一种焊缝图像缺陷的检测方法技术

本发明专利技术提供一种焊缝图像缺陷的检测方法，包括：构建二阶检测网络学习模型；获取射线图像数据，并将所述射线图像数据输入至所述二阶检测网络学习模型，对所述二阶检测网络学习模型进行训练，得到检测模型；在所述检测模型的检测端加入可变形卷积模块，且在所述可变形卷积模块中增加偏移域；并将模型内的损失函数改进为交叉熵函数的变体；采用改进后的检测模型来检测待检测焊缝图像中的焊缝缺陷及类型。本发明专利技术实施例利用使用数字图像处理技术对图像进行预处理；利用搭建的二阶检测网络模型DR

【技术实现步骤摘要】
一种焊缝图像缺陷的检测方法


[0001]本专利技术涉及图像目标检测
，特别是涉及一种焊缝图像缺陷的检测方法。

技术介绍

[0002]随着信息化在工业领域的不断深入，智能制造成为了工业化发展创新的一个重大目标。这其中，对智能无损检测评估的重要性进行了定义，数字射线图像智能识别技术作为智能无损检测评估的重要分支，必将成为无损检测技术研究的重点和热点，具有很高的应用价值。现有可应用于数字射线检测的智能分析方法主要为数据驱动的机器学习和数据挖掘算法，包括分类、聚类、回归，关联规则挖掘、特征分析等。在工业领域应用上述方法需要面临以下几个问题。首先，铸造和焊接对象的材料厚度、工艺方法不同，会导致多种缺陷类型，其相关数据维度较高、结构复杂，具有小样本特性。如何高效地对这些大规模复杂数据进行有效分析，从大量特征中找到与缺陷相关的特征集合作为标签来通过计算机视觉技术实现智能检测是一个难题。本专利技术专注于工业数字射线图像的缺陷检测，设计一种检测网络，解决工业领域的无损检测实际问题。

技术实现思路

[0003]本专利技术实施例的目的在于提供一种焊缝图像缺陷的检测方法，专注于工业数字射线图像的缺陷检测，设计一种检测网络，解决工业领域的无损检测实际问题。具体技术方案如下：
[0004]本专利技术实施例提供了一种焊缝图像缺陷的检测方法，应用于处理器，包括：
[0005]构建深度二阶检测网络学习模型；
[0006]获取射线图像数据，并将所述射线图像数据输入至所述深度二阶检测网络学习模型，对所述深度二阶检测网络学习模型进行训练，得到检测模型；
[0007]在所述检测模型的检测端加入可变形卷积模块，且在所述可变形卷积模块中增加偏移域；并将模型内的损失函数改进为交叉熵函数的变体；
[0008]采用改进后的检测模型来检测待检测焊缝图像中的焊缝缺陷及类型。
[0009]进一步的，在步骤采用改进后的检测模型来检测待检测焊缝图像中的焊缝缺陷及类型之后还包括：对改进后的检测模型进行封装和保存。
[0010]进一步的，在所述可变形卷积模块中增加偏移域中，表达式为
[0011][0012]式中，固定位置p0+p
n
、p0+p
n
+Δp
n
为非固定位置、为采样网格。
[0013]进一步的，Δp
n
包括两个自由度x、y，且y/x≤2。
[0014]进一步的，所述可变形卷积模块包括对称卷积、非对称卷积；所述非对称卷积用于提取不规则焊缝缺陷；所述检测模型包括Inception
‑
Resnet模块、DropBlock层。
[0015]进一步的，DropBlock层的算法中包括两个参数block
size
和γ；其中γ的计算方法
如下：
[0016][0017]式中feat
size
表示特征图的尺寸，keep
prob
表示神经元被保留的概率。在DropBlock算法的最后为了保证输出尺度一致，对输出进行重新缩放调整进而补偿被丢弃的神经元。
[0018]进一步的，待检测焊缝图像包括：包含气孔、裂纹、未焊透、未熔合的焊缝缺陷图片。
[0019]进一步的，改进后的检测模型包括：特征提取与分类模块、RPN网络模块、ROI Align模块；所述特征提取与分类模块包括：特征提取网络子模块、特征融合子模块和检测单元子模块；所述特征提取与分类模块用于提取与分类待检测焊缝图像；所述RPN网络模块用于识别经由所述特征提取与分类模块处理后的待检测焊缝图像中的焊缝缺陷类型；所述ROI Align模块用于将所述特征提取与分类模块、RPN网络模块连接起来。
[0020]进一步的，RPN网络模块中，损失函数的公式为：
[0021][0022]式中，N
cls
＝256表示参与计算的anchor和候选框个数，p
i
表示该anchor经过RPN网络输出的分值，y
i
表示该anchor对应的标签，该标签的规则为：
[0023][0024]这里规定与目标框的IOU最大的以及IOU>0.7的anchor为正样本，而IOU<0.3的为负样本；
[0025]RPN网络的定位损失的公式为：
[0026][0027]式中的N
ROI
＝128，表示的是每个ROI对应的标签，d
i
表示网络的输出；
[0028]RPN网络的检测损失的公式为：
[0029][0030]式中的N
cls
取128，y
ic
表示样本在第类的标签，制定的规则与损失函数的公式相同，不同的这里的是对象是针对RPN输出的128个ROI和目标框计算为0/1，p
ic
表示样本属于第c类的概率，Loss_F
cls
是网络最终分类的输出，在0
‑
1之间。
[0031]进一步的，
[0032]交叉熵函数的变体的表达式为：
[0033][0034]其中的α用来平衡各样本的重要性，γ调节简单样本权重降低速率，当γ＝0时，该
式表现为交叉熵函数；α＝0.25,γ＝2。
[0035]本专利技术实施例利用使用数字图像处理技术对图像进行预处理；利用搭建的二阶检测网络模型DR
‑
Detection来训练模型；通过对模型的封装保存方便对模型的调用和使用。本算法是一个基于二阶检测网络的焊缝图像缺陷检测方法，能够减少人为工作量，提高工作效率。
附图说明
[0036]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
[0037]图1为本专利技术实施例提供的一种焊缝图像缺陷的检测方法的算法流程图。
[0038]图2为标准卷积与可形变卷积模块对比图。
[0039]图3为可形变卷积模块的实现过程图。
[0040]图4为数字射线图像缺陷宽长比统计图。
[0041]图5为限制宽长比的可形变卷积模块的实现过程图。
[0042]图6为DropBlock模块与dropout模块的对比图。
[0043]图7为特征提取网络使用的模块图。
[0044]图8为特征提取网络结构图。
[0045]图9为anchor在特征图中的表现图。
[0046]图10为特征融合网络结构示意图。
[0047]图11为基于二阶检测的DR
‑
Detecction检测网络架构图。
[0048]图12为DR
‑
Detection网络检测结果图。
[0049]图13为ROI Align示意图。
[0050]图14为一种焊缝图像缺陷的检测方法流程图。
具体实施方式
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种焊缝图像缺陷的检测方法，应用于处理器，其特征在于，包括：构建深度二阶检测网络学习模型；获取射线图像数据，并将所述射线图像数据输入至所述深度二阶检测网络学习模型，对所述深度二阶检测网络学习模型进行训练，得到检测模型；在所述检测模型的检测端加入可变形卷积模块，且在所述可变形卷积模块中增加偏移域；并将模型内的损失函数改进为交叉熵函数的变体；采用改进后的检测模型来检测待检测焊缝图像中的焊缝缺陷及类型。2.根据权利要求1所述的焊缝图像缺陷的检测方法，其特征在于，在步骤采用改进后的检测模型来检测待检测焊缝图像中的焊缝缺陷及类型之后还包括：对改进后的检测模型进行封装和保存。3.根据权利要求1所述的焊缝图像缺陷的检测方法，其特征在于，在所述可变形卷积模块中增加偏移域中，表达式为式中，固定位置p0+p
n
、p0+p
n
+Δp
n
为非固定位置、为采样网格。4.根据权利要求3所述的焊缝图像缺陷的检测方法，其特征在于，Δp
n
包括两个自由度x、y，且y/x≤2。5.根据权利要求1所述的焊缝图像缺陷的检测方法，其特征在于，所述可变形卷积模块包括对称卷积、非对称卷积；所述非对称卷积用于提取不规则焊缝缺陷；所述检测模型包括Inception
‑
Resnet模块、DropBlock层。6.根据权利要求5所述的焊缝图像缺陷的检测方法，其特征在于，DropBlock层的算法中包括两个参数block
size
和γ；其中γ的计算方法如下：式中feat
size
表示特征图的尺寸，keep
prob
表示神经元被保留的概率；在DropBlock算法的最后为了保证输出尺度一致，对输出进行重新缩放调整进而补偿被丢弃的神经元。7.根据权利要求1
‑
6所述的焊缝图像缺陷的检测方法，其特征在于，待检测焊缝图像包括：包含气孔、裂纹、未焊透、未熔合的焊缝缺陷图片。8....

【专利技术属性】
技术研发人员：杜宇，
申请(专利权)人：西安数合信息科技有限公司，
类型：发明
国别省市：