多模型协同决策的射线图像缺陷识别方法、系统和设备技术方案

本发明专利技术提供多模型协同决策的射线图像缺陷识别方法、系统和设备，其中，方法包括：获取焊缝射线图像样本集，对所述焊缝射线图像样本集进行预处理，得到预处理数据集；其中，所述预处理数据集包括：缺陷图像、无缺陷图像和缺陷标注结果；获取ImageNet数据集训练完成的权重数据，将所述权重数据加载到多模型协同决策卷积神经网络中，得到预训练模型；根据所述预处理数据集和基于与预训练模型的缺陷识别模型，得到射线图像缺陷识别结果。本发明专利技术能够迅速自动识别复杂的焊缝图像，并且有效地检测出焊缝的缺陷，提高产品的可靠性、安全性及其检测效率。进而可以有效地节省人力和时间，节约成本，提高生产效率。提高生产效率。提高生产效率。

【技术实现步骤摘要】
多模型协同决策的射线图像缺陷识别方法、系统和设备


[0001]本专利技术涉及计算机视觉
，尤其涉及多模型协同决策的射线图像缺陷识别方法、系统和设备。

技术介绍

[0002]焊缝射线图像检测是工业制造流程中的一个重要任务，焊缝射线图像能否被准确检测是该任务的关键指标。射线无损检测因其信号穿透性强、分辨率高、扫描快速等优点，在工业界已经被广泛应用于检测焊缝和焊接件的质量，它主要利用射线扫描照射工件的焊接部位来检测焊缝的厚度、位置、形状和深度等信息，以及焊接件的外观、接头的质量和焊接缺陷。射线底片检测具有快速、准确、深入等优点，在工业生产中得到了广泛应用。
[0003]然而，射线焊缝无损检测领域存在一些难以克服的棘手问题：由于射线检测的特殊性，射线底片检测的结果往往需要经过专业的人工解读，这使得射线底片后期人工检测的效率较低，人力成本较高：检测人员的工作强度大，工作时间长，产生的视觉疲劳会导致检测结果极不稳定；此外，人工检测依赖个人的实践经验，存在不同的检验员的评判结果不一致的问题，影响质量检测的准确性，总体来说，检测精度不能满足工业界的要求。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供多模型协同决策的射线图像缺陷识别方法、系统和设备。
[0005]多模型协同决策的射线图像缺陷识别方法，包括以下步骤：
[0006]获取焊缝射线图像样本集，对所述焊缝射线图像样本集进行预处理，得到预处理数据集；其中，所述预处理数据集包括：缺陷图像、无缺陷图像和缺陷标注结果；r/>[0007]获取ImageNet数据集训练完成的权重数据，根据所述权重数据，得到预训练模型；
[0008]根据所述预处理数据集和基于预训练模型的缺陷识别模型，得到射线图像缺陷识别结果。
[0009]在其中一个实施例中，对所述焊缝射线图像样本集进行预处理，之前还包括：
[0010]接收标注信息，根据所述焊缝射线图像样本集和所述标注信息，得到标注图像样本集；
[0011]按照预设比例将标注图像样本集分为用于训练缺陷识别模型的训练集、用于验证缺陷识别模型的验证集、以及用于测试缺陷识别模型的测试集。
[0012]在其中一个实施例中，对所述焊缝射线图像样本集进行预处理，得到预处理数据集包括：
[0013]对所述焊缝射线图像样本集进行Resize操作、亮度矫正、对比度增强、数据增强、随机水平翻转和随机裁剪得到预处理数据集。
[0014]在其中一个实施例中，根据所述权重数据，得到预训练模型包括：
[0015]将所述权重数据加载到多模型协同决策卷积神经网络中，得到预训练模型。
[0016]在其中一个实施例中，多模型协同决策的射线图像缺陷识别方法，还包括：
[0017]所述多模型协同决策卷积神经网络包括：VGGNet、ResNet、GoogLeNet和DenseNet。
[0018]在其中一个实施例中，基于预训练模型的缺陷识别模型的训练过程包括：
[0019]以训练集和验证集中缺陷图像作为网络源头输入，缺陷图像对应的缺陷标注结果为输出，结合自适应优化算法和预设损失函数，应用缺陷图像和无缺陷图像，针对预训练模型进行训练，获得缺陷图像所对应的多个卷积层；
[0020]根据所述多个卷积层，基于结构重参数化技术，得到压缩参数后的缺陷识别模型。
[0021]多模型协同决策的射线图像缺陷识别系统，用于实现如上所述的多模型协同决策的射线图像缺陷识别方法，包括：
[0022]预处理模块，用于获取焊缝射线图像样本集，对所述焊缝射线图像样本集进行预处理，得到预处理数据集；其中，所述预处理数据集包括：缺陷图像、无缺陷图像和缺陷标注结果；
[0023]特征提取与二分类模块，用于获取ImageNet数据集训练完成的权重数据，根据所述权重数据，得到预训练模型；
[0024]结果输出模块，用于根据所述预处理数据集和基于预训练模型的缺陷识别模型，得到射线图像缺陷识别结果。
[0025]一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述各个实施例中所述的多模型协同决策的射线图像缺陷识别方法的步骤。
[0026]相比于现有技术，本专利技术的优点及有益效果在于：本专利技术能够通过深度学习技术通过卷积神经网络从图像中提取特征，再通过机器学习模型实现对焊缝射线图像的准确识别，提高了模型的准确率，尤其是漏检率。采用了多层神经网络，包括输入层、隐藏层和输出层，可以迅速自动识别复杂的焊缝图像，并且有效地检测出焊缝的缺陷，提高产品的可靠性、安全性及其检测效率。进而可以有效地节省人力和时间，节约成本，提高生产效率。
附图说明
[0027]图1为一个实施例中多模型协同决策的射线图像缺陷识别方法的流程示意图；
[0028]图2为一个实施例中缺陷识别结果示意图；
[0029]图3为一个实施例中射线图像缺陷识别过程示意图；
[0030]图4为一个实施例中多模型协同决策的射线图像缺陷识别系统的结构示意图；
[0031]图5为一个实施例中设备的内部结构示意图。
具体实施方式
[0032]在进行本专利技术具体实施方式说明之前，先对本专利技术的整体构思进行如下说明：
[0033]本专利技术主要是焊缝缺陷检测过程研发的，目前焊缝缺陷检测通常依赖于人工对射线底片评片，寻找底片中的缺陷特征，使用人工提取特征的方法，它不能全面描述数据的特征，进而制约了传统机器学习用于焊缝图像检测的准确性和可靠性。
[0034]专利技术人经过分析发现，出现上面的这些问题的主要原因是传统的机器学习检测方法不具备从图像中提取特征的能力，从而使得模型泛化能力不强，无法有效地检测出数据
库外的新异常缺陷，因此，先从图像中提取出特征，然后再进行缺陷识别就可以避免前述问题了。因此本专利技术提出了多模型协同决策的射线图像缺陷识别方法，通过深度学习技术通过卷积神经网络从图像中提取特征，再通过机器学习模型实现对焊缝射线图像的准确识别。
[0035]介绍完本专利技术的整体构思后，为了使本专利技术的目的、技术方案及优点更加清楚明白，下面通过具体实施方式结合附图对本专利技术做进一步详细说明。
[0036]需要说明的是，除非另外定义，本说明书一个或多个实施例使用的技术术语或者科学术语应当为本专利技术所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.多模型协同决策的射线图像缺陷识别方法，其特征在于，包括：获取焊缝射线图像样本集，对所述焊缝射线图像样本集进行预处理，得到预处理数据集；其中，所述预处理数据集包括：缺陷图像、无缺陷图像和缺陷标注结果；获取ImageNet数据训练完成的权重数据，根据所述权重数据，得到预训练模型；根据所述预处理数据集和基于预训练模型的缺陷识别模型，得到射线图像缺陷识别结果。2.根据权利要求1所述多模型协同决策的射线图像缺陷识别方法，其特征在于，所述对所述焊缝射线图像样本集进行预处理，之前还包括：接收标注信息，根据所述焊缝射线图像样本集和所述标注信息，得到标注图像样本集；按照预设比例将标注图像样本集分为用于训练缺陷识别模型的训练集、用于验证缺陷识别模型的验证集、以及用于测试缺陷识别模型的测试集。3.根据权利要求1所述多模型协同决策的射线图像缺陷识别方法，其特征在于，所述对所述焊缝射线图像样本集进行预处理，得到预处理数据集包括：对所述焊缝射线图像样本集进行Resize操作、亮度矫正、对比度增强、数据增强、随机水平翻转和随机裁剪得到预处理数据集。4.根据权利要求1所述多模型协同决策的射线图像缺陷识别方法，其特征在于，所述根据所述权重数据，得到预训练模型包括：将所述权重数据加载到多模型协同决策卷积神经网络中，得到预训练模型。5.根据权利要求4所述多模型协同决策的射线图像缺陷识别方法，其特征在于，...

【专利技术属性】
技术研发人员：于兴华，王小鹏，邬竣韬，张宝鑫，崔金瀚，刘佳佳，
申请(专利权)人：理工特智科技重庆有限公司，
类型：发明
国别省市：