CN117853482B - 一种基于多尺度的复合材料缺陷检测方法和设备 - Google Patents
一种基于多尺度的复合材料缺陷检测方法和设备 Download PDFInfo
- Publication number
- CN117853482B CN117853482B CN202410244598.2A CN202410244598A CN117853482B CN 117853482 B CN117853482 B CN 117853482B CN 202410244598 A CN202410244598 A CN 202410244598A CN 117853482 B CN117853482 B CN 117853482B
- Authority
- CN
- China
- Prior art keywords
- neural network
- point cloud
- network model
- layer
- defect detection
- 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 54
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 239000002131 composite material Substances 0.000 title claims abstract description 29
- 230000003287 optical effect Effects 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims abstract description 5
- 238000003062 neural network model Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 230000037303 wrinkles Effects 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- 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
- G06T2207/20081—Training; Learning
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本申请提供了基于多尺度的复合材料缺陷检测方法和设备,包括将三维点云数据经过校正后,将(X、Y)数据划分为M×M的格网,进而将三维点云数据的距离维度、强度维数据通过插值算法分别进行映射并进行归一化作为格网对应的灰度值进而得到距离图、强度图;将光学图像用高斯金字塔下采样得到128×128、64×64的特征图D1、D2;将距离图、强度图经过ConvBlock、ResidualBlock得到64×64的特征图D3、D4,D3、D4作为监督层与D2进行融合得到D2’,再将D1、D2’两个尺度的特征图输入多尺度解码,得到两个尺度的缺陷分割图、通过与运算得到最终缺陷检测结果。可以至少用以解决复合材料缺陷检测效率和准确度不够的技术问题。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及基于多尺度的复合材料缺陷检测方法、设备及计算机可读介质。
背景技术
复合材料在现代工业中占据重要地位,因其结合了多种材料的优点,具有高强度、轻质、耐高温、耐腐蚀等特性,广泛应用于航空航天、汽车制造、建筑、电子等各个领域。然而,复合材料的制造过程中可能出现各种缺陷,如气孔、裂纹、脱粘等,这些缺陷会严重影响复合材料的性能和使用寿命。因此,进行复合材料检测至关重要,它能够确保材料的质量和可靠性,为产品的安全生产和长期运行提供保障。
然而,现有的复合材料检测技术仍存在一些缺陷。传统的光学图像检测虽然速度快、成本低,但受光照和表面条件影响较大,对深度信息和细小缺陷的检测能力有限。而点云图像检测虽然能够获取全面的三维信息,对细小缺陷的检测能力强,但速度较慢、成本较高,且容易受到噪声和干扰的影响。因此,需要降低处理时间并提高检测的准确性和效率,满足不断提高的产品质量要求和市场需求。
发明内容
本申请的一个目的是提供一种基于多尺度的复合材料缺陷检测方法和设备,至少用以解决复合材料缺陷检测准确度不高和效率较低的问题。
为实现上述目的,本申请提供了一种基于多尺度的复合材料缺陷检测方法,包括多输入神经网络模型建立、多输入神经网络模型训练、数据采集和预处理、多输入神经网络模型缺陷检测;
步骤S1、建立多输入神经网络模型,所述多输入神经网络模型主干采用多尺度自动编码器网络,还包括一个监督层编码模块分支;将所述监督层编码模块提取特征和多尺度编码模块提取特征融合,特征融合后输入多尺度解码模块;
步骤S2、多输入神经网络模型训练;
步骤S3、采集数据和预处理;
步骤S31、采用点云扫描装置采集待测复合材料的三维点云数据;采用摄像装置采集待测复合材料的光学图像;
步骤S32、将三维点云数据的(X,Y)维度数据通过所述点云扫描装置和所述摄像装置的***校正矩阵进行校正得到(X’,Y’)并划分为256×256的格网,将三维点云数据的距离维度、强度维数据通过插值算法分别进行映射并进行归一化作为格网对应的灰度值进而得到距离图、强度图;
步骤S4、多输入神经网络模型缺陷检测;
步骤S41、多尺度编码模块将光照归一化后的光学图像通过卷积模块和高斯金字塔下采样两次分别得到128×128、64×64的特征图,分别记为D1、D2;
步骤S42、监督层编码模块将距离图、强度图通过Darknet53网络的ConvBlock和3组残差单元ResidualBlock得到64×64的特征图记为D3、D4;D3、D4作为监督层与D2进行融合得到D2’;
步骤S43、将D1和D2’两个尺度的特征图输入多尺度解码,分别通过对应的两解码层,包括多层感知机、三层反卷积层、一层卷积层、一层softmax层,分别得到两个尺度的缺陷分割图、通过与运算得到最终缺陷检测结果。本申请还提供了一种计算机设备包括一个或多个处理器;以及存储有计算机程序指令的存储器,所述计算机程序指令在被执行时使所述处理器执行上述方法。
本申请还提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令可被处理器执行以实现上述方法。
本申请实施例提供的方案中,将三维点云图像转化成二维图像处理,进而能够采用结构更为简单的神经网络架构,相较于直接处理三维点云数据的复杂网络结构极大的减少了缺陷检测处理时间,提高了缺陷检测效率;同时,本申请将三维点云数据转化成的二维距离图和强度图作为监督尺度,与光学图像在高斯处理采样后得到的多尺度数据处理结果进行对应层融合后再输入到解码模块进行重构得到缺陷检测结果,在提高检测效率的同时,更准确地挖掘了光学图像数据和点云数据的特征,进而提高缺陷检测结果的准确度。
附图说明
图1为本申请实施例提供的一种缺陷检测方法的应用环境图;
图2为本申请实施例提供的一种处理模块流程示意图;
图3为本申请实施例提供的一种识别模块流程示意图;
图4为本申请实施例提供的多输入神经网络模型缺陷检测整体示意图;
图5为本申请实施例提供的一种缺陷识别装置的结构框图;
图6为本申请实施例提供的一种电子设备的内部结构图;
图7为本申请实施例提供的一种计算机可读存储介质的内部结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
高精密行业主要的痛点在于对于复合材料
表面的缺陷的深度/高度有着严格的要求(例如凹陷/凸起不能超过多少高度,褶皱不可以超过多高),大部分的缺陷都和高度有关,这导致一般的2D图像不能满足缺陷检测的需求。因此,大部分厂商会引入3D点云数据来获取工业仪器的缺陷高度信息,即利用3D语义分割算法获取并对点云数据进行分类。语义分割算法的本质是为了定位和给出图片中每个像素的类别,其表现能力主要依赖于网络结构的特殊设计。目前受限制于处理时间的要求,3D语义分割算法应用在复合材料缺陷检测中,存在效率低的问题。
基于上述原因,本申请实施例提供了一种缺陷检测方法,该方法可以应用于如图1所示的应用环境中。其中,电子设备102通过通信网络与服务器104进行通信。数据存储***可以存储服务器104需要处理的数据。数据存储***可以集成在服务器104上,也可以放在云上或其他网络服务器上。电子设备102可以与3D线扫设备进行连接。其中,电子设备102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备及便携式可穿戴设备。3D线扫设备可以用于获取3D点云数据。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一些实施例中,如图2所示,提供了一种基于多尺度的缺陷检测方法,以该方法应用于图1中的电子设备102为例进行说明,包括以下步骤:
步骤S1、建立多输入神经网络模型,所述多输入神经网络模型主干采用多尺度自动编码器网络,还包括一个监督层编码模块分支;将所述监督层编码模块提取特征和多尺度编码模块提取特征融合,特征融合后输入多尺度解码模块;
步骤S2、多输入神经网络模型训练;
步骤S3、采集数据和预处理;
步骤S31、采用点云扫描装置采集待测复合材料的三维点云数据;采用摄像装置采集待测复合材料的光学图像;
步骤S32、将三维点云数据的(X,Y)维度数据通过所述点云扫描装置和所述摄像装置的***校正矩阵进行校正得到(X’,Y’)并划分为256×256的格网,将三维点云数据的距离维度、强度维数据通过插值算法分别进行映射并进行归一化作为格网对应的灰度值进而得到距离图、强度图;
步骤S4、多输入神经网络模型缺陷检测;
步骤S41、多尺度编码模块将光照归一化后的光学图像通过卷积模块和高斯金字塔下采样两次分别得到128×128、64×64的特征图,分别记为D1、D2;
步骤S42、监督层编码模块将距离图、强度图通过Darknet53网络的ConvBlock和3组残差单元ResidualBlock得到64×64的特征图记为D3、D4;D3、D4作为监督层与D2进行融合得到D2’;
步骤S43、将D1和D2’两个尺度的特征图输入多尺度解码,分别通过对应的两解码层,包括多层感知机、三层反卷积层、一层卷积层、一层softmax层,分别得到两个尺度的缺陷分割图、通过与运算得到最终缺陷检测结果。
在本申请一些实施例中,所述步骤S2包括:
步骤S21.获取复合材料对应的样本光学图像、样本三维点云数据,所述样本三维点云数据对应的样本距离图、强度图,以及对应的的样本缺陷区域图像,构成样本数据集;
步骤S22.将所述样本数据集分批训练多输入神经网络模型,计算损失函数,然后神经网络进行反向传播修正网络参数进行学习训练,直到精度达到预设要求。
在本申请一些实施例中,多输入神经网络模型训练采用如下损失函数:
,
其中xi为第i幅训练图像的标注值,xi’为第i幅训练图像的预测值,||ω||F为正则化项,λ是设定的正则项系数,ω是神经网络模型参数。
在本申请一些实施例中,所述步骤S4还包括:
步骤S441、将多输入神经网络模型输出的缺陷检测结果映射至三维点云数据;
步骤S441、将缺陷检测结果在光学图像和三维点云数据上进行显示作为复合材料评估指标。
在一些实施例中,如图5所示,提供了一种缺陷检测装置,包括:
建立模块,用于建立多输入神经网络模型,所述多输入神经网络模型主干采用多尺度自动编码器网络,还包括一个监督层编码模块分支;将所述监督层编码模块提取特征和多尺度编码模块提取特征融合,特征融合后输入多尺度解码模块。
训练模块,用于多输入神经网络模型训练;
处理模块,用于采用点云扫描装置采集待测复合材料的三维点云数据;采用摄像装置采集待测复合材料的光学图像;将三维点云数据的(X,Y)维度数据通过所述点云扫描装置和所述摄像装置的***校正矩阵进行校正得到(X’,Y’)并划分为256×256的格网,将三维点云数据的距离维度、强度维数据通过插值算法分别进行映射并进行归一化作为格网对应的灰度值进而得到距离图、强度图。
识别模块,用于采用多尺度编码模块将光照归一化后的光学图像通过卷积模块和高斯金字塔下采样两次分别得到128×128、64×64的特征图,分别记为D1、D2;采用监督层编码模块将距离图、强度图通过Darknet53网络的ConvBlock和3组残差单元ResidualBlock得到64×64的特征图记为D3、D4;D3、D4作为监督层与D2进行融合得到D2’;将将D1和D2’两个尺度的特征图输入多尺度解码,分别通过对应的两解码层,包括多层感知机、三层反卷积层、一层卷积层、一层softmax层,分别得到两个尺度的缺陷分割图、通过与运算得到最终缺陷检测结果。
本发明通过多输入神经网络架构训练学习复合材料表面缺陷类型,融合点云数据和图像数据两种数据类型提高网络识别精度。本发明具有能够满足实际航天复合材料生产精度的检测效率和检测精度,相对于传统的人工目测具有高效、可靠等优势,符合了新一代智能航天制造技术的趋势。
在一些实施例中,提供了一种电子设备,该电子设备可以是终端,其内部结构图可以如图6所示。该电子设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)、通信接口、显示单元及输入装置。其中,处理器、存储器和输入/输出接口通过***总线连接,通信接口通过输入/输出接口连接到***总线。其中,该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该电子设备的输入/输出接口用于处理器与外部设备之间交换信息。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现上述缺陷检测方法的步骤。该电子设备的显示单元可以是液晶显示屏或者电子墨水显示屏,该电子设备的输入装置可以是显示屏上覆盖的触摸层,也可以是电子设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的电子设备的限定,具体的电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一些实施例中,还提供了一种电子设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时用于实现上述缺陷检测方法实施例中的步骤。
在一些实施例中,如图7所示,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述缺陷检测方法实施例中的步骤。
在一些实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述缺陷检测方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(FerroelectricRandom Access Memory,FRAM)、相变存储器(Phase Change 7Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(StaticRandom Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (6)
1.一种基于多尺度的复合材料缺陷检测方法,其特征在于,包括多输入神经网络模型建立模块、多输入神经网络模型训练模块、数据采集和预处理模块、多输入神经网络模型缺陷检测模块;
步骤S1、建立多输入神经网络模型,所述多输入神经网络模型主干采用多尺度自动编码器网络,还包括一个监督层编码模块分支;将所述监督层编码模块提取特征和多尺度编码模块提取特征融合,特征融合后输入多尺度解码模块;
步骤S2、多输入神经网络模型训练;
步骤S3、采集数据和预处理;
步骤S31、采用点云扫描装置采集待测复合材料的三维点云数据;采用摄像装置采集待测复合材料的光学图像;
步骤S32、将三维点云数据的(X,Y)维度数据通过所述点云扫描装置和所述摄像装置的***校正矩阵进行校正得到(X’,Y’)并划分为256×256的格网,将三维点云数据的距离维度、强度维数据通过插值算法分别进行映射并进行归一化作为格网对应的灰度值进而得到距离图、强度图;
步骤S4、输入神经网络模型缺陷检测;
步骤S41、多尺度编码模块将光照归一化后的光学图像通过卷积模块和高斯金字塔下采样两次分别得到128×128、64×64的特征图,分别记为D1、D2;
步骤S42、监督层编码模块将距离图、强度图通过Darknet53网络的ConvBlock和3组残差单元ResidualBlock得到64×64的特征图记为D3、D4;D3、D4作为监督层与D2进行融合得到D2’;
步骤S43、将D1和D2’两个尺度的特征图输入多尺度解码,分别通过对应的两解码层,包括多层感知机、三层反卷积层、一层卷积层、一层softmax层,分别得到两个尺度的缺陷分割图、通过与运算得到最终缺陷检测结果。
2.根据权利要求1所述的方法,其特征在于,所述步骤S2包括:
步骤S21.获取复合材料对应的样本光学图像、样本三维点云数据,所述样本三维点云数据对应的样本距离图、强度图,以及对应的的样本缺陷区域图像,构成样本数据集;
步骤S22.将所述样本数据集分批训练多输入神经网络模型,计算损失函数,然后神经网络进行反向传播修正网络参数进行学习训练,直到精度达到预设要求。
3.根据权利要求1所述的方法,其特征在于,多输入神经网络模型训练采用如下损失函数:
,
其中xi为第i幅训练图像的标注值,xi’为第i幅训练图像的预测值,||ω||F为正则化项,λ是设定的正则项系数,ω是神经网络模型参数。
4.根据权利要求1所述的方法,其特征在于,述步骤S4还包括:
步骤S441、将多输入神经网络模型输出的缺陷检测结果映射至三维点云数据;
步骤S441、将缺陷检测结果在光学图像和三维点云数据上进行显示作为复合材料评估指标。
5.一种计算机设备,其特征在于,所述设备包括:
一个或多个处理器;以及
存储有计算机程序指令的存储器,所述计算机程序指令在被执行时使所述处理器执行如权利要求1-4任一项所述的方法。
6.一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令可被处理器执行以实现如权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410244598.2A CN117853482B (zh) | 2024-03-05 | 2024-03-05 | 一种基于多尺度的复合材料缺陷检测方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410244598.2A CN117853482B (zh) | 2024-03-05 | 2024-03-05 | 一种基于多尺度的复合材料缺陷检测方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117853482A CN117853482A (zh) | 2024-04-09 |
CN117853482B true CN117853482B (zh) | 2024-05-07 |
Family
ID=90532832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410244598.2A Active CN117853482B (zh) | 2024-03-05 | 2024-03-05 | 一种基于多尺度的复合材料缺陷检测方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117853482B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112701060A (zh) * | 2021-03-24 | 2021-04-23 | 惠州高视科技有限公司 | 半导体芯片焊线的检测方法及装置 |
CN113393426A (zh) * | 2021-05-24 | 2021-09-14 | 南京耘瞳科技有限公司 | 一种轧钢板表面缺陷检测方法 |
CN115131330A (zh) * | 2022-07-15 | 2022-09-30 | 北京铁科英迈技术有限公司 | 多源传感器融合的钢轨表面缺陷检测与测量方法及*** |
CN115728309A (zh) * | 2022-11-18 | 2023-03-03 | 武汉大学 | 一种喷墨打印线路缺陷识别方法及工艺调控方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10474160B2 (en) * | 2017-07-03 | 2019-11-12 | Baidu Usa Llc | High resolution 3D point clouds generation from downsampled low resolution LIDAR 3D point clouds and camera images |
-
2024
- 2024-03-05 CN CN202410244598.2A patent/CN117853482B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112701060A (zh) * | 2021-03-24 | 2021-04-23 | 惠州高视科技有限公司 | 半导体芯片焊线的检测方法及装置 |
CN113393426A (zh) * | 2021-05-24 | 2021-09-14 | 南京耘瞳科技有限公司 | 一种轧钢板表面缺陷检测方法 |
CN115131330A (zh) * | 2022-07-15 | 2022-09-30 | 北京铁科英迈技术有限公司 | 多源传感器融合的钢轨表面缺陷检测与测量方法及*** |
CN115728309A (zh) * | 2022-11-18 | 2023-03-03 | 武汉大学 | 一种喷墨打印线路缺陷识别方法及工艺调控方法 |
Non-Patent Citations (2)
Title |
---|
基于生成对抗网络和RetinaNet的销钉缺陷识别;王健;王凯;刘刚;周文青;周子凯;;华南理工大学学报(自然科学版);20200215(第02期);全文 * |
移动机器人目标识别与定位算法发展综述;李兆冬;陶进;安旭阳;;车辆与动力技术;20200315(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117853482A (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10963632B2 (en) | Method, apparatus, device for table extraction based on a richly formatted document and medium | |
CN115829999A (zh) | 一种绝缘子缺陷检测模型生成方法、装置、设备和存储介质 | |
CN112434586B (zh) | 一种基于域自适应学习的多复杂场景目标检测方法 | |
CN112001399B (zh) | 基于局部特征显著化的图像场景分类方法和装置 | |
CN113283419A (zh) | 基于注意力的卷积神经网络指针式仪表图像读数识别方法 | |
CN114898357B (zh) | 缺陷识别方法、装置、电子设备及计算机可读存储介质 | |
CN117726885B (zh) | 一种基于三维几何自注意力机制的车身缝隙分类方法 | |
Lu et al. | Bridge crack detection based on improved single shot multi-box detector | |
CN117576108B (zh) | 晶圆缺陷检测的可视化优化方法、装置和计算机设备 | |
CN114863201A (zh) | 三维检测模型的训练方法、装置、计算机设备和存储介质 | |
CN117853482B (zh) | 一种基于多尺度的复合材料缺陷检测方法和设备 | |
Oga et al. | River state classification combining patch-based processing and CNN | |
CN116542980B (zh) | 缺陷检测方法、装置、计算机设备、存储介质和程序产品 | |
CN106897683B (zh) | 一种遥感图像的地物检测方法及*** | |
CN116596935A (zh) | 形变检测方法、装置、计算机设备及计算机可读存储介质 | |
Wei et al. | 3D face image inpainting with generative adversarial nets | |
CN116051959A (zh) | 一种目标检测方法、装置 | |
Tao et al. | Anomaly detection for fabricated artifact by using unstructured 3D point cloud data | |
CN113139540B (zh) | 背板检测方法及设备 | |
CN115063473A (zh) | 物体高度的检测方法、装置、计算机设备、存储介质 | |
CN116844058B (zh) | 一种指针式仪表示数的识别方法、装置、设备及存储介质 | |
CN115761239B (zh) | 一种语义分割方法及相关装置 | |
CN117152141A (zh) | 缺陷检测方法、装置、计算机设备、存储介质和产品 | |
CN116861346A (zh) | 一种异常检测方法以及异常检测*** | |
CN118351520A (zh) | 仪表读数识别方法、装置、计算机设备和可读存储介质 |
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 |