一种管道焊缝自动识别、缺陷检测方法及装置制造方法及图纸

本发明专利技术公开了一种管道焊缝自动识别、缺陷检测方法及装置，所述方法包括如下步骤：步骤S1，对不同类型的焊缝，不同尺寸的焊缝底片进行搜集，建立焊缝射线底片图像数据库，其中包括含有典型缺陷的以及无缺陷的图像；步骤S2，对采集的焊缝射线底片图像进行预处理，形成训练样本集；步骤S3，搭建深度神经网络模型，利用所述训练样本集对焊缝提取、文字识别以及缺陷定位分别进行训练；步骤S4，获取焊缝射线底片图像并进行预处理，将预处理后的图像输入训练好的所述深度神经网络模型，提取所述焊缝射线底片图像中的焊缝区域、文字信息以及缺陷信息，本发明专利技术实现了实现一种方便可行，准确率以及效率高的自动化焊缝识别、缺陷检测技术。

A method and device for automatic identification and defect detection of pipeline welds

【技术实现步骤摘要】
一种管道焊缝自动识别、缺陷检测方法及装置
本专利技术涉及计算机视觉
，特别是涉及一种管道焊缝自动识别、缺陷检测方法及装置。
技术介绍
焊缝射线底片是焊缝质量检测的重要文件，通过对射线底片有效数据的采集，及时了解到管道运行状态，可避免发生泄露与断裂事故。然而现阶段这项检测工作通常是基于人工在观片室中通过观片灯获取底片焊缝信息，分析并记录到纸质文件，存档保留。这种方法不仅实施困难、效率低下，同时长时间作业易令操作员产生疲累感，降低检测以及评片的准确性，对于人员的生理以及心理考验较大。因此，业界急需一种方便可行，准确率以及效率高的自动化焊缝识别、缺陷检测技术。
技术实现思路
为克服上述现有技术存在的不足，本专利技术之目的在于提供一种管道焊缝自动识别、缺陷检测方法及装置，以实现一种方便可行，准确率以及效率高的自动化焊缝识别、缺陷检测技术。为达上述目的，本专利技术提出一种管道焊缝自动识别、缺陷检测方法，包括如下步骤：步骤S1，对不同类型的焊缝，不同尺寸的焊缝底片进行搜集，建立焊缝射线底片图像数据库，其中包括含有典型缺陷的以及无缺陷的图像；步骤S2，对采集的焊缝射线底片图像进行预处理，形成训练样本集；步骤S3，搭建深度神经网络模型，利用所述训练样本集对焊缝提取、文字识别以及缺陷定位分别进行训练；步骤S4，获取焊缝射线底片图像并进行预处理，将预处理后的图像输入训练好的所述深度神经网络模型，提取所述焊缝射线底片图像中的焊缝区域、文字信息以及缺陷信息。<br>优选地，于步骤S4中，对于焊缝区域的提取，通过所述深度神经网络模型，得到图像中各区域焊缝对应的类目，中心位置C，置信度以及识别出焊缝的宽高w、h。优选地，于步骤S4中，对于文字信息的提取，通过所述深度神经网络模型，对图像中焊缝编号自动识别，去除所述深度神经网络模型返回结果中像质计，中心标记，箭头区域以及中文类目所对应的区域，根据返回的各个文字坐标将文字串联起来组成字符串。优选地，对于缺陷信息的提取，通过所述深度神经网络模型返回缺陷坐标，根据缺陷返回的坐标，在所述焊缝射线底片图像中标记缺陷位置。优选地，步骤S2进一步包括：步骤S200，对所述焊缝射线底片图像进行填充或者裁减操作，再归一化到所述深度神经网络输入的标准尺寸；。步骤S201，计算每张所述图像样本中相关图像信息的位置坐标，制作成标签集，并将每张所述图像样本与相应的标签集配对，形成训练样本集。步骤S202，将各图像样本适当调整图像整体灰度作为数据增广，模拟不同扫描仪亮度下的扫描情况，保存为新的图片并加入原训练样本集。优选地，于步骤S4中，对于部分T字型较为复杂的焊缝，采用焊缝融合策略得到焊缝区域。优选地，于步骤S4后，还包括如下步骤：根据步骤S4获取的焊缝，在数据库中对同类型焊缝进行逐一匹配，并返回相似度靠前的若干焊缝编号，以实现假片判别。优选地，于步骤S4中，所述文字提取采用字符自动组合方法，包括如下步骤：对于检测出的区域，首先去除中心标记，单向箭头，汉字以及像质计区域的影响，同时将置信度小于阈值T的文字区域去除；随后将所有检测出的字符区域记为E1,E2,...,En，每个字符的中心位置记为(xci,yci)，并计算该图像中检测出的字符的平均长宽，作为距离判断的阈值；计算任意两个字符之间的距离Dij，并利用一个n·n大小的矩阵，用以表征两个字符之间的距离，当Dij大于两个字符之间距离的阈值TD时记为0，认为两个字符之间无法直接可达，反之记为1，得到一个n·n大小的初始化可达矩阵；求解所述可达矩阵得到相应的字符串集合。优选地，于步骤S4后，还包括如下步骤:对字符串集合进行处理，去除无关字符，以提高焊缝文字信息提取准确度。为达到上述目的，本专利技术还提供一种管道焊缝自动识别、缺陷检测装置，包括：图像采集模块，用于对不同类型的焊缝，不同尺寸的焊缝底片进行搜集，建立焊缝射线底片图像数据库，其中包括含有典型缺陷的以及无缺陷的图像；训练样本集形成模块，用于对采集的焊缝射线底片图像进行预处理，形成训练样本集；模型训练模块，用于搭建深度神经网络模型，利用所述训练样本集对焊缝提取、文字识别以及缺陷定位分别进行训练；焊缝识别模块，用于获取焊缝射线底片图像并进行预处理，将预处理后的图像输入训练好的所述深度神经网络模型，提取所述焊缝射线底片图像中的焊缝区域、文字信息以及缺陷信息。与现有技术相比，本专利技术一种管道焊缝自动识别、缺陷检测方法及装置通过搭建深度神经网络模型，利用训练样本集对焊缝提取、文字识别以及缺陷定位分别进行训练，通过获取焊缝射线底片图像，并将将预处理后的图像输入搭建并训练好的深度神经网络模型，以得到图像中各焊缝区域及其对应的类目，中心位置C，置信度以及识别出焊缝的宽高，实现了一种方便可行，准确率以及效率高的自动化焊缝识别、缺陷检测技术。附图说明图1为本专利技术一种管道焊缝自动识别、缺陷检测方法的步骤流程图；图2为本专利技术具体实施例中深度神经网络模型的训练流程图；图3为本专利技术一种管道焊缝自动识别、缺陷检测装置的系统架构图；图4为本专利技术具体实施例中管道焊缝自动识别、缺陷检测装置的工作流程示意图；图5示出了本专利技术具体实施例的假片判别流程图。具体实施方式以下通过特定的具体实例并结合附图说明本专利技术的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本专利技术的其它优点与功效。本专利技术亦可通过其它不同的具体实例加以施行或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本专利技术的精神下进行各种修饰与变更。图1为本专利技术一种管道焊缝自动识别、缺陷检测方法的步骤流程图。如图1所示，本专利技术一种管道焊缝自动识别、缺陷检测方法，包括如下步骤：步骤S1，对不同类型的焊缝，不同尺寸的焊缝底片进行搜集，建立焊缝射线底片图像数据库，其中包括含有典型缺陷的以及无缺陷的图像，典型缺陷用于学习缺陷特征，而无缺图像以及缺陷图像都可以用于训练焊缝区域提取，文字提取等图像信息。在本专利技术具体实施例中，可利用扫描仪(例如中晶MII-1000LC)采集焊缝射线底片图像。步骤S2，对采集的焊缝射线底片图像进行预处理，形成训练样本集。在本专利技术具体实施例中，对焊缝射线底片图像进行预处理的目的一是要将图像尺寸归一化到416×416大小，以用于神经网络标准输入，其次是为了针对不同亮度设置下扫描仪获取的图片要进行图像增广。具体地，步骤S2进一步包括：步骤S201，对所述焊缝射线底片图像进行填充或者裁减操作，再归一化到标准尺寸，以减少图像失真影响。在本专利技术具体实施例中，根据底片类型(有的是小径管的焊缝图片，有的为普通的焊缝图片)，将所述的焊缝射线底片图像采用边缘填充或者裁减的方式统一尺寸，然后归一化到标准尺寸，例如416×416大小的标准尺寸。步骤S202，计算每本文档来自技高网...

【技术保护点】
1.一种管道焊缝自动识别、缺陷检测方法，包括如下步骤：/n步骤S1，对不同类型的焊缝，不同尺寸的焊缝底片进行搜集，建立焊缝射线底片图像数据库，其中包括含有典型缺陷的以及无缺陷的图像；/n步骤S2，对采集的焊缝射线底片图像进行预处理，形成训练样本集；/n步骤S3，搭建深度神经网络模型，利用所述训练样本集对焊缝提取、文字识别以及缺陷定位分别进行训练；/n步骤S4，获取焊缝射线底片图像并进行预处理，将预处理后的图像输入训练好的所述深度神经网络模型，提取所述焊缝射线底片图像中的焊缝区域、文字信息以及缺陷信息。/n

【技术特征摘要】
1.一种管道焊缝自动识别、缺陷检测方法，包括如下步骤：
步骤S1，对不同类型的焊缝，不同尺寸的焊缝底片进行搜集，建立焊缝射线底片图像数据库，其中包括含有典型缺陷的以及无缺陷的图像；
步骤S2，对采集的焊缝射线底片图像进行预处理，形成训练样本集；
步骤S3，搭建深度神经网络模型，利用所述训练样本集对焊缝提取、文字识别以及缺陷定位分别进行训练；
步骤S4，获取焊缝射线底片图像并进行预处理，将预处理后的图像输入训练好的所述深度神经网络模型，提取所述焊缝射线底片图像中的焊缝区域、文字信息以及缺陷信息。


2.如权利要求1所述的一种管道焊缝自动识别、缺陷检测方法，其特征在于：于步骤S4中，对于焊缝区域的提取，通过所述深度神经网络模型，得到图像中各区域焊缝对应的类目，中心位置C，置信度以及识别出焊缝的宽高w、h。


3.如权利要求1所述的一种管道焊缝自动识别、缺陷检测方法，其特征在于：于步骤S4中，对于文字信息的提取，通过所述深度神经网络模型，对图像中焊缝编号自动识别，去除所述深度神经网络模型返回结果中像质计，中心标记，箭头区域以及中文类目所对应的区域，根据返回的各个文字坐标将文字串联起来组成字符串。


4.如权利要求1所述的一种管道焊缝自动识别、缺陷检测方法，其特征在于，对于缺陷信息的提取，通过所述深度神经网络模型返回缺陷坐标，根据缺陷返回的坐标，在所述焊缝射线底片图像中标记缺陷位置。


5.如权利要求1所述的一种管道焊缝自动识别、缺陷检测方法，其特征在于，步骤S2进一步包括：
步骤S200，对所述焊缝射线底片图像进行填充或者裁减操作，再归一化到所述深度神经网络输入的标准尺寸；。
步骤S201，计算每张所述图像样本中相关图像信息的位置坐标，制作成标签集，并将每张所述图像样本与相应的标签集配对，形成训练样本集。
步骤S202，将各图像样本适当调整图像整体灰度作为数据增广，模拟不同扫描仪亮度下的扫描情况，保存为新的图片并加入原训练样本集。


6.如权利要求1所述的一种管道焊缝...

【专利技术属性】
技术研发人员：刘西策，方磊，顾程熙，
申请(专利权)人：上海君睿信息技术有限公司，
类型：发明
国别省市：上海;31