【技术实现步骤摘要】
基于深度学习的X射线工业检测缺陷识别方法及系统
[0001]本申请涉及无损检测
，具体是基于深度学习的X射线工业检测缺陷识别方法及系统。
技术介绍
[0002]射线检测是常规无损检测的重要方法之一，广泛应用于航空、航天、核电、国防以及其它工业部门，在工业生产和国民经济中发挥了重要作用。目前，在生产实际中，射线检测普遍使用胶片照相法。X射线胶片照相的成像质量较高，能正确提供被测试件缺陷真实情况的可靠信息，但是，它具有操作过程复杂、运行成本高、结果不易保存且查询携带不便以及评片人员眼睛易受强光损伤等缺点。然而，由于射线源、工件、成像系统、成像工艺等多因素的影响，得到的图像的质量有时会达不到规定的质量标准，导致图像细节信息被掩盖，对于检测效率以及质量均会造成较大的影响。
[0003]因此，亟需一种可靠性高、操作便捷、结果准确度高的工业检测缺陷识别技术。
技术实现思路
[0004]本申请的目的在于提供一种基于深度学习的X射线工业检测缺陷识别方法及系统，以解决上述
技术介绍
中提出技术问题。
[000...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的X射线工业检测缺陷识别方法，其特征在于，该方法包括以下步骤：步骤1：采用X射线机对待检件进行全局扫描，获取全局图像；步骤2：将获取到的全局图像与缺陷模型数据库中的缺陷数据进行比对，获取缺陷区域；步骤3：采用X射线机对缺陷区域进行局部放大扫描，获取局部图像；步骤4：对获取到的局部图像进行缺陷特征提取，并将提取结果与缺陷模型数据库中的缺陷数据进行比对，获取比对结果；步骤5：基于获取到的比对结果和预设的缺陷评价策略，获取待检件的缺陷分析结果，所述缺陷分析结果包括缺陷位置信息、缺陷形状信息、缺陷尺寸信息中的至少一种；步骤6：将具有缺陷的待检件的全局图像缺陷图像作为深度神经网络模型的输入层训练样本进行深度学习，并将深度学习结果输入所述缺陷模型数据库。2.根据权利要求1所述的基于深度学习的X射线工业检测缺陷识别方法，其特征在于，在所述步骤1中，将所述全局扫描的初始位置定义为扫描基准位置，在所述步骤3中，基于所述缺陷区域的位置，以所述扫描基准位置为基准，移动到与所述缺陷区域之间具有位置差
‑
ΔL和位置差+ΔL的位置处进行局部放大扫描，并将扫描的结果作为所述局部图像，其中，以与所述述缺陷区域之间具有位置差
‑
ΔL的位置作为局部放大扫描的起始位置，以与所述述缺陷区域之间具有位置差+ΔL的位置作为局部放大扫描的结束位置。3.根据权利要求2所述的基于深度学习的X射线工业检测缺陷识别方法，其特征在于，所述位置差
‑
ΔL和所述位置差+ΔL均为沿着起始位置与所述扫描基准位置在水平方向上预设的距离差。4.根据权利要求2所述的基于深度学习的X射线工业检测缺陷识别方法，其特征在于，所述步骤2还包括：对所述缺陷区域进行轮廓提取，获得边界轮廓P1；以边界轮廓P1的中心点为原点，按照预设的放大比例ρ对所述边界轮廓P1进行等比例放大，得到覆盖所述边界轮廓P1的边界轮廓P2，按照直线扫描的方式以与该边界轮廓P2相切的矩形作为成像区域，其中，该成像区域对应的矩形的第一个被扫描的边界与直线扫描的路径相垂直。5.根据权利要求1所述的基于深度学习的X射线工业检测缺陷识别方法，其特征在于，在所述步骤4中，所述的获取到的局部图像进行缺陷特征提取具体包括以下步骤：基于缺陷模型数据库中的缺陷特征元素对所述局部图像中的缺陷区域进行识别；对识别出的缺陷区域进行边界获取，得到缺陷边界轮廓P3；基于缺陷模型数据库中的缺陷特征元素对对所述缺陷边界轮廓P3的内部区域进行缺陷特征相似度比较，将比较获取的相似度结果β与所述缺陷模型数据库中的缺陷特征元素相似度阈值γ进行比对，当β≥γ时，将被提取到的缺陷特征标记为在所述缺陷模型数据库中被比对到的缺陷特征元素。6.根据权利要求5所述的基于深度学习的X射线工业检测缺陷识别方法，其特征在于，所述相似度至少包括区域明暗的相似度和边界轮廓形状的相似度。7.一种基于深度学习的X射线工业检测缺陷识别系统，其特征在于，包括X射线机、载物
台、数据处理中心；所...
【专利技术属性】
技术研发人员：薛帅，游泳，沈洋，谢小荣，张静，冯炎青，邢秀文，
申请(专利权)人：北京理工大学珠海学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。