System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及一种图像处理,尤其涉及一种无损检测方法、系统、装置及介质。
技术介绍
1、无损检测(ndt,non-destructive testing)是一种利用精密仪器设备和先进技术进行检查的方法,它能够不损伤检测目标,对物体的表面和内部结构、理化性质以及状态等进行评估。在工业中,无损检测扮演着重要的角色。举例来说,在产品分拣中,无损检测可识别并剔除残次品,提高产品的优质率。这种方法允许对零部件或产品进行全面和深入的评估,有助于发现潜在的缺陷或问题,确保产品质量,并节省资源和减少浪费。
2、红外热波无损检测是近二十年来蓬勃发展且展现巨大潜力的无损检测技术。该技术基于红外辐射原理,利用红外热像仪采集被检测物体表面所释放的红外辐射。通过记录被检测物体表面的温度变化,红外热波无损检测能够可视化温度场分布,并提取温度异常区域,进而检测和识别物体表面或内部的缺陷。这种技术的优势在于能够高效、准确地检测物体表面和内部,而无需接触物体,为工业领域提供了一种可靠的质量控制手段。然而,传统红外热波无损检测技术在检测复杂工件时存在以下不足:1.易受到被检测物体表面红外发射率、几何形状以及加热均匀性的影响;2.受制于设备功率和超声在空气中的严重衰减,会降低激励效果,影响检测精度;3.多为单一的检测方法,在检测复杂工件时容易产生误差,影响准确度。
3、综上所述,为了克服现有红外热波无损检测技术难以有效检测复杂工件的问题,需要研究人员解决非接触式、多检测设备融合的复合无损检测方法。
技术实现思路
1、本申请的目的在于提供一种无损检测方法、系统、装置及介质,以至少解决相关技术中红外热波无损检测技术难以有效检测复杂工件的问题。
2、本申请第一方面提供一种无损检测方法,所述方法包括:
3、获取目标检测对象的点云图像和热像图,基于所述点云图像和所述热像图确定目标复合图像;
4、基于所述目标复合图像,采用预训练分割网络确定目标融合特征图像;
5、基于所述目标复合图像和所述目标融合特征图像,采用预训练对抗网络确定所述目标检测对象的目标检测结果。
6、在一个实施例中,所述基于所述点云图像和所述热像图确定目标复合图像,包括:
7、根据所述点云图像和所述热像图进行复合处理,得到初始复合图像;
8、基于所述初始复合图像进行图像预处理,得到预处理复合图像,其中,所述图像预处理包括图形增强处理和平滑处理;
9、根据所述预处理复合图像的深度值,确定所述目标检测对象的初始检测结果;
10、响应于所述初始检测结果为无缺损,所述预处理复合图像确定为所述目标复合图像。
11、在一个实施例中,所述预训练分割网络包括编码器、解码器和分层学习模型;
12、所述编码器由多个3*3的卷积层和relu激活函数组成;
13、所述解码器由转置卷积层组成;
14、所述分层学习模型由多个边路网络和一个融合输出网络组成。
15、在一个实施例中,所述基于所述目标复合图像,采用预训练分割网络确定目标融合特征图像,包括:
16、根据所述目标复合图像,采用所述编码器进行下采样和特征处理,得到降采样特征图像;
17、根据所述降采样特征图像,采用所述解码器进行上采样和特征处理,得到目标分割图像;
18、根据所述目标分割图像,采用所述边路网络确定目标特征图像;
19、根据所述目标特征图像,采用所述融合输出网络进行融合处理,得到所述目标融合特征图像。
20、在一个实施例中,所述预训练分割网络的总损失函数为:
21、
22、其中,ltotal为预训练分割网络总损失函数,lside为边路网络损失函数,lfuse为融合输出网络损失函数,β和γ为边路网络的超参数,n为像素点,yi为预设标签图像,为边路网络预测结果,和为融合输出网络的超参数,为融合输出网络预测结果。
23、在一个实施例中,所述预训练对抗网络的获取,包括:
24、根据所述目标复合图像和所述目标融合特征图像进行点积,得到第一点积结果;
25、根据所述目标复合图像和所述预设标签图像进行点积,得到第二点积结果;
26、根据所述第一点积结果和所述第二点积结果,对对抗网络进行训练,直至满足预设条件,得到训练好的所述预训练对抗网络。
27、在一个实施例中,所述对抗网络的损失函数为:
28、
29、其中,为预训练对抗网络的损失函数,lmac为目标复合图像和目标融合特征图像进行点积的结果与目标复合图像和预设标签图像进行点积的结果之间的平均绝对误差,s(xn)为目标融合特征图像的行特征,s(yn)为目标融合特征图像的列特征,xn为预训练对抗网络输出的预测图像,为预测图像与目标融合特征图像的行特征相乘的结果,为预测图像与目标融合特征图像的列特征相乘的结果,fc()表示预训练对抗网络从图像中提取的层次特征。
30、本申请第二方面提供一种无损检测系统,所述系统包括:
31、确定目标复合图像模块,用于获取目标检测对象的点云图像和热像图,基于所述点云图像和所述热像图确定目标复合图像;
32、确定目标融合特征图像模块,用于基于所述目标复合图像,采用预训练分割网络确定目标融合特征图像;
33、确定目标检测结果模块,用于基于所述目标复合图像和所述目标融合特征图像,采用预训练对抗网络确定所述目标检测对象的目标检测结果。
34、本申请第三方面提供一种无损检测装置,包括:
35、集成控制模块,集成于上位机,包括点云处理单元、红外成像装置、检测及控制单元;
36、红外激励模块,包括光纤激光装置、激光驱动装置以及激光发生装置;
37、数据采集模块,包括函数发生装置以及点云相机装置;
38、存储器和一个或多个处理器,所述存储器中存储有可执行代码,所述一个或多个处理器执行所述可执行代码时,用于实现上述所述的无损检测方法。
39、本申请第四方面提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现上述所述的无损检测方法。
40、本申请实施例提供的一种无损检测方法、系统、装置及介质至少具有以下技术效果。
41、通过获取目标检测对象的点云图像和热像图,并将它们复合得到目标复合图像。接着,采用预训练的分割网络对目标复合图像进行处理,确定目标融合特征图像。然后,基于目标复合图像和目标融合特征图像,采用预训练的对抗网络确定预测图像。最后,结合目标复合图像、目标融合特征图像和预测图像,确定目标检测对象的目标检测结果。本申请综合应用了点云图像和热像图,避免了人员接触式和多检测设备对复杂工件进行检测的问题。同时,该方法还能极大地提高检测的准确性。
42、本申请的一个或多个实施例的细节在以下附图本文档来自技高网...
【技术保护点】
1.一种无损检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的无损检测方法,其特征在于,所述基于所述点云图像和所述热像图确定目标复合图像,包括:
3.根据权利要求1所述的无损检测方法,其特征在于,所述预训练分割网络包括编码器、解码器和分层学习模型;
4.根据权利要求3所述的无损检测方法,其特征在于,所述基于所述目标复合图像,采用预训练分割网络确定目标融合特征图像,包括:
5.根据权利要求4所述的无损检测方法,其特征在于,所述预训练分割网络的总损失函数为:
6.根据权利要求1所述的无损检测方法,其特征在于,所述预训练对抗网络的获取,包括:
7.根据权利要求6所述的无损检测方法,其特征在于,所述对抗网络的损失函数为:
8.一种无损检测系统,其特征在于,所述系统包括:
9.一种无损检测装置,其特征在于,包括:
10.一种计算机可读存储介质,其特征在于,其上存储有程序,该程序被处理器执行时,实现权利要求1-7中任一项所述的无损检测方法。
【技术特征摘要】
1.一种无损检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的无损检测方法,其特征在于,所述基于所述点云图像和所述热像图确定目标复合图像,包括:
3.根据权利要求1所述的无损检测方法,其特征在于,所述预训练分割网络包括编码器、解码器和分层学习模型;
4.根据权利要求3所述的无损检测方法,其特征在于,所述基于所述目标复合图像,采用预训练分割网络确定目标融合特征图像,包括:
5.根据权利要求4所述的无损检测方法,其特征在...
【专利技术属性】
技术研发人员:游小超,王灿,刘浩洲,付明磊,张文安,丁丁,
申请(专利权)人:杭州灵西机器人智能科技有限公司,
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。