一种焊缝射线检测底片图像增强方法、存储介质及设备技术

本发明专利技术公开了一种焊缝射线检测底片图像增强方法、存储介质及设备，利用焊缝射线检测底片扫描设备获取原始的焊缝射线检测底片图像；构建焊缝射线检测底片图像的训练集和测试集，训练集和测试集中包括了经过增强处理后的所有焊缝射线检测底片图像数据与原始数据的图像对；构建卷积神经网络模型，卷积神经网络模型包括下采样层和上采样层的编码解码结构；利用焊缝射线检测底片图像的训练集的图像数据对构建的网络模型进行训练，生成网络模型，并利用焊缝射线检测底片图像的测试集的图像数据对模型效果进行测试。本发明专利技术使用深度学习技术，学习到了一种焊缝射线检测底片图像增强方法，对处理焊缝射线检测底片图像效果好。对处理焊缝射线检测底片图像效果好。

【技术实现步骤摘要】
一种焊缝射线检测底片图像增强方法、存储介质及设备


[0001]本专利技术属于无损检测图像处理
，具体涉及一种基于卷积神经网络的焊缝射线检测底片图像增强方法、存储介质及设备。

技术介绍

[0002]焊缝射线检测底片是无损检测必备方法之一，是评片人员判断检测对象的重要参考依据。图像增强在图像分析分析中具有重要的作用，图像增强能帮助工作人员获取图像上所包含的重要信息。通常采取手动调整方法获取图像最佳效果，如果都是手工增强的话，需要经验，会给工作人员带来繁重的工作量。
[0003]利用焊缝射线检测底片扫描装置对焊缝射线检测底片进行数字存档的方法已经上广泛应用，一些智能化的测量方法也陆续在市场上出现。焊缝射线检测底片图像由于底片黑度较大，得到的图像信噪比较小，对比度低从而在很大程度上影响了图像的质量，加大了针对焊缝射线检测底片图像评片难度，导致扫描出的焊缝射线检测底片不够精确，从而直接影响到评片人员工作。

技术实现思路

[0004]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于卷积神经网络的焊缝射线检测底片图像增强方法、存储介质及设备，提升图像的综合表征能力，使得处理后的底片更加符合人眼视觉特性，避免评片人员产生错误。
[0005]本专利技术采用以下技术方案：
[0006]一种焊缝射线检测底片图像增强方法，包括以下步骤：
[0007]S1、获取原始的焊缝射线检测底片图像；
[0008]S2、构建步骤S1焊缝射线检测底片图像的训练集和测试集；<br/>[0009]S3、构建包括下采样层和上采样层编码解码结构的卷积神经网络模型；
[0010]S4、利用步骤S2构建的训练集对步骤S3构建的卷积神经网络模型进行训练，生成网络模型对实际焊缝射线检测底片图像进行增强处理。
[0011]具体的，步骤S2具体为：
[0012]S201、在扫描得到的焊缝射线检测底片原始图像中进行初始整理工作，将焊缝射线检测底片原始图像中包含特征信息的部分裁剪作为数据集的基础图像；
[0013]S202、对步骤S201获取的焊缝射线检测底片图像数据集的基础图像进行增强处理得到增强的图像；
[0014]S203、对焊缝射线检测底片原始图像进行旋转处理，基础图像对应的目标图像选用步骤S202增强处理后的图像对数据集进行扩充；
[0015]S204、将扩充后的数据集按照4:1的比例分成训练集和测试集。
[0016]具体的，步骤S203中，旋转操作具体为沿垂直轴的镜像旋转、旋转90
°
、180
°
和270
°
。
[0017]具体的，步骤S3中，卷积神经网络模型以U-net结构为基础，包括5个下采样层和5个上采样层，5个下采样层输出的特征图分别与5个上采样层输出的特征图进行拼接融合，用Resnet的残差模块代替所有的卷积层；残差模块中的卷积层后加有激活层；池化层采用最大池化函数。
[0018]进一步的，激活层采用的激活函数是LeakyReLU激活函数。
[0019]具体的，步骤S4中，训练包括两个阶段，第一个阶段是前向传播阶段，输入的焊缝射线检测底片图像数据经过卷积操作和池化操作，提取特征向量，最终得到输出结果；第二个阶段为反向传播阶段，当前向传播的输出结果与目标值不符时，将输出的预测值与真实值之间的差异作为判定依据，不断更新网络中的权值和偏置，通过多次的正向传播和反向传播的迭代训练，得到误差符合期望的网络模型，停止网络训练并保存。
[0020]进一步的，输出的预测值与真实值之间的差异构造损失函数如下：
[0021][0022]其中，L
res
为像素对应损失，L
c
为梯度信息损失，SSIM为两图像的结构相似度，λ1,λ2,λ3为各项损失权重参数，为经过预处理网络输出的焊缝图像，G
h
为经过人工处理后的高质量图像，两图像的结构相似度SSIM为：
[0023][0024]其中，μ
x
与μ
y
表示图像所有像素的平均值，δ
x
与δ
y
为图像所有像素的标准差，C1与C2则是为避免分母为零这一情况的产生而引入的一个接近0的常数。
[0025]更进一步的，三项损失的权重参数λ1,λ2,λ3为1，1和0.1。
[0026]本专利技术的另一个技术方案是，一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述的方法中的任一方法。
[0027]本专利技术的另一个技术方案是，一种计算设备，包括：
[0028]一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。
[0029]与现有技术相比，本专利技术至少具有以下有益效果：
[0030]本专利技术一种基于卷积神经网络的焊缝射线检测底片图像增强方法，利用焊缝射线检测底片扫描设备获取原始的焊缝射线检测底片图像；构建焊缝射线检测底片图像的训练集和测试集，训练集和测试集中包括了经过增强处理后的所有焊缝射线检测底片图像数据与原始数据的图像对；构建卷积神经网络模型，所述卷积神经网络模型包括下采样层和上采样层的编码解码结构；利用焊缝射线检测底片图像的训练集的图像数据对构建的网络模型进行训练，生成网络模型，并利用焊缝射线检测底片图像的测试集的图像数据对模型效果进行测试。
[0031]进一步的，在扫描得到的焊缝射线检测底片原始图像中进行初始整理工作，将图片中包含特征信息的部分进行裁剪作为数据集的基础图像以方便对数据集进行使用；利用获取到的焊缝射线检测底片图像数据集的基础图像，对图像进行增强，得到增强的图像。增
强操作包括各种改变亮度与对比度，调节使得视觉上使人眼捕获到比较清晰的信息，这样用于训练一个符合基于人眼视觉增强图像的目的；焊缝射线检测底片图像的训练集和测试集的构建过程中，对图片进行旋转处理，再对基础图片进行微调，其对应的目标图像依旧选用经过增强处理后的图像，用此图像对扩充数据集以增强训练效果；根据普遍的深度学习理论的经验，将焊缝射线检测底片图像的数据集按照4:1的比例分为焊缝射线检测底片图像的训练集和测试集。
[0032]进一步的，步骤S3中，卷积神经网络模型以U-net结构为基础，选取的基础U-net模型包括了5个下采样层和5个上采样层，5个下采样层输出的特征图分别与5个上采样层输出的特征图进行拼接融合，实现了特征图所含信息的保存。在所选用的U-net结构中，用Resnet的残差模块代替所有的卷积层，使得得到的结果细节表现更佳。为了保证残差模块输入输出层数相同，在每一层的结构中，第一次残差连接之前使用1
×
1的卷积层进行统一。
[0033]进一步的，网络中激活层采用的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种焊缝射线检测底片图像增强方法，其特征在于，包括以下步骤：S1、获取原始的焊缝射线检测底片图像；S2、构建步骤S1焊缝射线检测底片图像的训练集和测试集；S3、构建包括下采样层和上采样层编码解码结构的卷积神经网络模型；S4、利用步骤S2构建的训练集对步骤S3构建的卷积神经网络模型进行训练，生成网络模型对实际焊缝射线检测底片图像进行增强处理。2.根据权利要求1所述的方法，其特征在于，步骤S2具体为：S201、在扫描得到的焊缝射线检测底片原始图像中进行初始整理工作，将焊缝射线检测底片原始图像中包含特征信息的部分裁剪作为数据集的基础图像；S202、对步骤S201获取的焊缝射线检测底片图像数据集的基础图像进行增强处理得到增强的图像；S203、对焊缝射线检测底片原始图像进行旋转处理，基础图像对应的目标图像选用步骤S202增强处理后的图像对数据集进行扩充；S204、将扩充后的数据集按照4:1的比例分成训练集和测试集。3.根据权利要求1所述的方法，其特征在于，步骤S203中，旋转操作具体为沿垂直轴的镜像旋转、旋转90
°
、180
°
和270
°
。4.根据权利要求1所述的方法，其特征在于，步骤S3中，卷积神经网络模型以U-net结构为基础，包括5个下采样层和5个上采样层，5个下采样层输出的特征图分别与5个上采样层输出的特征图进行拼接融合，用Resnet的残差模块代替所有的卷积层；残差模块中的卷积层后加有激活层；池化层采用最大池化函数。5.根据权利要求4所述的方法，其特征在于，激活层采用的激活函数是LeakyReLU激活函数。6.根据权利要求1所述的方法，其特征在于，步骤S4中，训练包括两个阶段，第一个阶段是前向传播阶段，输入的焊...

【专利技术属性】
技术研发人员：姜洪权，武小赛，高建民，王鹏星，史志光，程虎跃，杨贺，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：