使用计算机视觉算法检测钢板中的焊接缺陷

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

1. 介绍

2. 先决条件

3. 图像分割

4. 图像矩

5. 了解数据

6. 使用的方法和算法

7. 结果

8. 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

1. 对机器学习的基本理解

2. 卷积神经网络的基本思想

3. 了解卷积、最大池化和上采样操作

4. U-Net架构思路

5. 对残差块中的跳过连接的基本理解（可选）

6. 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。