一种焊接缺陷检测图像信息分层融合方法技术

一种焊接缺陷检测图像信息分层融合方法，步骤一：采用PCNN网络对焊接缺陷区域进行提取，获得焊缝特征的中层信息显著图；步骤二：采用基于显著性的方法，获得焊缝缺陷的显著图并进行阈值化处理，获取焊缝特征的底层显著图；步骤三：融合中层信息显著图与底层显著图，获取最终的缺陷所在区域，直观显示焊缝缺陷所在位置；本发明专利技术与现有的焊缝缺陷分割方法相比，此算法简单、对于密集体积型缺陷检测准确度高、检测速度快、鲁棒性好。鲁棒性好。鲁棒性好。

【技术实现步骤摘要】
一种焊接缺陷检测图像信息分层融合方法


[0001]本专利技术涉及焊缝缺陷检测图像处理
，特备涉及一种焊接缺陷检测图像信息分层融合方法。

技术介绍

[0002]油气管道在焊接过程中出现的各种缺陷会直接影响到输送系统运行的安全性。焊接缺陷可以分为面积型缺陷(裂纹、未焊透、条状夹渣和未熔合等)和体积型缺陷(气孔、球状夹渣等)两大类。气孔等体积型缺陷严重影响焊接接头的力学性能，而目前对体积型焊接缺陷无损检测的主要手段是依靠人工对焊缝缺陷检测图像的判读来判断是否符合安全标准。如何准确高效地自动检测出焊接区域的缺陷数量具有重要的研究意义。由于存在射线散射、曝光条件差异等因素影响，无损检测图像通常对比度低、缺陷边缘模糊、背景起伏较大且缺陷区域占比较小。在很多情况下，需要在缺陷识别前进行适当的分割等预处理，以提高缺陷识别效率及准确率。
[0003]当前，基于视觉的焊缝缺陷区域提取技术主要集中在以下两类：在像素级层面采用灰度等特征进行缺陷提取，如专利号为201110022401.3中所描述的缺陷分割方法：用最大类间方差法进行阈值分割，做水平和竖直方向上的判断，在分割后的图像中寻找焊缝的位置；或者在超像素层面基于图像融合、自适应形态学滤波等方法进行缺陷提取，如专利号为201710417514.0中所描述的缺陷分割方法：在对焊缝缺陷检测图像进行预处理后，先对图像上每一列像素点进行灰度曲线拟合，获得列灰度曲线，再提取出曲线上的极小值点，根据极小值点的相应特征确定结构元素尺寸，然后利用形态学中的闭运算模拟出焊缝背景图像，通过数字减影技术提取出缺陷图像。像素级层面的缺陷提取技术仅可对特定类型的缺陷取得较理想的提取效果，在对边缘模糊、背景变化较大的焊缝照片进行处理时正确识别率难以保证；超像素层面的缺陷提取技术往往算法相对复杂，难以满足管道生产厂家对缺陷识别正确率的要求。

技术实现思路

[0004]为了克服上述现有技术的缺陷，本专利技术的目的在于提供了一种焊接缺陷检测图像信息分层融合方法，通过融合中底层图像显著性信息进行缺陷分割；中层次图像信息包含丰富的图像结构信息，常用于对感兴趣区域定位；底层次图像信息主要涵盖算法和设计的底层细节，对感兴趣区域的内部信息有较好的表达，是中层次信息的必要补充；因此，采用中、底层次图像信息相结合的方法实现感兴趣区域的缺陷检测，既能一定程度上排除“无关的”背景的千扰，自动从无损检测图像获得完整的焊缝缺陷显著区域，提高缺陷区域提取速度，又为后续实现缺陷在线识别打下基础，提高识别正确率。
[0005]为了达到上述目的，本专利技术的技术方案是这样实现的：
[0006]一种焊接缺陷检测图像信息分层融合方法，包括如下的步骤：
[0007]步骤一：采用PCNN网络对焊接缺陷区域进行提取，获得焊缝特征的中层信息；
[0008]步骤二：采用基于显著性的方法，获得焊缝缺陷的显著图并进行阈值化处理，获取焊缝特征的底层显著图；
[0009]步骤三：融合中层信息显著图与底层显著图，获取最终的缺陷所在区域，直观显示焊缝缺陷所在位置。
[0010]所述步骤一中采用PCNN网络获得焊缝特征的中层信息显著图的方法如下：
[0011]1.1、读入缺陷检测图像I1；
[0012]1.2、设置PCNN参数的初始值M、W、V
F
、V
L
、α
L
、α
F
、β、α和b，令每个像素点处于熄火状态；其中，M和W为神经元之间的连接权系数矩阵，V
F
和V
L
分别为反馈域和链接域的放大系数；α
L
、α
F
分别为链接域、反馈域时间常数；β是连接系数；α、b分别为阈值调整步长、放大系数；
[0013]1.3、将缺陷检测图像输入PCNN网络，依次迭代，计算出待处理图像的最大熵；
[0014]1.4、取最大熵的最大值所对应的PCNN点火图作为最终中层信息显著图。
[0015]所述步骤1.3中的依次迭代，每一次迭代，依次按照下面的步骤执行：
[0016]1.3.1、在每个神经元的3
×
3邻域中，计算信号当前输入F
ij
、链接输入L
ij
和动态阈值T
ij
；
[0017][0018][0019]T
ij
[n]＝T
ij
[n
‑
1]‑
α+bY
ij
[n
‑
1][0020]1.3.2、计算每个神经元的内部活动项U
ij
；
[0021]U
ij
[n]＝F
ij
[n](1+βL
ij
[n])
[0022]1.3.3、将内部活动项U
ij
与动态阈值T
ij
相比较并记录神经元的状态Y
ij
，即点火或不点火；
[0023][0024]1.3.4、计算出待处理图像的最大熵。
[0025]所述最大熵计算方法如下：
[0026]1.3.4.1、计算矩阵T中每个元素t
ij
；
[0027]对于L级灰度的缺陷检测图像图像，其共生矩阵是一个P
×
Q维的矩阵T＝[t
ij
]P
×
Q
，表达了邻近像素间的灰度平移以及灰度空间的变化关系，其t
ij
被定义为：
[0028]其中
[0029]δ＝0 else
[0030]1.3.4.2、计算目标和背景归一化后的取值概率P
ijA
和P
ijB
；
[0031][0032][0033]1.3.4.3、计算目标和背景的二次熵和
[0034][0035][0036]1.3.4.4、计算整幅图像的最大熵
[0037][0038]所述步骤二中采用基于显著性的方法获得焊缝缺陷的底层特征显著图的方法，是采用谱残差视觉显著模型去除图像冗余信息来获得图像与众不同的部分，即显著目标，具体方法如下：
[0039]2.1、对缺陷检测图像I(x,y)进行傅里叶变换，把图像转换到频域处理，然后取对数幅度谱ln，表达式如下：
[0040]A(u,v)＝|F[I(x,y)]|
[0041][0042]L(i,j)＝ln(A(u,v))
[0043]其中，F为傅里叶变换；A(u,v)表示傅里叶变换能量谱；P(u,v)表示相位谱；L(i,j)为ln谱；
[0044]2.2、将局部平滑后的对数幅度谱作为冗余部分，表达式如下：
[0045]V(i,j)＝h
n
(x,y)*L(i,j)，式中符号“*”表示卷积，h
n
(x,y)是一个n
×
n大小的均值滤波器；
...

【技术保护点】

【技术特征摘要】
1.一种焊接缺陷检测图像信息分层融合方法，其特征在于，包括如下的步骤：步骤一：采用PCNN网络对焊接缺陷区域进行提取，获得焊缝特征的中层信息显著图；步骤二：采用基于显著性的方法，获得焊缝缺陷的显著图并进行阈值化处理，获取焊缝特征的底层显著图；步骤三：融合中层信息显著图与底层显著图，获取最终的缺陷所在区域，直观显示焊缝缺陷所在位置。2.根据权利要求1所述的一种焊接缺陷检测图像信息分层融合方法，其特征在于，所述步骤一中采用PCNN网络获得焊缝特征的中层信息的方法如下：1.1、读入缺陷检测图像I1；1.2、设置PCNN参数的初始值M、W、V
F
、V
L
、α
L
、α
F
、β、α和b，令每个像素点处于熄火状态；其中，M和W为神经元之间的连接权系数矩阵，V
F
和V
L
分别为反馈域和链接域的放大系数；α
L
、α
F
分别为链接域、反馈域时间常数；β是连接系数；α、b分别为阈值调整步长、放大系数；1.3、将缺陷检测图像输入PCNN网络，依次迭代，计算出待处理图像的最大熵；1.4、取最大熵的最大值所对应的PCNN点火图作为最终中层信息显著图。3.根据权利要求2所述的一种焊接缺陷检测图像信息分层融合方法，其特征在于，所述步骤1.3中的依次迭代，每一次迭代，依次按照下面的步骤执行：1.3.1、在每个神经元的3
×
3邻域中，计算信号当前输入F
ij
、链接输入L
ij
和动态阈值T
ij
；；T
ij
[n]＝T
ij
[n
‑
1]
‑
α+bY
ij
[n
‑
1]1.3.2、计算每个神经元的内部活动项U
ij
；U
ij
[n]＝F
ij
[n](1+βL
ij
[n])1.3.3、将内部活动项U
ij
与动态阈值T
ij
相比较并记录神经元的状态Y
ij
，即点火或不点火；1.3.4、计算出待处理图像的最大熵4.根据权利要求3所述的一种焊接缺陷检测图像信息分层融合方法，其特征在于，所述最大熵计算方法如下：1.3.4.1、计算矩阵T中每个元素t
ij
；对于L级灰度的缺陷检测图像图像，其共生矩阵是一个P
×
...

【专利技术属性】
技术研发人员：朱冰，马雨嫣，高炜欣，高国旺，罗朝莉，李华，
申请(专利权)人：西安石油大学，
类型：发明
国别省市：