基于人工智能的钢材焊缝裂纹检测方法及系统技术方案

本发明专利技术涉及缺陷检测领域，具体涉及基于人工智能的钢材焊缝裂纹检测方法及系统。技术方案为：获取钢材表面的热成像、深度图，利用阈值法获取钢材表面温差ROI区域；根据所述钢材表面温差ROI区域的温度序列，得到裂纹ROI区域；根据裂纹ROI区域的热成像图像计算裂纹ROI区域中每个像素点的显著值；构建二维高斯分布，并对所述裂纹ROI区域热成像图像进行图像处理得到空间分布权重图像；根据所述空间分布权重图像与所述像素显著值得到调和显著图；构建裂纹分割神经网络，基于所述调和显著图进行训练，获取裂纹的检测结果。该方法中调和显著图利用了热成像、深度信息，通过显著值避免了背景与噪声的影响，提取的特征更加鲁棒，提高了裂纹提取的精度。裂纹提取的精度。裂纹提取的精度。

【技术实现步骤摘要】
基于人工智能的钢材焊缝裂纹检测方法及系统


[0001]本专利技术涉及缺陷检测领域，具体涉及一种基于人工智能的钢材焊缝裂纹检测方法及系统。

技术介绍

[0002]焊接是钢铁行业中的重要一环，因具有加工方便，构造简单，连接性能好，节省材料、刚度大，可实现不同形状和材料的连接成型，为结构设计提供了较大的灵活性等优点。在长期的交变载荷、强烈的温度湿度变化和化学腐蚀等因素的影响下，金属疲劳裂纹会在焊缝处萌生并扩展，一旦达到临界尺寸的裂纹很可能造成重大安全事故发生的主要原因，因此需要定期对焊缝进行检查来预防裂纹的恶化，现有的大多数检测方法是靠工程师们带着仪器进行抽样检测或者逐个检测。
[0003]焊缝本身就有着不规则纹理，加上金属表面的反光和沾污，使得裂纹难以用肉眼察觉，即使结合普通光学相机也难以进行图像识别。由于人力，成本和仪器数量的限制，以传统的方式观察和记录工件表面的缺陷信息，整体检测速度过慢,工作效率低下。而且还会因为视觉疲劳或者进行数据分析的工程师的专业水平差异，带来漏检或误检的隐患。而且现在很多检测方法没有更好的结合裂纹的深度信息，金属裂纹的导电导热特性进行检测，以致于检测速度和准确性不高。

技术实现思路

[0004]为了解决上述技术问题，本专利技术的目的在于提供一种基于人工智能的钢材焊缝裂纹检测方法及系统，所采用的技术方案具体如下：第一方面，本专利技术一个实施例提供了一种基于人工智能的钢材焊缝裂纹检测方法，该检测方法包括以下步骤：获取钢材表面的热成像、深度图，利用阈值法获取钢材表面温差ROI区域；获取所述钢材表面温差ROI区域的温度序列，根据所述温度序列进行峰值检测，获取最大波谷温度，利用所述最大波谷温度得到裂纹连接区域图像；根据所述裂纹连接区域图像得到裂纹ROI区域；根据所述裂纹ROI区域获取裂纹ROI区域的热成像图像；对裂纹ROI区域的热成像图像进行第一次超像素分割，得到疑似裂纹超像素块；然后对疑似裂纹超像素块进行第二次超像素分割，得到二阶超像素块；计算裂纹ROI区域中每个像素点的像素点局部显著值、像素点全局显著值；获取裂纹ROI区域的深度梯度共生矩阵，根据所述深度梯度共生矩阵获取每一个像素的熵、对比度；根据所述像素的熵、对比度获取像素的局部显著值权值、全局显著值权值；基于裂纹ROI区域构建二维高斯分布，并对所述裂纹ROI区域热成像图像进行边缘检测，得到边缘二值图，对所述边缘二值图进行形态学处理与距离变换，得到边缘距离变换图像；根据所述二维高斯分布与所述边缘距离变换图像得到空间分布权重图像；根据所述空间分布权重图像与所述像素的局部显著值、全局显著值计算像素的调和显著值，得到裂纹ROI区域调和显著图；构建裂纹分割神经网络，基于所述裂纹ROI区域调和显著图数据进行训练，获取裂纹的检测结果。
[0005]进一步的，所述裂纹连接区域图像的获取方法为：对热成像图像进行图像阈值处理，获取图像中温度差较大的前景，该区域称为钢材表面温差ROI区域；获取钢材表面温差ROI区域的热成像图像，然后统计该ROI区域的温度序列，即每个像素值及其频数的关系，热成像中每个像素值代表温度；对于温度序列进行波峰波谷检测，最终得到多个波峰、波谷的位置；然后取波峰中温度最高的波峰其左相邻的波谷位置作为阈值，利用该阈值提取钢材表面温差ROI区域中最大的温度差区域，得到裂纹连接区域图像。
[0006]进一步的，所述疑似裂纹超像素块获取方法为：获取裂纹ROI区域在热成像中的图像，图像称为裂纹ROI区域热成像图像，然后在该ROI区域中均匀散播一阶种子点，使用SLIC超像素分割方法进行预分割形成一阶超像素块；设定一个温度阈值，如果一个一阶超像素块中的所有像素点的最高温度低于温度阈值，则说明该像素块为非裂纹区域；最终得到一阶超像素块中的所有像素点的最高温度大于温度阈值的超像素块，该超像素块为疑似裂纹超像素块。
[0007]进一步的，所述像素点局部显著值的计算方法为：
[0008]以待计算像素点为中心设置十字模板，分别表示十字中横向、竖向的像素个数；T、D代表当前像素的温度值、深度值，和是坐标为(p,y)的像素点的温度值和深度值，和是坐标为(x,q)的像素点的温度值和深度值。
[0009]进一步的，所述像素点全局显著值的计算方法为：
[0010]分别代表裂纹ROI区域的平均温度值、平均深度值, T、D代表当前像素的温度值、深度值。
[0011]进一步的，所述局部显著值的权值的计算方法为：计算裂纹ROI区域的深度梯度共生矩阵，根据所述深度梯度共生矩阵计算像素的熵和对比度，求得像素点的局部显著值的权值：
[0012]为权重比例，分别代表像素的对比度、熵。
[0013]进一步的，所述全局显著值的权值的计算方法为：计算每个二阶超像素块的重要度：
[0014]为中的像素点数量，为温度值和深度值的权重比例，和是第p个像素点的温度值和深度值。
[0015]进一步的，求得中像素点的全局显著值的权值：
[0016]为二阶超像素块的数量。
[0017]进一步的，所述空间分布权重图像的获取方法为：在裂纹ROI区域构建二维高斯分布，该分布大小刚好可以覆盖裂纹ROI区域，所述该二维高斯分布用以提高裂纹ROI区域中心的权重，降低ROI区域边界的权重；用Canny边缘检测算子对裂纹ROI区域的热成像图像进行边缘提取，得到边缘二值图；对边缘二值图进行膨胀操作，得到边缘连通区域图像；对边缘连通区域图像进行距离变换，得到边缘距离变换图像，图像中像素值代表其与背景的距离，距离越大，即越可能是裂纹区域；然后将边缘距离变换图像与高斯分布相乘，得到空间分布权重图像。
[0018]进一步的，所述裂纹分割神经网络输入数据的获取方法为：求得待计算像素点的调和显著值：
[0019]为空间分布权重图像的像素值，k1、k2分别代表局部显著值权值、全局显著值权值，J、A代表分别代表局部显著值、全局显著值；通过上述公式计算出每个像素点的调和显著值后得到调和显著图；将调和显著图输入到语义分割神经网络中，输出的实际裂纹二值图。
[0020]第二方面，本专利技术另一个实施例提供了一种基于人工智能的钢材焊缝裂纹检测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述方法的步骤。
[0021]本专利技术具有如下有益效果：本专利技术实施例所构建的调和显著图利用了热成像、深度信息，通过显著值避免了背景与噪声的影响，提取的特征更加鲁棒，同时结合空间分布权重图像，可以让神经网络有效学习到裂纹的空间分布特性，提高了裂纹提取的精度。
[0022]本专利技术对中局部显著值时基于十字模板的，出于两个方面的考虑：一是选取了更少的像素点进行运算，与传统的选取整个区域的像素点进行运算相比，提高了运算速度；二是结合了裂纹的形状的特点，一般是朝着某个方向的闪电形线条，因此线条中的像素点和横向或者竖向的线条外的像素点相比，差异性会比较强，而其他形状的线条或者色块和横向或者竖本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的钢材焊缝裂纹检测方法，其特征在于，该检测方法包括以下步骤：获取钢材表面的热成像、深度图，利用阈值法获取钢材表面温差ROI区域；获取所述钢材表面温差ROI区域的温度序列，根据所述温度序列进行峰值检测，获取最大波谷温度，利用所述最大波谷温度得到裂纹连接区域图像；根据所述裂纹连接区域图像得到裂纹ROI区域；根据所述裂纹ROI区域获取裂纹ROI区域的热成像图像；对裂纹ROI区域的热成像图像进行第一次超像素分割，得到疑似裂纹超像素块；然后对疑似裂纹超像素块进行第二次超像素分割，得到二阶超像素块；计算裂纹ROI区域中每个像素点的像素点局部显著值、像素点全局显著值；获取裂纹ROI区域的深度梯度共生矩阵，根据所述深度梯度共生矩阵获取每一个像素的熵、对比度；根据所述像素的熵、对比度获取像素的局部显著值权值、全局显著值权值；基于裂纹ROI区域构建二维高斯分布，并对所述裂纹ROI区域热成像图像进行边缘检测，得到边缘二值图，对所述边缘二值图进行形态学处理与距离变换，得到边缘距离变换图像；根据所述二维高斯分布与所述边缘距离变换图像得到空间分布权重图像；根据所述空间分布权重图像与所述像素的局部显著值、全局显著值计算像素的调和显著值，得到裂纹ROI区域调和显著图；构建裂纹分割神经网络，基于所述裂纹ROI区域调和显著图数据进行训练，获取裂纹的检测结果。2.根据权利要求1所述的一种基于人工智能的钢材焊缝裂纹检测方法，其特征在于，所述裂纹连接区域图像的获取方法为：对热成像图像进行图像阈值处理，获取图像中温度差较大的前景，该区域称为钢材表面温差ROI区域；获取钢材表面温差ROI区域的热成像图像，然后统计该ROI区域的温度序列，即每个像素值及其频数的关系，热成像中每个像素值代表温度；对于温度序列进行波峰波谷检测，最终得到多个波峰、波谷的位置；然后取波峰中温度最高的波峰其左相邻的波谷位置作为阈值，利用该阈值提取钢材表面温差ROI区域中最大的温度差区域，得到裂纹连接区域图像。3.根据权利要求1所述的一种基于人工智能的钢材焊缝裂纹检测方法，其特征在于，所述疑似裂纹超像素块获取方法为：获取裂纹ROI区域在热成像中的图像，图像称为裂纹ROI区域热成像图像，然后在该ROI区域中均匀散播一阶种子点，使用SLIC超像素分割方法进行预分割形成一阶超像素块；设定一个温度阈值，如果一个一阶超像素块中的所有像素点的最高温度低于温度阈值，则说明该像素块为非裂纹区域；最终得到一阶超像素块中的所有像素点的最高温度大于温度阈值的超像素块，该超像素块为疑似裂纹超像素块。4.根据权利要求1所述的一种基于人工智能的钢材焊缝裂纹检测方法，其...

【专利技术属性】
技术研发人员：谢海居，
申请(专利权)人：南通海驹钢结构有限公司，
类型：发明
国别省市：