【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...
【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
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。