CN117576105B - 基于人工智能的管道生产控制方法及*** - Google Patents
基于人工智能的管道生产控制方法及*** Download PDFInfo
- Publication number
- CN117576105B CN117576105B CN202410066314.5A CN202410066314A CN117576105B CN 117576105 B CN117576105 B CN 117576105B CN 202410066314 A CN202410066314 A CN 202410066314A CN 117576105 B CN117576105 B CN 117576105B
- Authority
- CN
- China
- Prior art keywords
- image
- pipeline
- gradient
- difference
- pixel point
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 20
- 238000000195 production control method Methods 0.000 title claims abstract description 17
- 238000004519 manufacturing process Methods 0.000 claims abstract description 17
- 230000004044 response Effects 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 6
- 230000002950 deficient Effects 0.000 abstract description 2
- 238000005286 illumination Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 4
- 238000005498 polishing Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 239000004743 Polypropylene Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 229920001155 polypropylene Polymers 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 238000007517 polishing process Methods 0.000 description 1
- -1 polypropylene Polymers 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0014—Image feed-back for automatic industrial control, e.g. robot with camera
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Robotics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及管道生产领域,更具体地,本发明涉及基于人工智能的管道生产控制方法及***。所述方法包括:获取初始灰度图像集、标准管道图像和待增强管道图像;计算像素点的权重,将权重作为卷积模板对应位置的权重值,获得加权自适应卷积模板,并利用加权自适应卷积模板对待增强管道图像进行卷积处理,获得增强后管道图像;标记增强后管道图像中的凹陷区域位置和形状,响应于检测到管道图像中存在标记,发出停止生产流程的信号。通过本发明的技术方案,能够使管道生产过程中凹陷区域的边缘和轮廓更加突出,凹陷区域标记识别更加准确,降低次品管道数量,提高管道生产的质量。
Description
技术领域
本发明一般地涉及管道生产领域。更具体地,本发明涉及基于人工智能的管道生产控制方法及***。
背景技术
在管道生产加工的过程中,难免会出现一些表面有凹陷区域的管道,这些凹陷区域会使管道强度下降,严重情况会发生破裂或泄漏,而且凹陷区域部分可能会改变管道的形状,从而增加水流或气流的阻力,这可能会导致管道流量减少,影响管道的输送效率。所以在生产过程中对管道表面进行质量检测,确保管道后续的安全使用。
现有的凹陷区域检测技术有,先使用高斯拉普拉斯算子(Laplacian ofGaussian, LoG)滤波处理后,再使用轮廓检测算法标注出每个凹陷区域的位置和形状。由于现有的滤波方法在进行凹陷区域增强时,如果凹陷区域不明显,即梯度值小,则滤波增强效果不佳,对后续的凹陷区域检测的准确性不高。
发明内容
为解决上述一个或多个技术问题,本发明提出基于人工智能的管道生产控制方法及***。为此,本发明在如下的多个方面中提供方案。
基于人工智能的管道生产控制方法,包括以下步骤:获取历史中包含多张灰度图像的初始灰度图像集、预设的标准管道图像和待增强管道图像;将所述初始灰度图像集内的每张灰度图像分别与所述标准管道图像做差获得差值图像集;计算所述差值图像集内每个差值图像的像素点梯度值,以获得梯度图像集,从而构建特征梯度图;通过预设的聚类算法对所述特征梯度图中所有像素点聚类,以获得凸包;计算所述差值图像集中任意像素点的差值均值;根据所述凸包的面积和所述差值均值计算所述任意像素点的权重,所述权重用来表示所述任意像素点属于凹陷区域的可能性;对所述权重进行归一化处理,作为卷积模板对应位置的权重值,从而获得加权自适应卷积模板;利用所述加权自适应卷积模板对所述待增强管道图像进行卷积处理,获得增强后管道图像;标记增强后管道图像中的凹陷区域位置和形状,响应于检测到管道图像中存在标记,发出停止生产流程的信号。
在一个实施例中,获取所述初始灰度图像集包括步骤:设置好光源的斜射角度;保持所述斜射角度不变,通过多个方向对管道进行打光拍摄,获得多个初始管道图像;对所述初始管道图像进行灰度化处理,获得多个初始灰度图像,构建初始灰度图像集。
在一个实施例中,所述构建特征梯度图包括步骤:计算所述梯度图像集中第一目标位置像素点的平均梯度,所述第一目标位置为梯度图像中的任意位置;将所述平均梯度作为所述特征梯度图第一目标位置的数值,所述特征梯度图目标位置的数值满足关系式:
其中,表示特征梯度图第一目标位置像素点/>的梯度值,/>表示第/>个梯度图像第一目标位置像素点/>的梯度值,/>表示梯度图像的个数。
遍历梯度图像内所有位置的像素点梯度值;获得特征梯度图所有位置的像素点梯度值,以完成特征梯度图的构建。
在一个实施例中,所述获得凸包包括步骤:基于像素点梯度值和像素点坐标对所述特征梯度图聚类,获得多个聚类簇;通过格拉翰算法对聚类簇处理以获得凸包,其中,聚类簇个数和凸包个数一一对应。
在一个实施例中,获取所述差值均值包括步骤:计算所述差值图像集中第二目标位置的差值均值,所述第二目标位置为差值图像中的任意位置,所述差值均值满足关系式:
其中,表示第二目标位置像素点/>的差值均值,/>表示第/>个差值图像第二目标位置像素点/>的差值,/>表示差值图像的个数。
在一个实施例中,所述像素点的权重满足关系式:
其中,表示像素点/>的权重,/>表示像素点/>的差值均值,/>表示像素点/>所在的凸包面积。
本发明具有以下技术效果:
本发明通过一种加权自适应卷积模板,卷积处理后实现图像增强,使得凹陷区域的边缘和轮廓更为突出且较为准确,增强对凹陷区域的感知,提高滤波对凹陷区域的敏感性,对后续的处理结果也会更加精确,最终达到提高对凹陷区域的识别检测的准确性。在管道的实际生产过程中降低次品管道数量,提高管道生产的良品率。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是本发明实施例基于人工智能的管道生产控制方法的流程图。
图2是本发明实施例基于人工智能的管道生产控制***的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中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,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当本发明的权利要求、说明书及附图使用术语“第一”、“第二”等时,其仅是用于区别不同对象,而不是用于描述特定顺序。本发明的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
本发明提供了基于人工智能的管道生产控制方法。如图1所示,基于人工智能的管道生产控制方法包括步骤S1-步骤S3,以下具体说明。
S1,获取初始灰度图像集、标准管道图像和待增强管道图像。
在一个实施例中,对生产完成的管道进行拍摄,示例性的,管道选择PP-R(聚丙烯)冷热水给水管,PP-R冷水给水管是一种常用于建筑和工业领域的塑料管道,管道大致为白色和灰色。对管道进行打光处理的同时进行拍摄,打光可以使管道上的凹陷区域形成阴影,在每个方向对图像进行打光时,凹陷区域阴影的大小、方向和深浅均不相同。
设置好光源的斜射角度,示例性的,斜射角度设置为;保持斜射角度不变,通过多个方向对管道进行打光拍摄,获得多个初始管道图像;对初始管道图像进行灰度化处理,获得多个初始灰度图像,构建初始灰度图像集。
通过俯视打光采集获得光照均匀分布的俯视光照管道图像,将俯视光照管道图像作为标准管道图像。
通过俯视拍摄一张图像作为待增强管道图像,用于后续处理,其中,拍摄待增强管道图像时不经过打光处理。
至此,能够获得初始灰度图像集、标准管道图像和待增强管道图像。
S2,计算像素点的权重,将权重作为卷积模板对应位置的权重值,获得加权自适应卷积模板,并利用加权自适应卷积模板对待增强管道图像进行卷积处理,获得增强后管道图像。
在一个实施例中,将初始灰度图像集中任意一个灰度图像与标准管道图像做差取绝对值获得对应的差值图像,构建差值图像集。其中,由于在打光处理下,同一凹陷区域在不同光照方向下会产生不同的阴影,所以差值图像中像素点值越大,越可能为凹陷区域。
凹陷区域不同,光照不同,影响阴影的形成大小也不同,为了获取准确的凹陷区域,使用Sobel(索贝尔)算子计算差值图像集中每个差值图像的像素点梯度值,从而构建差值图像集的梯度图像集,此外,由于凹陷区域的局部边界的梯度值偏大于其他非凹陷区域边界的梯度值,所以差值图像中的高梯度区域为凹陷区域的可能性较大。
基于梯度图像集构建特征梯度图,构建方法为:计算梯度图像集中第一目标位置像素点的平均梯度,第一目标位置为梯度图像中的任意位置;将平均梯度作为特征梯度图第一目标位置的数值,特征梯度图目标位置的数值满足关系式:
其中,表示特征梯度图第一目标位置像素点/>的梯度值,/>表示第/>个梯度图像第一目标位置像素点/>的梯度值,/>表示梯度图像的个数。
遍历梯度图像内所有位置的像素点梯度值;获得特征梯度图所有位置的像素点梯度值,以完成特征梯度图的构建。
在一个实施例中,通过预设的聚类算法对特征梯度图中所有像素点聚类,聚类的依据为特征梯度图像素点梯度值和坐标,其中,像素点的坐标为,特征梯度图像素点梯度值为z,共同构建一个三维坐标,在使用预设的聚类算法时,对多个特征值进行聚合分类,既要考虑像素点梯度值的相似性,也要考虑像素点的坐标位置。示例性的,预设的聚类算法包括DBSCAN(Density-Based Spatial Clustering of Applications with Noise 密度聚类)、层次聚类、谱聚类、K-means(K均值聚类)等,本发明采用K-means聚类算法,设K值为10,即分为10个聚类簇,其中,K值为预设值,本领域技术人员可根据实际场景确定合适的K值。通过格拉翰算法对聚类簇处理以获得凸包,聚类簇个数和凸包个数一一对应,即获得了10个凸包。示例性的,格拉翰算法为Graham(格拉翰)扫描法对聚类簇处理以获得凸包。
凸包的定义:凸包是一个凸集合,它是包含给定点集合中所有点的最小凸多边形或凸多面体。在二维空间中,凸包是一个凸多边形;在三维或更高维空间中,凸包是一个凸多面体,直观地说,凸包就是一个尽量“包裹”住给定点集的凸形状,使得该凸形状的边界没有凹陷。凸包问题在计算几何学、图形学、计算机视觉等领域都有重要应用。
计算每个凸包的凸包面积,其中,若出现聚类簇中像素点较为聚集,那么凸包表现出一个较小的区域,区域分布集中,则该区域属于凹陷区域的可能性的值越大。示例性的,计算凸包面积的算法可以为Heron's formula(海伦公式)。
计算差值图像集中第二目标位置的差值均值,第二目标位置为差值图像中的任意位置,差值均值满足关系式:
其中,表示第二目标位置像素点/>的差值均值,/>表示第/>个差值图像第二目标位置像素点/>的差值,/>表示差值图像的个数。
在一个实施例中,由于一个像素点可能出现被至少两个凸包所包含,所以要比较包含同一像素点的多个凸包面积大小,选择面积最小的凸包表示该像素点为凹陷区域像素点的可能性。
基于所述任意像素点的差值均值和包含所述任意像素点的最小凸包面积,计算所述任意像素点的权重,所述任意像素点的权重满足关系式:
其中,表示像素点/>的权重,/>表示像素点/>的差值均值,/>表示像素点/>所在的凸包面积。/>和/>均为归一化手段。
将所述任意像素点的权重作为卷积模板对应位置的权重值,获得加权自适应卷积模板。
利用加权自适应卷积模板对待增强管道图像进行卷积处理,获得增强后管道图像。
至此,能够获得加权自适应卷积模板和增强后管道图像。
S3,标记增强后管道图像中的凹陷区域位置和形状,响应于检测到管道图像中存在标记,发出停止生产流程的信号。
在一个实施例中,对增强后管道图像使用Sobel算子进行梯度处理,以获得增强后管道梯度图像,在使用加权自适应卷积模板处理后,增强后管道梯度图像中的边缘和轮廓信息更为突出和准确,在增强后管道梯度图像中,查找并绘制出各个凹陷区域的轮廓,同样的这些轮廓也更为明显和清晰,最终得到了一个二值化的轮廓图像。
将轮廓图像中每个轮廓分配一个唯一的标签,得到一个标记图像,每个轮廓在标记图像中是一个具有相同标签的区域。对标记图像使用分水岭算法进行分割,得到各个分割目标的轮廓。
将得到的各个分割目标的轮廓添加到增强后管道图像上,为每个凹陷区域轮廓创建一个掩码,其中凹陷区域轮廓标记为1,其他位置标记为0,将每个凹陷区域轮廓的掩码与原始图像进行按位与运算,则目标轮廓的位置会被保留下来,其他位置会被设置为0。
将运算结果与原始图像进行叠加,可以通过使用随机颜色来替换保留的目标轮廓位置的像素值,示例性的,本发明采用绿色替换保留的目标轮廓位置的像素值,从而使每个凹陷区域标识为绿色,使得分割结果更加易于识别和分析。
对增强后管道图像标记后,响应于检测到管道图像中存在标记,则停止被标记的管道所在生产线并进行巡检,完成对管道生产的控制。
本发明实施例还公开基于人工智能的管道生产控制***,参照图2,包括处理器和存储器,存储器存储有计算机程序指令,当计算机程序指令被处理器执行时实现根据本发明的基于人工智能的管道生产控制方法。
上述***还包括通信总线和通信接口等本领域技术人员熟知的其他组件,其设置和功能为本领域中已知,因此在此不再赘述。
在本发明中,前述的存储器可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。例如,计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质,比如,阻变式存储器RRAM (Resistive RandomAccess Memory)、动态随机存取存储器DRAM (Dynamic Random Access Memory)、静态随机存取存储器SRAM (Static Random-Access Memory)、增强动态随机存取存储器EDRAM(Enhanced Dynamic Random Access Memory)、高带宽内存HBM (High-BandwidthMemory)、混合存储立方HMC (Hybrid Memory Cube)等,或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
虽然本说明书已经示出和描述了本发明的多个实施例,但对于本领域技术人员显而易见的是,这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中,可以采用对本文所描述的本发明实施例的各种替代方案。
以上均为本发明的较佳实施例,并非依此限制本发明的保护范围,故:凡依本发明的结构、形状、原理所做的等效变化,均应涵盖于本发明的保护范围之内。
Claims (6)
1.基于人工智能的管道生产控制方法,其特征在于,包括以下步骤:
获取历史中包含多张灰度图像的初始灰度图像集、预设的标准管道图像和待增强管道图像;
将所述初始灰度图像集内的每张灰度图像分别与所述标准管道图像做差获得差值图像集;
计算所述差值图像集内每个差值图像的像素点梯度值,以获得梯度图像集,从而构建特征梯度图;
通过预设的聚类算法对所述特征梯度图中所有像素点聚类,以获得凸包;
计算所述差值图像集中任意像素点的差值均值;
根据所述凸包的面积和所述差值均值计算所述任意像素点的权重,所述权重用来表示所述任意像素点属于凹陷区域的可能性;
对所述权重进行归一化处理,作为卷积模板对应位置的权重值,从而获得加权自适应卷积模板;
利用所述加权自适应卷积模板对所述待增强管道图像进行卷积处理,获得增强后管道图像;
标记增强后管道图像中的凹陷区域位置和形状,响应于检测到管道图像中存在标记,发出停止生产流程的信号;
所述权重满足关系式:
其中,表示像素点/>的权重,/>表示像素点/>的差值均值,/>表示像素点/>所在的凸包面积。
2.根据权利要求1所述的基于人工智能的管道生产控制方法,其特征在于,获取所述初始灰度图像集包括步骤:
设置好光源的斜射角度;
保持所述斜射角度不变,通过多个方向对管道进行打光拍摄,获得多个初始管道图像;
对所述初始管道图像进行灰度化处理,获得多个初始灰度图像,构建初始灰度图像集。
3.根据权利要求1所述的基于人工智能的管道生产控制方法,其特征在于,所述构建特征梯度图包括步骤:
计算所述梯度图像集中第一目标位置像素点的平均梯度,所述第一目标位置为梯度图像中的任意位置;
将所述平均梯度作为所述特征梯度图第一目标位置的数值,所述特征梯度图目标位置的数值满足关系式:
其中,表示特征梯度图第一目标位置像素点/>的梯度值,/>表示第/>个梯度图像第一目标位置像素点/>的梯度值,/>表示梯度图像的个数;
遍历梯度图像内所有位置的像素点梯度值;
获得特征梯度图所有位置的像素点梯度值,以完成特征梯度图的构建。
4.根据权利要求1所述的基于人工智能的管道生产控制方法,其特征在于,所述获得凸包包括步骤:
基于像素点梯度值和像素点坐标对所述特征梯度图聚类,获得多个聚类簇;
通过格拉翰算法对聚类簇处理以获得凸包,其中,聚类簇个数和凸包个数一一对应。
5.根据权利要求1所述的基于人工智能的管道生产控制方法,其特征在于,获取所述差值均值包括步骤:
计算所述差值图像集中第二目标位置的差值均值,所述第二目标位置为差值图像中的任意位置,所述差值均值满足关系式:
其中,表示第二目标位置像素点/>的差值均值,/>表示第/>个差值图像第二目标位置像素点/>的差值,/>表示差值图像的个数。
6.基于人工智能的管道生产控制***,其特征在于,包括:
处理器;以及存储器,所述存储器存储用于基于人工智能的管道生产控制方法的计算机指令,当所述计算机指令由所述处理器运行时,使得设备执行根据权利要求1-5的任意一项所述的基于人工智能的管道生产控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410066314.5A CN117576105B (zh) | 2024-01-17 | 2024-01-17 | 基于人工智能的管道生产控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410066314.5A CN117576105B (zh) | 2024-01-17 | 2024-01-17 | 基于人工智能的管道生产控制方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117576105A CN117576105A (zh) | 2024-02-20 |
CN117576105B true CN117576105B (zh) | 2024-03-29 |
Family
ID=89892279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410066314.5A Active CN117576105B (zh) | 2024-01-17 | 2024-01-17 | 基于人工智能的管道生产控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117576105B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104637046A (zh) * | 2013-11-13 | 2015-05-20 | 索尼公司 | 图像检测方法和装置 |
CN109559302A (zh) * | 2018-11-23 | 2019-04-02 | 北京市新技术应用研究所 | 基于卷积神经网络的管道视频缺陷检测方法 |
CN109800824A (zh) * | 2019-02-25 | 2019-05-24 | 中国矿业大学(北京) | 一种基于计算机视觉与机器学习的管道缺陷识别方法 |
CN111127429A (zh) * | 2019-12-24 | 2020-05-08 | 魏志康 | 基于自训练深度神经网络的水利***管螺纹缺陷检测方法 |
WO2021146935A1 (zh) * | 2020-01-21 | 2021-07-29 | 京东方科技集团股份有限公司 | 图像缺陷确定方法与装置、电子设备及存储介质 |
CN113436162A (zh) * | 2021-06-23 | 2021-09-24 | 湖南国天电子科技有限公司 | 一种水下机器人液压油管道表面焊缝缺陷识别方法及装置 |
CN113515661A (zh) * | 2021-07-16 | 2021-10-19 | 广西师范大学 | 一种基于过滤深度卷积特征的图像检索方法 |
CN115082887A (zh) * | 2022-07-14 | 2022-09-20 | 深圳市豪恩汽车电子装备股份有限公司 | 机动车道路辅助线检测***及其图像处理装置和方法 |
CN115311289A (zh) * | 2022-10-12 | 2022-11-08 | 南通甜享纺织品有限公司 | 一种素色布匹油渍缺陷检测方法 |
CN117036255A (zh) * | 2023-07-21 | 2023-11-10 | 北京北排建设有限公司 | 一种基于深度学习的管道缺陷检测与评价方法及装置 |
CN117252917A (zh) * | 2023-11-14 | 2023-12-19 | 宝鸡市钛程金属复合材料有限公司 | 基于图像处理的船用复合板生产控制方法 |
WO2024002187A1 (zh) * | 2022-06-30 | 2024-01-04 | 中兴通讯股份有限公司 | 缺陷检测方法、缺陷检测设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950508B (zh) * | 2021-03-12 | 2022-02-11 | 中国矿业大学(北京) | 一种基于计算机视觉的排水管道视频数据修复方法 |
-
2024
- 2024-01-17 CN CN202410066314.5A patent/CN117576105B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104637046A (zh) * | 2013-11-13 | 2015-05-20 | 索尼公司 | 图像检测方法和装置 |
CN109559302A (zh) * | 2018-11-23 | 2019-04-02 | 北京市新技术应用研究所 | 基于卷积神经网络的管道视频缺陷检测方法 |
CN109800824A (zh) * | 2019-02-25 | 2019-05-24 | 中国矿业大学(北京) | 一种基于计算机视觉与机器学习的管道缺陷识别方法 |
CN111127429A (zh) * | 2019-12-24 | 2020-05-08 | 魏志康 | 基于自训练深度神经网络的水利***管螺纹缺陷检测方法 |
WO2021146935A1 (zh) * | 2020-01-21 | 2021-07-29 | 京东方科技集团股份有限公司 | 图像缺陷确定方法与装置、电子设备及存储介质 |
CN113436162A (zh) * | 2021-06-23 | 2021-09-24 | 湖南国天电子科技有限公司 | 一种水下机器人液压油管道表面焊缝缺陷识别方法及装置 |
CN113515661A (zh) * | 2021-07-16 | 2021-10-19 | 广西师范大学 | 一种基于过滤深度卷积特征的图像检索方法 |
WO2024002187A1 (zh) * | 2022-06-30 | 2024-01-04 | 中兴通讯股份有限公司 | 缺陷检测方法、缺陷检测设备及存储介质 |
CN115082887A (zh) * | 2022-07-14 | 2022-09-20 | 深圳市豪恩汽车电子装备股份有限公司 | 机动车道路辅助线检测***及其图像处理装置和方法 |
CN115311289A (zh) * | 2022-10-12 | 2022-11-08 | 南通甜享纺织品有限公司 | 一种素色布匹油渍缺陷检测方法 |
CN117036255A (zh) * | 2023-07-21 | 2023-11-10 | 北京北排建设有限公司 | 一种基于深度学习的管道缺陷检测与评价方法及装置 |
CN117252917A (zh) * | 2023-11-14 | 2023-12-19 | 宝鸡市钛程金属复合材料有限公司 | 基于图像处理的船用复合板生产控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117576105A (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107093205B (zh) | 一种基于无人机图像的三维空间建筑物窗户检测重建方法 | |
CN111640157B (zh) | 一种基于神经网络的棋盘格角点检测方法及其应用 | |
CN109740665A (zh) | 基于专家知识约束的遮挡图像船只目标检测方法及*** | |
Zhou et al. | Neurvps: Neural vanishing point scanning via conic convolution | |
JP2019032830A (ja) | 対象オブジェクトをつかみ取るための把持姿勢を検出するシステム及び方法 | |
CN110490913B (zh) | 基于角点与单线段编组的特征描述算子进行影像匹配方法 | |
CN105809651B (zh) | 基于边缘非相似性对比的图像显著性检测方法 | |
CN105096317A (zh) | 一种复杂背景中的高性能相机全自动标定方法 | |
CN108710916B (zh) | 图片分类的方法及装置 | |
CN106709500B (zh) | 一种图像特征匹配的方法 | |
Spezialetti et al. | Learning to orient surfaces by self-supervised spherical cnns | |
CN106127258B (zh) | 一种目标匹配方法 | |
CN111507976A (zh) | 基于多角度成像的缺陷检测方法及*** | |
CN113888461A (zh) | 基于深度学习的小五金件缺陷检测方法、***及设备 | |
CN114972377A (zh) | 基于移动最小二乘法与超体素的3d点云分割方法和装置 | |
CN112541889A (zh) | 一种多层级模型的复杂纹理对象表面缺陷检测方法 | |
CN111199558A (zh) | 一种基于深度学习的图像匹配方法 | |
CN113516619A (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
CN112257721A (zh) | 一种基于Fast ICP的图像目标区域匹配方法 | |
Chen et al. | Shape similarity intersection-over-union loss hybrid model for detection of synthetic aperture radar small ship objects in complex scenes | |
Ma et al. | Hierarchical Sea‐Land Segmentation for Panchromatic Remote Sensing Imagery | |
CN113674218A (zh) | 焊缝特征点提取方法、装置、电子设备与存储介质 | |
Kallasi et al. | Computer vision in underwater environments: A multiscale graph segmentation approach | |
CN117576105B (zh) | 基于人工智能的管道生产控制方法及*** | |
CN111179271B (zh) | 一种基于检索匹配的物体角度信息标注方法及电子设备 |
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 |