一种射线底片中小缺陷检测方法技术

本发明专利技术提供一种射线底片中小缺陷检测方法，属于工业数字图像的小目标检测技术领域。所述方法包括：将标注焊缝缺陷的原始图片中的蓝色通道替换为显著性图；构建深度卷积神经网络；其中，所述深度卷积神经网络包括：提取焊缝缺陷特征的残差网络、将残差网络提取的不同层次特征图进行融合的多尺度特征金字塔网络和从多尺度特征金字塔网络输出的特征图中提取缺陷候选框的区域推荐网络；利用显著图和原始图片对构建的深度卷积神经网络进行训练，以便训练好的深度卷积神经网络对焊缝缺陷进行检测。采用本发明专利技术，能够在提高射线底片中小缺陷检测准确率的同时，提高检测效率。提高检测效率。提高检测效率。

【技术实现步骤摘要】
一种射线底片中小缺陷检测方法


[0001]本专利技术涉及工业数字图像的小目标检测
，特别是指一种射线底片中小缺陷检测方法。

技术介绍

[0002]管道运输在油、气、水等流体的输送方面具有无可替代的重要作用，管道输送的安全尤为重要，而管道焊缝质量的高低直接影响其运输安全，焊缝缺陷检测则是焊缝质量检测的关键环节。由于环境和焊接工艺等因素的影响，导致焊缝会不可避免地出现各种缺陷，如裂纹、气孔(圆形)、条形、未熔合和未焊透等。使用存在缺陷的管道，可能会造成极其严重的后果，为确保焊缝质量，防止意外情况的发生，对管道进行焊缝缺陷检测是必不可少的。
[0003]由于焊接工艺的多样性以及焊缝缺陷呈现的小目标(目标指缺陷)特点，实际生产过程中难以找到一般通用的方法来自动检测出焊缝缺陷。当前，焊缝缺陷的检测主要依靠人工观察和专家经验来进行。这种传统的X射线评片方法是由评片工作人员在观片室中借助于观片灯、放大镜、量尺、记录表格来手工完成。该方法易受设备、环境、底片质量及人的生理条件等因素的影响，造成漏检、误判等不良后果，人工评片越来越不能满足智能检测的需要。因此，针对X射线底片缺陷的检测和分割，需要一种既保证精度又能提高效率的智能检测技术。

技术实现思路

[0004]本专利技术实施例提供了射线底片中小缺陷检测方法，能够在提高射线底片中小缺陷检测准确率的同时，提高检测效率。所述技术方案如下：
[0005]一方面，提供了一种射线底片中小缺陷检测方法，该方法应用于电子设备，该方法包括：
[0006]将标注焊缝缺陷的原始图片中的蓝色通道替换为显著性图；
[0007]构建深度卷积神经网络；其中，所述深度卷积神经网络包括：提取焊缝缺陷特征的残差网络、将残差网络提取的不同层次特征图进行融合的多尺度特征金字塔网络和从多尺度特征金字塔网络输出的特征图中提取缺陷候选框的区域推荐网络；
[0008]利用显著图和原始图片对构建的深度卷积神经网络进行训练，以便训练好的深度卷积神经网络对焊缝缺陷进行检测。
[0009]进一步地，所述将标注焊缝缺陷的原始图片中的蓝色通道替换为显著性图包括：
[0010]将标注焊缝缺陷的原始图片中亮度低的蓝色通道替换为基于注意力机制生成的显著性图。
[0011]进一步地，所述焊缝缺陷包括：圆形缺陷、条形缺陷及由裂纹、未熔合和未焊透代表的细长型缺陷。
[0012]进一步地，所述残差网络自底向上生成5张特征图，分别表示为：C1、C2、C3、C4和C5。
[0013]进一步地，所述多尺度特征金字塔网络，用于自底向上提取特征图C1、C2、C3、C4和C5后，自顶向下的上采样生成多个语义增强的特征图，分别为P1、P2、P3、P4和P5，将特征图P1、P2、P3、P4和P5输入区域推荐网络，以便区域推荐网络对输入的特征图P1、P2、P3、P4和P5分别提取缺陷候选框。
[0014]进一步地，所述深度卷积神经网络还包括：感兴趣区域池化层及与所述感兴趣区域池化层相连的边框回归器和全连接分类器；
[0015]所述感兴趣区域池化层，用于输入区域推荐网络提取的缺陷候选框以及多尺度特征金字塔网络生成的特征图P1、P2、P3、P4和P5，生成感兴趣区域，以便边框回归器和全连接分类器对生成的感兴趣区域进行回归和分类。进一步地，所述区域推荐网络中锚的尺度和长宽比比例的设置过程包括：
[0016]通过对标注图片中的焊缝缺陷进行统计，对于任一类焊缝缺陷，计算真实框的面积，并求出该类焊缝缺陷的真实框面积均值；
[0017]根据真实框的长宽比，计算出针对该类焊缝缺陷的平均长宽比；
[0018]将焊缝缺陷按照平均长宽比进行分类，分类结果包括：圆形缺陷、条形缺陷及细长型缺陷；
[0019]针对焊缝缺陷的面积均值及形状特征，设置区域推荐网络中锚的尺度和长宽比比例，其中，面积为尺度乘尺度。
[0020]进一步地，所述针对焊缝缺陷的面积均值及形状特征，设置区域推荐网络中锚的尺度和长宽比比例包括：
[0021]若焊缝缺陷为圆形缺陷，设置5种尺度：32、64、128、256和512，以及3种长宽比比例：1:1、1:2和2:1。
[0022]进一步地，所述针对焊缝缺陷的面积均值及形状特征，设置区域推荐网络中锚的尺度和长宽比比例包括：
[0023]若焊缝缺陷为条形缺陷，设置5种尺度：32、64、128、256和512，以及4种长宽比比例：1:3、3:1、1:5和5:1。
[0024]进一步地，所述针对焊缝缺陷的面积均值及形状特征，设置区域推荐网络中锚的尺度和长宽比比例包括：
[0025]若焊缝缺陷为裂纹、未熔合、未焊透代表的细长型缺陷，设置5种尺度：32、64、128、256和512，以及6种长宽比比例：1:10、10:1、1:15、15:1、1:20和20:1。
[0026]一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述射线底片中小缺陷检测方法。
[0027]一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述射线底片中小缺陷检测方法。
[0028]本专利技术实施例提供的技术方案带来的有益效果至少包括：
[0029]本专利技术实施例中，将标注焊缝缺陷的原始图片中的蓝色通道替换为显著性图；构建深度卷积神经网络；其中，所述深度卷积神经网络包括：提取焊缝缺陷特征的残差网络、将残差网络提取的不同层次特征图进行融合的多尺度特征金字塔网络和从多尺度特征金字塔网络输出的特征图中提取缺陷候选框的区域推荐网络；利用显著图和原始图片对构建
的深度卷积神经网络进行训练，以便训练好的深度卷积神经网络对焊缝缺陷进行检测，这样，能够在提高射线底片中小缺陷检测准确率的同时，提高检测效率。
附图说明
[0030]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0031]图1为本专利技术实施例提供的射线底片中小缺陷检测方法的流程示意图；
[0032]图2为本专利技术实施例提供的深度卷积神经网络结构的结构示意图；
[0033]图3为本专利技术实施例提供的ResNet的结构示意图；
[0034]图4为本专利技术实施例提供的原始FPN的结构示意图；
[0035]图5为本专利技术实施例提供的改进后FPN的结构示意图；
[0036]图6(a)为本专利技术实施例提供的用于检测圆形缺陷的锚示意图；
[0037]图6(b)为本专利技术实施例提供的用于检测条形缺陷的锚示意图；
[0038]图6(c)为本专利技术实施例提供的用于检测细长型缺陷的锚示意图；
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种射线底片中小缺陷检测方法，其特征在于，包括：将标注焊缝缺陷的原始图片中的蓝色通道替换为显著性图；构建深度卷积神经网络；其中，所述深度卷积神经网络包括：提取焊缝缺陷特征的残差网络、将残差网络提取的不同层次特征图进行融合的多尺度特征金字塔网络和从多尺度特征金字塔网络输出的特征图中提取缺陷候选框的区域推荐网络；利用显著图和原始图片对构建的深度卷积神经网络进行训练，以便训练好的深度卷积神经网络对焊缝缺陷进行检测。2.根据权利要求1所述的射线底片中小缺陷检测方法，其特征在于，所述将标注焊缝缺陷的原始图片中的蓝色通道替换为显著性图包括：将标注焊缝缺陷的原始图片中亮度低的蓝色通道替换为基于注意力机制生成的显著性图。3.根据权利要求1所述的射线底片中小缺陷检测方法，其特征在于，所述焊缝缺陷包括：圆形缺陷、条形缺陷及由裂纹、未熔合和未焊透代表的细长型缺陷。4.根据权利要求1所述的射线底片中小缺陷检测方法，其特征在于，所述残差网络自底向上生成5张特征图，分别表示为：C1、C2、C3、C4和C5。5.根据权利要求1所述的射线底片中小缺陷检测方法，其特征在于，所述多尺度特征金字塔网络，用于自底向上提取特征图C1、C2、C3、C4和C5后，自顶向下的上采样生成多个语义增强的特征图，分别为P1、P2、P3、P4和P5，将特征图P1、P2、P3、P4和P5输入区域推荐网络，以便区域推荐网络对输入的特征图P1、P2、P3、P4和P5分别提取缺陷候选框。6.根据权利要求1所述的射线底片中小缺陷检测方法，其特征在于，所述深度卷积神经网络还包括：感兴趣区域池化层及与所述感兴趣区域池化层相连的边框回归器和全连接分类器；所述感兴趣区域池化层，用于输入区域推荐网络提取的缺陷候选框以及多尺...

【专利技术属性】
技术研发人员：李海华，宋小平，朱江，王冰，隋丰安，童建军，张月虎，汪红兵，李莉，
申请(专利权)人：中国石油工程建设有限公司北京科技大学，
类型：发明
国别省市：