[发明专利]一种基于深度卷积的金属链板裂纹检测装置在审

专利信息
申请号: 202211553488.1 申请日: 2022-12-06
公开(公告)号: CN116087199A 公开(公告)日: 2023-05-09
发明(设计)人: 丁耀祥;曹苏群;曹雪桦;王兴亚;万夕里 申请(专利权)人: 南京工业大学
主分类号: G01N21/88 分类号: G01N21/88;G06V10/764;G06V10/82;G06V10/776;G06V10/774;G06N3/0464;G06N3/0475;G06N3/048;G06N3/082
代理公司: 淮安市科文知识产权事务所 32223 代理人: 张牛林
地址: 211816 江*** 国省代码: 江苏;32
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 深度 卷积 金属 裂纹 检测 装置
【权利要求书】:

1.一种基于深度卷积的金属链板裂纹检测装置,包括控制器,以及与控制器信号连接的摄像头、显示屏、图像处理模块和报警设备;控制器内搭载嵌入式操作系统,通过任务机制控制摄像头和图像处理模块并发工作;摄像头将采集到的链板图像通过控制器传输至图像处理模块,图像处理模块采用具有并行运算能力和承载linux系统的处理芯片,使其运行基于深度卷积的金属裂纹检测算法模型,判断当前链板图片是否存在金属裂纹,控制器根据图像处理模块回传的结果判断是否需要驱动报警设备进行报警,同时将检测到的裂纹图像结果传输到显示屏进行显示。

2.根据权利要求1所述的一种基于深度卷积的金属链板裂纹检测装置,其特征在于:所述的图像处理模块使用支持GPU并行运算能力的处理芯片,能够运行基于深度卷积的金属链板裂纹检测算法模型,该模型算法运行步骤包括:

步骤一:对输入图像进行预处理操作,去除制碱车间的环境干扰同时放大链板上的裂纹特征;

步骤二:将预处理后的链板特征图像进行分类操作,无裂纹的链板特征图像按照8:2划分训练数据集和测试数据集,有裂纹的链板特征数据集作为生成对抗网络的真实数据集;

步骤三:构建生成对抗网络模型,其中生成器使用多层感知机组成,使用无裂纹链板图像训练数据集输入生成器以生成裂纹特征图像,判别器由卷积神经网络组成,用于区分真假数据;

步骤四:构建基于改进卷积神经网络的裂纹检测模型,使用步骤三生成的有裂纹特征图像作为训练数据集输入检测模型进行模型训练。

3.根据权利要求2所述的一种基于深度卷积的金属链板裂纹检测装置,其特征在于:步骤一所述的对输入图像进行预处理的操作包括:使用灰度变换和二值化处理去除裂纹图像的白色环境干扰,使用滤波算法对裂纹图像进行平滑处理,使用直方图均衡化对裂纹图像进行对比度提升,得到裂纹特征数据集。

4.根据权利要求2所述的一种基于深度卷积的金属链板裂纹检测装置,其特征在于:步骤三所述的生成器使用3层全连接层与RELU激活函数组成多层感知机,其中全连接层传递输入图像的特征,RELU激活函数将特征拓展到非线性领域,最后一层全连接层进行Dropout操作防止过拟合。

5.根据权利要求2所述的一种基于深度卷积的金属链板裂纹检测装置,其特征在于:步骤三所述的判别器由卷积神经网络组成,卷积神经网络由卷积层和池化层交替组成,其中卷积层通过共享权值实现裂纹特征的提取,其数学表达式为:

其中,h表示激活函数,b为偏置参数,L表示局部卷积的长度,m表示局部卷积的宽,wi,j表示权重参数,αi+1,j+m表示卷积层的输入数据。池化层使用最大池化层以获得图像的突出特征。

6.根据权利要求2所述的一种基于深度卷积的金属链板裂纹检测装置,其特征在于:步骤三所述的生成对抗网络训练过程中,重复进行K次判别真假数据,1次生成拟合真实数据,判别器D的目标是最大概率地区分输入训练数据,生成器G的目标是最大化D的损失,使得D无法区分真实数据和生成数据,直到生成器和判别器达到纳什均衡即生成对抗网络得到最优解,即生成器和判别器对应的目标函数数学表达式为:

其中和Ez~Pg(.)表示真实数据和输入假数据的概率,D(x)表示判别器对真实数据的输出概率,G(z)表示生成器对输入假数据的输出概率。

7.根据权利要求1所述的一种基于深度卷积的金属链板裂纹检测装置,其特征在于:所述的控制器采用能运行嵌入式操作系统的控制板,其通过MIPI接口、串行接口和LVDS接口的外设接口与摄像头、显示屏和报警设备进行通信;控制器搭载嵌入式操作系统,通过任务机制控制装置的各个部分并发工作,不同任务对象的优先级切换可以实现CPU资源的合理分配从而提高系统的实时响应能力。

8.根据权利要求1所述的一种基于深度卷积的金属链板裂纹检测装置,其特征在于:所述的摄像头采用CCD相机驱动系统,通过脉冲发生、分频电路以及控制与分频电路得到CCD图像传感器所需要的特定脉冲,以驱动CCD相机正常工作。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于南京工业大学,未经南京工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202211553488.1/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top