CN112967272B - 基于改进U-net的焊接缺陷检测方法、装置及终端设备 - Google Patents
基于改进U-net的焊接缺陷检测方法、装置及终端设备 Download PDFInfo
- Publication number
- CN112967272B CN112967272B CN202110320828.5A CN202110320828A CN112967272B CN 112967272 B CN112967272 B CN 112967272B CN 202110320828 A CN202110320828 A CN 202110320828A CN 112967272 B CN112967272 B CN 112967272B
- Authority
- CN
- China
- Prior art keywords
- segmentation
- sample set
- training sample
- layer
- encoder
- 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 90
- 238000003466 welding Methods 0.000 title claims abstract description 81
- 238000001514 detection method Methods 0.000 title claims abstract description 55
- 230000011218 segmentation Effects 0.000 claims abstract description 109
- 238000012549 training Methods 0.000 claims abstract description 81
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 238000002372 labelling Methods 0.000 claims description 43
- 238000004590 computer program Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 abstract description 5
- 230000009191 jumping Effects 0.000 abstract 1
- 238000000034 method Methods 0.000 description 16
- 238000005192 partition Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/002—Image coding 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明涉及一种基于改进U‑net的焊接缺陷检测方法、装置及终端设备，对训练样本集进行标注，得到标注数据，根据训练样本集以及标注数据对U型分割网络进行训练，其中，U型分割网络中的分割编码器和分割解码器之间使用跳跃连接，用于增强上下文语义信息，提高分割网络对微小焊接缺陷部位的特征提取的准确性，U型分割网络中引入全局注意力机制，产生更具分辨性的特征，使分割网络更好地聚焦于缺陷区域的特征表达，增强分割网络对焊接缺陷区域的特征表达能力，降低背景图像的干扰，从而提高网络的分割性能，最后将待检测焊接图像输入至训练好的语义分割模型中进行缺陷检测，能够提升焊接缺陷检测准确性。
Description
技术领域
本发明涉及一种基于改进U-net的焊接缺陷检测方法、装置及终端设备。
背景技术
现如今，焊接生产在飞机、汽车和造船等广泛生产领域中都是不可或缺的。然而在复杂的焊接过程中，焊接部位的质量受焊接电流、焊接电压、焊接速度和喷嘴温度等诸多因素影响，因此，在机器人焊接过程中经常会产生焊接缺陷，这不仅影响产品的结构强度和性能，还影响产品的外观美感，且还会给产品带来不可预估的安全隐患。
焊接质量检测是智能焊接机器人的关键环节。目前X射线无损检测技术得到了快速发展，与其他的检测方法如电弧传感、磁光传感器等相比，X射线无损检测具有更好的性能，可以获得不同产品的内部结构和缺陷信息，从而可更好地识别和定位焊接缺陷部位。随着深度学习的发展，基于深度学习的分割方法在缺陷检测上的能力有所提升。但由于焊接缺陷是一种小像素聚类以及小边缘的结构，对于一张像素较高的图像，实现准确地缺陷检测仍然面临一定的挑战。
发明内容
有鉴于此，本发明提供一种基于改进U-net的焊接缺陷检测方法、装置及终端设备。
一种基于改进U-net的焊接缺陷检测方法，包括：
获取训练样本集，所述训练样本集包括至少两个焊接缺陷样本图像；
对所述训练样本集进行标注，得到标注数据；
将所述训练样本集输入至U型分割网络中的分割编码器中，所述分割编码器通过多层卷积层和池化层进行缺陷部位的特征提取，所述分割编码器输出给U型分割网络中的分割解码器中通过卷积层和上采样层进行上采样，输出与所述训练样本集相同大小的语义分割图；其中，所述U型分割网络中的分割编码器和分割解码器之间使用跳跃连接，且所述U型分割网络中引入全局注意力机制；将所述语义分割图与所述标注数据通过交叉熵损失函数进行运算，优化语义分割模型中的参数；
将待检测焊接图像输入至训练好的语义分割模型中进行缺陷检测。
更优地，所述分割编码器的每一层的输入设置为三部分的融合：所述分割编码器本层的上一层的输出、所述分割编码器本层的输出以及所述分割编码器本层的下一层的输出。
更优地，所述获取训练样本集之后，所述焊接缺陷检测方法还包括：
对所述训练样本集进行预处理。
更优地，所述对所述训练样本集进行预处理，包括：
对所述训练样本集依次进行线性变换、Gamma变换、梯度直方图均衡化处理和图像大小转换。
更优地，所述对所述训练样本集进行标注，得到标注数据，包括：
通过Labelme工具，对所述训练样本集进行标注，得到初步标注数据；
对所述初步标注数据进行二值化，得到二值化标注数据。
一种基于改进U-net的焊接缺陷检测装置，包括：
训练样本集获取模块，用于获取训练样本集，所述训练样本集包括至少两个焊接缺陷样本图像；
标注模块，用于对所述训练样本集进行标注，得到标注数据；
网络训练模块，用于将所述训练样本集输入至U型分割网络中的分割编码器中，所述分割编码器通过多层卷积层和池化层进行缺陷部位的特征提取，所述分割编码器输出给U型分割网络中的分割解码器中通过卷积层和上采样层进行上采样，输出与所述训练样本集相同大小的语义分割图；其中，所述U型分割网络中的分割编码器和分割解码器之间使用跳跃连接，且所述U型分割网络中引入全局注意力机制；将所述语义分割图与所述标注数据通过交叉熵损失函数进行运算，优化语义分割模型中的参数；
缺陷检测模块，用于将待检测焊接图像输入至训练好的语义分割模型中进行缺陷检测。
一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的基于改进U-net的焊接缺陷检测方法的步骤。
本发明的有益效果为：得到训练样本集之后进行标注，得到标注数据，将训练样本集输入至U型分割网络中的分割编码器中，分割编码器通过多层卷积层和池化层进行缺陷部位的特征提取，分割编码器输出给U型分割网络中的分割解码器中通过卷积层和上采样层进行上采样，输出与训练样本集相同大小的语义分割图；其中，U型分割网络中的分割编码器和分割解码器之间使用跳跃连接，用于增强上下文语义信息，提高分割网络对微小焊接缺陷部位的特征提取的准确性，而且，U型分割网络中引入全局注意力机制，产生更具分辨性的特征，使分割网络更好地聚焦于缺陷区域的特征表达，增强分割网络对焊接缺陷区域的特征表达能力，降低背景图像的干扰，从而提高网络的分割性能，将语义分割图与标注数据通过交叉熵损失函数进行运算，优化语义分割模型中的参数，使得训练结果逐渐靠近真实数据，就可以得到高准确性的语义分割模型，那么，将待检测焊接图像输入至训练好的语义分割模型中进行缺陷检测，就可以得到准确性比较高的缺陷检测结果。因此，本发明提供的基于改进U-net的焊接缺陷检测方法能够提升焊接缺陷检测准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍：
图1是本申请实施例一提供的基于改进U-net的焊接缺陷检测方法的整体流程示意图；
图2是改进U型分割网络的模型结构示意图；
图3是全局注意力模块的结构示意图；
图4是本申请实施例二提供的基于改进U-net的焊接缺陷检测装置的整体结构示意图；
图5是本申请实施例三提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”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。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
为了说明本申请所述的技术方案，下面通过具体实施方式来进行说明。
参见图1，是本申请实施例一提供的基于改进U-net的焊接缺陷检测方法的一种实现过程的流程图，为了便于说明，仅示出了与本申请实施例相关的部分。
步骤S101：获取训练样本集，所述训练样本集包括至少两个焊接缺陷样本图像：
获取训练样本集，训练样本集为未标注的初始样本集，训练样本集包括至少两个焊接缺陷样本图像，具体个数由实际需要进行设置，个数越多，训练得到的网络模型越准确。应当理解，训练样本集中焊接缺陷样本图像可以包括不同种类的焊接缺陷的样本图像，也可以包括正常焊接样本图像，即没有焊接缺陷的样本图像。
本实施例中，训练样本集中的各样本图像均是由X射线设备对焊接部位进行图像采集而获得。而且，除了获取训练样本集之外，还可以获取验证样本集和测试样本集，其中，验证样本集用于验证训练得到的网络性能，并可通过交叉验证的方式进行网络调参，测试样本集用测测试训练得到的网络模型的性能。其中，验证样本集和测试样本集也包括至少两个焊接缺陷样本图像。
为了保证各样本图像满足训练要求，本实施例中，获取训练样本集之后，焊接缺陷检测方法还包括：对训练样本集进行预处理的步骤。通过图像预处理之后，使得样本图像能够很好地突出焊接缺陷特征，且样本图像尺寸符合分割网络要求。
图像预处理过程由实际需要进行设置，本实施例给出一种具体的预处理过程，具体如下：对训练样本集中的各样本图像依次进行线性变换、Gamma变换、梯度直方图均衡化处理和图像大小转换。图像大小转换是指将各样本图像的大小转化为统一规格，用于网络训练，比如将各样本图像的大小转化为640*320大小。
步骤S102：对所述训练样本集进行标注，得到标注数据：
为了更好地实现焊接工件中缺陷的检测，对训练样本集的焊接缺陷部位进行精确的标注，完成数据集的制作，标注数据为对训练样本集中的各样本图像中的缺陷部位进行标注而得到的标注结果。本实施例中，通过Labelme工具，对训练样本集进行标注，得到初步标注数据，即得到json文件，然后，对初步标注数据进行二值化，得到二值化标注数据。
步骤S103：将所述训练样本集输入至U型分割网络中的分割编码器中，所述分割编码器通过多层卷积层和池化层进行缺陷部位的特征提取，所述分割编码器输出给U型分割网络中的分割解码器中通过卷积层和上采样层进行上采样，输出与所述训练样本集相同大小的语义分割图；其中，所述U型分割网络中的分割编码器和分割解码器之间使用跳跃连接，且所述U型分割网络中引入全局注意力机制；将所述语义分割图与所述标注数据通过交叉熵损失函数进行运算，优化语义分割模型中的参数：
本实施例通过U型分割网络进行缺陷检测，U型分割网络包括分割编码器和分割解码器。其中，分割编码器包括多层卷积层和池化层，分割解码器包括多层卷积层和上采样层。而且，分割编码器和分割解码器之间使用跳跃连接，即分割编码器和分割解码器之间增加不同阶的跳跃连接结构，可以增强图像上下文信息，从而提高特征提取能力，即提升网络对微小缺陷的分割能力，而且，分割编码器的每一层的输入设置为三部分的融合：分割编码器本层的上一层的输出、分割编码器本层的输出以及分割编码器本层的下一层的输出，如图2所示。而且，U型分割网络中引入全局注意力机制，使U型分割网络更好地聚焦于缺陷区域的特征表达，降低背景因素的干扰，提高网络的分割性能。图3为全局注意力模块的结构示意图。
得到训练样本集和对应的标注数据之后，将训练样本集输入至分割编码器中，分割编码器通过多层卷积层和池化层，在不同尺度上进行缺陷部位的特征提取，分割编码器输出给分割解码器，分割解码器通过卷积层和上采样层进行上采样，恢复图像尺寸，即输出与训练样本集相同大小的语义分割图。
将得到的语义分割图与标注数据通过交叉熵损失函数进行运算（即多次迭代训练），优化语义分割模型中的参数，使训练结果逐渐靠近真实情况（即逐渐靠近标注数据），网络训练完成后，保存网络参数。作为一个具体实施方式，初始学习率设置为1e-4，网络迭代20000次后停止训练，得到语义分割模型，即焊接缺陷检测分割模型。
该语义分割模型在轻量级网络的前提下，增加了网络上下文信息，提高了分割能力。
步骤S104：将待检测焊接图像输入至训练好的语义分割模型中进行缺陷检测：
语义分割模型训练得到之后，将待检测焊接图像输入至训练好的语义分割模型中，通过语义分割模型对待检测焊接图像进行分割，实现对待检测焊接图像中焊接缺陷进行精确检测。
对应于上文中的基于改进U-net的焊接缺陷检测方法实施例中所述的基于改进U-net的焊接缺陷检测方法，图4示出了本申请实施例二提供的基于改进U-net的焊接缺陷检测装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图4，基于改进U-net的焊接缺陷检测装置200包括：
训练样本集获取模块201，用于获取训练样本集，所述训练样本集包括至少两个焊接缺陷样本图像；
标注模块202，用于对所述训练样本集进行标注，得到标注数据；
网络训练模块203，用于将所述训练样本集输入至U型分割网络中的分割编码器中，所述分割编码器通过多层卷积层和池化层进行缺陷部位的特征提取，所述分割编码器输出给U型分割网络中的分割解码器中通过卷积层和上采样层进行上采样，输出与所述训练样本集相同大小的语义分割图；其中，所述U型分割网络中的分割编码器和分割解码器之间使用跳跃连接，且所述U型分割网络中引入全局注意力机制；将所述语义分割图与所述标注数据通过交叉熵损失函数进行运算，优化语义分割模型中的参数；
缺陷检测模块204，用于将待检测焊接图像输入至训练好的语义分割模型中进行缺陷检测。
更优地，所述分割编码器的每一层的输入设置为三部分的融合：所述分割编码器本层的上一层的输出、所述分割编码器本层的输出以及所述分割编码器本层的下一层的输出。
更优地，所述焊接缺陷检测装置还包括：
预处理模块，用于对所述训练样本集进行预处理。
更优地，所述预处理模块具体用于：对所述训练样本集依次进行线性变换、Gamma变换、梯度直方图均衡化处理和图像大小转换。
更优地，所述标注模块202具体用于：通过Labelme工具，对所述训练样本集进行标注，得到初步标注数据；对所述初步标注数据进行二值化，得到二值化标注数据。
需要说明的是，上述装置/模块之间的信息交互、执行过程等内容，由于与本申请基于改进U-net的焊接缺陷检测方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见基于改进U-net的焊接缺陷检测方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将所述基于改进U-net的焊接缺陷检测装置200的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述中各功能模块的具体工作过程，可以参考前述基于改进U-net的焊接缺陷检测方法实施例中的对应过程，在此不再赘述。
图5是本申请实施例三提供的终端设备的结构示意图。如图5所示，终端设备300包括：处理器302、存储器301以及存储在存储器301中并可在处理器302上运行的计算机程序303。处理器302的个数是至少一个，图5以一个为例。处理器302执行计算机程序303时实现上述基于改进U-net的焊接缺陷检测方法的实现步骤，即图1所示的步骤。
终端设备300的具体实现过程可以参见上文中的基于改进U-net的焊接缺陷检测方法实施例。
示例性的，计算机程序303可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在存储器301中，并由处理器302执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序303在终端设备300中的执行过程。
终端设备300可以是桌上型计算机、笔记本、掌上电脑、主控等计算设备，也可以是手机等移动终端。终端设备300可包括，但不仅限于，处理器以及存储器。本领域技术人员可以理解，图5仅是终端设备300的示例，并不构成对终端设备300的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端设备300还可以包括输入输出设备、网络接入设备、总线等。
处理器302可以是CPU（Central Processing Unit，中央处理单元），还可以是其他通用处理器、DSP（Digital Signal Processor，数字信号处理器）、ASIC（ApplicationSpecific Integrated Circuit，专用集成电路）、FPGA（Field-Programmable Gate Array，现成可编程门阵列）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器301可以是终端设备300的内部存储单元，例如硬盘或内存。存储器301也可以是终端设备300的外部存储设备，例如终端设备300上配备的插接式硬盘、SMC（SmartMedia Card，智能存储卡）、SD卡（Secure Digital，安全数字卡）、Flash Card（闪存卡）等。进一步地，存储器301还可以既包括终端设备300的内部存储单元也包括外部存储设备。存储器301用于存储操作系统、应用程序、引导装载程序、数据以及其他程序等，例如所述计算机程序303的程序代码等。存储器301还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上文中的基于改进U-net的焊接缺陷检测方法实施例中的步骤。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述基于改进U-net的焊接缺陷检测方法实施例中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述计算机程序303可存储于一计算机可读存储介质中，该计算机程序303在被处理器302执行时，可实现上述基于改进U-net的焊接缺陷检测方法实施例的步骤。其中，所述计算机程序303包括计算机程序代码，所述计算机程序303代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、ROM（Read-Only Memory，只读存储器）、RAM（Random Access Memory，随机存取存储器）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (6)
1.一种基于改进U-net的焊接缺陷检测方法，其特征在于，包括：
获取训练样本集，所述训练样本集包括至少两个焊接缺陷样本图像；
对所述训练样本集进行标注，得到标注数据；
将所述训练样本集输入至U型分割网络中的分割编码器中，所述分割编码器通过多层卷积层和池化层进行缺陷部位的特征提取，所述分割编码器输出给U型分割网络中的分割解码器中通过卷积层和上采样层进行上采样，输出与所述训练样本集相同大小的语义分割图；其中，所述U型分割网络中的分割编码器和分割解码器之间使用跳跃连接，且所述U型分割网络中引入全局注意力机制；将所述语义分割图与所述标注数据通过交叉熵损失函数进行运算，优化语义分割模型中的参数；
将待检测焊接图像输入至训练好的语义分割模型中进行缺陷检测；
所述分割编码器的每一层的输入设置为三部分的融合：所述分割编码器本层的上一层的输出、所述分割编码器本层的输出以及所述分割编码器本层的下一层的输出。
2.根据权利要求1所述的基于改进U-net的焊接缺陷检测方法，其特征在于，所述获取训练样本集之后，所述焊接缺陷检测方法还包括：
对所述训练样本集进行预处理。
3.根据权利要求2所述的基于改进U-net的焊接缺陷检测方法，其特征在于，所述对所述训练样本集进行预处理，包括：
对所述训练样本集依次进行线性变换、Gamma变换、梯度直方图均衡化处理和图像大小转换。
4.根据权利要求1所述的基于改进U-net的焊接缺陷检测方法，其特征在于，所述对所述训练样本集进行标注，得到标注数据，包括：
通过Labelme工具，对所述训练样本集进行标注，得到初步标注数据；
对所述初步标注数据进行二值化，得到二值化标注数据。
5.一种基于改进U-net的焊接缺陷检测装置，其特征在于，包括：
训练样本集获取模块，用于获取训练样本集，所述训练样本集包括至少两个焊接缺陷样本图像；
标注模块，用于对所述训练样本集进行标注，得到标注数据；
网络训练模块，用于将所述训练样本集输入至U型分割网络中的分割编码器中，所述分割编码器通过多层卷积层和池化层进行缺陷部位的特征提取，所述分割编码器输出给U型分割网络中的分割解码器中通过卷积层和上采样层进行上采样，输出与所述训练样本集相同大小的语义分割图；其中，所述U型分割网络中的分割编码器和分割解码器之间使用跳跃连接，且所述U型分割网络中引入全局注意力机制；将所述语义分割图与所述标注数据通过交叉熵损失函数进行运算，优化语义分割模型中的参数；
缺陷检测模块，用于将待检测焊接图像输入至训练好的语义分割模型中进行缺陷检测；
所述分割编码器的每一层的输入设置为三部分的融合：所述分割编码器本层的上一层的输出、所述分割编码器本层的输出以及所述分割编码器本层的下一层的输出。
6.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-4任一项所述的基于改进U-net的焊接缺陷检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110320828.5A CN112967272B (zh) | 2021-03-25 | 2021-03-25 | 基于改进U-net的焊接缺陷检测方法、装置及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110320828.5A CN112967272B (zh) | 2021-03-25 | 2021-03-25 | 基于改进U-net的焊接缺陷检测方法、装置及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112967272A CN112967272A (zh) | 2021-06-15 |
| CN112967272B true CN112967272B (zh) | 2023-08-22 |
Family
ID=76278390
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110320828.5A Active CN112967272B (zh) | 2021-03-25 | 2021-03-25 | 基于改进U-net的焊接缺陷检测方法、装置及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112967272B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113379728A (zh) * | 2021-07-02 | 2021-09-10 | 上海电气集团股份有限公司 | 铁轨表面的缺陷检测方法、系统、设备及可读存储介质 |
| CN113657383B (zh) * | 2021-08-24 | 2024-05-24 | 凌云光技术股份有限公司 | 一种基于轻量化分割模型的缺陷区域检测方法及装置 |
| CN113763358B (zh) * | 2021-09-08 | 2024-01-09 | 合肥中科类脑智能技术有限公司 | 基于语义分割的变电站渗漏油和金属锈蚀检测方法及系统 |
| CN113935955A (zh) * | 2021-09-22 | 2022-01-14 | 无锡日联科技股份有限公司 | 一种基于x光图像的led焊盘气泡ai检测方法 |
| CN114742832B (zh) * | 2022-06-13 | 2022-09-09 | 惠州威尔高电子有限公司 | 一种MiniLED薄板的焊接缺陷检测方法 |
| CN117984024B (zh) * | 2024-04-03 | 2024-06-18 | 中国水利水电第十工程局有限公司 | 基于船闸人字门自动化生产的焊接数据管理方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108447062A (zh) * | 2018-02-01 | 2018-08-24 | 浙江大学 | 一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法 |
| CN110458849A (zh) * | 2019-07-26 | 2019-11-15 | 山东大学 | 一种基于特征修正的图像分割方法 |
| CN110648334A (zh) * | 2019-09-18 | 2020-01-03 | 中国人民解放军火箭军工程大学 | 一种基于注意力机制的多特征循环卷积显著性目标检测方法 |
| CN111402209A (zh) * | 2020-03-03 | 2020-07-10 | 广州中国科学院先进技术研究所 | 一种基于U-Net的高速铁路钢轨损伤检测方法 |
| CN111539886A (zh) * | 2020-04-21 | 2020-08-14 | 西安交通大学 | 一种基于多尺度特征融合的去雾方法 |
| CN111681232A (zh) * | 2020-06-10 | 2020-09-18 | 厦门理工学院 | 基于语义分割的工业焊接图像缺陷的检测方法 |
| CN111739030A (zh) * | 2020-06-15 | 2020-10-02 | 大连理工大学 | 一种语义和多尺度融合网络的眼底图像血管分割方法 |
| CN111932501A (zh) * | 2020-07-13 | 2020-11-13 | 太仓中科信息技术研究院 | 一种基于语义分割的密封圈表面缺陷检测方法 |
| WO2021003821A1 (zh) * | 2019-07-11 | 2021-01-14 | 平安科技（深圳）有限公司 | 一种肾小球病理切片图像的细胞检测方法、装置及设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11832969B2 (en) * | 2016-12-22 | 2023-12-05 | The Johns Hopkins University | Machine learning approach to beamforming |
| US11328430B2 (en) * | 2019-05-28 | 2022-05-10 | Arizona Board Of Regents On Behalf Of Arizona State University | Methods, systems, and media for segmenting images |
-
2021
- 2021-03-25 CN CN202110320828.5A patent/CN112967272B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108447062A (zh) * | 2018-02-01 | 2018-08-24 | 浙江大学 | 一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法 |
| WO2021003821A1 (zh) * | 2019-07-11 | 2021-01-14 | 平安科技（深圳）有限公司 | 一种肾小球病理切片图像的细胞检测方法、装置及设备 |
| CN110458849A (zh) * | 2019-07-26 | 2019-11-15 | 山东大学 | 一种基于特征修正的图像分割方法 |
| CN110648334A (zh) * | 2019-09-18 | 2020-01-03 | 中国人民解放军火箭军工程大学 | 一种基于注意力机制的多特征循环卷积显著性目标检测方法 |
| CN111402209A (zh) * | 2020-03-03 | 2020-07-10 | 广州中国科学院先进技术研究所 | 一种基于U-Net的高速铁路钢轨损伤检测方法 |
| CN111539886A (zh) * | 2020-04-21 | 2020-08-14 | 西安交通大学 | 一种基于多尺度特征融合的去雾方法 |
| CN111681232A (zh) * | 2020-06-10 | 2020-09-18 | 厦门理工学院 | 基于语义分割的工业焊接图像缺陷的检测方法 |
| CN111739030A (zh) * | 2020-06-15 | 2020-10-02 | 大连理工大学 | 一种语义和多尺度融合网络的眼底图像血管分割方法 |
| CN111932501A (zh) * | 2020-07-13 | 2020-11-13 | 太仓中科信息技术研究院 | 一种基于语义分割的密封圈表面缺陷检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| UU-Net: 基于 U-Net 的 U 形多路径网络的视网膜血管分割;代洋洋等;《哈尔滨工程大学学报》;第41卷(第5期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112967272A (zh) | 2021-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112967272B (zh) | 基于改进U-net的焊接缺陷检测方法、装置及终端设备 | |
| CN110111334B (zh) | 一种裂缝分割方法、装置、电子设备及存储介质 | |
| CN112560980B (zh) | 目标检测模型的训练方法、装置及终端设备 | |
| CN111914654B (zh) | 一种文本版面分析方法、装置、设备和介质 | |
| CN112418345B (zh) | 细粒度小目标快速识别的方法和装置 | |
| WO2024066035A1 (zh) | 基于电池表面图像的缺陷检测方法、系统及相关设备 | |
| CN114943673A (zh) | 瑕疵图像生成方法、装置、电子设备及存储介质 | |
| US20230401691A1 (en) | Image defect detection method, electronic device and readable storage medium | |
| CN114155244A (zh) | 缺陷检测方法、装置、设备及存储介质 | |
| CN111310737A (zh) | 一种车道线检测方法及装置 | |
| CN112712005B (zh) | 识别模型的训练方法、目标识别方法及终端设备 | |
| CN117953341A (zh) | 一种病理图像分割网络模型、方法、装置及介质 | |
| CN112651975A (zh) | 一种轻量化网络模型的训练方法、装置及设备 | |
| CN113139617A (zh) | 一种输电线路自主定位方法、装置及终端设备 | |
| CN113111708B (zh) | 车辆匹配样本生成方法、装置、计算机设备和存储介质 | |
| CN109785312B (zh) | 一种图像模糊检测方法、系统及电子设备 | |
| CN118037655A (zh) | 一种基于ssd的光伏板瑕疵检测方法及装置 | |
| CN115620039B (zh) | 一种图像标注方法、装置、设备和介质 | |
| CN116844573A (zh) | 基于人工智能的语音情感识别方法、装置、设备及介质 | |
| CN113111709B (zh) | 车辆匹配模型生成方法、装置、计算机设备和存储介质 | |
| CN115205619A (zh) | 检测模型的训练方法、检测方法、装置和存储介质 | |
| CN115393868A (zh) | 文本检测方法、装置、电子设备和存储介质 | |
| CN112801960A (zh) | 图像处理方法及装置、存储介质、电子设备 | |
| CN112784737A (zh) | 结合像素分割和线段锚的文本检测方法、系统及装置 | |
| CN112132031A (zh) | 车款识别方法、装置、电子设备及存储介质 |
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 |