CN114878582B - 一种特钢的缺陷检测分析方法及*** - Google Patents

一种特钢的缺陷检测分析方法及*** Download PDF

Info

Publication number
CN114878582B
CN114878582B CN202210766498.7A CN202210766498A CN114878582B CN 114878582 B CN114878582 B CN 114878582B CN 202210766498 A CN202210766498 A CN 202210766498A CN 114878582 B CN114878582 B CN 114878582B
Authority
CN
China
Prior art keywords
special steel
ultrasonic
defect detection
image
detected
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
Application number
CN202210766498.7A
Other languages
English (en)
Other versions
CN114878582A (zh
Inventor
李佩
张骁
杨春启
储钱良
沈衡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Xianglou New Material Co ltd
Original Assignee
Suzhou Xianglou New Material Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Xianglou New Material Co ltd filed Critical Suzhou Xianglou New Material Co ltd
Priority to CN202210766498.7A priority Critical patent/CN114878582B/zh
Publication of CN114878582A publication Critical patent/CN114878582A/zh
Application granted granted Critical
Publication of CN114878582B publication Critical patent/CN114878582B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G01N2021/8887—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 based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Computing Systems (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Acoustics & Sound (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明提供了一种特钢的缺陷检测分析方法及***，应用于钢材缺陷检测技术领域，该方法包括：通过获得待检测特钢的信息，搭建数据采集坐标集。通过图像采集装置和超声波数据采集装置，基于数据采集坐标集进行图像采集和超声波数据采集，输出特钢图像集合和超声波数据集合。通过对待检测特钢进行特征分析，获得样本数据集合。按照样本数据集合，生成特钢缺陷检测模型。将特钢图像集合和超声波数据集合输入特钢缺陷检测模型中，根据特钢缺陷检测模型，获得特钢缺陷检测结果。提高了特种钢材缺陷检测的准确性，减小了人为因素对检测结果的影响。解决了缺少标准的对特种钢材缺陷进行准确分析的方法，导致特种钢材检测结果人为影响因素较大的技术问题。

Description

一种特钢的缺陷检测分析方法及***
技术领域
本发明涉及钢材缺陷检测技术领域，具体涉及一种特钢的缺陷检测分析方法及***。
背景技术
特种钢材是在碳素钢中适量加入一种或几种合金元素，使钢材的组织结构发生改变，从而使钢材具备不同的性能，如强度、硬度大，可塑性、韧性好，耐磨，耐腐蚀，以及其他许多优良性能。现有的特钢缺陷检测多采用人工的方式进行检测，随后由人工对检测结果进行评价，存在人为因素影响特种钢材的检测结果。
因此，在现有技术中存在缺少标准的可以对特种钢材缺陷进行准确分析的方法，导致获取的特种钢材的检测结果人为影响因素较大且不准确的技术问题。
发明内容
本申请提供一种特钢的缺陷检测分析方法及***，用于针对解决现有技术中存在缺少标准的可以对特种钢材缺陷进行准确分析的方法，导致获取的特种钢材的检测结果人为影响因素较大且不准确的技术问题。
鉴于上述问题，本申请提供了一种特钢的缺陷检测分析方法及***。
本申请的第一个方面，提供了一种特钢的缺陷检测分析方法，所述***与数据采集装置通信连接，其中，所述数据采集装置包括图像采集装置和超声波数据采集装置，所述方法包括：获得待检测特钢的信息；根据所述待检测特钢的信息，搭建数据采集坐标集；根据所述图像采集装置和所述超声波数据采集装置，基于所述数据采集坐标集分别进行图像采集和超声波数据采集，输出特钢图像集合和超声波数据集合；通过对所述待检测特钢进行特征分析，获得样本数据集合；按照所述样本数据集合，生成特钢缺陷检测模型；将激励网络层内嵌至所述特钢缺陷检测模型中，其中，所述激励网络层为进行缺陷检测的优化网络层；将所述特钢图像集合和所述超声波数据集合输入所述特钢缺陷检测模型中，根据所述特钢缺陷检测模型，获得输出结果，其中，所述输出结果为特钢缺陷检测结果。
本申请的第二个方面，提供了一种特钢的缺陷检测分析***，所述***与数据采集装置通信连接，其中，所述数据采集装置包括图像采集装置和超声波数据采集装置，所述***包括：待检测钢信息获取模块，用于获得待检测特钢的信息；数据采集坐标集构建模块，用于根据所述待检测特钢的信息，搭建数据采集坐标集；数据获取模块，用于根据所述图像采集装置和所述超声波数据采集装置，基于所述数据采集坐标集分别进行图像采集和超声波数据采集，输出特钢图像集合和超声波数据集合；样本数据获取模块，用于通过对所述待检测特钢进行特征分析，获得样本数据集合；特钢缺陷检测模型获取模块，用于按照所述样本数据集合，生成特钢缺陷检测模型；优化网络层添加模块，用于将激励网络层内嵌至所述特钢缺陷检测模型中，其中，所述激励网络层为进行缺陷检测的优化网络层；检测结果获取模块，用于将所述特钢图像集合和所述超声波数据集合输入所述特钢缺陷检测模型中，根据所述特钢缺陷检测模型，获得输出结果，其中，所述输出结果为特钢缺陷检测结果。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请实施例提供的方法通过获取待检测钢材信息，构建数据采集坐标集。根据数据采集坐标集合进行图像采集装置和超声波数据采集装置。随后对待检测特钢进行特征分析分析其缺陷类型和对应的采集数据构成样本数据集合。通过样本数据集合对模型进行训练获取特钢缺陷检测模型，随后在模型中内嵌激励网络层。将特钢图像集合和超声波数据集合输入钢缺陷检测模型，获取最终的检测结果。解决了现有技术中存在缺少标准的可以对特种钢材缺陷进行准确分析的方法，导致获取的特种钢材的检测结果人为影响因素较大且不准确的技术问题。提高了特种钢材缺陷检测的准确性，减小了人为因素对检测结果的影响技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请提供的一种特钢的缺陷检测分析方法流程示意图；
图2为本申请提供的一种特钢的缺陷检测分析方法中获取特钢图像集合的流程示意图；
图3为本申请提供的一种特钢的缺陷检测分析方法中获取优化后的特钢图像集合和超声波数据集合的流程示意图；
图4为本申请提供了一种特钢的缺陷检测分析***结构示意图。
附图标记说明：待检测钢信息获取模块11，数据采集坐标集构建模块12，数据获取模块13，样本数据获取模块14，特钢缺陷检测模型获取模块15，优化网络层添加模块16，检测结果获取模块17。
具体实施方式
本申请提供一种特钢的缺陷检测分析方法及***，用于针对解决现有技术中存在缺少标准的可以对特种钢材缺陷进行准确分析的方法，导致获取的特种钢材的检测结果人为影响因素较大且不准确的技术问题。
下面将参考附图对本申请中的技术方案进行清楚、完整地描述。所描述的实施内容例仅为本申请所能实现的部分内容，而不是本申请的全部内容。
实施例一
如图1所示，本申请提供了一种特钢的缺陷检测分析方法，所述方法应用于特钢的缺陷检测分析***，所述***与数据采集装置通信连接，其中，所述数据采集装置包括图像采集装置和超声波数据采集装置，所述方法包括：
步骤100：获得待检测特钢的信息；
具体的，特种钢材是在碳素钢中适量加入一种或几种合金元素，使钢材的组织结构发生改变，从而使钢材具备不同的性能，如强度、硬度大，可塑性、韧性好，耐磨，耐腐蚀，以及其他许多优良性能。由于特种钢材应用环境较为苛刻，当特种钢材缺陷时往往会造成钢材损坏造成安全事故。因此，需要对特种钢材进行探伤操作，其中常用的探伤方法利用物理方法来检测钢材，在本实施例中通过对特种钢进行图像采集、超声波数据采集，来对特种钢进行探伤。待检测特钢为本申请实施例中的待检测特种钢材，获取该待检测特钢的信息，上述信息包括该待检测特钢的尺寸、形状等外观信息。
步骤200：根据所述待检测特钢的信息，搭建数据采集坐标集；
具体的，通过上述获取的待检测特钢的信息，待检测特钢信息包括该待检测特钢的尺寸、形状等外观信息。对待检测特钢外观信息进行分析，获取该待检测特钢的尺寸以及几何形状。由于超声波探头在对表面进行检测时需要将待检测表面与超声波探头进行平行放置。因此，超声波探头的采集点需要根据待检测特钢的尺寸以及几何形状进行确定。通过特钢的尺寸以及几何形状进行确定超声波探头的具体采集坐标即数据采集坐标集，根据获取的数据采集坐标集来实现对特钢的表面缺陷进行采集。
步骤300：根据所述图像采集装置和所述超声波数据采集装置，基于所述数据采集坐标集分别进行图像采集和超声波数据采集，输出特钢图像集合和超声波数据集合；
具体的，根据图像采集装置和超声波数据采集装置，基于数据采集坐标集对特钢表面进行采集，其中图像采集装置用于采集数据采集坐标集位置的图像，获取最终的采集图像构成特钢图像集合。而超声波数据采集装置用于采集数据采集坐标集位置的超声波数据，获取最终的超声波数据构成超声波数据集合。
如图2所示，本申请实施例提供的方法步骤300还包括：
步骤310：通过对所述待检测特钢和所述图像采集装置的相对距离进行配置，输出阶段相对距离；
步骤320：按照所述阶段相对距离进行图像采集，输出多阶段特钢图像集合；
步骤330：通过对所述多阶段特钢图像集合进行图像特征分析，确定阶段图像采集坐标；
步骤340：按照所述阶段图像采集坐标进行缺陷图像识别，输出标识特钢图像集合，其中，所述标识特钢图像集合为存在缺陷的图像；
步骤350：根据所述标识特钢图像集合，输出所述特钢图像集合。
具体的，对待检测特钢和图像采集装置的相对距离进行配置，获取待检测特钢和图像采集装置的相对采集距离即阶段相对距离，其中待检测特钢和数据采集装置的相对采集距离可以根据相对距离的远近顺序进行设置，例如待检测特钢和图像采集装置的相对采集距离由20厘米采集一次，15厘米采集一次以及5厘米采集一次获取上述阶段采集结果。根据待检测特钢和图像采集装置的相对采集距离进行图像采集，输出采集的待检测特钢图像即多阶段特钢图像集合。对采集的多阶段特钢图像集合进行特征分析，确定阶段图像采集坐标，该图像采集坐标包括相对距离坐标以及位置坐标，其中位置坐标与数据采集坐标集位置相对应。根据阶段图像采集坐标进行缺陷图像识别，输出阶段图像的标识特钢图像集合，该标识特钢图像集合种包括待检测特钢存在缺陷的图像，以及该图像所在的位置标识。根据标识特钢图像集合输出特钢图像集合，其中特钢图像集合为待检测特钢存在缺陷的图像以及位置集合。
本申请实施例提供的方法步骤300还包括：
步骤360：获得预设灵敏度阈值；
步骤370：按照所述预设灵敏度阈值进行升敏，获得所述待检测特钢在不同灵敏度下的超声波分布数据；
步骤380：按照所述超声波分布数据对所述待检测特钢进行缺陷分析，输出超声波特征；
步骤390：按照所述超声波特征进行缺陷识别分类，获得所述超声波分布数据对应的缺陷检测结果。
具体的，灵敏度为超声波探伤中仪器和探头可以发现最小缺陷的能力，当发现的缺陷越小对应的灵敏度越高，当发现的缺陷越大对应的灵敏度越低。由于在超声波探伤时需要对不同大小的缺陷进行探测，因此需要对超声波探伤的灵敏度进行调整。获得预设的灵敏度阈值，其中，预设灵敏度阈值为对不同大小缺陷进行探测时的最佳灵敏度阈值。根据预设灵敏度阈值进行升敏，即提高超声波探伤的灵敏度，获取待检测特钢在不同灵敏度下的超声波分布数据。根据超声波分布数据对待检测特钢进行缺陷分析，分析超声波分布数据，获取其中可以体现特种钢材缺陷的超声波波形特征，获取体现特种钢材缺陷的超声波波形特征。由于不同类型的特种钢缺陷在超声波探伤时会体现出不同种类的超声波特征，如钢件中出现裂纹时其波形特征存在包络线，且波形比较独立，从不同方向滑动探头时均可以发现缺陷波。根据体现特种钢材缺陷的超声波波形特征分析存在的缺陷种类，获取待检测特种钢材的缺陷类别，最终获取超声波分布数据对应的缺陷检测结果。通过对超声波分布数据进行分析，获取最终的缺陷检测结果实现了对特种钢材缺陷的精确检测。
本申请实施例提供的方法步骤390还包括：
步骤391：根据所述样本数据集合，获得超声波检测的波形样本特征集；
步骤392：基于所述波形样本特征集，获得缺陷检测类别，其中，所述波形样本特征集与所述缺陷检测类别一一对应；
步骤393：根据所述波形样本特征集和所述缺陷检测类别的映射关系进行缺陷检测分类器训练，生成缺陷检测分类模型；
步骤394：基于所述缺陷检测分类模型，输出所述超声波分布数据对应的缺陷检测结果。
具体的，由于不同类型的特种钢缺陷在超声波探伤时会体现出不同种类的超声波特征，如钢件中出现裂纹时其波形特征存在包络线，且波形比较独立，从不同方向滑动探头时均可以发现缺陷波。获取所述待检测钢样本数据集合，该集合中包含超声波波形特征和对应的特种钢缺陷，且波形样本特征集与缺陷检测类别一一对应。根据波形样本特征集和缺陷检测类别的映射关系进行缺陷检测分类器训练，将上述样本数据集合作为分类器的训练数据，对分类模型进行训练，获取最终的缺陷检测分类模型。其中训练使用的分类模型可以根据实际需要进行选取，例如可以选取决策树模型作为分类模型在此不做具体限制。通过获取缺陷检测分类模型，使得可以通过超声波的分布数据获取特种钢材存在的缺陷，并输出最终的缺陷检测结果。
本申请实施例提供的方法步骤380还包括：
步骤381：根据所述超声波数据采集装置，获得超声波探头，其中，所述超声波数据采集装置内嵌惯性传感器；
步骤382：基于所述惯性传感器对所述超声波探头与所述待检测特钢的相对位置进行角度平行传感，获得所述超声波探头的实时传感角；
步骤383：判断所述超声波探头的实时传感角是否为平行传感角，若所述超声波探头的实时传感角不为平行传感角，获得提醒信息。
具体的，获取超声波数据采集装置的超声波探头，超声波数据采集装置内嵌惯性传感器。在由于在进行探伤检测时需要实时保持探头的接触点和待检测钢的平行，当探头的接触点和待检测钢的角度发生改变时由探头发射的超声波由底部反射回至探头时，部分被超声波探头采集，部分又被折射回底部，此时获取的超声波数据则不准确，因此需要通过超声波数据采集装置中内嵌的惯性传感器来进行，加速度和倾斜度测量。随后，基于惯性传感器对超声波探头与所述待检测特钢的相对位置进行角度平行传感，其中角度平行传感为检测超声波探头与待检测特钢接触的角度是否平行，获取超声波探头的实时传感角，实时传感角为超声波与待检测特钢接触的角度。判断超声波探头的实时传感角是否为平行传感角，即判断超声波探头和待检测特钢接触是否为平行接触，若超声波探头和待检测特钢接触不为平行接触即超声波探头的实时传感角不为平行传感角，则获取提醒信息。通过获取实时传感角判断其是否为平行传感角，进一步保证了超声波测量数据的准确性，使得最终的输出检测结果更加准确。
步骤400：通过对所述待检测特钢进行特征分析，获得样本数据集合；
具体的，对所述待检测特钢进行特征分析，获取所述待检测特钢的缺陷以及对应的超声波数据即超声波波形特征和图像特征，由于不同类型的特种钢缺陷在超声波探伤时会体现出不同种类的超声波特征，且超声波波形特征和特种钢缺陷存在对应关系，如钢件中出现裂纹时其波形特征存在包络线，且波形比较独立，从不同方向滑动探头时均可以发现缺陷波。因此，可以根据对检测的超声波波形特征进行分析获取对应的特种钢缺陷类型。同时当特种钢材存在缺陷时也会在钢材表面体现对应的图像数据，根据图像数据和超声波数据以及待检测特钢的缺陷之间的对应关系，生成样本数据集合。
本申请实施例提供的方法步骤400包括：
步骤410：根据所述待检测特钢的信息，获得表面粗糙度；
步骤420：基于所述表面粗糙度，生成自检条件，其中，所述自检条件包括图像自检条件和超声波自检条件；
步骤430：基于所述自检条件对所述特钢图像集合和所述超声波数据集合进行自检，并根据自检结果对所述特钢图像集合和所述超声波数据集合进行校正处理。
具体的，根据待检测钢信息获取，待检测钢的表面粗糙度。根据待检测钢的表面粗糙度生成自检条件，当待检测钢材表面较为粗糙时，其会造成获取的特钢图像数据集合和超声波数据集合产生影响，例如待检测钢材表面较为粗糙时获取的特钢图像数据集合和超声波数据集合中数据的缺陷特征不明显，存在较大的干扰，若将上述数据作为输入数据获取的检测结果可能不准确。因此，需要根据表面粗糙度生成自检条件，当粗糙度达到一定程度时则对图像数据集合和超声波数据集合分别对应设置图像自检条件和超声波自检条件。其中自检条件为图像和超声波数据中出现因粗糙程度而造成的特定特征时，对图像和超声波数据中的该特征进行自检。通过自检条件对图像和超声波数据进行自检，防止由于粗糙程度影响获取的图像和超声波数据从而判定为缺陷的情况。随后根据自检结果对特钢图像集合和超声波数据集合进行校正处理，在进行校正处理时可以对因粗糙程度影响造成的图像和超声波数据产生的特定特征进行滤除。避免由于粗糙程度影响获取的图像和超声波数据从而判定为缺陷的情况。
步骤500：按照所述样本数据集合，生成特钢缺陷检测模型；
具体的，样本数据集合中包含图像特征和超声波数据以及对应的特种钢缺陷类别，且上述数据与缺陷检测类别一一对应，即一种特种钢缺陷类别对应一种图像数据和超声波数据。根据样本数据集合对模型进行监督训练，该模型具体为神经网络模型。将样本数据集合中的种图像数据和超声波数据作为输入数据，将图像数据和超声波数据对应的缺陷检测类别作为监督数据对神经网络模型进行监督训练，获取最终的训练结果，即为特钢缺陷检测模型。该特钢缺陷检测模型用于根据超声波数据和图像数据来检测对应的特种钢缺陷。
步骤600：将激励网络层内嵌至所述特钢缺陷检测模型中，其中，所述激励网络层为进行缺陷检测的优化网络层；
步骤700：将所述特钢图像集合和所述超声波数据集合输入所述特钢缺陷检测模型中，根据所述特钢缺陷检测模型，获得输出结果，其中，所述输出结果为特钢缺陷检测结果。
具体的，将激励网络层内嵌至特钢缺陷检测模型中，其中激励网络层是一种优化神经网络模型的激励函数，其用于在神经网络模型中引入非线性因素，使得获取的输出结果更加准确。例如根据历史检测数据和检测结果，获知在早晨8点至晚上8点的检测时间段内，中午的检测结果最接近于真实结果，而其他时间段则会产生不同大小的误差获取检测时间段和检测误差之间的非线性关系，作为激励网络层，对检测时间段产生影响的输入参数进行参数优化。在神经网络模型中引入检测距离、检测时间和检测灵敏度等激励函数对特钢缺陷检测模型进行激励，使得检测距离、检测时间和检测灵敏度均会对特钢缺陷检测模型的输出结果产生影响，使其输出的结果更加接近真实的检测结果。将特钢图像集合和超声波数据集合输入所述特钢缺陷检测模型中，获取最终的输出结果，所述输出结果为特钢缺陷检测结果。
如图3所示，本申请实施例提供的方法步骤600包括：
步骤610：将所述特钢图像集合和所述超声波数据集合输入所述特钢缺陷检测模型中，根据所述特钢缺陷检测模型中的所述激励网络层，输出参数优化结果，其中，所述参数优化结果包括检测距离、检测时间和检测灵敏度；
步骤620：根据所述参数优化结果对所述特钢图像集合和所述超声波数据集合进行处理，输出优化后的特钢图像集合和超声波数据集合；
步骤630：基于优化后的所述特钢图像集合和所述超声波数据集合，获得所述输出结果。
具体的，将特钢图像集合和超声波数据集合输入特钢缺陷检测模型中，根据特钢缺陷检测模型中的激励网络层，输出参数优化结果，其中参数优化结果包括检测距离、检测时间和检测灵敏度。根据获取的参数优化结果对特钢图像集合和超声波数据集合进行优化处理，优化上述集合中的元素，输出优化后的特钢图像集合和超声波数据集合。随后将优化后的特钢图像集合和超声波数据集合输入特钢缺陷检测模型中，获取模型最终的输出结果。使得最终输出的检测结果更加准确。
综上所述，本申请实施例提供的方法通过获取待检测钢材信息，构建数据采集坐标集。根据数据采集坐标集合进行图像采集装置和超声波数据采集装置。随后对待检测特钢进行特征分析分析其缺陷类型和对应的采集数据构成样本数据集合。通过样本数据集合对模型进行训练获取特钢缺陷检测模型，随后在模型中内嵌激励网络层。将特钢图像集合和超声波数据集合输入钢缺陷检测模型，获取最终的检测结果。还通过添加激励网络层对输入参数进行优化，使得输入的参数更加准确进一部提高了检测结果的准确性。解决了现有技术中存在缺少标准的可以对特种钢材缺陷进行准确分析的方法，导致获取的特种钢材的检测结果人为影响因素较大且不准确的技术问题。提高了特种钢材缺陷检测的准确性，减小了人为因素对检测结果的影响技术效果。
实施例二
基于与前述实施例中一种特钢的缺陷检测分析方法相同的发明构思，如图4所示，本申请提供了一种特钢的缺陷检测分析***，所述***与数据采集装置通信连接，其中，所述数据采集装置包括图像采集装置和超声波数据采集装置，所述方法包括：
待检测钢信息获取模块11，用于获得待检测特钢的信息；
数据采集坐标集构建模块12，用于根据所述待检测特钢的信息，搭建数据采集坐标集；
数据获取模块13，用于根据所述图像采集装置和所述超声波数据采集装置，基于所述数据采集坐标集分别进行图像采集和超声波数据采集，输出特钢图像集合和超声波数据集合；
样本数据获取模块14，用于通过对所述待检测特钢进行特征分析，获得样本数据集合；
特钢缺陷检测模型获取模块15，用于按照所述样本数据集合，生成特钢缺陷检测模型；
优化网络层添加模块16，用于将激励网络层内嵌至所述特钢缺陷检测模型中，其中，所述激励网络层为进行缺陷检测的优化网络层；
检测结果获取模块17，用于将所述特钢图像集合和所述超声波数据集合输入所述特钢缺陷检测模型中，根据所述特钢缺陷检测模型，获得输出结果，其中，所述输出结果为特钢缺陷检测结果。
进一步地，所述数据获取模块13还用于：
通过对所述待检测特钢和所述图像采集装置的相对距离进行配置，输出阶段相对距离；
按照所述阶段相对距离进行图像采集，输出多阶段特钢图像集合；
通过对所述多阶段特钢图像集合进行图像特征分析，确定阶段图像采集坐标；
按照所述阶段图像采集坐标进行缺陷图像识别，输出标识特钢图像集合，其中，所述标识特钢图像集合为存在缺陷的图像；
根据所述标识特钢图像集合，输出所述特钢图像集合。
进一步地，所述数据获取模块13还用于：
获得预设灵敏度阈值；
按照所述预设灵敏度阈值进行升敏，获得所述待检测特钢在不同灵敏度下的超声波分布数据；
按照所述超声波分布数据对所述待检测特钢进行缺陷分析，输出超声波特征；
按照所述超声波特征进行缺陷识别分类，获得所述超声波分布数据对应的缺陷检测结果。
进一步地，所述样本数据获取模块14还用于：
根据所述样本数据集合，获得超声波检测的波形样本特征集；
基于所述波形样本特征集，获得缺陷检测类别，其中，所述波形样本特征集与所述缺陷检测类别一一对应；
根据所述波形样本特征集和所述缺陷检测类别的映射关系进行缺陷检测分类器训练，生成缺陷检测分类模型；
基于所述缺陷检测分类模型，输出所述超声波分布数据对应的缺陷检测结果。
进一步地，所述检测结果获取模块17还用于：
将所述特钢图像集合和所述超声波数据集合输入所述特钢缺陷检测模型中，根据所述特钢缺陷检测模型中的所述激励网络层，输出参数优化结果，其中，所述参数优化结果包括检测距离、检测时间和检测灵敏度；
根据所述参数优化结果对所述特钢图像集合和所述超声波数据集合进行处理，输出优化后的特钢图像集合和超声波数据集合；
基于优化后的所述特钢图像集合和所述超声波数据集合，获得所述输出结果。
进一步地，所述数据获取模块13还用于：
根据所述待检测特钢的信息，获得表面粗糙度；
基于所述表面粗糙度，生成自检条件，其中，所述自检条件包括图像自检条件和超声波自检条件；
基于所述自检条件对所述特钢图像集合和所述超声波数据集合进行自检，并根据自检结果对所述特钢图像集合和所述超声波数据集合进行校正处理。
进一步地，所述数据获取模块13还用于：
根据所述超声波数据采集装置，获得超声波探头，其中，所述超声波数据采集装置内嵌惯性传感器；
基于所述惯性传感器对所述超声波探头与所述待检测特钢的相对位置进行角度平行传感，获得所述超声波探头的实时传感角；
判断所述超声波探头的实时传感角是否为平行传感角，若所述超声波探头的实时传感角不为平行传感角，获得提醒信息。
上述实施例二用于执行如实施例一中的方法，其执行原理以及执行基础均可以通过实施例一中记载的内容获取，在此不做过多赘述。尽管结合具体特征及其实施例对本申请进行了描述，但本申请不受这里描述的示例实施例的限制。基于本申请的实施例，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围，这样获取的内容也属于本申请保护的范围。

Claims (7)

1.一种特钢的缺陷检测分析方法，其特征在于，所述方法应用于特钢的缺陷检测分析***，所述***与数据采集装置通信连接，其中，所述数据采集装置包括图像采集装置和超声波数据采集装置，所述方法包括：
获得待检测特钢的信息；
根据所述待检测特钢的信息，搭建数据采集坐标集；
根据所述图像采集装置和所述超声波数据采集装置，基于所述数据采集坐标集分别进行图像采集和超声波数据采集，输出特钢图像集合和超声波数据集合；
通过对所述待检测特钢进行特征分析，获得样本数据集合；
按照所述样本数据集合，生成特钢缺陷检测模型；
将激励网络层内嵌至所述特钢缺陷检测模型中，其中，所述激励网络层为进行缺陷检测的优化网络层；
将所述特钢图像集合和所述超声波数据集合输入所述特钢缺陷检测模型中，根据所述特钢缺陷检测模型，获得输出结果，其中，所述输出结果为特钢缺陷检测结果；
所述将所述特钢图像集合和所述超声波数据集合输入所述特钢缺陷检测模型中，根据所述特钢缺陷检测模型，获得输出结果，所述方法还包括：
将所述特钢图像集合和所述超声波数据集合输入所述特钢缺陷检测模型中，根据所述特钢缺陷检测模型中的所述激励网络层，输出参数优化结果，其中，所述参数优化结果包括检测距离、检测时间和检测灵敏度；
根据所述参数优化结果对所述特钢图像集合和所述超声波数据集合进行处理，输出优化后的特钢图像集合和超声波数据集合；
基于优化后的所述特钢图像集合和所述超声波数据集合，获得所述输出结果。
2.如权利要求1所述的方法，其特征在于，所述根据所述图像采集装置和所述超声波数据采集装置，基于所述数据采集坐标集分别进行图像采集和超声波数据采集，所述方法还包括：
通过对所述待检测特钢和所述图像采集装置的相对距离进行配置，输出阶段相对距离；
按照所述阶段相对距离进行图像采集，输出多阶段特钢图像集合；
通过对所述多阶段特钢图像集合进行图像特征分析，确定阶段图像采集坐标；
按照所述阶段图像采集坐标进行缺陷图像识别，输出标识特钢图像集合，其中，所述标识特钢图像集合为存在缺陷的图像；
根据所述标识特钢图像集合，输出所述特钢图像集合。
3.如权利要求2所述的方法，其特征在于，所述方法还包括：
获得预设灵敏度阈值；
按照所述预设灵敏度阈值进行升敏，获得所述待检测特钢在不同灵敏度下的超声波分布数据；
按照所述超声波分布数据对所述待检测特钢进行缺陷分析，输出超声波特征；
按照所述超声波特征进行缺陷识别分类，获得所述超声波分布数据对应的缺陷检测结果。
4.如权利要求3所述的方法，其特征在于，所述按照所述超声波特征进行缺陷识别分类，获得所述超声波分布数据对应的缺陷检测结果，所述方法还包括：
根据所述样本数据集合，获得超声波检测的波形样本特征集；
基于所述波形样本特征集，获得缺陷检测类别，其中，所述波形样本特征集与所述缺陷检测类别一一对应；
根据所述波形样本特征集和所述缺陷检测类别的映射关系进行缺陷检测分类器训练，生成缺陷检测分类模型；
基于所述缺陷检测分类模型，输出所述超声波分布数据对应的缺陷检测结果。
5.如权利要求1所述的方法，其特征在于，所述输出特钢图像集合和超声波数据集合之后，所述方法还包括：
根据所述待检测特钢的信息，获得表面粗糙度；
基于所述表面粗糙度，生成自检条件，其中，所述自检条件包括图像自检条件和超声波自检条件；
基于所述自检条件对所述特钢图像集合和所述超声波数据集合进行自检，并根据自检结果对所述特钢图像集合和所述超声波数据集合进行校正处理。
6.如权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述超声波数据采集装置，获得超声波探头，其中，所述超声波数据采集装置内嵌惯性传感器；
基于所述惯性传感器对所述超声波探头与所述待检测特钢的相对位置进行角度平行传感，获得所述超声波探头的实时传感角；
判断所述超声波探头的实时传感角是否为平行传感角，若所述超声波探头的实时传感角不为平行传感角，获得提醒信息。
7.一种特钢的缺陷检测分析***，其特征在于，所述***与数据采集装置通信连接，其中，所述数据采集装置包括图像采集装置和超声波数据采集装置，所述***包括：
待检测钢信息获取模块，用于获得待检测特钢的信息；
数据采集坐标集构建模块，用于根据所述待检测特钢的信息，搭建数据采集坐标集；
数据获取模块，用于根据所述图像采集装置和所述超声波数据采集装置，基于所述数据采集坐标集分别进行图像采集和超声波数据采集，输出特钢图像集合和超声波数据集合；
样本数据获取模块，用于通过对所述待检测特钢进行特征分析，获得样本数据集合；
特钢缺陷检测模型获取模块，用于按照所述样本数据集合，生成特钢缺陷检测模型；
优化网络层添加模块，用于将激励网络层内嵌至所述特钢缺陷检测模型中，其中，所述激励网络层为进行缺陷检测的优化网络层；
检测结果获取模块，用于将所述特钢图像集合和所述超声波数据集合输入所述特钢缺陷检测模型中，根据所述特钢缺陷检测模型，获得输出结果，其中，所述输出结果为特钢缺陷检测结果；
所述检测结果获取模块还用于：
将所述特钢图像集合和所述超声波数据集合输入所述特钢缺陷检测模型中，根据所述特钢缺陷检测模型中的所述激励网络层，输出参数优化结果，其中，所述参数优化结果包括检测距离、检测时间和检测灵敏度；
根据所述参数优化结果对所述特钢图像集合和所述超声波数据集合进行处理，输出优化后的特钢图像集合和超声波数据集合；
基于优化后的所述特钢图像集合和所述超声波数据集合，获得所述输出结果。
CN202210766498.7A 2022-07-01 2022-07-01 一种特钢的缺陷检测分析方法及*** Active CN114878582B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210766498.7A CN114878582B (zh) 2022-07-01 2022-07-01 一种特钢的缺陷检测分析方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210766498.7A CN114878582B (zh) 2022-07-01 2022-07-01 一种特钢的缺陷检测分析方法及***

Publications (2)

Publication Number Publication Date
CN114878582A CN114878582A (zh) 2022-08-09
CN114878582B true CN114878582B (zh) 2022-10-18

Family

ID=82683562

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210766498.7A Active CN114878582B (zh) 2022-07-01 2022-07-01 一种特钢的缺陷检测分析方法及***

Country Status (1)

Country Link
CN (1) CN114878582B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115983687B (zh) * 2022-12-22 2023-09-29 北京弥天科技有限公司 一种冷轧带钢质量智能检测管理***及方法
CN116205922B (zh) * 2023-05-05 2023-10-13 张家港广大特材股份有限公司 一种基于钢材内部缺陷数据挖掘的冶炼控制方法及***
CN116511998B (zh) * 2023-06-14 2023-10-20 冈田智能(江苏)股份有限公司 一种圆形刀盘的缺陷检测方法及***

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106706759B (zh) * 2016-12-15 2021-02-26 国网山东省电力公司电力科学研究院 超超临界发电机组p92钢主蒸汽管道焊接接头缺陷评定方法
CN111024728B (zh) * 2019-12-26 2022-04-26 江西交通职业技术学院 一种基于计算机视觉与超声波探伤的铁路检测方法和***
CN112232400B (zh) * 2020-10-12 2023-06-20 太原科技大学 一种基于深浅特征融合的不锈钢焊缝超声缺陷检测方法
CN113239504B (zh) * 2021-06-30 2022-01-28 西南石油大学 一种基于优化神经网络的管道腐蚀缺陷预测方法
CN114264723A (zh) * 2021-12-22 2022-04-01 上海骏然网络科技有限公司 基于超声波检测的纺织品质量检测***及方法
CN114463282A (zh) * 2022-01-13 2022-05-10 江苏六道建材有限公司 缺陷检测方法、装置、电子设备和计算机可读介质

Also Published As

Publication number Publication date
CN114878582A (zh) 2022-08-09

Similar Documents

Publication Publication Date Title
CN114878582B (zh) 一种特钢的缺陷检测分析方法及***
CN110082429B (zh) 一种结合机器学习的隧道衬砌无损检测的辅助判定方法
CN109253921B (zh) 一种检测混凝土试块强度评价方法
CN102928435A (zh) 基于图像和超声信息融合的飞机蒙皮损伤识别方法及装置
CN109190272B (zh) 基于弹性波和机器学习的混凝土结构缺陷检测方法
CN116818914B (zh) 一种玻璃及其加工制品无损检测方法
CN114926462A (zh) 一种金属材料表面缺陷的智能检测方法及***
CN108844856B (zh) 基于冲击弹性波和机器学习的套筒灌浆缺陷无损检测方法
CN101074927A (zh) 基于可见和近红外光谱特征波段的水果水心病诊断方法
CN110568082A (zh) 一种基于声发射信号的缆索断丝的判别方法
CN110455923B (zh) 一种锚杆锚固质量等级快速评价方法
CN113720914B (zh) 超声波探伤***及超声波探伤方法
CN111879709A (zh) 湖泊水体光谱反射率检验方法及装置
CN113158558B (zh) 一种高速铁路路基连续压实分析方法、装置及分析仪
CN110231401B (zh) 一种测点间信息关联方法及土木结构无损检测方法
CN115144259B (zh) 一种钢材抗形变性能检测方法及***
CN116297867A (zh) 一种基于声发射多参数耦合的木材裂缝深度检测方法
CN114881938A (zh) 基于小波分析和神经网络的晶粒度检测方法及***
CN110749650B (zh) 基于支持向量机的锚杆锚固密实度等级评定方法
CN110455922B (zh) 一种基于k近邻法的锚杆锚固质量等级评定方法
CN112730634B (zh) 一种混凝土缺陷检测方法及***
CN110826598B (zh) 基于卷积神经网络的锚杆锚固密实度等级评定方法
CN117805853B (zh) 一种激光反射式边缘检测装置及方法
CN113837163B (zh) 一种基于三维探地雷达的隧道监测方法、***以及存储介质
CN108955564A (zh) 激光数据重采样方法及***

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