【技术实现步骤摘要】
焊缝缺陷识别方法及系统
[0001]本专利技术涉及智能缺陷检测的
,具体地,涉及一种焊缝缺陷识别方法及系统。尤其是,优选的涉及一种针对小样本情况下的焊缝缺陷智能识别方法。
技术介绍
[0002]由于目前大型焊接产品覆盖领域广,主要应用于航空、航天、汽车、船舶等领域。其中焊接工艺多种多样、导致焊缝类型层出不穷、焊接缺陷充满复杂性,精确的智能焊缝缺陷检测充满挑战。为了满足实际贮箱无损检测行业的要求,由于产业的不断发展,待评测图像不断增多,缺少智能筛选机制,人工判读会在无缺陷的正常图像上耗费时间,效率难以提升;而且人工评判存在主观因素,导致评判质量不稳定,发生错漏检,导致产品质量问题。因此,需要智能检测技术来缓解检测能力不足的现状,近年来针对基于机器学习的图像处理方法在缺陷智能识别、筛选分类等方面产出了大量的研究成果。但是机器学习特别是深度学习,需要大量的数据才能训练好一个具有良好泛化性的模型。如何在小样的情况下进行有效的学习,成为了一个广受关注的问题。
[0003]随着深度学习技术的不断发展与实际应用,火箭贮箱焊缝缺陷检测往智能化发展的需求不但增加,为开展了基于深度学习的火箭贮箱焊缝智能检测的研究提供强大动力。
[0004]公开号为CN114862745A的中国专利技术专利文献公开了一种焊缝缺陷识别方法、焊缝缺陷识别模型的训练方法及装置,属于管道
该方法包括:获取待识别图像;调用焊缝缺陷识别模型对待识别图像进行缺陷识别,得到管道焊缝缺陷的缺陷位置和缺陷类型;基于缺陷位置和缺陷类型在待识别图像 ...
【技术保护点】
【技术特征摘要】
1.一种焊缝缺陷识别方法,其特征在于,包括如下步骤:图像增强步骤:读取辅助集和支撑集中的原始图像,并进行图像增强处理,得到增强后的输出图像;缺陷标注步骤:遍历增强后的输出图像,对每张图像用包围框进行缺陷标注,形成最终辅助集以及最终支撑集;检测模型搭建步骤:通过特征提取网络以及解耦检测网络,搭建多分类检测模型;辅助集训练步骤:通过最终辅助集对多分类检测模型进行训练,获得训练后的特征提取网络和解耦检测网络;支撑集训练步骤:通过最终支撑集对训练后的特征提取网络和解耦检测网络进行训练,获得焊缝缺陷检测模型;缺陷识别步骤:对待检测图像进行图像增强处理,通过焊缝缺陷检测模型对图像增强处理后的待检测图像进行识别。2.根据权利要求1所述的焊缝缺陷识别方法,其特征在于,在所述图像增强步骤中,对辅助集中的熔焊焊缝图像以及支撑集中的搅拌摩擦焊焊缝图像利用CLAHE进行图像增强。3.根据权利要求1所述的焊缝缺陷识别方法,其特征在于,在所述图像增强步骤中,将原始图像横竖均匀划分为n个子图像,并获取原始图像的直方图函数h(r
k
):h(r
k
)=n
k
其中,r
k
表示区间内第k级的亮度,n
k
表示原始图像中等于第k级的亮度的像素数;同时定义r
min
为原始图像中存在亮度的最小值,r
max
为原始图像中存在亮度的最大值;将直方图函数进行归一化,将每一个元素h(r
k
)除以原始图像中的像素总数n得到新的直方图函数P(r
k
):动态调节图像新的直方图分布,预先设定对比度限制权重以及图像增强权重,得到调整后的直方图分布函数P
′
(r
k
)以及图像增强后的灰度范围)以及图像增强后的灰度范围表示图像增强后的最小灰度;表示图像增强后的最大灰度;根据调整后的直方图分布函数给出灰度映射函数的直方图累积函数P
sum
′
(r
k
):根据直方图均衡化的基本计算公式得出图像均衡化映射函数f
i
(r
k
)为:分别对每一个子图像的像素点按照映射函数进行变换,得到新的像素值,子图像块之间的像素值利用双线性插值法进行优化,得到多个灰度值图像;将得到的多个灰度值图像进行拼接,得到增强后的输出图像。4.根据权利要求2所述的焊缝缺陷识别方法,其特征在于,在所述缺陷标注步骤中,对图像增强后的熔焊焊缝图像以及搅拌摩擦焊焊缝图像中的...
【专利技术属性】
技术研发人员:王立群,刘骁佳,戴铮,金翠娥,刘欢,王飞,周鹏飞,
申请(专利权)人:上海航天精密机械研究所,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。