CN111539923B - 一种焊缝缺陷的数字射线检测方法、系统及服务器 - Google Patents
一种焊缝缺陷的数字射线检测方法、系统及服务器 Download PDFInfo
- Publication number
- CN111539923B CN111539923B CN202010305972.7A CN202010305972A CN111539923B CN 111539923 B CN111539923 B CN 111539923B CN 202010305972 A CN202010305972 A CN 202010305972A CN 111539923 B CN111539923 B CN 111539923B
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- defect
- detection
- report
- 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 136
- 238000001514 detection method Methods 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 48
- 238000012544 monitoring process Methods 0.000 claims abstract description 24
- 238000007639 printing Methods 0.000 claims abstract description 18
- 238000003860 storage Methods 0.000 claims abstract description 17
- 238000006243 chemical reaction Methods 0.000 claims abstract description 10
- 238000002372 labelling Methods 0.000 claims abstract description 5
- 238000013136 deep learning model Methods 0.000 claims description 36
- 230000002159 abnormal effect Effects 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 23
- 239000003550 marker Substances 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 21
- 238000003466 welding Methods 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 18
- 230000002950 deficient Effects 0.000 claims description 18
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 230000008520 organization Effects 0.000 claims description 5
- 230000002087 whitening effect Effects 0.000 claims description 5
- 239000012535 impurity Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 14
- 238000012216 screening Methods 0.000 abstract description 3
- 238000007726 management method Methods 0.000 description 32
- 238000013135 deep learning Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000007792 addition Methods 0.000 description 4
- 238000012217 deletion Methods 0.000 description 4
- 230000037430 deletion Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013475 authorization Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000004049 embossing Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
- G01N23/18—Investigating the presence of flaws defects or foreign matter
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
-
- 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]
-
- 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
- G06T2207/30152—Solder
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供的一种焊缝缺陷的数字射线检测方法、系统及服务器，首先完成对焊缝图像的采集、转换、存储，获得待检测图像；然后完成对待检测图像的处理，包括图像标注、图像对比等；对图像进行检测，识别缺陷，对有缺陷的图像进行缺陷定位；对已完成检测的图像生成质量报告，完成对报告的编辑、打印、导出；整体流程通过视频监控并全程对设备状态进行监控。本系统是一个自动化集成管理、智能识别并定位缺陷、智能化检测报告打印及导出(PDF、WORD、图片)等服务于一身的服务平台；辅助企业实现自动化智能缺陷筛选、缺陷定位，智能化评片，自动生成质量报告；充分为企业整合资源，为个人提高工作效率。
Description
技术领域
本发明涉及焊缝缺陷检测技术领域，特别是涉及一种焊缝缺陷的数字射线检测方法、系统及服务器。
背景技术
近年来，随着我国经济的快速增长与焊接技术的不断进步以及焊接结构形式的不断优化，焊接结构在各行业得到广泛应用，严格控制各焊接结构的生产质量是保障产品整体完整性、安全性的关键因素。用焊接方法加工的结构易产生较大的焊接变形和焊接残余应力，从而影响结构的承载能力、加工密度和尺寸稳定性。在焊接接头中存在着一定梳理的缺陷，如裂纹、气孔、夹渣、未焊透、未熔合等，这些缺陷的存在会降低焊接强度，引起应力集中，造成焊接结构破坏。以上均会影响到焊接结构的完整性及安全性，采用适当的无损检测方法对焊接结构进行检测有利于保证焊接结构安全性及可靠性。现在的焊缝缺陷检测大多还是采用人工方式进行检测与分析，但是人工检测本身主观标准不一致、劳动强度大、检测效率低，采用智能数字射线检测系统对焊缝缺陷进行在线检测与分析，可以有效克服人工评定中因为眼睛疲劳、经济差异而引起的漏判与误判，从而使检测工作客观化、规范化与智能化。目前也存在一些用于射线焊缝图像自动识别与分类的方法，如基于图像差分的方法，基于边缘检测的方法，基于模板匹配的相似缺陷检测算法等，在焊接学报第25卷第2期发表的“X射线焊缝图像中缺陷的实时监测算法”中提出一种基于图像空间特性(空间对比度与空间方差)的模糊识别算法，采用人类视觉原理，利用空间对比度、模糊隶属度实现缺陷检测。实验结果表明该方法能对焊接缺陷进行有效的划分，速度快，但是对图像对比度要求较高，对低对比度图像无法很好地判别，并且人为设定阈值存在不确定性。
发明内容
本发明实施例的目的在于提供一种焊缝缺陷的数字射线检测方法、系统及服务器，以以解决现有技术中利用人为或者传统焊缝缺陷检测方法检测效率低下、准确率低的问题。具体技术方案如下：
第一方面，本发明实施例提供了一种焊缝缺陷的数字射线检测方法，包括：
对包含焊缝的图像进行框选、标记多张此类图像作为训练数据集；
利用所述训练数据集，制作完成深度学习模型；
获取多张待检测图像并存储；
利用预设方法处理所述待检测图像，得到标记图像；其中，所述预设方法包括显示所述检测图像、修正所述待检测图像大小、调整所述图像窗宽窗位、提高所述待检测图像的清晰度、标记所述待检测图像；
对所述标记图像进行缺陷检测，获取异常标记图像；
利用所述深度学习模型对所述异常标记图像进行缺陷识别并标注缺陷位置，得到测试数据；
从所述测试数据中，获得焊缝缺陷的检测结果。
可选的，在得到测试数据之后还包括：
根据所述测试数据更新所述深度学习模型。
可选的，所述预设方法包括：
利用图像显示功能显示所述待检测图像；其中，所述待检测图像格式支持8位或16位；
修正所述待检测图像大小，缩放待检测图像的大小、旋转图像、调整待检测图像的窗宽窗位；
对待检测图像进行滤镜处理，所述滤镜处理包括反白、对比度、亮度、锐化、浮雕、平滑、色阶、除杂色中的至少一种；以获得高清晰度的待检测图像；
对高清晰度的待检测图像进行标记，在高清晰度的待检测图像上标记基础信息；其中，所述基础信息包括分辨率、信噪比、工件名称、时间中的至少一种。
可选的，对所述标记图像进行缺陷检测，获取异常标记图像包括：
利用所述深度学习模型，对所述标记图像进行分类，得到无缺陷标记图像、有缺陷标记图像；
所述有缺陷标记图像即为所述异常标记图像。
可选的，对所述标记图像进行缺陷检测，获取异常标记图像包括：
从数据库中获取有缺陷的图像；
将所述标记图像与所述有缺陷的图像进行比对并分类，得到无缺陷标记图像、有缺陷标记图像；
所述有缺陷标记图像即为所述异常标记图像。
可选的，制作完成深度学习模型之后还包括：
将所述深度学习模型上传至云服务器。
可选的，获得焊缝缺陷的检测结果之后还包括：
根据所述检测结果，生成检测报告。
可选的，生成并打印检测报告之后还包括：
用户在所述检测报告中添加基础内容，其中，所述基础内容包括：报告时间、缺陷类型、缺陷程度、缺陷位置、缺陷大小中的至少一种；
导出所述检测报告或者打印所述检测报告。
第二方面，一种焊缝缺陷的数字射线检测系统，包括：图像采集模块、图像处理模块、质量报告模块、云检测模块、安全监控模块以及系统管理模块；
所述图像采集模块用于图像采集、图像转换、图像存储；
所述图像处理模块用于图像显示、基础处理、高级处理、图像标注、图像对比和图像存储；
质量报告模块用于自动生成报告、报告编辑、报告打印、报告导出；
云检测模块用于缺陷识别、缺陷定位、模型共享、深度学习模型共享；
安全监控模块用于工作环境监控、图像采集相关设备运行状态的监控并预警；
系统管理模块用于机构管理、用户管理、角色管理、节点管理、消息管理、日志管理。
再一方面，本发明实施例提供了一种服务器，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述方法步骤。
本发明实施例提供的一种焊缝缺陷的数字射线检测方法、系统及服务器，包括对包含焊缝的图像进行框选、标记多张此类图像作为训练数据集；利用所述训练数据集，制作完成深度学习模型；获取多张待检测图像并存储；利用预设方法处理所述待检测图像，得到标记图像；其中，所述预设方法包括显示所述检测图像、修正所述待检测图像大小、提高所述待检测图像的清晰度、标记所述待检测图像；对所述标记图像进行缺陷检测，获取异常标记图像；利用所述深度学习模型对所述异常标记图像进行缺陷识别并标注缺陷位置，得到测试数据；从所述测试数据中，获得焊缝缺陷的检测结果；本系统首先完成对焊缝图像的采集、转换、存储；然后完成对图像的处理，包括图像标注、图像对比等；对图像进行与检测，识别缺陷，对有缺陷的图像进行缺陷定位等；对已完成的图像生成质量报告，完成对报告的编辑、打印、导出；整体流程通过视频监控并全程对设备状态进行监控。本系统是一个自动化集成管理、智能识别并定位缺陷、智能化检测报告打印及导出(PDF、WORD、图片)等服务于一身的服务平台；辅助企业实现自动化智能缺陷筛选、缺陷定位，智能化评片，自动生成质量报告；充分为企业整合资源，为个人提高工作效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例提供的一种焊缝缺陷的数字射线检测方法流程图。
图2为本发明实施例所提供的智能数字射线系统结构组成示意图。
图3为本发明实施例所提供的智能数字射线系统核心流程图。
图4为本发明实施例所提供一种服务器的模块连接图。
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描述。
本发明实施例的目的在于提供一种焊缝缺陷的数字射线检测方法、系统及服务器，以解决现有技术中利用人为或者传统焊缝缺陷检测方法检测效率低下、准确率低的问题。
实施例1
第一方面，请参见图1，本发明实施例提供了一种焊缝缺陷的数字射线检测方法，包括：
S110.对包含焊缝的图像进行框选、标记多张此类图像作为训练数据集；
S120.利用所述训练数据集，制作完成深度学习模型；
S130.获取多张待检测图像并存储；
具体的，首先进行图像采集，负责从成像软件采集工件的数字射线图像到本系统。利用图像采集功能完成对图像的单点采集，利用图像转换功能将不同的图像格式转换成特等的标准格式。利用图像存储功能完成将采集到的图像存储到数据库中，方便用户查找与导出，即获得上述待检测图像。
S140.利用预设方法处理所述待检测图像，得到标记图像；其中，所述预设方法包括显示所述检测图像、修正所述待检测图像大小、调整所述图像窗宽窗位、提高所述待检测图像的清晰度、标记所述待检测图像。
具体的，对待检测图像进行处理，利用图像显示功能显示待检测图像，所述待检测图像格式支持8位或16位。利用基础处理功能对待检测图像进行处理，包括对待检测图像窗宽窗位的调整、移动、缩放。利用高级处理功能完成对图像的高级滤镜，包括反白、对比度、亮度、锐化、浮雕、平滑是待检测图像具有高的清晰度，以准确反映位于待检测图像中的焊缝，提高检测准确率。利用图像标注功能对图像细腻包括分辨率、信噪比、工件名称、时间等基础信息标注，方便用户查找分类。
S150.对所述标记图像进行缺陷检测，获取异常标记图像。
S160.利用所述深度学习模型对所述异常标记图像进行缺陷识别并标注缺陷位置，得到测试数据。
具体的，对处理过的待检测图像进行缺陷检测，用户可以基于训练完成的深度学习模型完成对待检测图像的缺陷检测分类，或者根据自身需求从数据库中自己划分训练集与测试集，基于深度学习算法训练特有缺陷检测的模型，完成对缺陷图像的分类，得到有异常标记图像。利用训练完成的深度学习模型对异常标记图像进行缺陷识别并标注出缺陷所在位置。
S170.从所述测试数据中，获得焊缝缺陷的检测结果。
具体的，本发明实施例提供的一种焊缝缺陷的数字射线检测方法、系统及服务器，包括对包含焊缝的图像进行框选、标记多张此类图像作为训练数据集；利用所述训练数据集，制作完成深度学习模型；获取多张待检测图像并存储；利用预设方法处理所述待检测图像，得到标记图像；其中，所述预设方法包括显示所述检测图像、修正所述待检测图像大小、提高所述待检测图像的清晰度、标记所述待检测图像；对所述标记图像进行缺陷检测，获取异常标记图像；利用所述深度学习模型对所述异常标记图像进行缺陷识别并标注缺陷位置，得到测试数据；从所述测试数据中，获得焊缝缺陷的检测结果；本系统首先完成对焊缝图像的采集、转换、存储；然后完成对图像的处理，包括图像标注、图像对比等；对图像进行与检测，识别缺陷，对有缺陷的图像进行缺陷定位等；对已完成的图像生成质量报告，完成对报告的编辑、打印、导出；整体流程通过视频监控并全程对设备状态进行监控，以提高检测过程的安全性。
与现有的数字射线检测系统相比，本系统具有以下几个优点。
1、检测效果准确高效
相对于传统的基于规则的图像检测，本产品使用精度更高的深度学习目标检测技术，从现有的缺陷图像中自主学习出相应的缺陷规律，使用训练好的深度神经网络去发现待检测图像中的缺陷。
本系统能够灵活高效满足用户需求，分析实际待检测的目标图像以及用户对于检测速度、检测精度以及召回率方面的需求，灵活选择合适的深度神经网络框架。例如，如果用户需要对检测速度方面的要求较高，则考虑选取YOLO系列框架，这种one stage的框架相对精简，能够在满足一定精度和召回率的前提下，提高检测效率。
2、服务方式灵活多样
用户可以根据自己的具体需求选择本地、云端两种服务方式，灵活多样。
因为涉及到网络传输的问题，云端检测的方式在检测速度上视网络带宽的不同会有一定的时延，但是云端检测对于用户来说，部署起来相对方便，客户不需要在本地部署用于目标检测的深度学习服务器，产品的可移植性较强。
如果用户对于检测速度有较高的要求，同时又能够满足离线服务器的部署条件，可以选择本地版本的产品。本地模型下，用户数据不会经过网络传输，相对安全，同时用户可以根据自己的需求选择不同配置的深度学习服务器。
实施例2
进一步的，在得到测试数据之后还包括：
根据所述测试数据更新所述深度学习模型。
具体的，深度学习模型可以在使用过程中持续更新，为用户提供稳定高效的服务。
对于本系统而言，目标检测模型是根本，优秀的模型能够精准刻画待检测图像的特征，从而能够对待检测图像中的异常点进行精确定位。随着用户生产工艺的升级以及生产材料的改进，缺陷的特征也是在逐渐变化的，所以也就需要深度学习模型能够在缺陷目标特征的逐步变化的过程中不断进化。
在用户允许的前提下，本系统能够对用户的检测结果提供定期支持，根据用户的反馈以及自己的相关经验对检测结果进行修正，并使用修正后的结果更新现有的深度学习模型。更新后的模型会推送给用户，由用户自己选择是否更新现有的模型。数据是现阶段深度学习目标检测网络训练过程中的重要一环，没有优质的训练数据，就不可能训练出精准高效的神经网络模型。在用户允许的前提下，本系统能自动收集用户的检测图像和检测结果，逐步充实、完善现有的缺陷检测图像库，为进一步训练更加强大的缺陷目标检测框架打下坚实的基础。
进一步的，所述预设方法包括：
利用图像显示功能显示所述待检测图像；其中，所述待检测图像格式支持8位或16位；修正所述待检测图像大小，缩放待检测图像的大小、旋转图像、调整待检测图像的窗宽窗位；对待检测图像进行滤镜处理，所述滤镜处理包括反白、对比度、亮度、锐化、浮雕、平滑、色阶、除杂色中的至少一种；以获得高清晰度的待检测图像；对高清晰度的待检测图像进行标记，在高清晰度的待检测图像上标记基础信息；其中，所述基础信息包括分辨率、信噪比、工件名称、时间中的至少一种。
进一步的，对所述标记图像进行缺陷检测，获取异常标记图像包括：
利用所述深度学习模型，对所述标记图像进行分类，得到无缺陷标记图像、有缺陷标记图像；所述有缺陷标记图像即为所述异常标记图像。
进一步的，对所述标记图像进行缺陷检测，获取异常标记图像包括：
从数据库中获取有缺陷的图像；将所述标记图像与所述有缺陷的图像进行比对并分类，得到无缺陷标记图像、有缺陷标记图像；所述有缺陷标记图像即为所述异常标记图像。
进一步的，制作完成深度学习模型之后还包括：
将所述深度学习模型上传至云服务器。用户可以根据自身需求将训练完成的模型上传到云端进行共享，方便第三方调用。样本共享：对于训练模型的样本集可在云端共享，资源最大化利用。
进一步的，获得焊缝缺陷的检测结果之后还包括：
根据所述检测结果，生成检测报告。
具体的，生成并打印检测报告之后还包括：用户在所述检测报告中添加基础内容，其中，所述基础内容包括：报告时间、缺陷类型、缺陷程度、缺陷位置、缺陷大小中的至少一种；导出所述检测报告或者打印所述检测报告。
具体的，完成焊缝图像检测后对部件进行质量评估，对无缺陷的部件进行质量确认，对有缺陷的部件进行特别标注，标记出缺陷所在位置，自动生成质量报告。用户可以在报告完成后对报告进行编辑，添加内容，如缺陷类型，缺陷严重程度等，然后用户根据操作完成报告打印、报告导出。
作为优选的实时方式，本发明实施例所提供的方案还包括对整体流程实施视频监控并将视频文件存放在云端，用户根据自身需求调用视频。在全程对设备状态进行监控与预警，对出现问题的设备及时通知并采用紧急处理方式完成对设备的保护。
第二方面，请参见图2、图3，本发明实施例提供了一种焊缝缺陷的数字射线检测系统，包括图像采集模块、图像处理模块、质量报告模块、云检测模块、安全监控模块以及系统管理模块；
所述图像采集模块用于图像采集、图像转换、图像存储；
具体的，图像采集模块负责从成像软件采集工件的数字射线图像到本系统。主要分为图像采集、图像转换、图像存储功能。图像采集功能是通过接口集成工件数字射线仪器，直接控制成像相关操作，采集待检测图像数据。包括启停射线源、设置射线源相关参数、更换采集工艺文件等操作。并支持单点采集。图像转换负责将不同格式的图像转换成本系统统一的图像格式。智能识别缺陷模型支持自更新。自更新机制，一定时间间隔内，基于用于反馈的内容对深度神经网络进行更新。更新时间，一周一次(每周三22-23点)，如果反馈的数据量超过500(可调整)条，则更新。
所述图像处理模块用于图像显示、基础处理、高级处理、图像标注、图像对比和图像存储；
具体的，图像处理模块主要分图像显示、基础处理、高级处理、图像标注、图像对比和图像存储等功能。图像显示将采集的图像数据显示成图像，支持8位、16位等多格式图像。默认处理最新采集的图像，并支持对历史采集的图像进行处理。基础处理包括图像的基础信息展示，窗宽窗位的调整，移动、缩放、旋转、翻转、亮度调节、对比度调节、反白处理。高级处理包括图像的各种高级滤镜：锐化、浮雕、平滑、边缘检测、图像增强、二值化、直方图均衡、幂次变换、霍夫变换、性态学。图像标注包括分辨率、信噪比、工件名称、时间等基础信息标注，还支持在图像上进行直线、箭头、角度、矩形、圆形、文字等标记信息。图像对比支持两画幅和四画幅两种模式。从标准图像库选择当前工件的标准图像，与当前采集的图像进行对比。图像存储将处理、标注后的图像进行保存。
质量报告模块用于自动生成报告、报告编辑、报告打印、报告导出；
具体的，质量报告模块主要分为自动生成报告、报告编辑、报告打印、报告导出等功能。自动生成报告是根据自定义的报告模板及当前工件射线图像的采集、处理信息自动生成工件质量报告。质量报告可手工创建录入、编辑。质量报告支持打印。质量报告支持三种格式导出：Word、PDF、图像格式。
云检测模块用于缺陷识别、缺陷定位、模型共享、深度学习模型共享；
具体的，云检测模块包括缺陷识别、缺陷定位、模型共享、样本共享等服务。缺陷识别，支持通过上传图像在云端进行缺陷的识别和定位。模型共享：对于保密性较高的工件，可仅仅在云端共享智能模型，供第三方下载使用。
安全监控模块用于工作环境监控、图像采集相关设备运行状态的监控并预警；
具体的，安全监控主要分工作环境监控(连接现有监控设备，调取监控画面)、图像采集相关设备运行状态的监控并预警。
系统管理模块用于机构管理、用户管理、角色管理、节点管理、消息管理、日志管理。
具体的，系统管理分六大模块：机构管理、用户管理、角色管理、节点管理、消息管理、日志管理。依靠用户角色设置、角色授权、节点管理和机构管理进行权限分配，实现某个用户只能查看或操作指定内容的作用。参数设置：统一设置系统配置的相关参数，如水印图片、采集时间是否显示、工件名称是否显示、工件编号是否显示、工件位置是否显示、像素信息是否显示等。用户管理模块中，管理员可以维护系统用户，并设置用户的角色和所属机构。支持新增、修改、删除、查询。角色管理功能包括管理员可以维护系统角色，并对角色进行授权设置，设置角色可以操作的节点(模块或功能)。支持新增、修改、删除、查询。节点管理功能包括管理员可以维护系统的权限节点(模块或功能)。支持新增、修改、删除、查询。消息管理功能包括管理员可以发送、维护系统消息。支持新增、修改、删除、查询。日志管理功能包括系统运行或调试的时候，自动记录当前的错误日志并及时保存，方便用户排查配置问题。
再一方面，请参见图4，本发明实施例提供了一种服务器，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现如下步骤。
S110.对包含焊缝的图像进行框选、标记多张此类图像作为训练数据集；
S120.利用所述训练数据集，制作完成深度学习模型；
S130.获取多张待检测图像并存储；
S140.利用预设方法处理所述待检测图像，得到标记图像；其中，所述预设方法包括显示所述检测图像、修正所述待检测图像大小、提高所述待检测图像的清晰度、标记所述待检测图像；
S150.对所述标记图像进行缺陷检测，获取异常标记图像；
S160.利用所述深度学习模型对所述异常标记图像进行缺陷识别并标注缺陷位置，得到测试数据；
S170.从所述测试数据中，获得焊缝缺陷的检测结果。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field －Programmable GateArray，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的多租户工作流引擎服务方法方法。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的多租户工作流引擎服务方法方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
本发明实施例提供的一种焊缝缺陷的数字射线检测方法、系统及服务器，包括对包含焊缝的图像进行框选、标记多张此类图像作为训练数据集；利用所述训练数据集，制作完成深度学习模型；获取多张待检测图像并存储；利用预设方法处理所述待检测图像，得到标记图像；其中，所述预设方法包括显示所述检测图像、修正所述待检测图像大小、提高所述待检测图像的清晰度、标记所述待检测图像；对所述标记图像进行缺陷检测，获取异常标记图像；利用所述深度学习模型对所述异常标记图像进行缺陷识别并标注缺陷位置，得到测试数据；从所述测试数据中，获得焊缝缺陷的检测结果；本系统首先完成对焊缝图像的采集、转换、存储；然后完成对图像的处理，包括图像标注、图像对比等；对图像进行与检测，识别缺陷，对有缺陷的图像进行缺陷定位等；对已完成的图像生成质量报告，完成对报告的编辑、打印、导出；整体流程通过视频监控并全程对设备状态进行监控。本系统是一个自动化集成管理、智能识别并定位缺陷、智能化检测报告打印及导出(PDF、WORD、图片)等服务于一身的服务平台；辅助企业实现自动化智能缺陷筛选、缺陷定位，智能化评片，自动生成质量报告；充分为企业整合资源，为个人提高工作效率。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (9)
1.一种焊缝缺陷的数字射线检测方法，其特征在于，包括：
对包含焊缝的图像进行框选、标记多张此类图像作为训练数据集；
利用所述训练数据集，制作完成深度学习模型；
获取多张待检测图像并存储；
利用预设方法处理所述待检测图像，得到标记图像；其中，所述预设方法包括显示所述待检测图像、修正所述待检测图像大小、调整图像窗宽窗位、提高所述待检测图像的清晰度、标记所述待检测图像；
对所述标记图像进行缺陷检测，获取异常标记图像；
利用所述深度学习模型对所述异常标记图像进行缺陷识别并标注缺陷位置，得到测试数据；
从所述测试数据中，获得焊缝缺陷的检测结果；
所述预设方法包括：
利用图像显示功能显示所述待检测图像；其中，所述待检测图像格式支持8位或16位；
修正所述待检测图像大小，缩放待检测图像的大小、旋转图像、调整待检测图像的窗宽窗位；
对待检测图像进行滤镜处理，所述滤镜处理包括反白、对比度、亮度、锐化、浮雕、平滑、色阶、除杂色中的至少一种；以获得高清晰度的待检测图像；
对高清晰度的待检测图像进行标记，在高清晰度的待检测图像上标记基础信息；其中，所述基础信息包括分辨率、信噪比、工件名称、时间中的至少一种。
2.根据权利要求1所述的焊缝缺陷的数字射线检测方法，其特征在于，在得到测试数据之后还包括：
根据所述测试数据更新所述深度学习模型。
3.根据权利要求1所述的焊缝缺陷的数字射线检测方法，其特征在于，对所述标记图像进行缺陷检测，获取异常标记图像包括：
利用所述深度学习模型，对所述标记图像进行分类，得到无缺陷标记图像、有缺陷标记图像；
所述有缺陷标记图像即为所述异常标记图像。
4.根据权利要求1所述的焊缝缺陷的数字射线检测方法，其特征在于，对所述标记图像进行缺陷检测，获取异常标记图像包括：
从数据库中获取有缺陷的图像；
将所述标记图像与所述有缺陷的图像进行比对并分类，得到无缺陷标记图像、有缺陷标记图像；
所述有缺陷标记图像即为所述异常标记图像。
5.根据权利要求1所述的焊缝缺陷的数字射线检测方法，其特征在于，制作完成深度学习模型之后还包括：
将所述深度学习模型上传至云服务器。
6.根据权利要求1所述的焊缝缺陷的数字射线检测方法，其特征在于，获得焊缝缺陷的检测结果之后还包括：
根据所述检测结果，生成检测报告。
7.根据权利要求6所述的焊缝缺陷的数字射线检测方法，其特征在于，生成并打印检测报告之后还包括：
用户在所述检测报告中添加基础内容，其中，所述基础内容包括：报告时间、缺陷类型、缺陷程度、缺陷位置、缺陷大小中的至少一种；
导出所述检测报告或者打印所述检测报告。
8.一种焊缝缺陷的数字射线检测系统，其特征在于，包括：图像采集模块、图像处理模块、质量报告模块、云检测模块、安全监控模块以及系统管理模块；
所述图像采集模块用于图像采集、图像转换、图像存储；
所述图像处理模块用于图像显示、基础处理、高级处理、图像标注、图像对比和图像存储，对包含焊缝的图像进行框选、标记多张此类图像作为训练数据集；利用所述训练数据集，制作完成深度学习模型；获取多张待检测图像并存储；利用预设方法处理所述待检测图像，得到标记图像；其中，所述预设方法包括显示所述待检测图像、修正所述待检测图像大小、调整图像窗宽窗位、提高所述待检测图像的清晰度、标记所述待检测图像；对所述标记图像进行缺陷检测，获取异常标记图像；利用所述深度学习模型对所述异常标记图像进行缺陷识别并标注缺陷位置，得到测试数据；从所述测试数据中，获得焊缝缺陷的检测结果；
所述预设方法包括：利用图像显示功能显示所述待检测图像；其中，所述待检测图像格式支持8位或16位；修正所述待检测图像大小，缩放待检测图像的大小、旋转图像、调整待检测图像的窗宽窗位；对待检测图像进行滤镜处理，所述滤镜处理包括反白、对比度、亮度、锐化、浮雕、平滑、色阶、除杂色中的至少一种；以获得高清晰度的待检测图像；对高清晰度的待检测图像进行标记，在高清晰度的待检测图像上标记基础信息；其中，所述基础信息包括分辨率、信噪比、工件名称、时间中的至少一种；
质量报告模块用于自动生成报告、报告编辑、报告打印、报告导出；
云检测模块用于缺陷识别、缺陷定位、模型共享、深度学习模型共享；
安全监控模块用于工作环境监控、图像采集相关设备运行状态的监控并预警；
系统管理模块用于机构管理、用户管理、角色管理、节点管理、消息管理、日志管理。
9.一种服务器，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-7任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010305972.7A CN111539923B (zh) | 2020-04-17 | 2020-04-17 | 一种焊缝缺陷的数字射线检测方法、系统及服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010305972.7A CN111539923B (zh) | 2020-04-17 | 2020-04-17 | 一种焊缝缺陷的数字射线检测方法、系统及服务器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111539923A CN111539923A (zh) | 2020-08-14 |
| CN111539923B true CN111539923B (zh) | 2023-06-02 |
Family
ID=71952236
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010305972.7A Active CN111539923B (zh) | 2020-04-17 | 2020-04-17 | 一种焊缝缺陷的数字射线检测方法、系统及服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111539923B (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111929328A (zh) * | 2020-09-09 | 2020-11-13 | 深兰人工智能芯片研究院（江苏）有限公司 | 拉链缺陷检测方法和装置 |
| CN112083017A (zh) * | 2020-09-10 | 2020-12-15 | 上海航天精密机械研究所 | 焊缝内部缺陷智能检测装置、方法及介质 |
| WO2022056640A1 (en) * | 2020-09-18 | 2022-03-24 | Shawcor Ltd. | System for performing computer-assisted image analysis of welds and related methods |
| CN111882557B (zh) * | 2020-09-28 | 2021-01-05 | 成都睿沿科技有限公司 | 一种焊接缺陷检测方法、装置、电子设备及存储介质 |
| CN112422952A (zh) * | 2020-10-22 | 2021-02-26 | 西安数合信息科技有限公司 | 一种智能检测一体化工作站 |
| CN112365491A (zh) * | 2020-11-27 | 2021-02-12 | 上海市计算技术研究所 | 容器焊缝检测的方法、电子设备及存储介质 |
| CN112712505A (zh) * | 2020-12-30 | 2021-04-27 | 广东粤云工业互联网创新科技有限公司 | 基于云端的工件检测方法及系统、计算机可读存储介质 |
| CN113362326B (zh) * | 2021-07-26 | 2023-10-03 | 广东奥普特科技股份有限公司 | 一种电池焊点缺陷的检测方法及装置 |
| CN113706500A (zh) * | 2021-08-25 | 2021-11-26 | 河南九域恩湃电力技术有限公司 | 一种基于dr检测的管理系统 |
| CN113884515A (zh) * | 2021-09-18 | 2022-01-04 | 上海航天精密机械研究所 | 数字射线检测集成控制系统 |
| CN114147389B (zh) * | 2021-11-05 | 2024-06-04 | 江苏三沃电子科技有限公司 | 一种检测焊接工艺参数的焊接辅助方法和系统 |
| CN115184361B (zh) * | 2022-06-30 | 2023-11-24 | 中南大学 | 基于机器视觉的实时工件表面缺陷检测评价系统及方法 |
| CN115825118B (zh) * | 2022-11-18 | 2023-09-12 | 华中科技大学 | 一种铸件x射线探伤装备的自动评片集成系统及方法 |
| CN116630319B (zh) * | 2023-07-24 | 2023-10-10 | 深圳信迈科技有限公司 | 基于机器学习的数据采集板卡焊接缺陷检测方法 |
| CN116754781B (zh) * | 2023-08-18 | 2023-10-20 | 北京大学 | 一种基于自动化和cr技术的x射线焊缝检测装置 |
| CN118520430B (zh) * | 2024-07-24 | 2024-10-25 | 江苏航运职业技术学院 | 基于云平台的钢结构焊缝缺陷智能检测方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101556598A (zh) * | 2009-05-08 | 2009-10-14 | 中国矿业大学 | 射线检测焊缝图像管理系统及辅助评片方法 |
| WO2017084186A1 (zh) * | 2015-11-18 | 2017-05-26 | 华南理工大学 | 挠性电路板制造过程自动监测和智能分析系统及方法 |
-
2020
- 2020-04-17 CN CN202010305972.7A patent/CN111539923B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101556598A (zh) * | 2009-05-08 | 2009-10-14 | 中国矿业大学 | 射线检测焊缝图像管理系统及辅助评片方法 |
| WO2017084186A1 (zh) * | 2015-11-18 | 2017-05-26 | 华南理工大学 | 挠性电路板制造过程自动监测和智能分析系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李宁 ; 郑仟 ; 谢贵文 ; 陈炜 ; .基于无人机图像识别技术的输电线路缺陷检测.电子设计工程.2019,(10),全文. * |
| 路浩 ; 王新 ; .首套高速列车焊缝射线检测智能化评定系统研制.金属加工(冷加工).2016,(S1),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111539923A (zh) | 2020-08-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111539923B (zh) | 一种焊缝缺陷的数字射线检测方法、系统及服务器 | |
| CN110472524B (zh) | 基于深度学习的发票信息管理方法、系统和可读介质 | |
| CN112966772A (zh) | 一种多人在线的图像半自动标注方法及系统 | |
| CN107330634B (zh) | 一种工程建设监理质量验收实测实量方法及其系统 | |
| TW202036353A (zh) | 錫膏印刷品質檢測方法、數據處理裝置及電腦存儲介質 | |
| CN113780900B (zh) | 基于边缘计算的焊接检测系统及方法 | |
| CN109559304A (zh) | 用于工业视觉检测的图像品质在线评估方法、装置及应用 | |
| CN108627520A (zh) | 一种非均质固体材料外观质量的在线检测系统和方法 | |
| CN114219799A (zh) | 一种智能制造用次品分析方法及系统 | |
| KR102572304B1 (ko) | 인공지능 알고리즘에 기초하여 실시간 용접 검사 및 불량 예방 서비스를 제공하는 방법 및 시스템 | |
| CN107607205A (zh) | 线束颜色顺序检测系统和方法 | |
| CN111429454A (zh) | 一种智能化铸件无损检测系统及方法 | |
| CN113094800B (zh) | 市政工程监理中工程质量的监理方法及系统 | |
| CN113469991B (zh) | 一种锂电池极耳激光焊点视觉在线检测方法 | |
| TWI780580B (zh) | 圖像複檢方法、電腦裝置及儲存介質 | |
| CN118010752B (zh) | 一种石材质量检测系统及方法 | |
| CN114648522A (zh) | 小径管环焊缝的缺陷检测方法、系统、设备及存储介质 | |
| CN114994097A (zh) | 一种基于人工智能的远程无损检测装置及其使用方法 | |
| CN114630110A (zh) | 一种视频图像在线率检测方法 | |
| US20240152838A1 (en) | Nondestructive test evaluation data management device and nondestructive test evaluation data management method | |
| CN117973945B (zh) | 一种针对个性化智能制造的质检模型持续优化方法及系统 | |
| JP7490327B2 (ja) | 溶接データ処理装置、及び、溶接データ処理方法 | |
| JP7510459B2 (ja) | トンネル切羽評価システム及びトンネル切羽評価方法 | |
| CN116664909A (zh) | 一种建筑工程管理系统工程进度数据录入方法 | |
| CN116107987A (zh) | 视觉检测系统的异常定位方法、装置和视觉检测系统 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Digital Radiographic Testing Method, System, and Server for Weld Defects Effective date of registration: 20230804 Granted publication date: 20230602 Pledgee: Xi'an innovation financing Company limited by guarantee Pledgor: Xi'an Digital Information Technology Co.,Ltd. Registration number: Y2023980050987 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Granted publication date: 20230602 Pledgee: Xi'an innovation financing Company limited by guarantee Pledgor: Xi'an Digital Information Technology Co.,Ltd. Registration number: Y2023980050987 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Digital Radiographic Testing Method, System, and Server for Weld Defects Granted publication date: 20230602 Pledgee: Xi'an Caijin Financing Guarantee Co.,Ltd. Pledgor: Xi'an Digital Information Technology Co.,Ltd. Registration number: Y2024980012656 |