CN109001211A - 基于卷积神经网络的长输管道焊缝检测***及方法 - Google Patents
基于卷积神经网络的长输管道焊缝检测***及方法 Download PDFInfo
- Publication number
- CN109001211A CN109001211A CN201810585115.XA CN201810585115A CN109001211A CN 109001211 A CN109001211 A CN 109001211A CN 201810585115 A CN201810585115 A CN 201810585115A CN 109001211 A CN109001211 A CN 109001211A
- Authority
- CN
- China
- Prior art keywords
- layers
- feature mapping
- neural networks
- convolutional neural
- mapping module
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的长输管道焊缝检测***及方法,包括C1层特征映射图模块、S2层特征映射图模块、C3层特征映射图模块;C1层特征映射图模块用于输入的图像通过和三个可训练的滤波器进行卷积,卷积后在C1层产生三个特征映射图;S2层特征映射图模块用于将上述C1层的特征映射图加权值和偏置后,通过一个sigmoid数得到三个S2层的特征映射图;C3层特征映射图模块用于将上述S2层特征映射图模块的映射图再经过滤波得到C3层的特征映射图。本发明使用卷积神经网络,提高焊缝判断准确率;使用搭载卷积神经网络设备对长输管道焊缝检测,从而避免人工检测面临风险。
Description
技术领域
本发明涉及管道焊缝检测***,更具体地涉及一种基于卷积神经网络的长输管道焊缝检测***。
背景技术
近年来,随着互联网的迅猛发展而产生的大量数据以及计算机硬件(CPU、GPU等)的飞速发展和各种机器学习算法的不断优化,基于神经网络的深度学习在计算机视觉及图像识别分类、自然语言处理、语音识别等领域成果卓著。卷积神经网络(cnn)作为深度学习的一个重要部分,以其独特的结构优势,在图像处理方面取得了广泛的应用。卷积神经网络(convolutional neuron networks,CNN)由一个或多个卷积层和顶端的全连通层组成,并且包括相关权值和池化层(pooling layer),这种结构使得CNN能够利用输入数据的二维结构。与其他深层结构相比较,卷积神经网络在图像和语音应用中显示出了优异的结果。卷积神经网络还可以使用标准的反向传播算法进行训练,并且,由于具有较少的参数估计,相比其他深度结构更容易训练。
发明内容
1、本发明的目的。
现在长输管道焊焊缝检测多用人工排查方式,存在三大弊端:一是有些位置管道十分狭窄,作业人员无法到达;二是作业量大,人工检测耗时长耗费高;三是多处于密闭黑暗空间作业,作业人员缺氧、晕、疲乏等状况频发,存在极高的生命危险。而使用搭载卷积神经网络的长输管道焊缝检测***设备,避免检测人员进入管道,从而有效规避检测风险。
2、本发明所采用的技术方案。
本发明提出了一种基于卷积神经网络的长输管道焊缝检测***,包括C1层特征映射图模块、S2层特征映射图模块、C3层特征映射图模块;
C1层特征映射图模块用于输入的图像通过和三个可训练的滤波器进行卷积,卷积后在C1层产生三个特征映射图;
S2层特征映射图模块用于将上述C1层的特征映射图加权值和偏置后,通过一个sigmoid数得到三个S2层的特征映射图;
C3层特征映射图模块用于将上述S2层特征映射图模块的映射图再经过滤波得到C3层的特征映射图。
更进一步具体实施方式中,还包括S4层特征映射图模块,将这个层级结构再和S2一样,经过加权值和偏置后,通过一个sigmoid函数作为卷积网络的激活函数,得到三个S4层的特征映射图。
更进一步具体实施方式中,还包括光栅化模块,将S4层特征映射图模块的像素值被光栅化。
更进一步具体实施方式中,还包括神经网络模块,将所述的光栅化模块并连接成一个向量输入传统的神经网络,最后得到输出。
更进一步具体实施方式中,所述的C1特征映射图模块、C2层特征映射图模块为特征提取层,每个神经元的输入与前一层的局部感受野相连,并提取该局部的特征,一旦该局部特征被提取后,它与其他特征间的位置关系也随之确定下来。
更进一步具体实施方式中,所述的S1层特征映射图模块、S4层特征映射图模块为降采样层,网络的每个计算层由多个特征映射组成,每个特征映射为一个平面,平面上所有神经元的权值相等。
本发明提出的一种基于卷积神经网络的长输管道焊缝检测方法,包括卷积神经网络训练过程、识别过程;
卷积神经网络训练过程:对初级训练样本标注缺陷评级,加入焊接正常样本,建立各类样本标注映射,建立标准训练数据集和测试评估数据集;训练数据集用于训练神经网络,拟合评级模型;测试数据集用于评估每轮训练准确度,辅助调整训练强度和轮数,达到目标准确率即可完成训练并保存模型。
识别过程:使用神经网络整图重载技术重载网络,并回溯训练完成的“缺陷评级”神经网络参数配置,完成模型恢复。
更进一步,所述的识别过程还包括将实时采集预处理完成的待评级图片样本张量化,按神经网络输入尺寸裁切张量规格,输入神经网络待处理数据队列。
更进一步,还包括建立神经网络对话,载入恢复的网络和待评级数据,运行神经网络并获取各级别权值和输出,根据各级别权值和差距判定样本质量分级,评估图像缺陷级别。
3、本发明所产生的技术效果。
(1)本发明使用卷积神经网络,提高焊缝判断准确率。
(2)本发明使用搭载卷积神经网络设备对长输管道焊缝检测,从而避免人工检测面临风险。
附图说明
图1为本发明结构示意图。
图2为本发明卷积神经网络的示意图。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
如图1所示为卷积神经网络的示意图。输入的图像通过和三个可训练的滤波器进行卷积,卷积后在C1层产生三个特征映射图,然后特征映射图加权值和偏置后,通过一个sigmoid数得到三个S2层的特征映射图。这些映射图再经过滤波得到C3层。这个层级结构再和S2一样产生S4。最终,这些像素值被光栅化,并连接成一个向量输入传统的神经网络,最后得到输出。其中,C层为特征提取层,每个神经元的输入与前一层的局部感受野相连,并提取该局部的特征,一旦该局部特征被提取后,它与其他特征间的位置关系也随之确定下来;S层为降采样层,网络的每个计算层由多个特征映射组成,每个特征映射为一个平面,平面上所有神经元的权值相等。特征映射结构采用影响函数核较小的sigmoid函数作为卷积网络的激活函数,使得特征映射具有位移不变性。
卷积神经网络训练过程:对初级训练样本标注缺陷评级,加入焊接正常样本,建立各类样本标注映射,建立标准训练数据集和测试评估数据集;训练数据集用于训练神经网络,拟合评级模型;测试数据集用于评估每轮训练准确度,辅助调整训练强度和轮数,达到目标准确率即可完成训练并保存模型。
识别过程:使用神经网络整图重载技术重载网络,并回溯训练完成的“缺陷评级”神经网络参数配置,完成模型恢复。然后将实时采集预处理完成的待评级图片样本张量化,按神经网络输入尺寸裁切张量规格,输入神经网络待处理数据队列。建立神经网络对话,载入恢复的网络和待评级数据,运行神经网络并获取各级别“权值和”输出,根据各级别“权值和”差距判定样本质量分级,评估图像缺陷级别。
Claims (9)
1.一种基于卷积神经网络的长输管道焊缝检测***,其特征在于:包括C1层特征映射图模块、S2层特征映射图模块、C3层特征映射图模块;
C1层特征映射图模块用于输入的图像通过和三个可训练的滤波器进行卷积,卷积后在C1层产生三个特征映射图;
S2层特征映射图模块用于将上述C1层的特征映射图加权值和偏置后,通过一个sigmoid数得到三个S2层的特征映射图;
C3层特征映射图模块用于将上述S2层特征映射图模块的映射图再经过滤波得到C3层的特征映射图。
2.根据权利要求1所述的基于卷积神经网络的长输管道焊缝检测***,其特征在于:还包括S4层特征映射图模块,将这个层级结构再和S2一样,经过加权值和偏置后,通过一个sigmoid函数作为卷积网络的激活函数,得到三个S4层的特征映射图。
3.根据权利要求2所述的基于卷积神经网络的长输管道焊缝检测***,其特征在于:还包括光栅化模块,将S4层特征映射图模块的像素值被光栅化。
4.根据权利要求3所述的基于卷积神经网络的长输管道焊缝检测***,其特征在于:还包括神经网络模块,将所述的光栅化模块并连接成一个向量输入传统的神经网络,最后得到输出。
5.根据权利要求1所述的基于卷积神经网络的长输管道焊缝检测***,其特征在于:所述的C1特征映射图模块、C2层特征映射图模块为特征提取层,每个神经元的输入与前一层的局部感受野相连,并提取该局部的特征,一旦该局部特征被提取后,它与其他特征间的位置关系也随之确定下来。
6.根据权利要求1或2所述的基于卷积神经网络的长输管道焊缝检测***,其特征在于:所述的S1层特征映射图模块、S4层特征映射图模块为降采样层,网络的每个计算层由多个特征映射组成,每个特征映射为一个平面,平面上所有神经元的权值相等。
7.一种基于卷积神经网络的长输管道焊缝检测方法,其特征在于:包括卷积神经网络训练过程、识别过程;
卷积神经网络训练过程:对初级训练样本标注缺陷评级,加入焊接正常样本,建立各类样本标注映射,建立标准训练数据集和测试评估数据集;训练数据集用于训练神经网络,拟合评级模型;测试数据集用于评估每轮训练准确度,辅助调整训练强度和轮数,达到目标准确率即可完成训练并保存模型。
识别过程:使用神经网络整图重载技术重载网络,并回溯训练完成的“缺陷评级”神经网络参数配置,完成模型恢复。
8.根据权利要求7所述的基于卷积神经网络的长输管道焊缝检测方法,其特征在于:所述的识别过程还包括将实时采集预处理完成的待评级图片样本张量化,按神经网络输入尺寸裁切张量规格,输入神经网络待处理数据队列。
9.根据权利要求8所述的基于卷积神经网络的长输管道焊缝检测方法,其特征在于:还包括建立神经网络对话,载入恢复的网络和待评级数据,运行神经网络并获取各级别权值和输出,根据各级别权值和差距判定样本质量分级,评估图像缺陷级别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810585115.XA CN109001211A (zh) | 2018-06-08 | 2018-06-08 | 基于卷积神经网络的长输管道焊缝检测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810585115.XA CN109001211A (zh) | 2018-06-08 | 2018-06-08 | 基于卷积神经网络的长输管道焊缝检测***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109001211A true CN109001211A (zh) | 2018-12-14 |
Family
ID=64600347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810585115.XA Pending CN109001211A (zh) | 2018-06-08 | 2018-06-08 | 基于卷积神经网络的长输管道焊缝检测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109001211A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886298A (zh) * | 2019-01-16 | 2019-06-14 | 江苏大学 | 一种基于卷积神经网络的焊缝质量检测方法 |
CN110047073A (zh) * | 2019-05-05 | 2019-07-23 | 北京大学 | 一种x射线焊缝图像缺陷定级方法及*** |
CN110108783A (zh) * | 2019-05-14 | 2019-08-09 | 上海市特种设备监督检验技术研究院 | 一种基于卷积神经网络的管道缺陷检测方法和装置 |
CN110163859A (zh) * | 2019-05-29 | 2019-08-23 | 广东工业大学 | 基于PoseCNN的焊缝焊接方法、装置及设备 |
CN111383328A (zh) * | 2020-02-27 | 2020-07-07 | 西安交通大学 | 一种面向乳腺癌病灶的3d可视化方法及*** |
CN113256620A (zh) * | 2021-06-25 | 2021-08-13 | 南京思飞捷软件科技有限公司 | 基于差值卷积神经网络的车身焊接质量信息评判方法 |
TWI762047B (zh) * | 2020-11-26 | 2022-04-21 | 樹德科技大學 | 影像式銲道瑕疵檢測方法及其裝置 |
CN115625571A (zh) * | 2022-12-19 | 2023-01-20 | 江苏卓远半导体有限公司 | 金刚石盘的监控方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104977313A (zh) * | 2014-04-09 | 2015-10-14 | 四川省特种设备检验研究院 | 一种焊缝x射线图像缺陷检测与识别方法和装置 |
CN105891215A (zh) * | 2016-03-31 | 2016-08-24 | 浙江工业大学 | 基于卷积神经网络的焊接视觉检测方法及装置 |
CN106530284A (zh) * | 2016-10-21 | 2017-03-22 | 广州视源电子科技股份有限公司 | 基于图像识别的焊点类型检测和装置 |
CN107123117A (zh) * | 2017-04-26 | 2017-09-01 | 广东工业大学 | 一种基于深度学习的ic引脚焊点质量检测方法及装置 |
CN107133960A (zh) * | 2017-04-21 | 2017-09-05 | 武汉大学 | 基于深度卷积神经网络的图像裂缝分割方法 |
CN107316064A (zh) * | 2017-06-26 | 2017-11-03 | 长安大学 | 一种基于卷积神经网络的沥青路面裂缝分类识别方法 |
JP2018005639A (ja) * | 2016-07-04 | 2018-01-11 | タカノ株式会社 | 画像分類装置、画像検査装置、及び、プログラム |
CN107609602A (zh) * | 2017-09-28 | 2018-01-19 | 吉林大学 | 一种基于卷积神经网络的驾驶场景分类方法 |
CN108038850A (zh) * | 2017-12-08 | 2018-05-15 | 天津大学 | 一种基于深度学习的排水管道异常类型自动检测方法 |
US20180157933A1 (en) * | 2016-12-07 | 2018-06-07 | Kla-Tencor Corporation | Data Augmentation for Convolutional Neural Network-Based Defect Inspection |
-
2018
- 2018-06-08 CN CN201810585115.XA patent/CN109001211A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104977313A (zh) * | 2014-04-09 | 2015-10-14 | 四川省特种设备检验研究院 | 一种焊缝x射线图像缺陷检测与识别方法和装置 |
CN105891215A (zh) * | 2016-03-31 | 2016-08-24 | 浙江工业大学 | 基于卷积神经网络的焊接视觉检测方法及装置 |
JP2018005639A (ja) * | 2016-07-04 | 2018-01-11 | タカノ株式会社 | 画像分類装置、画像検査装置、及び、プログラム |
CN106530284A (zh) * | 2016-10-21 | 2017-03-22 | 广州视源电子科技股份有限公司 | 基于图像识别的焊点类型检测和装置 |
US20180157933A1 (en) * | 2016-12-07 | 2018-06-07 | Kla-Tencor Corporation | Data Augmentation for Convolutional Neural Network-Based Defect Inspection |
CN107133960A (zh) * | 2017-04-21 | 2017-09-05 | 武汉大学 | 基于深度卷积神经网络的图像裂缝分割方法 |
CN107123117A (zh) * | 2017-04-26 | 2017-09-01 | 广东工业大学 | 一种基于深度学习的ic引脚焊点质量检测方法及装置 |
CN107316064A (zh) * | 2017-06-26 | 2017-11-03 | 长安大学 | 一种基于卷积神经网络的沥青路面裂缝分类识别方法 |
CN107609602A (zh) * | 2017-09-28 | 2018-01-19 | 吉林大学 | 一种基于卷积神经网络的驾驶场景分类方法 |
CN108038850A (zh) * | 2017-12-08 | 2018-05-15 | 天津大学 | 一种基于深度学习的排水管道异常类型自动检测方法 |
Non-Patent Citations (4)
Title |
---|
刘梦溪: "深度卷积神经网络的X射线焊缝缺陷研究", 《传感器与微***》 * |
刘涵: "基于X 射线图像和卷积神经网络的石油钢管焊缝缺陷检测与识别", 《仪器仪表学报》 * |
褚慧慧: "基于视觉的焊缝质量检测技术研究", 《中国知网》 * |
韦鹏程: "《基于R语言数据挖掘的统计与分析》", 31 December 2017, 电子科技大学出版社 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886298A (zh) * | 2019-01-16 | 2019-06-14 | 江苏大学 | 一种基于卷积神经网络的焊缝质量检测方法 |
CN110047073A (zh) * | 2019-05-05 | 2019-07-23 | 北京大学 | 一种x射线焊缝图像缺陷定级方法及*** |
CN110047073B (zh) * | 2019-05-05 | 2021-07-06 | 北京大学 | 一种x射线焊缝图像缺陷定级方法及*** |
CN110108783A (zh) * | 2019-05-14 | 2019-08-09 | 上海市特种设备监督检验技术研究院 | 一种基于卷积神经网络的管道缺陷检测方法和装置 |
CN110163859A (zh) * | 2019-05-29 | 2019-08-23 | 广东工业大学 | 基于PoseCNN的焊缝焊接方法、装置及设备 |
CN110163859B (zh) * | 2019-05-29 | 2023-05-05 | 广东工业大学 | 基于PoseCNN的焊缝焊接方法、装置及设备 |
CN111383328A (zh) * | 2020-02-27 | 2020-07-07 | 西安交通大学 | 一种面向乳腺癌病灶的3d可视化方法及*** |
TWI762047B (zh) * | 2020-11-26 | 2022-04-21 | 樹德科技大學 | 影像式銲道瑕疵檢測方法及其裝置 |
CN113256620A (zh) * | 2021-06-25 | 2021-08-13 | 南京思飞捷软件科技有限公司 | 基于差值卷积神经网络的车身焊接质量信息评判方法 |
CN115625571A (zh) * | 2022-12-19 | 2023-01-20 | 江苏卓远半导体有限公司 | 金刚石盘的监控方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109001211A (zh) | 基于卷积神经网络的长输管道焊缝检测***及方法 | |
Hou et al. | Deep features based on a DCNN model for classifying imbalanced weld flaw types | |
Petricca et al. | Corrosion detection using AI: a comparison of standard computer vision techniques and deep learning model | |
CN106980858A (zh) | 一种语言文本检测与定位***及应用该***的语言文本检测与定位方法 | |
CN108830188A (zh) | 基于深度学习的车辆检测方法 | |
Zheng et al. | A generic semi-supervised deep learning-based approach for automated surface inspection | |
CN107818302A (zh) | 基于卷积神经网络的非刚性多尺度物体检测方法 | |
CN104977313A (zh) | 一种焊缝x射线图像缺陷检测与识别方法和装置 | |
CN108052881A (zh) | 一种实时检测施工现场图像中多类实体对象的方法及设备 | |
CN108615046A (zh) | 一种储粮害虫检测识别方法及装置 | |
CN107529650A (zh) | 网络模型的构建和闭环检测方法、相应装置及计算机设备 | |
Shipway et al. | Using ResNets to perform automated defect detection for Fluorescent Penetrant Inspection | |
Elhariri et al. | Using hybrid filter-wrapper feature selection with multi-objective improved-salp optimization for crack severity recognition | |
CN114565579A (zh) | 一种基于深度学习的飞机蒙皮表面损伤检测方法及*** | |
CN109671071A (zh) | 一种基于深度学习的地下管道缺陷定位及等级判定方法 | |
Savino et al. | Automated classification of civil structure defects based on convolutional neural network | |
CN111145145A (zh) | 一种基于MobileNets的图像表面缺陷检测方法 | |
CN113902710A (zh) | 基于异常检测算法进行工业零件表面缺陷检测方法及*** | |
CN117011274A (zh) | 自动化玻璃瓶检测***及其方法 | |
CN115527098A (zh) | 基于全局均值对比度空间注意力的红外小目标检测方法 | |
Monigari et al. | Plant leaf disease prediction | |
Shadrach et al. | Anomaly Detection in Vitis Vinifera Using Neural Networks and Radon Transform | |
CN115131503A (zh) | 一种虹膜三维识别的健康监测方法及其*** | |
Manzari et al. | A robust network for embedded traffic sign recognition | |
CN112150344A (zh) | 用于确定一类别的对象的置信值的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181214 |
|
RJ01 | Rejection of invention patent application after publication |