CN116452513B - 一种海底电缆皱纹铝护套缺陷自动识别方法 - Google Patents
一种海底电缆皱纹铝护套缺陷自动识别方法 Download PDFInfo
- Publication number
- CN116452513B CN116452513B CN202310280312.1A CN202310280312A CN116452513B CN 116452513 B CN116452513 B CN 116452513B CN 202310280312 A CN202310280312 A CN 202310280312A CN 116452513 B CN116452513 B CN 116452513B
- Authority
- CN
- China
- Prior art keywords
- defect
- contour
- defects
- aluminum sheath
- recognition system
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 219
- 229910052782 aluminium Inorganic materials 0.000 title claims abstract description 69
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003466 welding Methods 0.000 claims abstract description 48
- 238000013135 deep learning Methods 0.000 claims abstract description 29
- 238000004140 cleaning Methods 0.000 claims abstract description 27
- 238000005096 rolling process Methods 0.000 claims description 21
- 238000004519 manufacturing process Methods 0.000 claims description 13
- 210000001503 joint Anatomy 0.000 claims description 6
- 231100000241 scar Toxicity 0.000 claims description 6
- 238000005452 bending Methods 0.000 claims description 5
- 239000002893 slag Substances 0.000 claims description 4
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000003647 oxidation Effects 0.000 claims description 3
- 238000007254 oxidation reaction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000005259 measurement Methods 0.000 abstract description 2
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000009987 spinning Methods 0.000 description 5
- 229910052786 argon Inorganic materials 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005097 cold rolling Methods 0.000 description 3
- 239000004020 conductor Substances 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- -1 polyethylene Polymers 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000037303 wrinkles Effects 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 239000004698 Polyethylene Substances 0.000 description 1
- 239000004743 Polypropylene Substances 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000002788 crimping Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920000573 polyethylene Polymers 0.000 description 1
- 229920001155 polypropylene Polymers 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 239000011241 protective layer Substances 0.000 description 1
- 238000001454 recorded image Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Classifications
-
- 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
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明属于机器视觉或测量技术领域,涉及一种海底电缆皱纹铝护套缺陷自动识别方法,在清洗激光器和旋转滚压装置之间设置工业相机及平面轮廓缺陷识别***,在旋转滚压装置之后设置结构光轮廓采集及3D轮廓缺陷识别***。铝护套焊接后采用清洗激光器进行激光清洗,由工业相机连续拍摄焊缝图像,形成连续的焊缝图像序列,采用AutoML深度学***面轮廓的深度学***面轮廓缺陷结合3D轮廓缺陷判断,提高皱纹铝护套的整体缺陷检测的准确率。
Description
技术领域
本发明属于机器视觉或测量技术领域,具体涉及一种海底电缆皱纹铝护套缺陷自动识别方法。
背景技术
海底电缆是用绝缘材料包裹的导线,铺设在海底,用以设立国家之间的电信传输。为了使海底电缆适应海底恶劣环境,在电缆外部增加了一系列保护覆盖层,即电缆防护层,主要用于保护电缆在铺设和运行时避免各种机械损伤和外界影响,以及使其电气性能保持稳定。
海底电缆根据不同用途及型号,一般由线芯导体、导体屏蔽、绝缘层、绝缘屏蔽、半导体屏蔽带、金属护套(皱纹铝护套)、护层、聚乙烯护层、聚丙乙烯护层、钢丝铠装层组成。在生产海底电缆的过程中,铝护套采用冷轧铝板卷成圆筒状,并采用氩弧焊方法对接缝进行焊接。上述焊接工序完毕后,通过螺旋冷轧方式将铝护套轧成皱纹状。焊接后的铝护套在冷轧处理过程中,铝板对接焊缝处容易造成断裂,或者由于焊接质量问题容易存在漏焊、孔洞等问题。
发明内容
针对上述技术问题,本发明提供一种海底电缆皱纹铝护套缺陷自动识别方法,能够实时对皱纹铝护套焊缝缺陷进行识别,检测焊接后出现的漏焊、穿孔、炸点、凸起、气孔等焊接质量问题。本发明所采用的技术方案如下:
一种海底电缆皱纹铝护套缺陷自动识别方法,包括以下步骤:
步骤1、在清洗激光器和旋转滚压装置之间设置工业相机及平面轮廓缺陷识别***,在旋转滚压装置之后设置结构光轮廓采集及3D轮廓缺陷识别***。工业相机及平面轮廓缺陷识别***包括工业相机和平面轮廓缺陷识别***,结构光轮廓采集及3D轮廓缺陷识别***包括结构光轮廓采集***和3D轮廓缺陷识别***,所述的结构光轮廓采集***包括:线激光器、3D数码相机和全反射板。
步骤2、铝护套焊接后采用清洗激光器进行激光清洗,然后由工业相机及平面轮廓缺陷识别***中的工业相机连续拍摄焊缝图像,形成连续的焊缝图像序列,各焊缝图像序列分别设置有唯一的编号。工业相机及平面轮廓缺陷识别***中的平面轮廓缺陷识别***,采用AutoML深度学***面轮廓的深度学习图库,并且对缺陷进行AI自动识别,如果识别到存在缺陷的焊缝图像序列,则记录此图片序列的编号为DN。
步骤3、结构光轮廓采集及3D轮廓缺陷识别***对皱纹铝护套进行3D轮廓图像数据采集,并将3D轮廓图像数据送入3D轮廓缺陷识别***进行自动AI缺陷识别,如果3D轮廓缺陷识别***识别到缺陷,则将此处的缺陷图片编号为EM。
优选的,所述的清洗激光器,用于在进行缺陷识别前对上一过程中产生的飞溅、焊渣、铝护套高温氧化区域去除。
优选的,平面轮廓缺陷识别***基于AutoML深度学***面图像的深度学***面图像的深度学习图库为缺陷种类D的集合:
D∈{D1,D2,D3,D4,D5}
平面轮廓缺陷种类根据生产过程中的实际经验总结归纳,缺陷编号D1代表缝隙太宽焊接失败点,缺陷编号D2代表激光清洗后污点,缺陷编号D3代表铝板存在对接台阶,缺陷编号D4代表焊接断弧点,缺陷编号D5代表焊疤。
优选的,利用AutoML深度学习方法,对工业相机记录的焊缝图像序列进行图像分割和分类,生成深度学习模型,并且建立缺陷种类与前面工序之间的对应关系,如果缺陷编号D1和D3突增,则判断卷板机出现了机械故障;如果缺陷编号D4和D5突增,则判断前机的电源出现了故障。
优选的,结构光轮廓采集及3D轮廓缺陷识别***对旋转滚压后的皱纹铝护套表面进行三维建模,并通过三维轮廓数据对缺陷种类进行识别和统计;皱纹铝护套上的缺陷由结构光轮廓采集***进行3D图像采集,形成3D轮廓数据,通过3D数码相机采集图像直接生成3D点云轮廓数据,储存为图片。
优选的,3D轮廓缺陷种类根据生产过程中的实际经验总结归纳,缺陷编号E1代表缝隙太宽焊接失败点,缺陷编号E2代表激光清洗后污点,缺陷编号E3代表铝板存在对接台阶,缺陷编号E4代表焊接断弧点,缺陷编号E5代表焊疤,缺陷编号E6代表旋转滚压后产生的新缺陷。
优选的,3D轮廓缺陷识别***基于AutoML深度学习方法实现,首先建立3D图像的深度学习图库,3D图像的深度学习图库为缺陷种类E的集合:
E∈{E1,E2,E3,E4,E5,E6}
由于经旋转滚压后的缺陷与工业相机平面轮廓缺陷强相关,因此在实际生产过程中建立平面轮廓缺陷D与3D轮廓缺陷E的对应关系。
优选的,采用D、E两种缺陷位置的交集作为缺陷可能产生的位置,即I=DN∪EM。
本发明的有益效果:
由于铝护套旋压皱纹后密封性要求较高,且经旋压后容易产生开裂等缺陷,传统的基于3D缺陷视觉检测的方法,不能对缺陷进行完整判断,或容易判断错误。本发明通过在铝护套旋压前进行一系列激光清洗,旋压前采用视觉平面轮廓缺陷预判断的方法,结合旋压后的3D轮廓缺陷判断来提高皱纹铝护套的整体缺陷检测的准确率。
附图说明
图1为本发明实施例的用于皱纹铝护套缺陷自动识别的硬件***架构示意图;
图2为本发明实施例的平面轮廓缺陷识别***的步骤示意图;
图3为本发明实施例的结构光轮廓采集及3D轮廓缺陷识别***的步骤示意图。
图中,1为氩弧焊装置,2为工业相机及平面轮廓缺陷识别***,3为旋转滚压装置,4为结构光轮廓采集及3D轮廓缺陷识别***,5为线激光器,6为3D数码相机,7为全反射板,8为清洗激光器。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。
如图1所示,为本发明实施例的用于皱纹铝护套缺陷自动识别的硬件***架构示意图。海底电缆的生产,由流水线分不同工序进行,铝板经滚轧后开成圆筒状结构,经氩弧焊装置1将圆筒状铝板的对接缝隙进行焊接形成铝护套。由于焊接过程中容易产生飞溅、焊渣或产生与铝护套自身颜色偏差较大的焊斑,因此,在铝护套焊接后需要采用清洗激光器8进行激光清洗,将可能影响皱纹铝护套缺陷自动识别的上述因素去除。焊接后的铝护套经过旋转滚压装置3轧成皱纹铝护套。图1示出了海底电缆生产过程中铝护套卷筒焊接以及皱纹滚轧的过程,图1中的箭头示出了海底电缆在加工过程中的前行方向,海底电缆前行方向为图1中从左向右,依次经过铝板冷轧卷筒、及铝护套旋转滚轧。
为了实现海底电缆皱纹铝护套缺陷的自动识别,本发明提出一种海底电缆皱纹铝护套缺陷自动识别方法,包括以下步骤:
步骤1、在清洗激光器8和旋转滚压装置3之间设置工业相机及平面轮廓缺陷识别***2,在旋转滚压装置3之后设置结构光轮廓采集及3D轮廓缺陷识别***4。
所述的清洗激光器8,用于在进行缺陷识别前对上一过程中产生的飞溅、焊渣、铝护套高温氧化区域去除。所述的清洗激光器8是现有产品,包括清洗头、激光束、吸收腔和收集装置等组成部件。
步骤2、铝护套焊接后采用清洗激光器8进行激光清洗,然后由工业相机及平面轮廓缺陷识别***2中的工业相机连续拍摄焊缝图像,形成连续的焊缝图像序列,各焊缝图像序列分别设置有唯一的编号。工业相机及平面轮廓缺陷识别***2中的平面轮廓缺陷识别***,采用AutoML深度学习方法自动建立缺陷检测模型(深度学习图库),并且对缺陷进行AI自动识别,如果识别到存在缺陷的焊缝图像序列,则记录此图片序列的编号为DN。
所述的工业相机及平面轮廓缺陷识别***2,包括工业相机和平面轮廓缺陷识别***。工业相机能够对经激光清洗后的铝护套表面进行连续摄像拍摄,实时记录焊缝图像序列,并对焊缝图像序列进行唯一编号;平面轮廓缺陷识别***能够对焊缝图像序列进行缺陷自动分类及缺陷出现频率进行统计。
如图2所示,为本发明实施例的平面轮廓缺陷识别***的步骤示意图。图2中,采集是指工业相机拍摄记录图像,缺陷位置X、Y是指建立空间坐标系,确定平面轮廓缺陷在此坐标系下的坐标值。
平面轮廓缺陷识别***基于AutoML深度学***面图像的深度学***面图像的深度学习图库为缺陷种类D的集合:
D∈{D1,D2,D3,D4,D5}
平面轮廓缺陷种类根据生产过程中的实际经验总结归纳,图2中示出了常见的五种缺陷种类,缺陷编号D1代表缝隙太宽焊接失败点,缺陷编号D2代表激光清洗后污点,缺陷编号D3代表铝板存在对接台阶,缺陷编号D4代表焊接断弧点,缺陷编号D5代表焊疤。
利用AutoML深度学***面铝板卷成筒状;如果缺陷编号D4和D5突增,则判断前机的电源出现了故障。
步骤2中,将工业相机及平面轮廓缺陷识别***2识别出的缺陷记录为DN。
步骤3、结构光轮廓采集及3D轮廓缺陷识别***4对皱纹铝护套进行3D轮廓图像数据采集,并将3D轮廓图像数据送入3D轮廓缺陷识别***进行缺陷识别。
圆筒状铝护套经过旋转滚轧后形成皱纹铝护套,在旋转滚轧过程中,前一检测步骤中的缺陷位置经旋转滚扎后可能会生成更大的缺陷,其它部位也可能产生新的缺陷。所以,本发明通过结构光轮廓采集及3D轮廓缺陷识别***4对皱纹铝护套进行缺陷识别。
如图3所示,为本发明实施例的结构光轮廓采集及3D轮廓缺陷识别***的步骤示意图。图3中,采集是指3D数码相机拍摄记录3D轮廓图像,缺陷位置X、Y是指建立空间坐标系,确定3D轮廓缺陷在此坐标系下的坐标值。结构光轮廓采集及3D轮廓缺陷识别***4包括结构光轮廓采集***和3D轮廓缺陷识别***,可对旋转滚压后的皱纹铝护套表面进行三维建模,并通过三维轮廓数据对缺陷种类进行识别和统计。皱纹铝护套上的缺陷由结构光轮廓采集***进行3D图像采集,形成3D轮廓数据,通过3D数码相机6采集图像直接生成3D点云轮廓数据,可储存为图片。3D轮廓数据送入3D轮廓缺陷识别***进行缺陷识别,如果3D轮廓缺陷识别***识别到缺陷,则将此处的缺陷图片编号为EM。
结合附图1,所述的结构光轮廓采集***包括:线激光器5、3D数码相机6和全反射板7。所述的结构光轮廓采集***是现有技术,在此不再赘述。
3D轮廓缺陷种类根据生产过程中的实际经验总结归纳,图3中示出了常见的六种缺陷种类,缺陷编号E1代表缝隙太宽焊接失败点,缺陷编号E2代表激光清洗后污点,缺陷编号E3代表铝板存在对接台阶,缺陷编号E4代表焊接断弧点,缺陷编号E5代表焊疤,缺陷编号E6代表旋转滚压后产生的新缺陷。
3D轮廓缺陷识别***基于AutoML深度学习方法实现,首先建立3D图像的深度学习图库。3D图像的深度学习图库为缺陷种类E的集合:
E∈{E1,E2,E3,E4,E5,E6}
由于经旋转滚压后的缺陷与工业相机平面轮廓缺陷强相关,因此在实际生产过程中可建立D与E的对应关系。由于D(平面轮廓缺陷)与E(3D轮廓缺陷)共同组成了皱纹铝护套的缺陷,一般情况下,平面轮廓缺陷经滚压后形成3D轮廓缺陷,因此,平面轮廓缺陷一定会造成三维轮廓缺陷。
由于3D轮廓缺陷的检测计算量大,为了减少3D轮廓缺陷的计算量,可由平面轮廓缺陷的位置初步判断3D轮廓缺陷的位置,从而大大减少计算量。
上述两部分缺陷识别***由于在缺陷识别方面具有各自的优点,因此为了使缺陷识别精度更高,可采用D、E两种缺陷位置的交集作为缺陷可能产生的位置,即I=DN∪EM。交集数据暂存于计算机内存,如果发现缺陷后则流水线自动暂停,提示人工修补缺陷,修补完成后内存数据销毁。
在电缆生产过程中,通常对缺陷识别率要求达到99%以上,因此本发明通过不同两种缺陷互补能够极大提高缺陷识别率。
本发明实施例中,未详细描述的技术特征均为现有技术或者常规技术手段,在此不再赘述。
最后需要说明的是:以上实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此。本领域技术人员应该理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种海底电缆皱纹铝护套缺陷自动识别方法,其特征在于,包括以下步骤:
步骤1、在清洗激光器(8)和旋转滚压装置(3)之间设置工业相机及平面轮廓缺陷识别***(2),在旋转滚压装置(3)之后设置结构光轮廓采集及3D轮廓缺陷识别***(4),工业相机及平面轮廓缺陷识别***(2)包括工业相机和平面轮廓缺陷识别***,结构光轮廓采集及3D轮廓缺陷识别***(4)包括结构光轮廓采集***和3D轮廓缺陷识别***,所述的结构光轮廓采集***包括:线激光器(5)、3D数码相机(6)和全反射板(7);
步骤2、铝护套焊接后采用清洗激光器(8)进行激光清洗,然后由工业相机及平面轮廓缺陷识别***(2)中的工业相机连续拍摄焊缝图像,形成连续的焊缝图像序列,各焊缝图像序列分别设置有唯一的编号,工业相机及平面轮廓缺陷识别***(2)中的平面轮廓缺陷识别***,采用AutoML深度学***面轮廓的深度学习图库,并且对缺陷进行AI自动识别,如果识别到存在缺陷的焊缝图像序列,则记录此图片序列的编号为DN;
步骤3、结构光轮廓采集及3D轮廓缺陷识别***(4)对皱纹铝护套进行3D轮廓图像数据采集,并将3D轮廓图像数据送入3D轮廓缺陷识别***进行自动AI缺陷识别,如果3D轮廓缺陷识别***识别到缺陷,则将此处的缺陷图片编号为EM。
2.根据权利要求1所述的一种海底电缆皱纹铝护套缺陷自动识别方法,其特征在于,所述的清洗激光器(8),用于在进行缺陷识别前对上一过程中产生的飞溅、焊渣、铝护套高温氧化区域去除。
3.根据权利要求1所述的一种海底电缆皱纹铝护套缺陷自动识别方法,其特征在于,平面轮廓缺陷识别***基于AutoML深度学***面图像的深度学***面图像的深度学习图库为缺陷种类D的集合:
D∈{D1,D2,D3,D4,D5}
平面轮廓缺陷种类根据生产过程中的实际经验总结归纳,缺陷编号D1代表缝隙太宽焊接失败点,缺陷编号D2代表激光清洗后污点,缺陷编号D3代表铝板存在对接台阶,缺陷编号D4代表焊接断弧点,缺陷编号D5代表焊疤。
4.根据权利要求3所述的一种海底电缆皱纹铝护套缺陷自动识别方法,其特征在于,利用AutoML深度学习方法,对工业相机记录的焊缝图像序列进行图像分割和分类,生成深度学习模型,并且建立缺陷种类与前面工序之间的对应关系,如果缺陷编号D1和D3突增,则判断卷板机出现了机械故障;如果缺陷编号D4和D5突增,则判断前机的电源出现了故障。
5.根据权利要求1所述的一种海底电缆皱纹铝护套缺陷自动识别方法,其特征在于,结构光轮廓采集及3D轮廓缺陷识别***(4)对旋转滚压后的皱纹铝护套表面进行三维建模,并通过三维轮廓数据对缺陷种类进行识别和统计;皱纹铝护套上的缺陷由结构光轮廓采集***进行3D图像采集,形成3D轮廓数据,通过3D数码相机(6)采集图像直接生成3D点云轮廓数据,储存为图片。
6.根据权利要求5所述的一种海底电缆皱纹铝护套缺陷自动识别方法,其特征在于,3D轮廓缺陷种类根据生产过程中的实际经验总结归纳,缺陷编号E1代表缝隙太宽焊接失败点,缺陷编号E2代表激光清洗后污点,缺陷编号E3代表铝板存在对接台阶,缺陷编号E4代表焊接断弧点,缺陷编号E5代表焊疤,缺陷编号E6代表旋转滚压后产生的新缺陷。
7.根据权利要求6所述的一种海底电缆皱纹铝护套缺陷自动识别方法,其特征在于,3D轮廓缺陷识别***基于AutoML深度学习方法实现,首先建立3D图像的深度学习图库,3D图像的深度学习图库为缺陷种类E的集合:
E∈{E1,E2,E3,E4,E5,E6}
由于经旋转滚压后的缺陷与工业相机平面轮廓缺陷强相关,因此在实际生产过程中建立平面轮廓缺陷D与3D轮廓缺陷E的对应关系。
8.根据权利要求7所述的一种海底电缆皱纹铝护套缺陷自动识别方法,其特征在于,采用D、E两种缺陷位置的交集作为缺陷可能产生的位置,即I=DN∪EM。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310280312.1A CN116452513B (zh) | 2023-03-20 | 2023-03-20 | 一种海底电缆皱纹铝护套缺陷自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310280312.1A CN116452513B (zh) | 2023-03-20 | 2023-03-20 | 一种海底电缆皱纹铝护套缺陷自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116452513A CN116452513A (zh) | 2023-07-18 |
CN116452513B true CN116452513B (zh) | 2023-11-21 |
Family
ID=87119339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310280312.1A Active CN116452513B (zh) | 2023-03-20 | 2023-03-20 | 一种海底电缆皱纹铝护套缺陷自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116452513B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014067683A1 (en) * | 2012-10-30 | 2014-05-08 | Total Sa | A method for controlling navigation of an underwater vehicle |
CN112862777A (zh) * | 2021-02-03 | 2021-05-28 | 国家电投集团江西电力有限公司 | 一种光伏电站组件缺陷巡检***及其缺陷处理方法 |
WO2021185009A1 (zh) * | 2020-03-20 | 2021-09-23 | 中建材(合肥)粉体科技装备有限公司 | 一种辊压机辊面自动检测装置及检测方法 |
CN114418968A (zh) * | 2021-12-30 | 2022-04-29 | 广西电网有限责任公司河池供电局 | 一种基于深度学习的输电线路小目标缺陷检测方法 |
CN115222741A (zh) * | 2022-09-20 | 2022-10-21 | 江苏昱恒电气有限公司 | 一种电缆表面缺陷检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9665932B2 (en) * | 2013-09-03 | 2017-05-30 | Thales Transport & Security, Inc. | Camera based cable inspection system |
US11712758B2 (en) * | 2020-10-23 | 2023-08-01 | Ford Global Technologies, Llc | Automated inspection and verification of electric motor weld quality |
-
2023
- 2023-03-20 CN CN202310280312.1A patent/CN116452513B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014067683A1 (en) * | 2012-10-30 | 2014-05-08 | Total Sa | A method for controlling navigation of an underwater vehicle |
WO2021185009A1 (zh) * | 2020-03-20 | 2021-09-23 | 中建材(合肥)粉体科技装备有限公司 | 一种辊压机辊面自动检测装置及检测方法 |
CN112862777A (zh) * | 2021-02-03 | 2021-05-28 | 国家电投集团江西电力有限公司 | 一种光伏电站组件缺陷巡检***及其缺陷处理方法 |
CN114418968A (zh) * | 2021-12-30 | 2022-04-29 | 广西电网有限责任公司河池供电局 | 一种基于深度学习的输电线路小目标缺陷检测方法 |
CN115222741A (zh) * | 2022-09-20 | 2022-10-21 | 江苏昱恒电气有限公司 | 一种电缆表面缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116452513A (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20230004570A (ko) | 용접의 디지털 데이터 모델을 기반으로 한 현장 검사 방법 | |
EP3176537B1 (en) | System for automated in-process inspection of welds | |
CN108067714B (zh) | 一种薄壁环缝端接质量在线监测与缺陷定位***及方法 | |
CN111451604B (zh) | 一种gtaw电弧熔丝增材制造熄弧处补焊监测反馈方法及*** | |
CN109580652A (zh) | 一种电池极片质量检测方法、电子设备及存储介质 | |
US20230040619A1 (en) | Method Of Monitoring The Quality Of A Weld Bead, Related Welding Station And Computer-Program Product | |
WO2022080015A1 (ja) | 溶接システム、溶接方法、溶接支援装置、プログラム、学習装置、及び学習済みモデルの生成方法 | |
JP4179558B2 (ja) | レーザ溶接品質評価方法および装置 | |
CN109490416A (zh) | 一种应用于双轨式钢轨探伤的焊缝识别方法 | |
CN114789307B (zh) | 一种基于数字孪生的板件焊接质量实时监控方法 | |
JP5679912B2 (ja) | 溶接異常検知方法及び溶接異常検知装置 | |
Xiao et al. | A feature extraction algorithm based on improved Snake model for multi-pass seam tracking in robotic arc welding | |
CN115096891B (zh) | 一种航空发动机叶片智能检查方法 | |
CN108152291B (zh) | 基于熔池动态特征的端缝焊接未熔合缺欠实时检测方法 | |
CN116452513B (zh) | 一种海底电缆皱纹铝护套缺陷自动识别方法 | |
JP2008246536A (ja) | 溶接状況解析装置及び方法 | |
CN114119595A (zh) | 一种基于集成深度学习的gmaw焊接质量在线监测及评价方法 | |
JP2018020356A (ja) | 電縫鋼管の溶接工程の溶接監視方法及び溶接監視装置 | |
CN113814367A (zh) | 一种基于可见光的连铸坯智能切割定尺方法 | |
WO2023068055A1 (ja) | 溶接監視方法及び溶接監視装置、並びに積層造形方法及び積層造形装置 | |
JP5224061B2 (ja) | レーザ溶接品質評価方法及び装置 | |
CN112129774B (zh) | 一种焊接未熔合缺陷在线检测方法 | |
KR20230118341A (ko) | 딥러닝을 이용한 아크 이미지 기반 용접 품질 검사 모델 생성 방법, 용접 품질 검사 모델 생성 장치 및 이를 이용한 아크 이미지 기반 용접 품질 모니터링 장치 | |
CN113996918A (zh) | 一种双光束激光焊接t型接头拼缝检测装置和方法 | |
JP2007310828A (ja) | 電線異常検出方法、電線異常検出装置及び電線異常検出プログラム |
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 |