一种长输管道环焊缝射线图像焊接返修部位智能识别方法技术

本发明专利技术涉及管道焊缝质量评估技术领域，具体涉及一种长输管道环焊缝射线图像焊接返修部位智能识别方法，具体过程如下：首先对管道环焊缝射线图像焊接返修部位进行掩模标注建立标签数据库。然后采用基于数据驱动构建深度学习实例分割模型。通过搭建主干网络与颈部网络实现特征充分提取。接着通过构建逐像素分割损失指导训练过程。最后通过构建概率图模型，基于后验概率分布进行机理模型建立获得最终结果。本发明专利技术提供的方法大幅度提升了焊接返修部位的识别准确率。部位的识别准确率。

【技术实现步骤摘要】
一种长输管道环焊缝射线图像焊接返修部位智能识别方法


[0001]本专利技术涉及管道焊缝质量评估
，具体涉及一种长输管道 环焊缝射线图像焊接返修部位智能识别方法。

技术介绍

[0002]保证长输管道的安全运行在工业领域具有重要意义，由于焊缝区 域质量原因导致的管道泄露时有发生，因此加大评估焊缝质量力度有 利于减少事故的发生。
[0003]在焊缝质量评估过程中，查找焊接返修部位是其中关键一步，返 修部位的缺陷通常具备更严重的危害性。通常情况下基于人工查找焊 接返修区域具备较强的主观因素，导致评估不确定因素较高，不同技 术人员评定质量不一致使得焊接返修区域查找效率地下，识别率与准 确率较低。
[0004]深度神经网络具备强大的特征提取能力并广泛应用到工业领域， 基于神经网络涌现出了大量的目标检测与实例分割算法。然而基于深 度学习方法依然存在以下几点问题：第一、深度学习需要大量标签数 据，在专业知识较强领域获取大量标签十分费力。第二、基于局部数 据训练而获取的模型不具备较强的泛化能力，无标记图像与有标记图 像特征存在不对齐情况，导致识别未知缺陷能力较弱。
[0005]基于机理模型方式在图像分割中具备广泛的应用，本文基于深度 学习并结合概率图模型构建目标区域分割模型，可以较高的提升模型 预测准确率。

技术实现思路

[0006]针对目前焊接返修部位人工识别效率低下，本专利技术提出了一种长 输管道环焊缝射线图像焊接返修部位智能识别方法，可以将神经网络 模型与概率图像模型良好的结合，最终可以实现较高的识别率。
[0007]具体技术方案如下：
[0008]一种长输管道环焊缝射线图像焊接返修部位智能识别方法，包括 以下步骤：
[0009]步骤1：基于数字化设备扫描工业底片获取原始的管道焊缝缺陷 图像并进行图像去噪处理：
[0010]步骤1
‑
1：工业X射线胶片经过图像数字化后，由于光敏材料、 射线能量和辐射剂量等众多因素的影响，导致数字化后的图像存在着 对比度低、噪声高等缺点；为了使图像中的目标特征明显，需要对图 像进行噪声去除处理，采用均值滤波的方式实现图像平滑；首先，从 X射线缺陷原始图像中截取多个相同大小的缺陷图像，这里以长宽较 小的一侧为边长截取正方形图像；
[0011]步骤1
‑
2：为了去除噪声，采用有效针对脉冲噪声去除的中值滤 波对图像进行滤波运算，公式为：
[0012]Y(i,j)＝Med
A
[X(i,j)],i＝1,2,L h；j＝1,2,L w
[0013]其中，X(i,j)代表着原始图像的第i行与第j列的像素值，Y(i,j) 是第i行与第j列
的中值滤波之后的图像；h和w分别代表原始图像 的高和宽，A是中值滤波器，本节中采用3*3的滤波窗口；
[0014]步骤2：原始的管道焊缝图像由于扫描过程中不同射线图像黑度 值变化较大，对图像进行自适应亮度提升；
[0015]步骤3：基于增强后的射线图像进行标签制作并进行泛化：
[0016]步骤3
‑
1：按照返修区域轮廓由无损检测工程师进行区域标注， 获得区域标注信息，形成训练集其中X
k
为为第k张 图像，Y
k
为与其相对应的标签，N为训练集数量，这里为2163张标 签图像；
[0017]步骤3
‑
2：对训练集图像进行泛化操作，这里采用图像平移，图 像翻折，图像缩放，图像拼接等方式，并对其标签制作相应的处理获 得扩充后的数据集这里M＝11789；
[0018]步骤4：基于Resnet50主干网络实现焊缝返修部位特征提取， 将制作的焊缝图像与其相对应的标签掩模的输入到网络中，提取深层 特征：
[0019]步骤4
‑
1：首先将由标注的图像输入到Focus结构进行图像切分， 在不丢失信息的的同时大规模降低了图像尺寸增加了维度，并减少网 络开销；
[0020]步骤4
‑
2：然后，将由标注的图像输入到具有5个阶段的resnet50 卷积神经网络中；网络的层次逐渐加深，输入图像的抽象层次也依次 提高，通过特征提取可以提取到掩膜区域丰富的语义信息；
[0021]步骤5：设计颈部网络实现丰富的特征融合，有利于选择增加合 理的特征用于后续分类回归操作；
[0022]步骤6：预测机制进行候选区域提取并生成损失形成训练过程；
[0023]步骤7：基于后验概率分布采用马尔科夫链构建概率图模型。
[0024]步骤2所述对图像进行自适应亮度提升所包含具体步骤如下：
[0025]步骤2
‑
1：进行数据增强，对原始射线图像进行自适应亮度提升， 首先采用改进的直方图均衡化实现累计像素概率密度计算；统计原始 图像各个灰度级的像素数目n
i
，其中0＜i＜L，L是图像中所有的灰度 登记L＝255；
[0026]步骤2
‑
2：确定像素出现概率：
[0027]p
x
(i)＝p(x＝i)＝n
i
/n，
[0028]其中，n是图像中所有像素数量，p
x
(i)为像素直方图，并按照公 式p'
x
(i)＝p
x
(i)/max(p
x
(i))归一化[0，1]区间；
[0029]步骤2
‑
3：计算累计概率分布确定累计直方图：
[0030][0031]其中，cdf
x
(i)代表对像素进行累计直方图计算后的像素分布图；
[0032]步骤2
‑
4：阈值选取，确定像素截止移动区间，确定像素中心阈 值p
m
，记像素移动区间范围为[0，m]，p
m
＜p
tre
，其中p
tre
移动区间概率 分布阈值，这里选取0.8；
[0033]步骤2
‑
5：重构图像像素，确定增强图像，记像素移动区间范围 为[0，m]，p
m
＜p
tre
，其中p
tre
移动区间概率分布阈值，这里选取0.8， 重构图像像素获得增强图像；其中每个像素值重构公式如下：
[0034][0035]其中，x
i
为每个像素点得灰度数值大小，k为比例因子，为了防 止亮度变化幅度过大本这里选取k＝1.1。
[0036]步骤5所述的设计颈部网络实现丰富的特征融合，具体包括以下 步骤：
[0037]步骤5
‑
1：在主干网络之后建立特征金字塔模型自上而下融合特 征，选取主干网络提取到的三阶段顶层记作： features
fpn
＝{Z3,Z4,Z5}，颈部融合方式具体如下：每一阶段融合与其来 自横向对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种长输管道环焊缝射线图像焊接返修部位智能识别方法，其特征在于，包括以下步骤：步骤1：基于数字化设备扫描工业底片获取原始的管道焊缝缺陷图像并进行图像去噪处理：步骤1
‑
1：工业X射线胶片经过图像数字化后，由于光敏材料、射线能量和辐射剂量等众多因素的影响，导致数字化后的图像存在着对比度低、噪声高等缺点；为了使图像中的目标特征明显，需要对图像进行噪声去除处理，采用均值滤波的方式实现图像平滑；首先，从X射线缺陷原始图像中截取多个相同大小的缺陷图像，这里以长宽较小的一侧为边长截取正方形图像；步骤1
‑
2：为了去除噪声，采用有效针对脉冲噪声去除的中值滤波对图像进行滤波运算，公式为：Y(i,j)＝Med
A
[X(i,j)],i＝1,2,L h；j＝1,2,L w其中，X(i,j)代表着原始图像的第i行与第j列的像素值，Y(i,j)是第i行与第j列的中值滤波之后的图像；h和w分别代表原始图像的高和宽，A是中值滤波器，本节中采用3*3的滤波窗口；步骤2：原始的管道焊缝图像由于扫描过程中不同射线图像黑度值变化较大，对图像进行自适应亮度提升；步骤3：基于增强后的射线图像进行标签制作并进行泛化：步骤3
‑
1：按照返修区域轮廓由无损检测工程师进行区域标注，获得区域标注信息，形成训练集其中X
k
为为第k张图像，Y
k
为与其相对应的标签，N为训练集数量，这里为2163张标签图像；步骤3
‑
2：对训练集图像进行泛化操作，这里采用图像平移，图像翻折，图像缩放，图像拼接等方式，并对其标签制作相应的处理获得扩充后的数据集这里M＝11789；步骤4：基于Resnet50主干网络实现焊缝返修部位特征提取，将制作的焊缝图像与其相对应的标签掩模的输入到网络中，提取深层特征：步骤4
‑
1：首先将由标注的图像输入到Focus结构进行图像切分，在不丢失信息的的同时大规模降低了图像尺寸增加了维度，并减少网络开销；步骤4
‑
2：然后，将由标注的图像输入到具有5个阶段的resnet50卷积神经网络中；网络的层次逐渐加深，输入图像的抽象层次也依次提高，通过特征提取可以提取到掩膜区域丰富的语义信息；步骤5：设计颈部网络实现丰富的特征融合，有利于选择增加合理的特征用于后续分类回归操作；步骤6：预测机制进行候选区域提取并生成损失形成训练过程；步骤7：基于后验概率分布采用马尔科夫链构建概率图模型。2.根据权利要求1所述的长输管道环焊缝射线图像焊接返修部位智能识别方法，其特
征在于：步骤2所述对图像进行自适应亮度提升所包含具体步骤如下：步骤2
‑
1：进行数据增强，对原始射线图像进行自适应亮度提升，首先采用改进的直方图均衡化实现累计像素概率密度计算；统计原始图像各个灰度级的像素数目n
i
，其中0＜i＜L，L是图像中所有的灰度登记L＝255；步骤2
‑
2：确定像素出现概率：p
x
(i)＝p(x＝i)＝n
i
/n，其中，n是图像中所有像素数量，p
x
(i)为像素直方图，并按照公式p'
x
(i)＝p
x
(i)/max(p
x
(i))归一化[0，1]区间；步骤2
‑
3：计算累计概率分布确定累计直方图：其中，cdf
x
(i)代表对像素进行累计直方图计算后的像素分布图；步骤2
‑
4：阈值选取，确定像素截止移动区间，确定像素中心阈值p
m
，记像素移动区间范围为[0，m]，p
m
＜p
tre
，其中p
tre
移动区间概率分布阈值，这里选取0.8；步骤2
‑
5：重构图像像素，确定增强图像，记像素移动区间范围为[0，m]，p
m
＜p
tre
，其中p
tre
移动区间概率分布阈值，这里选取0.8，重构图像像素获得增强图像；其中每个像素值重构公式如下：其中，x
i
为每个像素点得灰度数值大小，k为比例因子，为了防止亮度变化幅度过大本这里选取k＝1.1。3.根据权利要求1所述的长输管道环焊缝射线图像焊接返修部位智能识别方法，其特征在于：步骤5所述的设计颈部网络实现丰富的特征融合，具体包括以下步骤：步骤5
‑
1...

【专利技术属性】
技术研发人员：关丹，左逢源，付明芮，赵巍，王兰，吴植兴，
申请(专利权)人：沈阳派得林科技有限责任公司，
类型：发明
国别省市：