本发明专利技术提供了一种焊缝X射线图像缺陷检测与识别方法和装置，包括视觉扫描、中央-周边差运算、灰度显著图获取、注意焦点搜索、可疑区域确定的步骤；采取深度学习将可疑区域的像素灰度信号直接通过已训练的层状网络深度模型，获取可疑缺陷区域的本质特征直接进行识别。本发明专利技术按照视觉显著性由强到弱的顺序串行选择和识别图像目标，提高了图像分析与识别的效率和准确性、适应性强、通用性好。
【技术实现步骤摘要】
本专利技术涉及射线成像与无损检测，特别涉及一种焊缝X射线图像缺陷检测与识别方法和装置。
技术介绍
目前焊接是现在制造领域的一种重要工艺方法之一。随着计算机技术、自动控制技术以及信息和软件技术迅速地引入焊接领域，焊接生产自动化、智能化已经成为21世纪焊接技术发展的重要方向。计算机视觉技术以其信息量大、精度高、检测范围大等特点，在焊接缺陷的检测领域得到了广泛的应用。而X射线检测是常规无损检测常用的重要方法之一，其检测结果将作为焊缝缺陷分析和质量评定的重要判定依据。X射线检测是将强度均匀的射线照射到被测的物体，使透过的射线在照相胶片上感光，而在成像的底片上，可以检测出被检测物体的焊接缺陷位置、类型、尺寸和数目等。要评定X射线对焊缝的检测结果，必须对获取的焊缝射线图像进行分析处理以评价焊接质量。评定X射线检测结果有两种方法:人工评定和计算机图像识别评定。传统的缺陷检测方法主要由评片人员手工完成。目前实际生产中，主要采取的方式是人工分析焊缝图像，凭经验确定有无缺陷及缺陷的类型、位置、尺寸等，由此评定焊接质量。人工评定方式受个人技术水平、经验、疲劳程度、情绪等人为因素及外界条件的影响，效率低、不可靠、一致性差，且读片的强光容易灼伤人的眼睛。现代机械制造对精度的要求越来越高，人工操作越来越不能满足生产发展的需要。采用计算机图像处理技术，对X射线缺陷检测图像进行分析、检测和识别，可以较好的解决人工评定的上述问题，有效克服由于个人技术素质、经验差异等引起的对焊件缺陷的误判和漏判等可靠性和稳定性问题，使焊接质量评定更科学、客观和规范。但是，X射线检测图像背景不均匀、灰度起伏大，以及模糊的缺陷边缘、较低的对比度，且图像噪声多，如何进行焊接图像缺陷信息的检测，并进行缺陷特征的自动提取和分类识别，是射线无损检测方向研究的热点和尚未很好解决的难点。至今，国内外学者针对焊缝构件、铸件等零件缺陷进行了大量基于X射线图像缺陷检测的研究，在缺陷识别、算法分析、实验效果等方面均获得了一定的进展，但现在还存在不少问题，还未达到可以在生产中实际应用的水平。如何提高射线检测的准确性、适应性、可靠性及智能化、自动化和定量化，仍然是目前射线图像检测技术的研究热点和难点，其中复杂精密焊件中微小和微弱缺陷图像的提取、分析和特征的有效描述是一个仍待解决的关键问题。X射线图像检测识别中仍然存在较多还未解决的问题，主要有:(I)复杂大背景下微小及微弱缺陷目标的检测与识别问题，对此采用何种更具针对性的图像处理算法；(2)如何解决X射线焊缝图像灰度对比度低、不均匀、存在较大的起伏及焊接图像背景复杂、噪声多等不利因素，进一步提高检测与识别准确率及可靠性问题；(3)特征描述的有效性问题。如何对类型多样、形状各异的缺陷进行有效特征描述，以能准确识别的问题。；(4)方法的适应性和通用性问题。焊接图像千变万化、缺陷影像千差万另|J，如何提高缺陷检测与识别方法的适应性和通用性问题等；(5)焊接缺陷分类识别方法问题，目前采用的神经网络和支持向量机等方法还存在不少问题，目前所有方法中实验中正确识别率通常为85%左右，如果是针对具有噪声较强和对比度较低的图片(如X射线焊接图像)，且缺陷面积较小(如焊接缺陷)，及实验环境和实际生产环境的差异，识别正确率更低。因此，针对相关技术中所存在的上述问题，目前尚未提出有效的解决方案。
技术实现思路
为解决上述现有技术所存在的问题，本专利技术提出了一种焊缝X射线图像缺陷特别是微小缺陷自动检测与识别的有效方法。本专利技术采用如下技术方案:一种焊缝X射线图像的识别方法，其特征在于，包括:步骤一:对灰度焊缝图像进行逐线视觉扫描，搜索各扫描线的中央点，通过中央-周边差运算，获得焊缝图像的显著图和注意焦点；步骤二:根据自适应梯度阈值计算方法，利用自适应中央-周边差阈值和各注意焦点的显著性强度，确定可疑缺陷区域；步骤三:基于卷积神经网络的构造深度学习网络，从初始卷积网络开始，利用预设网络自生长规则进行生长，直到识别能力和检测效率都达到预设期望值；步骤四:基于上述深度学习网络，将可疑区域的像素灰度信号输入已训练的卷积神经网络深度模型，获取可疑缺陷区域的深度学习本质特征，从而识别出焊缝缺陷。优选地，所述步骤一中进一步包括:(I)对X射线图像进行逐行逐列线扫描，(2)搜索第j列灰度曲线各局部极小峰值点h(Xi，yj)即中央点，i=l，2，Λ，η，η为中央点的数量；各中央点对应的像素坐标为(Xi, Yj)，由各中央点开始向左右两侧分别搜索离其最近的顶部，分别为Ii(X^yj)和h(xiK，Yj) ? i=l,2, Λ , η ;各顶部对应的像素点即周边点，分别为(χα，Yj)和(xiK，y」)，i=l，2, Λ ,η,(3)定义目标区域N (Xi, Yj) = {Uim, Yj) |m e Ζ, L彡m彡R},由左右两侧周边点之间的像素组成，为可能的注意焦点区域；计算中央-周边差Ah(xiL, yj)=h(xiL, yJ-hUi, y」)，Δh(xiK, y」)=h(xiK, y」)_h(Xi,Yj)，其中i=l，2, Λ，n ;取Δ]ι(χα，Yj)和Ah(xiK, y」)的较小者为中央_周边差Ah,(4)计算第j行扫描线的自适应中央-周边差阈值Tj:Tj= μ σ Δ?,其中μ Δ?为扫描线中央-周边差的均值；σ Λ?为扫描线中央-周边差的标准差；k为常系数，(5)计算扫描线上各点显著性强度:将Ah(xiL,yj)和Ah(Xil^yj)与各扫描线的自适应中央-周边差阈值Tj比较,假设Ah (XiL, Yj)彡Ah(xiE, Yj) ο将Ah (XiL, Yj)彡Tj,则该目标区域N(Xi，Yj)显著焦点，各点在显著图中的显著性强度置为S(Xi，yj) = Ah(xiL, yj),扫描线上其余各点显著性强度置为0，(6)整副图像扫描完成后，合并相连的显著区域，以最大的显著性强度作为合并区域的显著性强度，得到焊缝X射线图的显著图。优选地，在步骤二的确定可疑缺陷区域中，基于对各注意焦点的显著性强度的排序来顺序处理显著区域，如注意焦点的显著性强度S (xi； Yj) >T，则该注意焦点为可疑缺陷区域，其中T为预设判定阈值。优选地，所输入的图像为获得的感兴趣区域，大小按比例规范为32X32 ；所述卷积网络的结构共有7层，每层都包含可训练参数，分别为:卷积层Cl，由两个5X5卷积核卷积输入图像获得，由2个特征图构成，特征图中每个神经元与输入中5X5的邻域相连。特征图的大小为28X 28，包括52个可训练参数，连接数为 52 X (28X28)个；下采样层S2，对图像进行子抽样获得，具有2个14 X 14的特征图，特征图中的每个单元与Cl中相对应特征图的2X2邻域相连接，每个单元的4个输入相加，乘以一个可训练参数，再加上一个可训练偏置，结果通过sigmoid函数计算，每个特征图的大小是Cl中特征图大小的I / 4，有4个可训练参数和4X (14X14)个连接；卷积层C3，通过3种不同的5X5卷积核去卷积层S2，由3张1X 10特征图组成，每张含1X 10个神经元，每个特征图连接到S2中的I个或者2个特征图；下采样层S4，由16个5X5大小的特征图构成，每个本文档来自技高网...
【技术保护点】
一种焊缝X射线图像的识别方法，其特征在于，包括：步骤一：对灰度焊缝图像进行逐线视觉扫描，搜索各扫描线的中央点，通过中央‑周边差运算，获得焊缝图像的显著图和注意焦点；步骤二：根据自适应梯度阈值计算方法，利用自适应中央‑周边差阈值和各注意焦点的显著性强度，确定可疑缺陷区域；步骤三：基于卷积神经网络的构造深度学习网络，从初始卷积网络开始，利用预设网络自生长规则进行生长，直到识别能力和检测效率都达到预设期望值；步骤四：基于上述深度学习网络，将可疑区域的像素灰度信号输入已训练的卷积神经网络深度模型，获取可疑缺陷区域的深度学习本质特征，从而识别出焊缝缺陷。
【技术特征摘要】
【专利技术属性】
技术研发人员：殷鹰，余永维，衡良，殷国富，
申请(专利权)人：四川省特种设备检验研究院，四川大学，
类型：发明
国别省市：四川;51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。