缺陷检测1

这次是带来的焊件的缺陷检测  也可以叫瑕疵检测 都是工业相关哦

焊接缺陷是指焊接零件表面出现不规则、不连续的现象。焊接接头的缺陷可能会导致组件报废、维修成本高昂，在工作条件下的组件的性能显着下降，在极端情况下还会导致灾难性故障，并造成财产和生命损失。此外，由于焊接技术固有的弱点和金属特性，在焊接中总是存在某些缺陷。不可能获得完美的焊接，因此评估焊接质量非常重要。

可以通过图像来检测焊接中的缺陷，并精确测量每个缺陷的严重性，这将有助于并避免上述危险情况的出现。使用卷积神经网络算法和U-Net架构可提高检测的效率，精度也能达到98.3％。

代码：https://github.com/malakar-soham/cnn-in-welding

图像分割

图像分割是指将图像划分为包含相似属性的不同像素区域。为了对图像分析和解释，划分的区域应与对象特征密切相关。图像分析的成功取决于分割的可靠性，但是图像的正确分割通常是一个非常具有挑战性的问题。

 图像中心距

图像中心距是图像像素强度的某个特定加权平均值。图像矩可用于描述分割后的对象。通过图像瞬间发现的图像简单属性包括：

1. 面积（或总强度）

2. 质心

3. 有关其方向的信息

 数据

该数据集包含两个目录。原始图像存储在“图像”目录中，分割后的图像存储在“标签”目录中。让我们来看看这些数据：原始图像是RGB图像，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，较暗的部分是焊接缺陷。模型需要对这些图像执行图像分割。

 “标签”目录的图像是二进制图像或地面真相标签。这是我们的模型必须针对给定的原始图像进行预测。在二进制图像中，像素具有“高”值或“低”值。白色区域或“高”值表示缺陷区域，而黑色区域或“低”值表示无缺陷。

算法

我们将使用U-Net来解决这个问题，通过以下三个主要步骤来检测缺陷及其严重性：

• 图像分割

• 使用颜色显示严重性

• 使用图像矩测量严重性

训练模型

注意事项：

• 每个蓝色框对应一个多通道特征图

• 通道数显示在框的顶部。

• （x，y）尺寸位于框的左下边缘。

• 箭头表示不同的操作。

• 图层名称位于图层下方。

• C1，C2，...。C7是卷积运算后的输出层

• P1，P2，P3是最大池化操作的输出层

• U1，U2，U3是上采样操作的输出层

• A1，A2，A3是跳过连接。

• 左侧是收缩路径，其中应用了常规卷积和最大池化操作

• 图像尺寸逐渐减小，而深度逐渐增大。

• 右侧是扩展路径，在其中应用了（向上采样）转置卷积和常规卷积运算

• 在扩展路径中，图像尺寸逐渐增大，深度逐渐减小

• 为了获得更好的精确位置，在扩展的每个步骤中，我们都使用跳过连接，方法是将转置卷积层的输出与来自编码器的特征图在同一级别上连接：
  A1 = U1 + C3
  A2 = U2 + C2
  A3 = U3 + C1
  每次串联后，我们再次应用规则卷积，以便模型可以学习组装更精确的输出。

import numpy as np
import cv2
import os
import random
import tensorflow as tf
 
h,w = 512,512
 
def create_model():
 
    inputs = tf.keras.layers.Input(shape=(h,w,3))
 
    conv1 = tf.keras.layers.Conv2D(16,(3,3),activation='relu',padding='same')(inputs)
    pool1 = tf.keras.layers.MaxPool2D()(conv1)
 
    conv2 = tf.keras.layers.Conv2D(32,(3,3),activation='relu',padding='same')(pool1)
    pool2 = tf.keras.layers.MaxPool2D()(conv2)
 
    conv3 = tf.keras.layers.Conv2D(64,(3,3),activation='relu',padding='same')(pool2)
    pool3 = tf.keras.layers.MaxPool2D()(conv3)
 
    conv4 = tf.keras.layers.Conv2D(64,(3,3),activation='relu',padding='same')(pool3)
 
    upsm5 = tf.keras.layers.UpSampling2D()(conv4)
    upad5 = tf.keras.layers.Add()([conv3,upsm5])
    conv5 = tf.keras.layers.Conv2D(32,(3,3),activation='relu',padding='same')(upad5)
 
    upsm6 = tf.keras.layers.UpSampling2D()(conv5)
    upad6 = tf.keras.layers.Add()([conv2,upsm6])
    conv6 = tf.keras.layers.Conv2D(16,(3,3),activation='relu',padding='same')(upad6)
 
    upsm7 = tf.keras.layers.UpSampling2D()(conv6)
    upad7 = tf.keras.layers.Add()([conv1,upsm7])
    conv7 = tf.keras.layers.Conv2D(1,(3,3),activation='relu',padding='same')(upad7)
 
    model = tf.keras.models.Model(inputs=inputs, outputs=conv7)
 
    return model
 
images = []
labels = []
 
files = os.listdir('./dataset/images/')
random.shuffle(files)
 
for f in files:
    img = cv2.imread('./dataset/images/' + f)
    parts = f.split('_')
    label_name = './dataset/labels/' + 'W0002_' + parts[1]
    label = cv2.imread(label_name,2)
 
    img = cv2.resize(img,(w,h))
    label = cv2.resize(label,(w,h))
 
    images.append(img)
    labels.append(label)
 
images = np.array(images)
labels = np.array(labels)
labels = np.reshape(labels,
    (labels.shape[0],labels.shape[1],labels.shape[2],1))
 
print(images.shape)
print(labels.shape)
 
images = images/255
labels = labels/255
 
model = tf.keras.models.load_model('my_model')
#model = create_model()  # uncomment this to create a new model
print(model.summary())
 
model.compile(optimizer='adam', loss='binary_crossentropy',metrics=['accuracy'])
model.fit(images,labels,epochs=100,batch_size=10)
model.evaluate(images,labels)
 
model.save('my_model')

该模型使用Adam优化器编译，由于只有两类（缺陷或没有缺陷），因此我们使用二进制交叉熵损失函数。我们使用10批次、100个epochs（在所有输入上运行模型的次数）。调整这些参数，模型性能可能会有很大的改善可能。                                                      whaosoft aiot http://143ai.com  

测试模型

由于模型采用的尺寸为512x512x3，因此我们将输入的尺寸调整为该尺寸。接下来，我们通过将图像除以255进行归一化以加快计算速度。图像进入模型后以预测二进制输出，为了放大像素的强度，二进制输出已乘以1000。

然后将图像转换为16位整数以便于图像操作。之后，算法将检测缺陷并通过颜色分级在视觉上标记缺陷的严重性，并根据缺陷的严重性为具有缺陷的像素分配权重。然后考虑加权像素，在此图像上计算图像力矩。最终将图像转换回8位整数，并以颜色分级及其严重性值显示输出图像。

import numpy as np
import cv2
from google.colab.patches import cv2_imshow
import os
import random
import tensorflow as tf
 
h,w = 512,512
num_cases = 10
 
images = []
labels = []
 
files = os.listdir('./dataset/images/')
random.shuffle(files)
 
model = tf.keras.models.load_model('my_model')
 
lowSevere = 1
midSevere = 2
highSevere = 4
 
for f in files[0:num_cases]:
    test_img = cv2.imread('./dataset/images/' + f)
    resized_img = cv2.resize(test_img,(w,h))
    resized_img = resized_img/255
    cropped_img = np.reshape(resized_img,
          (1,resized_img.shape[0],resized_img.shape[1],resized_img.shape[2]))
 
    test_out = model.predict(cropped_img)
 
    test_out = test_out[0,:,:,0]*1000
    test_out = np.clip(test_out,0,255)
 
    resized_test_out = cv2.resize(test_out,(test_img.shape[1],test_img.shape[0]))
    resized_test_out = resized_test_out.astype(np.uint16)
 
    test_img = test_img.astype(np.uint16)
 
    grey = cv2.cvtColor(test_img, cv2.COLOR_BGR2GRAY)
 
    for i in range(test_img.shape[0]):
     for j in range(test_img.shape[1]):
          if(grey[i,j]>150 & resized_test_out[i,j]>40):
            test_img[i,j,1]=test_img[i,j,1] + resized_test_out[i,j]
            resized_test_out[i,j] = lowSevere
          elif(grey[i,j]<100 & resized_test_out[i,j]>40):
            test_img[i,j,2]=test_img[i,j,2] + resized_test_out[i,j]
            resized_test_out[i,j] = highSevere
          elif(resized_test_out[i,j]>40):
            test_img[i,j,0]=test_img[i,j,0] + resized_test_out[i,j]
            resized_test_out[i,j] = midSevere
          else:
            resized_test_out[i,j] = 0
 
    M = cv2.moments(resized_test_out)
    maxMomentArea = resized_test_out.shape[1]*resized_test_out.shape[0]*highSevere
    print("0th Moment = " , (M["m00"]*100/maxMomentArea), "%")
 
    test_img = np.clip(test_img,0,255)
    test_img = test_img.astype(np.uint8)
 
    cv2_imshow(test_img)
    cv2.waitKey(0)

结果

我们使用颜色来表示缺陷的严重程度：

1. 绿色表示存在严重缺陷的区域。

2. 蓝色表示缺陷更严重的区域。

3. 红色区域显示出最严重的缺陷。

零阶矩将以百分比形式显示在输出图像旁边，作为严重程度的经验指标。

以下是三个随机样本，它们显示了原始输入，地面真实情况以及由我们的模型生成的输出。

范例1：

 范例2：

 范例3：

大伙有什么欢迎来论啊