老司机一区二区,综合插菊花网,张柏芝裸体无删减版照,中文激情无码,我要看免费的毛片,啊啊啊操我视频,人人舔人人摸,北条麻妃无码视频

點擊上方“小白學視覺”，選擇加"星標"或“置頂”

重磅干貨，第一時間送達

01. 簡介

焊接缺陷是指焊接零件表面出現(xiàn)不規(guī)則、不連續(xù)的現(xiàn)象。焊接接頭的缺陷可能會導致組件報廢、維修成本高昂，在工作條件下的組件的性能顯著下降，在極端情況下還會導致災難性故障，并造成財產(chǎn)和生命損失。此外，由于焊接技術(shù)固有的弱點和金屬特性，在焊接中總是存在某些缺陷。不可能獲得完美的焊接，因此評估焊接質(zhì)量非常重要。

可以通過圖像來檢測焊接中的缺陷，并精確測量每個缺陷的嚴重性，這將有助于并避免上述危險情況的出現(xiàn)。使用卷積神經(jīng)網(wǎng)絡算法和U-Net架構(gòu)可提高檢測的效率，精度也能達到98.3％。

02. 圖像分割

圖像分割是指將圖像劃分為包含相似屬性的不同像素區(qū)域。為了對圖像分析和解釋，劃分的區(qū)域應與對象特征密切相關(guān)。圖像分析的成功取決于分割的可靠性，但是圖像的正確分割通常是一個非常具有挑戰(zhàn)性的問題。

對心臟（紅色），肺部（綠色）和鎖骨（藍色）的胸部X光進行了分割

03. 圖像中心距

圖像中心距是圖像像素強度的某個特定加權(quán)平均值。圖像矩可用于描述分割后的對象。通過圖像瞬間發(fā)現(xiàn)的圖像簡單屬性包括：

面積（或總強度）
質(zhì)心
有關(guān)其方向的信息

04. 數(shù)據(jù)

該數(shù)據(jù)集包含兩個目錄。原始圖像存儲在“圖像”目錄中，分割后的圖像存儲在“標簽”目錄中。讓我們來看看這些數(shù)據(jù)：原始圖像是RGB圖像，用于訓練模型和測試模型。這些圖片的尺寸各不相同。直觀地，較暗的部分是焊接缺陷。模型需要對這些圖像執(zhí)行圖像分割。

來自“圖像”的原始圖像

“標簽”目錄的圖像是二進制圖像或地面真相標簽。這是我們的模型必須針對給定的原始圖像進行預測。在二進制圖像中，像素具有“高”值或“低”值。白色區(qū)域或“高”值表示缺陷區(qū)域，而黑色區(qū)域或“低”值表示無缺陷。

來自“標簽”的二進制圖像

05. 算法

我們將使用U-Net來解決這個問題，通過以下三個主要步驟來檢測缺陷及其嚴重性：

圖像分割
使用顏色顯示嚴重性
使用圖像矩測量嚴重性

訓練模型

使用的U-Net架構(gòu)

注意事項：

每個藍色框?qū)粋€多通道特征圖
通道數(shù)顯示在框的頂部。
（x，y）尺寸位于框的左下邊緣。
箭頭表示不同的操作。
圖層名稱位于圖層下方。
C1，C2，...。C7是卷積運算后的輸出層
P1，P2，P3是最大池化操作的輸出層
U1，U2，U3是上采樣操作的輸出層
A1，A2，A3是跳過連接。
左側(cè)是收縮路徑，其中應用了常規(guī)卷積和最大池化操作
圖像尺寸逐漸減小，而深度逐漸增大。
右側(cè)是擴展路徑，在其中應用了（向上采樣）轉(zhuǎn)置卷積和常規(guī)卷積運算
在擴展路徑中，圖像尺寸逐漸增大，深度逐漸減小
為了獲得更好的精確位置，在擴展的每個步驟中，我們都使用跳過連接，方法是將轉(zhuǎn)置卷積層的輸出與來自編碼器的特征圖在同一級別上連接：
A1 = U1 + C3
A2 = U2 + C2
A3 = U3 + C1
每次串聯(lián)后，我們再次應用規(guī)則卷積，以便模型可以學習組裝更精確的輸出。

import numpy as npimport cv2import osimport randomimport 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/255labels = labels/255
model = tf.keras.models.load_model('my_model')#model = create_model()  # uncomment this to create a new modelprint(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')

該模型使用Adam優(yōu)化器編譯，由于只有兩類（缺陷或沒有缺陷），因此我們使用二進制交叉熵損失函數(shù)。我們使用10批次、100個epochs（在所有輸入上運行模型的次數(shù)）。調(diào)整這些參數(shù)，模型性能可能會有很大的改善可能。

測試模型

由于模型采用的尺寸為512x512x3，因此我們將輸入的尺寸調(diào)整為該尺寸。接下來，我們通過將圖像除以255進行歸一化以加快計算速度。圖像進入模型后以預測二進制輸出，為了放大像素的強度，二進制輸出已乘以1000。

然后將圖像轉(zhuǎn)換為16位整數(shù)以便于圖像操作。之后，算法將檢測缺陷并通過顏色分級在視覺上標記缺陷的嚴重性，并根據(jù)缺陷的嚴重性為具有缺陷的像素分配權(quán)重。然后考慮加權(quán)像素，在此圖像上計算圖像力矩。最終將圖像轉(zhuǎn)換回8位整數(shù)，并以顏色分級及其嚴重性值顯示輸出圖像。

import numpy as npimport cv2from google.colab.patches import cv2_imshowimport osimport randomimport tensorflow as tf
h,w = 512,512num_cases = 10
images = []labels = []
files = os.listdir('./dataset/images/')random.shuffle(files)
model = tf.keras.models.load_model('my_model')
lowSevere = 1midSevere = 2highSevere = 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)

07. 結(jié)果

我們使用顏色來表示缺陷的嚴重程度：

綠色表示存在嚴重缺陷的區(qū)域。
藍色表示缺陷更嚴重的區(qū)域。
紅色區(qū)域顯示出最嚴重的缺陷。

零階矩將以百分比形式顯示在輸出圖像旁邊，作為嚴重程度的經(jīng)驗指標。

以下是三個隨機樣本，它們顯示了原始輸入，地面真實情況以及由我們的模型生成的輸出。

范例1：

原始圖像

二進制圖像（地面真相）

具有嚴重性的預測輸出

范例2：

原始圖像

二進制圖像（地面真相）

具有嚴重性的預測輸出

范例3：

原始圖像

二進制圖像（地面真相）

具有嚴重性的預測輸出

參考文獻：

https://www.cs.auckland.ac.nz/courses/compsci773s1c/lectures/ImageProcessing-html/topic3.htm#adaptive

https://medium.com/r/?url=https%3A%2F%2Fen.wikipedia.org%2Fwiki%2FImage_moment

https://medium.com/r/?url=https%3A%2F%2Ftowardsdatascience.com%2Funderstanding-semantic-segmentation-with-unet-6be4f42d4b47

https://www.sciencedirect.com/topics/materials-science/welding-defect

代碼鏈接：https://github.com/malakar-soham/cnn-in-welding

下載1：OpenCV-Contrib擴展模塊中文版教程

在「小白學視覺」公眾號后臺回復：擴展模塊中文教程，即可下載全網(wǎng)第一份OpenCV擴展模塊教程中文版，涵蓋擴展模塊安裝、SFM算法、立體視覺、目標跟蹤、生物視覺、超分辨率處理等二十多章內(nèi)容。

下載2：Python視覺實戰(zhàn)項目52講

在「小白學視覺」公眾號后臺回復：Python視覺實戰(zhàn)項目，即可下載包括圖像分割、口罩檢測、車道線檢測、車輛計數(shù)、添加眼線、車牌識別、字符識別、情緒檢測、文本內(nèi)容提取、面部識別等31個視覺實戰(zhàn)項目，助力快速學校計算機視覺。

下載3：OpenCV實戰(zhàn)項目20講

在「小白學視覺」公眾號后臺回復：OpenCV實戰(zhàn)項目20講，即可下載含有20個基于OpenCV實現(xiàn)20個實戰(zhàn)項目，實現(xiàn)OpenCV學習進階。

交流群

歡迎加入公眾號讀者群一起和同行交流，目前有SLAM、三維視覺、傳感器、自動駕駛、計算攝影、檢測、分割、識別、醫(yī)學影像、GAN、算法競賽等微信群（以后會逐漸細分），請掃描下面微信號加群，備注：”昵稱+學校/公司+研究方向“，例如：”張三 + 上海交大 + 視覺SLAM“。請按照格式備注，否則不予通過。添加成功后會根據(jù)研究方向邀請進入相關(guān)微信群。請勿在群內(nèi)發(fā)送廣告，否則會請出群，謝謝理解~

基于OpenCV的焊件缺陷檢測