nach oben

Erschienen in:

2022 | OriginalPaper | Buchkapitel

Crack Detection from Weld Bend Test Images Using R-CNN

verfasst von : Shigeru Kato, Takanori Hino, Shunsaku Kume, Hajime Nobuhara

Erschienen in: Advances on P2P, Parallel, Grid, Cloud and Internet Computing

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

The personnel burden is an issue with the visual inspection of welding defects that occur in bend test fragments. This study aims to construct an automatic evaluation system for welding defects that occur in bend test fragments. This paper describes the automatic detection of defective areas from bend test fragments using R-CNN. First, we have described the structure of the proposed R-CNN, followed by the experiments for evaluating R-CNN and their results. Finally, we have provided a conclusion and discussed future issues.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel A Takagi-Sugeno Fuzzy-Based Adaptive Transmission Method in Wireless Sensor Networks

Nächstes Kapitel A Modified Version of K-Means Algorithm

Niles, R.W., Jackson, C.E.: Weld thermal efficiency of the GTAW process. Weld. J. 54, 25–32 (1975)

Asai, S., Ogawa, T., Takebayashi, H.: Visualization and digitation of welder skill for education and training. Weld. World 56, 26–34 (2012)CrossRef

Byrd, A.P., Stone, R.T., Anderson, R.G., Woltjer, K.: The use of virtual welding simulators to evaluate experimental welders. Weld. J. 94(12), 389–395 (2015)

Hino, T., et al.: Visualization of gas tungsten arc welding skill using brightness map of backside weld pool. Trans. Mat. Res. Soc. Jpn. 44(5), 181–186 (2019)CrossRef

Kato, S., Hino, T., Yoshikawa, N.: Fundamental study on evaluation system of beginner’s welding using CNN. In: Barolli, L., Hellinckx, P., Natwichai, J. (eds.) 3PGCIC 2019. LNNS, vol. 96, pp. 821–827. Springer, Cham (2020). https://doi.org/10.1007/978-3-030-33509-0_77CrossRef

Kato, S., Hino, T., Kumeno, H., Kagawa, T., Nobuhara, H.: Automatic detection of beginner's welding joint. In: Proceedings of 2020 Joint 11th International Conference on Soft Computing and Intelligent Systems and 21st International Symposium on Advanced Intelligent Systems, pp. 465–467 (2020)

Kato, S., et al.: Evaluation for angular distortion of welding plate. In: Arai, K. (ed.) IntelliSys 2021. LNNS, vol. 294, pp. 344–354. Springer, Cham (2022). https://doi.org/10.1007/978-3-030-82193-7_23CrossRef

Islamovic, F., Muratovic, P., Gaco, D., Kulenovic, F.: Bend testing of the welded joints. In: Proceedings of 7th International Scientific Conference on Production Engineering, pp.1–6 (2009)

Park, J.-K., An, W.-H., Kang, D.-J.: Convolutional neural network based surface inspection system for non-patterned welding defects. Int. J. Precis. Eng. Manufact. 20(3), 363–374 (2019)CrossRef

10.

Dung, C.V., Sekiya, H., Hirano, S., Okatani, T., Miki, C.: A vision-based method for crack detection in gusset plate welded joints of steel bridges using deep convolutional neural networks. Autom. Constr. 102, 217–229 (2019)CrossRef

11.

Zhang, Z., Wen, G., Chen, S.: Weld image deep learning-based on-line defects detection using convolutional neural networks for Al alloy in robotic arc welding. J. Manufact. Processes 45, 208–216 (2019)CrossRef

12.

Zhang, Z., Li, B., Zhang, W., Lu, R., Wada, S., Zhang, Y.: Real-time penetration state monitoring using convolutional neural network for laser welding of tailor rolled blanks. J. Manufact. Syst. 54, 348–360 (2020)CrossRef

13.

Dai, W., et al.: Deep learning assisted vision inspection of resistance spot welds. J. Manufact. Processes 62, 262–274 (2021)CrossRef

14.

Abdelkader, R., Ramou, N., Khorchef, M., Chetih, N., Boutiche, Y.: Segmentation of x-ray image for welding defects detection using an improved Chan-Vese model. In: Materials Today: Proceedings, Part 5, vol.42, pp. 2963–2967 (2021)

15.

Xu, Y., Wang, Z.: Visual sensing technologies in robotic welding: recent research developments and future interests. Sens. Actuat. A: Phys. 320, 112551 (2021)

16.

Zitnick, C.L., Dollár, P.: Edge boxes: locating object proposals from edges. In: Fleet, D., Pajdla, T., Schiele, B., Tuytelaars, T. (eds.) ECCV 2014. LNCS, vol. 8693, pp. 391–405. Springer, Cham (2014). https://doi.org/10.1007/978-3-319-10602-1_26CrossRef

17.

Krizhevsky, A., Sutskever, I., Hinton, G.E.: ImageNet classification with deep convolutional neural networks. In: Proceedings of the 25th International Conference on Neural Information Processing Systems (NIPS 2012), pp.1097–1105 (2012)

18.

Mathworks. https://jp.mathworks.com/help/vision/ug/getting-started-with-r-cnn-fast-r-cnn-and-faster-r-cnn.html?lang=en. Accessed 29 July 2021

19.

Shin, H.C., et al.: Deep convolutional neural networks for computer-aided detection: CNN architectures, dataset characteristics and transfer learning. IEEE Trans. Med. Imag. 35(5), 1285–1298 (2016)CrossRef

Titel: Crack Detection from Weld Bend Test Images Using R-CNN
verfasst von: Shigeru Kato
Takanori Hino
Shunsaku Kume
Hajime Nobuhara
Verlag: Springer International Publishing
Buch: Advances on P2P, Parallel, Grid, Cloud and Internet Computing
Print ISBN: 978-3-030-89898-4

Electronic ISBN: 978-3-030-89899-1

Copyright-Jahr: 2022
DOI: https://doi.org/10.1007/978-3-030-89899-1_31

Neuer Inhalt

Bildnachweise

VDI-Icon, Profil Icon, inhalt2, Springer Professional Modul/© Springer Fachmedien Wiesbaden GmbH, Zukunftswerkstatt Sales Excellence_ieS/© Springer Fachmedien Wiesbaden GmbH, Search Icon, Banner Hanser, Strompreise/© vejaa / stock.adobe.com, Bunte Männchen, die Kunden darstelle, werden von einem riesigen Magneten angezogen. /© Oleksiy Mark, Dr. Daniel Schneider/© Fraunhofer IESE, Zeitschrift Wissensmanagement Cover, PatentFit-Logo/© Springer Fachmedien Wiesbaden GmbH, Zukunftswerkstatt Sales Excellence 2024/© AndreyPopov / Getty Images / iStock, 2023_Antrieb/© supervisuell, ATZ-Webinar: Prototypenfreie Entwicklung durch Offline- und Driver-in-the-Loop-HiL-Tests /© (c) VI-grade

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"

Neuer Inhalt

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.