点击上方“小白学视觉”,选择加"星标"或“置顶”
重磅干货,第一时间送达
目录
介绍
先决条件
图像分割
图像矩
了解数据
使用的方法和算法
结果
参考
1. 介绍
焊接缺陷可以定义为焊接零件中出现的焊接表面不规则、不连续、缺陷或不一致。焊接接头的缺陷可能导致零件和组件的报废、昂贵的维修费用、工作条件下的性能显著降低,以及在极端情况下,还会导致财产和生命损失的灾难性故障。
此外,由于焊接技术的固有缺陷和金属的特性,在焊接过程中总会存在一定的缺陷。
由于固有的冶金几何缺陷、机械性能的不均匀性和残余应力的存在,焊接接头通常是裂纹萌生的位置,因此评估焊接质量非常重要。
在实践中,几乎不可能获得完美的焊接,并且在大多数情况下,没有必要提供所需的足够的维修功能。然而,早发现和隔离措施总是比事故更可取的。
使用我们的算法,我们可以通过图像轻松检测焊接故障,并精确测量每个故障的严重程度,这将进一步有助于加快图像识别速度并避免出现不利情况。
研究发现,使用卷积神经网络算法和 U-Net 架构使该过程更加高效,工作结束时准确率为 98.3%。
2. 先决条件
对机器学习的基本理解
卷积神经网络的基本思想
了解卷积、最大池化和上采样操作
U-Net架构思路
对残差块中的跳过连接的基本理解(可选)
使用 Python、TensorFlow 和 Keras 库的 ConvNets 的工作知识(可选)
3. 图像分割
分割将图像划分为包含具有相似属性的像素的不同区域。为了对图像分析和解释有意义且有用,区域应与所描绘的对象或感兴趣的特征密切相关。
图像分析的成功取决于分割的可靠性,但图像的准确分割通常是一个非常具有挑战性的问题。
心脏(红色)、肺(绿色)和锁骨(蓝色)的胸部 X 光片被分割。
4. 图像矩
图像矩是图像像素强度的某个特定加权平均值,图像矩对于描述分割后的对象很有用。
通过图像矩发现的图像的简单属性包括:
面积(或总强度)
质心
有关其方向的信息。
5. 了解数据
该数据集包含两个目录,原始图像存储在“images”目录中,分割图像存储在“labels”目录中。
让我们将数据可视化:
来自“images”的原始图像
上面的这些原始图像是 RGB 图像,必须用于训练模型和测试模型。这些图片的尺寸各不相同。直观地说,较暗的部分是焊接缺陷,模型需要对这些图像进行图像分割。