一种X光图像焊缝缺陷检测方法和系统
文献发布时间:2024-04-18 19:52:40
技术领域
本发明提出了一种X光图像焊缝缺陷检测方法和系统,属于缺陷检测技术领域。
背景技术
焊接技术在各种生产应用中都很常见,其中焊缝缺陷对于生产时一个潜在隐患,当前的主要是利用卷积神经网络(CNN)的和人工检测的方法,进行检测X光图像焊缝的缺陷。由于焊缝缺陷种类很多,不同缺陷的规模和形状差异很大,如气孔尺寸较小,直接利用CNN训练检测效果差,对于小目标和模糊的缺陷容易漏检和误检。人工检测工作量大成本高。
发明内容
本发明提供了一种X光图像焊缝缺陷检测方法和系统,用以解决现有技术中直接利用CNN训练检测效果差,对于小目标和模糊的缺陷容易漏检和误检,并且,人工检测工作量大、效率低以及成本高的问题,所采取的技术方案如下:
一种X光图像焊缝缺陷检测方法,所述X光图像焊缝缺陷检测方法包括:
收集包含焊缝的X光图像数据信息,生成监督学习应用数据集;
调取Transformer模型,并利用监督学习应用数据集对所述Transformer模型进行训练、验证和测试,获得测试后的Transformer模型;
利用测试后的Transformer模型实时监测带有焊缝的X光图像数据信息进行识别,判断是否存在焊缝缺陷和异常;
当存在所述焊缝缺陷和异常时,对所述X光图像数据信息进行标记和统计。
进一步地,收集包含焊缝的X光图像数据信息,生成监督学习应用数据集,包括:
收集包含焊缝的X光图像数据信息,其中,所述X光图像数据信息包括正常焊缝信息和异常及缺陷焊缝信息;
对所述X光图像数据信息进行预处理,获得预处理后的X光图像数据信息;其中,所述预处理包括降噪处理、尺寸标准化处理、亮度调整处理和对比度调整处理。
进一步地,调取Transformer模型,并利用监督学习应用数据集对所述Transformer模型进行训练、验证和测试,获得测试后的Transformer模型,包括:
调取所述监督学习应用数据集;
将所述监督学习应用数据集划分为训练集、验证集和测试集;
利用所述训练集对Transformer模型进行训练,获得训练后的Transformer模型;
利用所述训练集对Transformer模型进行验证,获得验证后的Transformer模型;
利用所述训练集对Transformer模型进行测试,获得测试后的Transformer模型。
进一步地,利用测试后的Transformer模型实时监测带有焊缝的X光图像数据信息进行识别,判断是否存在焊缝缺陷和异常,包括:
利用X光设备实时采集焊缝的X光图像数据信息;
将所述带有焊缝的X光图像数据信息输入至Transformer模型,通过Transformer模型对所述X光图像数据信息进行识别和检测,判断所述X光图像数据信息中呈现的焊缝是否存在异常和缺陷;
当所述X光图像数据信息中呈现的焊缝存在异常和缺陷时,则进行异常和缺陷报警。
进一步地,当存在所述焊缝缺陷和异常时,对所述X光图像数据信息进行标记和统计,包括:
当存在所述焊缝缺陷和异常时,对所述X光图像数据信息进行标记;
将带有标记的X光图像数据信息存储至第一存储空间中;
将不带有标记的X光图像数据信息存储至第二存储空间中;
利用所述第一存储空间和第二存储空间中的X光图像数据信息数量统计焊缝的异常及缺陷比例。
一种X光图像焊缝缺陷检测系统,所述X光图像焊缝缺陷检测系统包括:
信息收集模块,用于收集包含焊缝的X光图像数据信息,生成监督学习应用数据集;
模型调取及调试模块,用于调取Transformer模型,并利用监督学习应用数据集对所述Transformer模型进行训练、验证和测试,获得测试后的Transformer模型;
缺陷和异常识别模块,用于利用测试后的Transformer模型实时监测带有焊缝的X光图像数据信息进行识别,判断是否存在焊缝缺陷和异常;
标记和统计模块,用于当存在所述焊缝缺陷和异常时,对所述X光图像数据信息进行标记和统计。
进一步地,收集包含焊缝的X光图像数据信息,生成监督学习应用数据集,包括:
图像信息收集模块,用于收集包含焊缝的X光图像数据信息,其中,所述X光图像数据信息包括正常焊缝信息和异常及缺陷焊缝信息;
图像预处理模块,用于对所述X光图像数据信息进行预处理,获得预处理后的X光图像数据信息;其中,所述预处理包括降噪处理、尺寸标准化处理、亮度调整处理和对比度调整处理。
进一步地,所述缺陷和异常识别模块,包括:
数据集调取模块,用于调取所述监督学习应用数据集;
数据集划分模块,用于将所述监督学习应用数据集划分为训练集、验证集和测试集;
模型训练模块,用于利用所述训练集对Transformer模型进行训练,获得训练后的Transformer模型;
模型验证模块,用于利用所述训练集对Transformer模型进行验证,获得验证后的Transformer模型;
模型测试模块,用于利用所述训练集对Transformer模型进行测试,获得测试后的Transformer模型。
进一步地,缺陷和异常识别模块包括:
信息采集模块,用于利用X光设备实时采集焊缝的X光图像数据信息;
识别检测模块,用于将所述带有焊缝的X光图像数据信息输入至Transformer模型,通过Transformer模型对所述X光图像数据信息进行识别和检测,判断所述X光图像数据信息中呈现的焊缝是否存在异常和缺陷;
异常报警模块,用于当所述X光图像数据信息中呈现的焊缝存在异常和缺陷时,则进行异常和缺陷报警。
进一步地,所述标记和统计模块包括:
标记执行模块,用于当存在所述焊缝缺陷和异常时,对所述X光图像数据信息进行标记;
第一存储模块,用于将带有标记的X光图像数据信息存储至第一存储空间中;
第二存储模块,用于将不带有标记的X光图像数据信息存储至第二存储空间中;
比例获取模块,用于利用所述第一存储空间和第二存储空间中的X光图像数据信息数量统计焊缝的异常及缺陷比例。
本发明有益效果:
本发明提出的一种X光图像焊缝缺陷检测方法和系统利用Transformer架构进行X光图像焊缝缺陷检测,Transformer具有注意力机制,结合图像上下文信息,高效的检测小目标和模糊目标。利用Transformer架构的方法,提高了焊缝缺陷检测的精度,降低误检率,提高检测效率,降低人力检测成本。
附图说明
图1为本发明所述方法的流程图;
图2为本发明所述系统的系统框图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明实施例提出了一种X光图像焊缝缺陷检测方法,如图1所示,所述X光图像焊缝缺陷检测方法包括:
S1、收集包含焊缝的X光图像数据信息,生成监督学习应用数据集;
S2、调取Transformer模型,并利用监督学习应用数据集对所述Transformer模型进行训练、验证和测试,获得测试后的Transformer模型;
S3、利用测试后的Transformer模型实时监测带有焊缝的X光图像数据信息进行识别,判断是否存在焊缝缺陷和异常;
S4、当存在所述焊缝缺陷和异常时,对所述X光图像数据信息进行标记和统计。
上述技术方案的工作原理为:数据集创建(S1):
首先,收集包含焊缝的X光图像数据信息,这些图像数据用于构建一个监督学习的应用数据集。数据集应包含已标记的图像,标注指示了每个图像是否存在焊缝缺陷和异常。
模型训练(S2):
接下来,调取Transformer模型,并使用监督学习应用数据集对该模型进行训练、验证和测试。这一步骤的目的是使Transformer模型学会从X光图像数据中识别焊缝缺陷和异常。模型训练完成后,会获得经过测试的Transformer模型。
实时监测(S3):
一旦获得经过测试的Transformer模型,系统就可以实时监测带有焊缝的X光图像数据信息。这些图像数据会传送给Transformer模型,模型会分析图像并判断是否存在焊缝缺陷和异常。
标记和统计(S4):
当Transformer模型检测到存在焊缝缺陷和异常时,系统会对相关的X光图像数据信息进行标记,以指示缺陷的位置和类型。此外,系统还会进行统计,以记录和分析缺陷和异常的发生频率、趋势等信息。
上述技术方案的效果为:自动识别:通过训练的Transformer模型,系统能够自动识别X光图像中的焊缝缺陷和异常,无需人工干预。
实时监测:系统实时监测焊缝图像,能够及时发现潜在的问题,有助于防止缺陷引发更大的安全问题。
标记和统计:标记和统计功能可以帮助记录和分析焊缝缺陷和异常的情况,有助于改进焊接工艺和提高质量控制。
减少人工成本:自动化的缺陷识别和标记可以减少人工检查的工作量,提高效率并降低成本。
总之,该技术方案通过结合深度学习(Transformer模型)和X光图像数据,实现了焊缝缺陷和异常的自动识别、标记和统计,有助于提高焊接质量和安全性。
本发明的一个实施例,收集包含焊缝的X光图像数据信息,生成监督学习应用数据集,包括:
S101、收集包含焊缝的X光图像数据信息,其中,所述X光图像数据信息包括正常焊缝信息和异常及缺陷焊缝信息;
S102、对所述X光图像数据信息进行预处理,获得预处理后的X光图像数据信息;其中,所述预处理包括降噪处理、尺寸标准化处理、亮度调整处理和对比度调整处理。
上述技术方案的工作原理为:数据收集(S101):
首先,从实际生产中收集X光图像数据信息,这些数据包含了正常焊缝信息和异常或缺陷焊缝信息。这些数据通常通过X光成像设备获得。
数据预处理(S102):
接下来,对收集到的X光图像数据信息进行预处理,以获得干净、一致的数据用于训练模型。预处理包括以下步骤:
降噪处理:去除图像中的噪声,以提高图像质量。
尺寸标准化处理:调整图像的尺寸,使其具有相同的大小,以确保模型的输入数据具有一致的格式。
亮度调整处理:调整图像的亮度,以消除不必要的光照差异。
对比度调整处理:增强图像的对比度,以使焊缝特征更加明显。
上述技术方案的效果为:数据准备:通过数据收集和预处理,创建了一个包含正常和异常焊缝的X光图像数据集,为监督学习提供了标记的训练样本。
数据一致性:预处理步骤确保了所有图像在尺寸、亮度和对比度上的一致性,这有助于模型的训练和性能。
降低噪声:降噪处理有助于消除图像中的噪声,从而提高了模型的鲁棒性和准确性。
提高模型性能:通过提供高质量的输入数据,该技术方案有望提高后续监督学习模型的性能,使其能够更可靠地识别焊缝的正常和异常情况。
总之,该技术方案通过数据收集和预处理,为训练监督学习模型提供了标记的、高质量的X光图像数据集,以实现对焊缝的正常和异常情况的识别,有助于质量控制和焊接工艺的改进。
本发明的一个实施例,调取Transformer模型,并利用监督学习应用数据集对所述Transformer模型进行训练、验证和测试,获得测试后的Transformer模型,包括:
S201、调取所述监督学习应用数据集;
S202、将所述监督学习应用数据集划分为训练集、验证集和测试集;
S203、利用所述训练集对Transformer模型进行训练,获得训练后的Transformer模型;
S204、利用所述训练集对Transformer模型进行验证,获得验证后的Transformer模型;
S205、利用所述训练集对Transformer模型进行测试,获得测试后的Transformer模型。
上述技术方案的工作原理为:数据准备(S201):
调用监督学习应用数据集,这个数据集包含了X光图像数据和相应的标签信息,标注指示了每个图像是否存在焊缝缺陷和异常。
数据划分(S202):
接下来,将监督学习应用数据集划分为三个部分:训练集、验证集和测试集。这是为了训练、验证和测试模型时的评估和性能监测。
模型训练(S203):
使用训练集对Transformer模型进行训练。模型训练的目标是通过学习数据的特征和模式来识别焊缝的正常和异常情况。训练后,获得了经过训练的Transformer模型。
模型验证(S204):
利用验证集对训练后的模型进行验证。验证是为了评估模型在未见过的数据上的性能,确保模型不会过拟合训练数据。这一步骤可能涉及调整模型的超参数。
模型测试(S205):
最后,使用测试集对经过验证的Transformer模型进行测试。测试集上的性能评估可以提供模型在实际应用中的准确性和可靠性信息。
上述技术方案的效果为:模型训练:通过使用监督学习应用数据集,该技术方案能够训练Transformer模型,使其具备识别焊缝缺陷和异常的能力。
模型验证:模型验证阶段有助于确定模型的泛化能力,确保其在未知数据上的性能。
模型测试:模型测试阶段评估了模型的实际性能,包括其在测试数据集上的准确性和可靠性。
高效的缺陷检测:最终的经过测试的Transformer模型可以用于实时监测X光图像数据,以检测焊缝的正常和异常情况,有助于提高焊接质量和安全性。
总之,该技术方案通过训练、验证和测试Transformer模型,使其能够自动化地识别焊缝的正常和异常情况,提高了焊接质量的监测效率和准确性。
本发明的一个实施例,利用测试后的Transformer模型实时监测带有焊缝的X光图像数据信息进行识别,判断是否存在焊缝缺陷和异常,包括:
S301、利用X光设备实时采集焊缝的X光图像数据信息;
S302、将所述带有焊缝的X光图像数据信息输入至Transformer模型,通过Transformer模型对所述X光图像数据信息进行识别和检测,判断所述X光图像数据信息中呈现的焊缝是否存在异常和缺陷;
S303、当所述X光图像数据信息中呈现的焊缝存在异常和缺陷时,则进行异常和缺陷报警。
上述技术方案的工作原理为:实时数据采集(S301):
首先,通过X光设备实时采集焊缝的X光图像数据信息。这些数据可能是在生产环境中连续生成的,可以通过X光成像设备获取。
模型识别与检测(S302):
接下来,将采集到的带有焊缝的X光图像数据信息输入经过测试的Transformer模型。通过模型,对X光图像数据信息中的焊缝进行识别和检测,判断是否存在异常和缺陷。模型在处理图像时,会学习到正常和异常焊缝的特征,从而能够区分它们。
异常和缺陷报警(S303):
如果经过模型识别和检测后发现X光图像数据信息中的焊缝存在异常和缺陷,系统会触发异常和缺陷报警。这可以是视觉或声音警报,以及在系统中记录问题。
上述技术方案的效果为:实时检测:通过利用经过测试的Transformer模型,可以在实时采集的X光图像数据中快速识别焊缝的异常和缺陷情况。
自动化检测:该技术方案的自动化特性可以提高焊缝缺陷检测的效率,避免了人工检查的繁琐过程。
早期发现:通过实时监测,系统可以在焊接过程中及时发现焊缝的异常和缺陷,从而减少质量问题的产生。
安全性和可靠性:及时报警能够帮助维护焊接过程的安全性和生产质量的可靠性。
综上所述,该技术方案通过利用经过测试的Transformer模型,实现了对带有焊缝的X光图像数据的实时监测,从而能够高效、自动化地识别焊缝的异常和缺陷,提高了焊接质量的检测效率和准确性。
本发明的一个实施例,当存在所述焊缝缺陷和异常时,对所述X光图像数据信息进行标记和统计,包括:
S401、当存在所述焊缝缺陷和异常时,对所述X光图像数据信息进行标记;
S402、将带有标记的X光图像数据信息存储至第一存储空间中;
S403、将不带有标记的X光图像数据信息存储至第二存储空间中;
S404、利用所述第一存储空间和第二存储空间中的X光图像数据信息数量统计焊缝的异常及缺陷比例。
上述技术方案的工作原理为:标记异常数据(S401):
当检测到X光图像数据信息中存在焊缝的异常和缺陷时,系统会对这些数据进行标记。这个标记通常是一种数据标签或标志,用来指示该图像数据包含异常焊缝。
数据存储(S402和S403):
带有标记的X光图像数据信息被存储至第一存储空间,以便后续分析和处理。
不带有标记的X光图像数据信息被存储至第二存储空间,这些数据可能是正常的焊缝图像或未被检测到异常的焊缝图像。
统计异常比例(S404):
利用第一存储空间和第二存储空间中的X光图像数据信息,系统可以进行统计。通过计算异常标记的图像数据与总图像数据的比例,可以得出焊缝的异常及缺陷比例。这个比例可以用来评估焊接质量和异常检测的性能。
上述技术方案的效果为:异常数据记录:该技术方案允许系统有效地记录包含焊缝异常和缺陷的X光图像数据,这对于进一步的分析和质量控制非常有用。
分离异常数据:将异常数据存储在第一存储空间,而将正常数据存储在第二存储空间,有助于维护数据的整洁性和管理,使异常数据容易被检索和处理。
统计分析:通过计算异常及缺陷比例,可以提供有关焊缝质量和生产过程的重要信息,有助于改进焊接工艺和质量管理。
总之,该技术方案允许系统在检测到焊缝异常时对数据进行标记、存储和统计,以便有效地管理和分析焊接过程中的问题,并为质量控制提供有用的信息。
本发明实施例提出了一种X光图像焊缝缺陷检测系统,如图2所示,所述X光图像焊缝缺陷检测系统包括:
信息收集模块,用于收集包含焊缝的X光图像数据信息,生成监督学习应用数据集;
模型调取及调试模块,用于调取Transformer模型,并利用监督学习应用数据集对所述Transformer模型进行训练、验证和测试,获得测试后的Transformer模型;
缺陷和异常识别模块,用于利用测试后的Transformer模型实时监测带有焊缝的X光图像数据信息进行识别,判断是否存在焊缝缺陷和异常;
标记和统计模块,用于当存在所述焊缝缺陷和异常时,对所述X光图像数据信息进行标记和统计。
上述技术方案的工作原理为:数据集创建:
首先,收集包含焊缝的X光图像数据信息,这些图像数据用于构建一个监督学习的应用数据集。数据集应包含已标记的图像,标注指示了每个图像是否存在焊缝缺陷和异常。
模型训练:
接下来,调取Transformer模型,并使用监督学习应用数据集对该模型进行训练、验证和测试。这一步骤的目的是使Transformer模型学会从X光图像数据中识别焊缝缺陷和异常。模型训练完成后,会获得经过测试的Transformer模型。
实时监测:
一旦获得经过测试的Transformer模型,系统就可以实时监测带有焊缝的X光图像数据信息。这些图像数据会传送给Transformer模型,模型会分析图像并判断是否存在焊缝缺陷和异常。
标记和统计:
当Transformer模型检测到存在焊缝缺陷和异常时,系统会对相关的X光图像数据信息进行标记,以指示缺陷的位置和类型。此外,系统还会进行统计,以记录和分析缺陷和异常的发生频率、趋势等信息。
上述技术方案的效果为:自动识别:通过训练的Transformer模型,系统能够自动识别X光图像中的焊缝缺陷和异常,无需人工干预。
实时监测:系统实时监测焊缝图像,能够及时发现潜在的问题,有助于防止缺陷引发更大的安全问题。
标记和统计:标记和统计功能可以帮助记录和分析焊缝缺陷和异常的情况,有助于改进焊接工艺和提高质量控制。
减少人工成本:自动化的缺陷识别和标记可以减少人工检查的工作量,提高效率并降低成本。
总之,该技术方案通过结合深度学习(Transformer模型)和X光图像数据,实现了焊缝缺陷和异常的自动识别、标记和统计,有助于提高焊接质量和安全性。
本发明的一个实施例,收集包含焊缝的X光图像数据信息,生成监督学习应用数据集,包括:
图像信息收集模块,用于收集包含焊缝的X光图像数据信息,其中,所述X光图像数据信息包括正常焊缝信息和异常及缺陷焊缝信息;
图像预处理模块,用于对所述X光图像数据信息进行预处理,获得预处理后的X光图像数据信息;其中,所述预处理包括降噪处理、尺寸标准化处理、亮度调整处理和对比度调整处理。
上述技术方案的工作原理为:数据收集:
首先,从实际生产中收集X光图像数据信息,这些数据包含了正常焊缝信息和异常或缺陷焊缝信息。这些数据通常通过X光成像设备获得。
数据预处理:
接下来,对收集到的X光图像数据信息进行预处理,以获得干净、一致的数据用于训练模型。预处理包括以下步骤:
降噪处理:去除图像中的噪声,以提高图像质量。
尺寸标准化处理:调整图像的尺寸,使其具有相同的大小,以确保模型的输入数据具有一致的格式。
亮度调整处理:调整图像的亮度,以消除不必要的光照差异。
对比度调整处理:增强图像的对比度,以使焊缝特征更加明显。
上述技术方案的效果为:数据准备:通过数据收集和预处理,创建了一个包含正常和异常焊缝的X光图像数据集,为监督学习提供了标记的训练样本。
数据一致性:预处理步骤确保了所有图像在尺寸、亮度和对比度上的一致性,这有助于模型的训练和性能。
降低噪声:降噪处理有助于消除图像中的噪声,从而提高了模型的鲁棒性和准确性。
提高模型性能:通过提供高质量的输入数据,该技术方案有望提高后续监督学习模型的性能,使其能够更可靠地识别焊缝的正常和异常情况。
总之,该技术方案通过数据收集和预处理,为训练监督学习模型提供了标记的、高质量的X光图像数据集,以实现对焊缝的正常和异常情况的识别,有助于质量控制和焊接工艺的改进。
本发明的一个实施例,所述缺陷和异常识别模块,包括:
数据集调取模块,用于调取所述监督学习应用数据集;
数据集划分模块,用于将所述监督学习应用数据集划分为训练集、验证集和测试集;
模型训练模块,用于利用所述训练集对Transformer模型进行训练,获得训练后的Transformer模型;
模型验证模块,用于利用所述训练集对Transformer模型进行验证,获得验证后的Transformer模型;
模型测试模块,用于利用所述训练集对Transformer模型进行测试,获得测试后的Transformer模型。
上述技术方案的工作原理为:数据准备:
调用监督学习应用数据集,这个数据集包含了X光图像数据和相应的标签信息,标注指示了每个图像是否存在焊缝缺陷和异常。
数据划分:
接下来,将监督学习应用数据集划分为三个部分:训练集、验证集和测试集。这是为了训练、验证和测试模型时的评估和性能监测。
模型训练:
使用训练集对Transformer模型进行训练。模型训练的目标是通过学习数据的特征和模式来识别焊缝的正常和异常情况。训练后,获得了经过训练的Transformer模型。
模型验证:
利用验证集对训练后的模型进行验证。验证是为了评估模型在未见过的数据上的性能,确保模型不会过拟合训练数据。这一步骤可能涉及调整模型的超参数。
模型测试:
最后,使用测试集对经过验证的Transformer模型进行测试。测试集上的性能评估可以提供模型在实际应用中的准确性和可靠性信息。
上述技术方案的效果为:模型训练:通过使用监督学习应用数据集,该技术方案能够训练Transformer模型,使其具备识别焊缝缺陷和异常的能力。
模型验证:模型验证阶段有助于确定模型的泛化能力,确保其在未知数据上的性能。
模型测试:模型测试阶段评估了模型的实际性能,包括其在测试数据集上的准确性和可靠性。
高效的缺陷检测:最终的经过测试的Transformer模型可以用于实时监测X光图像数据,以检测焊缝的正常和异常情况,有助于提高焊接质量和安全性。
总之,该技术方案通过训练、验证和测试Transformer模型,使其能够自动化地识别焊缝的正常和异常情况,提高了焊接质量的监测效率和准确性。
本发明的一个实施例,缺陷和异常识别模块包括:
信息采集模块,用于利用X光设备实时采集焊缝的X光图像数据信息;
识别检测模块,用于将所述带有焊缝的X光图像数据信息输入至Transformer模型,通过Transformer模型对所述X光图像数据信息进行识别和检测,判断所述X光图像数据信息中呈现的焊缝是否存在异常和缺陷;
异常报警模块,用于当所述X光图像数据信息中呈现的焊缝存在异常和缺陷时,则进行异常和缺陷报警。
上述技术方案的工作原理为:实时数据采集:
首先,通过X光设备实时采集焊缝的X光图像数据信息。这些数据可能是在生产环境中连续生成的,可以通过X光成像设备获取。
模型识别与检测:
接下来,将采集到的带有焊缝的X光图像数据信息输入经过测试的Transformer模型。通过模型,对X光图像数据信息中的焊缝进行识别和检测,判断是否存在异常和缺陷。模型在处理图像时,会学习到正常和异常焊缝的特征,从而能够区分它们。
异常和缺陷报警:
如果经过模型识别和检测后发现X光图像数据信息中的焊缝存在异常和缺陷,系统会触发异常和缺陷报警。这可以是视觉或声音警报,以及在系统中记录问题。
上述技术方案的效果为:实时检测:通过利用经过测试的Transformer模型,可以在实时采集的X光图像数据中快速识别焊缝的异常和缺陷情况。
自动化检测:该技术方案的自动化特性可以提高焊缝缺陷检测的效率,避免了人工检查的繁琐过程。
早期发现:通过实时监测,系统可以在焊接过程中及时发现焊缝的异常和缺陷,从而减少质量问题的产生。
安全性和可靠性:及时报警能够帮助维护焊接过程的安全性和生产质量的可靠性。
综上所述,该技术方案通过利用经过测试的Transformer模型,实现了对带有焊缝的X光图像数据的实时监测,从而能够高效、自动化地识别焊缝的异常和缺陷,提高了焊接质量的检测效率和准确性。
本发明的一个实施例,所述标记和统计模块包括:
标记执行模块,用于当存在所述焊缝缺陷和异常时,对所述X光图像数据信息进行标记;
第一存储模块,用于将带有标记的X光图像数据信息存储至第一存储空间中;
第二存储模块,用于将不带有标记的X光图像数据信息存储至第二存储空间中;
比例获取模块,用于利用所述第一存储空间和第二存储空间中的X光图像数据信息数量统计焊缝的异常及缺陷比例。
上述技术方案的工作原理为:标记异常数据:
当检测到X光图像数据信息中存在焊缝的异常和缺陷时,系统会对这些数据进行标记。这个标记通常是一种数据标签或标志,用来指示该图像数据包含异常焊缝。
数据存储:
带有标记的X光图像数据信息被存储至第一存储空间,以便后续分析和处理。
不带有标记的X光图像数据信息被存储至第二存储空间,这些数据可能是正常的焊缝图像或未被检测到异常的焊缝图像。
统计异常比例:
利用第一存储空间和第二存储空间中的X光图像数据信息,系统可以进行统计。通过计算异常标记的图像数据与总图像数据的比例,可以得出焊缝的异常及缺陷比例。这个比例可以用来评估焊接质量和异常检测的性能。
上述技术方案的效果为:异常数据记录:该技术方案允许系统有效地记录包含焊缝异常和缺陷的X光图像数据,这对于进一步的分析和质量控制非常有用。
分离异常数据:将异常数据存储在第一存储空间,而将正常数据存储在第二存储空间,有助于维护数据的整洁性和管理,使异常数据容易被检索和处理。
统计分析:通过计算异常及缺陷比例,可以提供有关焊缝质量和生产过程的重要信息,有助于改进焊接工艺和质量管理。
总之,该技术方案允许系统在检测到焊缝异常时对数据进行标记、存储和统计,以便有效地管理和分析焊接过程中的问题,并为质量控制提供有用的信息。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
- 一种液流电池同时在线调峰调频系统及方法
- 一种液流电池同时在线调峰调频系统及方法