(74)专利代理机构 北京金智普华知识产权代理有限公司 11401代理人 杨采良(51)Int.Cl.G06K 9/00(2006.01)G06K 9/62(2006.01)G06N 3/04(2006.01)G06N 3/08(2006.01)(54)发明名称一种基于卷积神经网络从近岸海浪视频中检测浪高的方法(57)摘要本发明属于海洋工程技术领域，公开了一种基于卷积神经网络从近岸海浪视频中检测浪高的方法，基于卷积神经网络从近岸海浪视频中检测浪高的方法包括：通过海浪视频预处理，从中抽取图像帧和计算帧间差分，组成包含浪高静态和动态信息的三通道图像；构建能够对海浪浪高进行检测的多层感知卷积神经网络模型；基于经视频预处理后的图像集构建训练数据集，对构建的网络模型进行不同浪高检测的训练；利用训练好的模型较高精度的检测近岸浪的即时海浪高度值。

本发明能提高检测的效率，能够在业务化运行要求的精度内达到很好检测效果，能够高精度且快速地获取近岸海浪的有效波高。

权利要求书1页 说明书11页 附图6页CN 109886217 A 2019.06.14C N 109886217A1.一种基于卷积神经网络从近岸海浪视频中检测浪高的方法，其特征在于，所述基于卷积神经网络从近岸海浪视频中检测浪高的方法包括：通过海浪视频预处理，从中抽取图像帧和计算帧间差分，组成包含浪高静态和动态信息的三通道图像；构建对海浪浪高进行检测的多层感知卷积神经网络模型；基于经视频预处理后的图像集构建训练数据集，对构建的网络模型进行不同浪高检测的训练；利用训练好的模型较高精度的检测近岸浪的即时海浪高度值。

基于卷积神经网的焊缝检测

基于卷积神经网的焊缝检测

基于卷积神经网的焊缝检测一、卷积神经网络概述卷积神经网络（Convolutional Neural Networks, CNNs）是一种深度学习模型，它在图像识别、视频分析和自然语言处理等领域表现出了卓越的性能。

CNNs通过模仿人类视觉系统的工作原理，能够自动学习图像中的特征并进行有效的特征提取。

本文将探讨基于卷积神经网络的焊缝检测技术，分析其重要性、挑战以及实现途径。

1.1 卷积神经网络的核心特性卷积神经网络的核心特性主要体现在以下几个方面：- 自动特征提取：CNNs能够自动从输入数据中学习到有用的特征，无需人工设计特征提取算法。

- 层次结构：CNNs具有多层结构，每一层都能够提取图像中不同层次的特征。

- 参数共享：卷积核在卷积过程中参数共享，减少了模型的参数数量，提高了模型的泛化能力。

- 平移不变性：由于卷积操作的特性，CNNs对图像中的平移、旋转等变换具有较好的不变性。

1.2 卷积神经网络的应用场景卷积神经网络的应用场景非常广泛，包括但不限于以下几个方面：- 图像分类：CNNs能够识别图像中的对象，并将其分类到不同的类别。

- 目标检测：CNNs能够定位图像中的目标，并确定其位置和大小。

- 图像分割：CNNs能够将图像分割成不同的区域，并对每个区域进行分类。

- 视频分析：CNNs能够处理视频数据，进行动作识别、事件检测等。

二、基于卷积神经网络的焊缝检测技术基于卷积神经网络的焊缝检测技术是一种利用深度学习对焊接过程中的焊缝进行自动检测的方法。

该技术能够提高检测的准确性和效率，降低人工检测的成本和时间。

2.1 焊缝检测的重要性焊缝检测的重要性主要体现在以下几个方面：- 质量控制：焊缝的质量直接影响到产品的安全性和可靠性，焊缝检测是保证产品质量的重要环节。

- 自动化生产：随着工业自动化的发展，自动焊缝检测技术能够提高生产效率，减少人工干预。

- 数据分析：焊缝检测技术可以收集大量的数据，为后续的数据分析和工艺优化提供支持。

一种基于卷积神经网络的焊件轮廓检测算法[发明专利]

一种基于卷积神经网络的焊件轮廓检测算法[发明专利]

专利名称：一种基于卷积神经网络的焊件轮廓检测算法专利类型：发明专利
发明人：赵壮,陆骏,孙书丽,高鹏,王兴国,冯琳,吴梓剑
申请号：CN202110042501.6
申请日：20210113
公开号：CN112365501A
公开日：
20210212
专利内容由知识产权出版社提供
摘要：本发明涉及一种基于卷积神经网络的焊件轮廓检测算法，包括以下步骤：1.建立基础网络，建立基于RCF网络改进的跳层解码融合网络作为基础网络；2.构建跳层解码融合模块；3.引入ASPP模块；4.引入注意力机制模块。

本发明在基于RCF网络改进的跳层解码融合网络增加解码路径，并采用点乘的方式融合不同尺度的信息，利用高层的语义信息来约束低层网络，避免在融合过程中低层特征引入过多的背景纹理信息，提升目标边缘检测的精度；对RCF网络中减少下采样次数导致的网络感受野减小的问题，引入ASPP模块，在不损失特征图分辨率的同时，扩大感受野并增强语义信息；引入改进的注意力机制模块，使网络更加专注目标的焊缝和外轮廓区域。

申请人：南京理工大学
地址：210094 江苏省南京市玄武区孝陵卫街道孝陵卫街200号南京理工大学
国籍：CN
代理机构：南京苏创专利代理事务所(普通合伙)
代理人：张学彪
更多信息请下载全文后查看。

基于卷积神经网络的焊缝缺陷超声波识别研究

基于卷积神经网络的焊缝缺陷超声波识别研究

基于卷积神经网络的焊缝缺陷超声波识别研究
丁善择;马晓春;张德志;陈雨;吕琪明;钟广军
【期刊名称】《软件工程与应用》
【年(卷),期】2024(13)1
【摘要】桥梁钢结构焊接构件中,焊缝质量是影响构件力学性能的主要因素之一。

针对超声检测回波信号具有步长大、多模态、多峰分布等特点和焊缝缺陷图像进行深度学习识别已经取得了很好的效果。

本文用超声探伤仪对70个带焊缝缺陷的T 型管节点和18个对接钢板试件、25个对接钢管试件进行超声检测。

建立包含8800张超声检测回波信号图像的数据集作为网络训练、验证和测试的对象。

调整卷积神经网络MobileNet-v2的结构层、参数和权重,利用卷积神经网络MobileNet-v2进行训练和测试,得到T型管节点超声检测回波信号识别的卷积神经网络的平均识别准确率分别为91%。

计算识别精确率和召回率可作为调整后卷积神经网络识别性能的评价指标。

【总页数】8页(P108-115)
【作者】丁善择;马晓春;张德志;陈雨;吕琪明;钟广军
【作者单位】江苏建筑职业技术学院智能制造学院徐州
【正文语种】中文
【中图分类】TP3
【相关文献】
1.基于改进卷积神经网络的管焊缝X射线图像缺陷识别方法
2.基于渐进式卷积神经网络的焊缝缺陷识别
3.基于改进卷积神经网络的飞机桁架焊缝缺陷识别与测试
4.基于MobileNet卷积神经网络的焊缝缺陷识别
5.基于卷积神经网络的焊缝缺陷超声图像识别方法研究
因版权原因，仅展示原文概要，查看原文内容请购买。