CN118602979B 焊缝形貌及表面缺陷在线检测评估方法和系统 （上海交通大学）

焊缝形貌及表面缺陷在线检测评估方法和本发明提供了一种焊缝形貌及表面缺陷在对2D灰度图像利用多边形定位框进行焊缝表面缺陷的标注；建立全卷积神经网络缺陷检测模明能够准确地进行焊缝整体形貌的计算以及与2步骤S4：对2D灰度图像利用多边形定位框进行焊缝步骤S5：以焊缝2D灰度图像为输入，以像素级缺陷步骤S8：依据构建的焊缝形貌和表面缺陷检测综合评步骤S6.1：对网络输出提取缺陷：缺陷检测模型的输出为[height,width,num_云；步骤S2.2：采用Sobel结合高斯增强的图像处理算法将扫描高度数据转换为2D3数据采集模块M1：通过线激光沿焊缝纵向进行扫描，得到焊缝形数据集构建模块M4：对2D灰度图像利用多边形定位框进行焊缝表网络构建模块M5：以焊缝2D灰度图像为缺陷检测模块M6：对缺陷检测模型判定的缺陷进行缺陷的可视化、综合质量评估模块M7：将焊缝整体形貌与表面缺陷检测相结合在线检测评估模块M8：依据构建的焊缝形貌和表面缺陷检测综模块M6.1：对网络输出提取缺陷：缺陷检测模型的输出为[height,width,num_4云；模块M2.2：采用Sobel结合高斯增强的图像处理算法将扫描高度数据转换为2D567[0033]步骤S6.1：对网络输出提取缺陷：缺陷检测模型的输出为[height,w8[0040]数据集构建模块M4：对2D灰度图像利用多边形定位框进9[0057]模块M6.1：对网络输出提取缺陷：缺陷检测模型的输出为[height,w[0061](1)传统的被动视觉传感受检测环境光照等影响较大，本发明采用线激光视觉检[0062](2)传统的焊接缺陷检测方法流程复杂及适应性不足，难以适应现场焊缝形式多[0063](3)传统的焊缝表面检测方法检测结果只包含缺陷在图像上的分布信息，缺失位[0064]通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、[0065]图1为本发明实施例中一种基于全卷积神经网络和线激光的焊缝形貌及表面缺陷[0077]本发明实施例提供了一种基于全卷积神经网络和线激光的焊缝形貌及表面缺陷[0081]线激光传感器沿Y轴方向移动，以一定的扫描频率连续采集不同截面的焊缝轮廓像。首先采用Sobel算子计算每个所述扫描数据上每个点与左侧邻居的高度差diff_用等间隔裁剪方法对2D灰度图像进行子帧划分，在行方向上以800行为间隔划分为[800,[0099]步骤S4.1:对2D灰度图像利用多边形定位形框进行焊缝不同类型表面缺陷的标positive,TP)，真负例(truenegative,TN)，假正例(falsepositive,FP)以及假负例更新，学习率初始值设置为1e_4，且使用学习率衰减的方式，momentum＝0[0126]步骤S6.1：对网络数据提取缺陷。缺陷检测模型的输为[height,width,num_缺陷在线检测评估系统可以通过执行所述焊缝形貌及表面缺陷在线检测评估方法的流程为所述焊缝形貌及表面缺陷在线检测评估系统的优以焊缝2D灰度图像为输入，以像素级缺陷分类为输出建立全卷积神经网络缺陷处理：首先转换为三通道RGB图像，然后进行裁剪缩放成全卷积神经网络的要求的标准尺[0151]所述模块M6包括：模块M6.1：对网络输出提取缺陷：缺陷检测模型的输出为[0153]本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结