CN113779330B - 一种基于相似性度量的超声检测工艺参数智能计算*** - Google Patents
一种基于相似性度量的超声检测工艺参数智能计算*** Download PDFInfo
- Publication number
- CN113779330B CN113779330B CN202111068993.2A CN202111068993A CN113779330B CN 113779330 B CN113779330 B CN 113779330B CN 202111068993 A CN202111068993 A CN 202111068993A CN 113779330 B CN113779330 B CN 113779330B
- Authority
- CN
- China
- Prior art keywords
- web application
- detection
- technological
- user
- workpiece
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 123
- 230000008569 process Effects 0.000 title claims abstract description 113
- 238000001514 detection method Methods 0.000 title claims abstract description 86
- 238000005259 measurement Methods 0.000 title claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000010801 machine learning Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000011895 specific detection Methods 0.000 claims abstract description 16
- 238000003466 welding Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000010438 heat treatment Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000013079 data visualisation Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000012797 qualification Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 239000002184 metal Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000032798 delamination Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于相似性度量的超声检测工艺参数智能计算***，包括工艺数据库、服务器和云端web应用；工艺数据库用于存储现有的超声检测工艺参数，服务器用于对现有的超声检测工艺参数进行分析处理，并构建机器学习模型和云端web应用，通过对机器学习模型进行训练可以得到工艺参数智能计算模型；再将智能计算模型移植到web应用上，用户即可通过向web应用输入必要的工件信息和检测标准来得到该工件的具体检测参数工艺卡。本发明降低了超声检测的操作难度，使得经验不足的检测员也能准确地对工件进行超声检测，提升了工件超声检测的可信度；且本发明的web应用还具有二次学习的能力，可以定时的对智能计算模型进行优化，提升工件具体检测参数的精确度。
Description
技术领域
本发明属于深度学习和超声检测技术领域，具体是一种基于相似性度量的超声检测工艺参数智能计算***。
背景技术
超声检测是利用超声波技术进行检测工作的，是五种常规无损检测方法的一种；无损检测是在不损坏工件或原材料工作状态的前提下，对被检验部件的表面和内部质量进行检查的一种检测手段。
超声检测的原理为：超声波在固体中的传输损失很小，探测深度大，由于超声波在异质界面上会发生反射、折射等现象，尤其是不能通过气体固体界面。如果金属中有气孔、裂纹、分层等缺陷(缺陷中有气体)或夹杂，超声波传播到金属与缺陷的界面处时，就会全部或部分反射。反射回来的超声波被探头接收，通过仪器内部的电路处理，在仪器的荧光屏上就会显示出不同高度和有一定间距的波形。可以根据波形的变化特征判断缺陷在工件中的深度、位置和形状。
在实际应用过程中，在进行超声波检测之前，需要根据工件信息及检测标准确定具体的检测工艺参数，然后才能根据该工艺参数来进行工件的检测；当今国内有关的超声波检测标准为JB/T4730.3，GB/T11345-1989，CB/T3559-2011等，JB/T4730.3为一个比较综合性的标准，而后面两个标准为焊缝检测标准，还有其它的的钢板，铸锻件等检测标准，使用者可根据需要进行相应的查询；然而工件具体的检测工艺参数却需要经过大量的具体实验才能确定，对于经验不足的检测员，很难准确地对工件进行超声检测，导致工件的超声检测结果可信度不高。因此，亟需一种能根据工件信息和检测标准即可确定具体检测工艺参数并生成工艺卡的智能计算***。
发明内容
本发明的目的是针对现有技术存在的问题，提供一种基于相似性度量的超声检测工艺参数智能计算***，该***可以根据输入的工件信息和检测标准，直接生成该工件的具体检测参数工艺卡，即使经验不足的检测员，也能依照该工艺卡准确地对工件进行超声检测，从而提升了工件超声检测结果的可信度。
为实现上述目的，本发明采用的技术方案是：
一种基于相似性度量的超声检测工艺参数智能计算***，包括工艺数据库、云端web应用和服务器；所述工艺数据库用于存储现有的超声检测工艺参数；所述服务器用于对超声检测工艺参数进行分析，并构建机器学习模型和云端web应用，通过对所述机器学习模型进行训练得到工艺参数智能计算模型；再将所述工艺参数智能计算模型移植到所述云端web应用上，用户通过向所述云端web应用输入必要的工件信息和检测标准，服务器将用户输入的数据与工艺数据库中存储的工艺参数进行相似性度量，再根据度量结果从工艺数据库中选出适合检测要求的工艺卡给云端web应用，并通过云端web应用提供给用户。
具体地，所述工艺数据库中存储的超声检测工艺参数包括若干种工件信息、各种工件信息对应的检测标准和具体的检测参数工艺卡。
具体地，所述机器学习模型进行训练的训练数据为工艺数据库中存储的超声检测工艺参数；对所述机器学习模型进行训练的方法包括加权相关计算、数据可视化分析、K均值聚类算法、基于密度的聚类算法或LDA算法中的一种或多种。
具体地，所述云端web应用可通过现有的web框架构建，所述现有的web框架包括springboot框架或者flask框架。
具体地，所述云端web应用设有若干操作页面供用户与服务器进行人机交互；所述操作页面至少包括用户参数输入页面、工艺卡返回页面和用户反馈页面；
所述用户参数输入页面用于用户输入工件信息和检测标准；
所述工艺卡返回页面用于输出所述工件对应的具体检测参数工艺卡；
所述用户反馈页面用于用户反馈合理的工艺参数，用户在进行超声检测的过程中，可以将合理的工艺参数通过所述用户反馈页面提交到工艺数据库中，对所述工艺数据库中的工艺参数进行更新。
具体地，所述云端web应用具有二次学习能力，所述云端web应用利用所述工艺数据库中更新的工艺参数定时进行二次学习训练，以修正所述工艺参数智能计算模型，提高具体检测参数工艺卡的精确度。
具体地，所述工件信息至少包括工件的材质、焊接部位的规格、坡口的形式、焊接方法、焊缝宽度以及焊后热处理；所述检测标准至少包括检测技术等级、检测温度、检测比例以及合格级别。
与现有技术相比，本发明的有益效果是：(1)本发明通过工艺数据库收集并存储现有的超声检测工艺参数，并通过服务器构建机器学习模型和云端web应用，利用现有的超声检测工艺参数对机器学习模型进行训练得到工艺参数智能计算模型，并将该计算模型移植到云端web应用上，基于该云端web应用的用户可以在任何有网络的位置使用浏览器，输入待测工件的信息以及检测标准，即可生成该工件的具体检测参数工艺卡，从而降低超声检测的操作难度，使得经验不足的检测员也能准确地对工件进行超声检测，提升了工件超声检测的可信度；(2)本发明的云端web应用设有用户反馈页面，用户在进行超声检测的过程中，可以将已有的合理的工艺参数通过所述用户反馈页面提交到工艺数据库中，对工艺数据库中的工艺参数进行更新，云端web应用会利用所述工艺数据库中更新的工艺参数定时进行二次学习训练，以修正所述工艺参数智能计算模型，提高具体检测参数工艺卡的精确度，从而提高工件超声检测的精确度。
附图说明
图1为本发明一种基于相似性度量的超声检测工艺参数智能计算***的基本架构图。
图2为本发明一种基于相似性度量的超声检测工艺参数智能计算***的详细架构图。
图3为本发明实施例一种基于相似性度量的超声检测工艺参数智能计算***具体实施的方法流程图。
具体实施方式
下面将结合本发明中的附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动条件下所获得的所有其它实施例，都属于本发明保护的范围。
如图1至3所示，本实施例提供了一种基于相似性度量的超声检测工艺参数智能计算***，包括工艺数据库、云端web应用和服务器；所述工艺数据库用于存储现有的超声检测工艺参数；所述服务器用于对超声检测工艺参数进行分析，并构建机器学习模型和云端web应用，通过对所述机器学习模型进行训练得到工艺参数智能计算模型；再将所述工艺参数智能计算模型移植到所述云端web应用上，用户通过向所述云端web应用输入必要的工件信息和检测标准，服务器将用户输入的数据与工艺数据库中存储的工艺参数进行相似性度量，再根据度量结果从工艺数据库中选出适合检测要求的工艺卡给云端web应用，并通过云端web应用提供给用户。
具体地，所述工艺数据库中存储的超声检测工艺参数包括若干种工件信息、各种工件信息对应的检测标准和具体的检测参数工艺卡；
进一步地，所述工艺数据库的构建可以通过网络爬虫或其它的方法收集现有的超声检测工艺参数。
具体地，所述机器学习模型进行训练的训练数据为工艺数据库中存储的超声检测工艺参数；对所述机器学习模型进行训练的方法包括加权相关计算、数据可视化分析、K均值聚类算法、基于密度的聚类算法或LDA算法中的一种或多种。
本实施例以焊缝的超声检测工艺参数计算为例，采用加权相关计算，首先对焊缝的材料声速(10，每相差10％，相似度减1)、衰减(1)、加工工艺(8)、热处理工艺(2)、晶粒度(6)、坡口角度(8，每相差5％，相似度减1)，工件厚度(8，每相差5％，相似度减2)等参数分别给予不同的权重，这里括弧中的数据为对应参数的权重，用户输入新的焊缝参数，将用户输入的关于焊缝的参数与工艺库中的参数相似度进行加权求和，即做相关计算，调取相关系数最大的几个工艺卡，提供给用户，用户可以直接采用该工艺卡，也可以做一些修改，应用于检测***进行检测，同时，用户修改好的工艺卡可以存入工艺卡库中，丰富工艺卡库的原始数据。
进一步地，构建机器学习模型后需要对模型的超声检测参数进行调整；在对所述机器学习模型进行训练之前，需要对所述工艺数据库中收集到的超声检测工艺参数进行数据清洗和特征预处理；特征预处理具体为：将工艺数据库中每种工件信息所对应的具体检测工艺参数进行人工标注；将工件信息和检测标准输入该机器学习模型后，该机器学习模型可以根据输入的工件信息和检测标准识别到人工标注的特征信息(工件对应的具体检测工艺参数)；训练完成后还要对模型进行调优处理。
具体地，所述云端web应用可通过现有的web框架构建，为该云端web应用建立相应的html页面(基本操作页面)，所述现有的web框架包括spring boot框架或者flask框架。
进一步地，所述操作页面至少包括用户参数输入页面、工艺卡返回页面和用户反馈页面；
所述用户参数输入页面用于用户输入工件信息和检测标准；
所述工艺卡返回页面用于输出所述工件对应的具体检测参数工艺卡；
所述用户反馈页面用于用户反馈合理的工艺参数，用户在进行超声检测的过程中，可以将合理的工艺参数通过所述用户反馈页面提交到工艺数据库中，对所述工艺数据库中的工艺参数进行更新；
当用户在用户参数输入页面输入合理的工件信息和检测标准并提交到云端web应用后，云端web应用会将用户输入的数据提取出来，并调用训练好的工艺参数智能计算模型，将提取到的数据输入该模型，再根据该模型的计算结果将生成的工艺卡通过所述工艺卡返回页面展示给用户参考。
具体地，所述云端web应用具有二次学习能力，所述云端web应用利用所述工艺数据库中更新的工艺参数定时进行二次学习训练，以修正所述工艺参数智能计算模型，提高具体检测参数工艺卡的精确度；
进一步地，用户在进行超声检测的过程中，可以在所述用户反馈页面填写工艺卡，并将其提交至web应用，web应用在验证其有效之后将该工艺卡输入到工艺数据库。
具体地，所述工件信息至少包括工件的材质、焊接部位的规格、坡口的形式、焊接方法、焊缝宽度以及焊后热处理；所述检测标准至少包括检测技术等级、检测温度、检测比例以及合格级别。
本须域内的技术人员应明白，本申请的实施例可提供为方法、***或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施列的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每--流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种基于相似性度量的超声检测工艺参数智能计算***，其特征在于，包括工艺数据库、云端web应用和服务器；所述工艺数据库用于存储现有的超声检测工艺参数；所述服务器用于对超声检测工艺参数进行分析，并构建机器学习模型和云端web应用，通过对所述机器学习模型进行训练得到工艺参数智能计算模型；再将所述工艺参数智能计算模型移植到所述云端web应用上，用户通过向所述云端web应用输入必要的工件信息和检测标准，服务器将用户输入的数据与工艺数据库中存储的工艺参数进行相似性度量，从工艺数据库中选出若干相似性最高的工艺卡给云端web应用，并通过云端web应用提供给用户；
所述云端web应用设有若干操作页面供用户与服务器进行人机交互；所述操作页面至少包括用户参数输入页面、工艺卡返回页面和用户反馈页面；
所述用户参数输入页面用于用户输入工件信息和检测标准；
所述工艺卡返回页面用于输出所述工件对应的具体检测参数工艺卡；
所述用户反馈页面用于用户反馈合理的工艺参数，用户在进行超声检测的过程中，在所述用户反馈页面填写工艺卡，并将填写好的工艺卡提交至Web应用，Web应用在验证工艺卡有效后将工艺卡输入至工艺数据库；
所述云端web应用具有二次学习能力，所述云端web应用利用所述工艺数据库中更新的工艺参数定时进行二次学习训练。
2.根据权利要求1所述的一种基于相似性度量的超声检测工艺参数智能计算***，其特征在于，所述工艺数据库中存储的超声检测工艺参数包括若干种工件信息、各种工件信息对应的检测标准和具体的检测参数工艺卡。
3.根据权利要求1所述的一种基于相似性度量的超声检测工艺参数智能计算***，其特征在于，所述机器学习模型进行训练的训练数据为工艺数据库中存储的超声检测工艺参数；对所述机器学习模型进行训练的方法包括加权相关计算、数据可视化分析、K均值聚类算法、基于密度的聚类算法或LDA算法中的一种或多种。
4.根据权利要求1所述的一种基于相似性度量的超声检测工艺参数智能计算***，其特征在于，所述云端web应用可通过现有的web框架构建，所述现有的web框架包括springboot框架或者flask框架。
5.根据权利要求1所述的一种基于相似性度量的超声检测工艺参数智能计算***，其特征在于，所述工件信息至少包括工件的材质、焊接部位的规格、坡口的形式、焊接方法、焊缝宽度以及焊后热处理；所述检测标准至少包括检测技术等级、检测温度、检测比例以及合格级别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111068993.2A CN113779330B (zh) | 2021-09-13 | 2021-09-13 | 一种基于相似性度量的超声检测工艺参数智能计算*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111068993.2A CN113779330B (zh) | 2021-09-13 | 2021-09-13 | 一种基于相似性度量的超声检测工艺参数智能计算*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113779330A CN113779330A (zh) | 2021-12-10 |
| CN113779330B true CN113779330B (zh) | 2024-01-26 |
Family
ID=78843121
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111068993.2A Active CN113779330B (zh) | 2021-09-13 | 2021-09-13 | 一种基于相似性度量的超声检测工艺参数智能计算*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113779330B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114969553B (zh) * | 2022-07-19 | 2022-10-28 | 苏芯物联技术(南京)有限公司 | 一种基于知识图谱的焊接成本和工艺参数综合智能推荐方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106682350A (zh) * | 2017-01-09 | 2017-05-17 | 中国电子科技集团公司第十四研究所 | 一种基于三维模型的多属性决策质量检测方法 |
| CN109159392A (zh) * | 2018-09-27 | 2019-01-08 | 科控工业自动化设备（上海）有限公司 | 一种注塑件模具工艺参数自动优化的方法及控制*** |
| CN109472358A (zh) * | 2018-10-17 | 2019-03-15 | 深圳市微埃智能科技有限公司 | 基于神经网络的焊接工艺参数推荐方法、装置及机器人 |
| CN109538948A (zh) * | 2019-01-29 | 2019-03-29 | 河海大学常州校区 | 一种基于孔隙介质参数的埋地充液管道泄漏的检测方法 |
| US10353863B1 (en) * | 2018-04-11 | 2019-07-16 | Capital One Services, Llc | Utilizing machine learning to determine data storage pruning parameters |
| CN110334816A (zh) * | 2019-07-12 | 2019-10-15 | 深圳市智物联网络有限公司 | 一种工业设备检测方法、装置、设备及可读存储介质 |
| WO2019219596A1 (de) * | 2018-05-16 | 2019-11-21 | Salzgitter Mannesmann Forschung Gmbh | Verfahren zur justierung und kalibrierung von prüfeinrichtungen zur ultraschallprüfung von werkstücken |
| US10650928B1 (en) * | 2017-12-18 | 2020-05-12 | Clarify Health Solutions, Inc. | Computer network architecture for a pipeline of models for healthcare outcomes with machine learning and artificial intelligence |
| CN111177976A (zh) * | 2019-12-25 | 2020-05-19 | 广东省焊接技术研究所（广东省中乌研究院） | 一种基于深度学习的弧焊焊缝成形精准预测方法 |
| CN111942602A (zh) * | 2020-08-10 | 2020-11-17 | 中国人民解放军海军航空大学青岛校区 | 飞参数据综合处理*** |
| CN112687010A (zh) * | 2021-01-08 | 2021-04-20 | 中国计量大学 | 一种端框钻模的数字化计量方法 |
| CN113179655A (zh) * | 2018-11-16 | 2021-07-27 | 里特机械公司 | 确定用于纺纱厂内的纺织机器和工艺的适配的机器参数 |
| CN113298369A (zh) * | 2021-05-17 | 2021-08-24 | 河南黄科工程技术检测有限公司 | 一种用于工程质量检测的信息处理方法、***及检测终端 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI625682B (zh) * | 2017-12-01 | 2018-06-01 | 財團法人工業技術研究院 | 參數最佳化方法、裝置以及非暫態電腦可讀取媒體 |
| DE102018211099B4 (de) * | 2018-07-05 | 2020-06-18 | Carl Zeiss Smt Gmbh | Verfahren und Vorrichtung zum Bewerten eines statistisch verteilten Messwertes beim Untersuchen eines Elements eines Photolithographieprozesses |
-
2021
- 2021-09-13 CN CN202111068993.2A patent/CN113779330B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106682350A (zh) * | 2017-01-09 | 2017-05-17 | 中国电子科技集团公司第十四研究所 | 一种基于三维模型的多属性决策质量检测方法 |
| US10650928B1 (en) * | 2017-12-18 | 2020-05-12 | Clarify Health Solutions, Inc. | Computer network architecture for a pipeline of models for healthcare outcomes with machine learning and artificial intelligence |
| US10353863B1 (en) * | 2018-04-11 | 2019-07-16 | Capital One Services, Llc | Utilizing machine learning to determine data storage pruning parameters |
| WO2019219596A1 (de) * | 2018-05-16 | 2019-11-21 | Salzgitter Mannesmann Forschung Gmbh | Verfahren zur justierung und kalibrierung von prüfeinrichtungen zur ultraschallprüfung von werkstücken |
| CN109159392A (zh) * | 2018-09-27 | 2019-01-08 | 科控工业自动化设备（上海）有限公司 | 一种注塑件模具工艺参数自动优化的方法及控制*** |
| CN109472358A (zh) * | 2018-10-17 | 2019-03-15 | 深圳市微埃智能科技有限公司 | 基于神经网络的焊接工艺参数推荐方法、装置及机器人 |
| CN113179655A (zh) * | 2018-11-16 | 2021-07-27 | 里特机械公司 | 确定用于纺纱厂内的纺织机器和工艺的适配的机器参数 |
| CN109538948A (zh) * | 2019-01-29 | 2019-03-29 | 河海大学常州校区 | 一种基于孔隙介质参数的埋地充液管道泄漏的检测方法 |
| CN110334816A (zh) * | 2019-07-12 | 2019-10-15 | 深圳市智物联网络有限公司 | 一种工业设备检测方法、装置、设备及可读存储介质 |
| CN111177976A (zh) * | 2019-12-25 | 2020-05-19 | 广东省焊接技术研究所（广东省中乌研究院） | 一种基于深度学习的弧焊焊缝成形精准预测方法 |
| CN111942602A (zh) * | 2020-08-10 | 2020-11-17 | 中国人民解放军海军航空大学青岛校区 | 飞参数据综合处理*** |
| CN112687010A (zh) * | 2021-01-08 | 2021-04-20 | 中国计量大学 | 一种端框钻模的数字化计量方法 |
| CN113298369A (zh) * | 2021-05-17 | 2021-08-24 | 河南黄科工程技术检测有限公司 | 一种用于工程质量检测的信息处理方法、***及检测终端 |
Non-Patent Citations (3)
| Title |
|---|
| A Method of Workpiece Coherent Line Detection Based on Progressive Probabilistic Hough Transform;Ziyao Wang;《International Conference on Software and Computer Applications》;141-146 * |
| T形焊接接头相控阵超声检测方法研究;姜学平;《建筑施工》;第43卷(第4期);721-723，727 * |
| 关联工艺引导的型腔类零件局部结构检索方法;黄瑞;蒋俊锋;张树生;;计算机辅助设计与图形学学报(04);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113779330A (zh) | 2021-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Virkkunen et al. | Augmented ultrasonic data for machine learning | |
| CN112232400B (zh) | 一种基于深浅特征融合的不锈钢焊缝超声缺陷检测方法 | |
| Dorafshan et al. | Deep learning models for bridge deck evaluation using impact echo | |
| CN107478722A (zh) | 一种新型共振声学无损检测装置 | |
| CN109163997A (zh) | 一种基于声谱图深度学习的岩石表面强度测定方法 | |
| Rummel | Nondestructive inspection reliability history, status and future path | |
| Lin et al. | Feature extraction of AE characteristics in offshore structure model using Hilbert–Huang transform | |
| CN113779330B (zh) | 一种基于相似性度量的超声检测工艺参数智能计算*** | |
| AU2020271967B2 (en) | Method for determining the geometry of a defect on the basis of non-destructive measurement methods using direct inversion | |
| CN111783616B (zh) | 一种基于数据驱动自学习的无损检测方法 | |
| CN107727749A (zh) | 一种基于小波包融合特征提取算法的超声定量检测方法 | |
| CN117233347B (zh) | 一种碳钢球化等级测量方法、***及设备 | |
| Pyle et al. | Interpretable and explainable machine learning for ultrasonic defect sizing | |
| CN114972280A (zh) | 精细坐标注意力模块及其在表面缺陷检测中的应用 | |
| Eckels et al. | Application of a U-net convolutional neural network to ultrasonic wavefield measurements for defect characterization | |
| Al Amin et al. | Analysis of Optimizer Effects on CNN Model for Defect Identification in Welding Results of A 106 Grade B Carbon Steel Pipe | |
| Mahmod et al. | Simulation analysis of ultrasonic testing in steel-based butt weld joint | |
| CN105865675A (zh) | 一种可修正析出相量差异影响的超声波残余应力测试方法 | |
| CN110688800A (zh) | 一种基于art算法的超声波无损检测方法 | |
| Gang et al. | Intelligent pattern recognition and diagnosis of ultrasonic inspection of welding defects based on neural network and information fusion | |
| CN108896657A (zh) | 一种管件裂缝方位和深度的预测方法和*** | |
| CN115356400B (zh) | 一种基于BiLSTM的超声波木材无损检测方法及*** | |
| Saitoh et al. | Determination of the presence or absence of defect for laser ultrasonic visualization testing using transfer learning | |
| Nakajima et al. | Simulation-Aided Deep Learning for Laser Ultrasonic Visualization Testing | |
| Medak et al. | Rapid defect detection by merging ultrasound B-scans from different scanning angles |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |