【技术实现步骤摘要】
本专利技术属于炼化装置焊接射线数字化底片识别，尤其是涉及一种用于识别焊接射线底片缺陷的方法。
技术介绍
1、焊接作为一种重要的材料加工工艺，广泛应用于石油化工工程建设行业。在焊接过程中，受钢材和焊条质量、坡口加工和装配精度、坡口表面清理状况、焊接设备、工艺参数、工艺规程、焊接技术、天气状况等各种因素的影响，所形成的焊缝中不可避免地会出现各种缺陷，这些缺陷严重影响了焊接设备的使用性能和安全性能，甚至会为生产带来灾难性的后果。因此，在施工过程中对焊缝缺陷进行无损检测，来确保焊缝区域的检测精度和检测效率，对实现工程质量、工程安全和设备设施安全等工程目标起到了关键作用。
2、射线检测(radiography test,rt)是采用射线(x射线或γ射线)来透照工件，通过在胶片上的产生的感光作用，来判断被检工件内部的质量状况的工件质量检测方法。在成像后的胶片上，影像的黑度及其分布能够反映工件内部的缺陷类型和量级。
3、射线照相具有高分辨率和高灵敏度的特点，利用射线照相对工件进行检测，检测手段灵活，可检测的工件的结构形状多，所得的胶片影像信息量大。在石油化工等高温高压行业，射线检测占无损检测总量的70～80％。通常，一个大型的石油化工工程建设项目中的射线检测底片的数量会超过一百万张，检测单位会对全部底片进行评定。因此，射线底片评定工作量大，并且对人员的专业技术和实际经验要求高。
4、目前，在长输管线及民用建筑工程领域，已经开始利用人工智能图像识别技术对射线底片进行辅助评定。长输管线设备具有内部空间大、设备走
技术实现思路
1、为了解决上述问题，本专利技术提出了一种用于识别焊接射线底片缺陷的方法，包括：获得关于历史焊接射线底片的图像，并对历史底片图像的缺陷特征进行标注，得到第一缺陷特征，而后将所述历史底片图像输入至预设的缺陷识别模型中得到第二缺陷特征，其中，所述缺陷识别模型为基于预设机器学习模型训练而成；将所述第一缺陷特征和所述第二缺陷特征进行对比分析，并根据分析结果来调整所述缺陷识别模型；利用调整后的缺陷识别模型，分析待识别焊接射线底片的缺陷特征。
2、优选地，在将所述历史底片图像输入至预设的缺陷识别模型中之前，所述方法还包括：为所述历史底片图像指定重叠度参量，并将所述历史底片图像按照指定的重叠度参量进行拆分，以将拆分后的历史底片图像作为所述缺陷识别模型的输入。
3、优选地，所述预设机器学习模型内的隐含层先后叠加第一特征提取结构和第二特征提取结构，其中，所述第一特征提取结构通过卷积结构和跨阶段局部网络，再叠加focus层和空间金字塔池化层而构成；所述第二特征提取结构通过特征金字塔和路径聚合网络而构成。
4、优选地，在将所述第一缺陷特征和所述第二缺陷特征进行对比分析，并根据分析结果来调整所述缺陷识别模型的步骤中，包括：分别针对所述第一缺陷特征和所述第二缺陷特征，框定相应的缺陷位置，得到第一边界框和第二边界框，基于此，获取所述第一边界框与所述第二边界框的相似度，来确定第一缺陷特征与第二缺陷特征之间的不一致程度，从而根据所述不一致程度来调整所述缺陷识别模型。
5、优选地，在确定所述不一致程度的步骤中，包括：根据所述第一边界框和所述第二边界框之间的相交面积与相并面积的比值，利用如下表达式，获得所述不一致程度：
6、
7、其中，iou表示边界框的不一致程度，a表示第一边界框的覆盖面积，b表示第二边界框的覆盖面积。
8、优选地，在根据所述不一致程度来调整所述缺陷识别模型的步骤中，包括：利用giou_loss损失函数，以及所述不一致程度，结合反向传播算法，对所述缺陷识别模型进行训练，以调整所述缺陷识别模型。
9、优选地，所述方法还针对所述第二边界框，计算所述缺陷识别模型对于当前缺陷识别结果的置信程度，从而获得用于评价当前缺陷识别结果的置信度参量。
10、优选地，在获得关于历史焊接射线底片的图像的步骤之后，所述方法还包括：为所述历史底片图像配置属性特征参量，以利用所述属性特征参量将所述底片图像进行分类，其中，所述属性特征参量包括但不限于：建设单位、项目、工厂对象、施工单位、焊工和检测单位。
11、优选地，所述方法还采用分片切割多线程方式将所述历史底片图像写入数据库并进行存储，以及采用分布式和多节点访问的方式，在所述数据库中读取相应的底片图像。
12、优选地，在利用调整后的缺陷识别模型，分析待识别焊接射线底片的缺陷特征之前，所述方法还包括：测量所述待识别焊接射线底片图像的黑度参量和尺寸参量，并根据测量结果调整所述待识别焊接射线底片图像的明暗和对比度，从而将调整后的待识别焊接射线底片图像作为所述调整后的缺陷识别模型的输入，以对所述待识别焊接射线底片的缺陷特征进行分析。
13、与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：
14、本专利技术提供了一种用于识别焊接射线底片缺陷的方法。该方法利用历史焊接射线底片的图像，通过训练得到用于识别缺陷特征的缺陷识别模型，之后，针对同一历史焊接射线底片，将缺陷识别模型所识别的缺陷特征，与专业评片方式所识别的缺陷特征进行对比分析，来对缺陷识别模型进行调整，最后，利用调整后的缺陷识别模型，分析待识别焊接射线底片的缺陷特征。本专利技术针对射线底片评定工作量大，并且对评片技术要求高的问题，改善了现有的工作方式，实现了对数字化焊接射线底片的缺陷的有效识别，解决了大容量数字化底片的存储问题，并且提高了对数字化底片文件的读取效率。
15、本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
本文档来自技高网...【技术保护点】
1.一种用于识别焊接射线底片缺陷的方法，包括：
2.根据权利要求1所述的方法，其特征在于，在将所述历史底片图像输入至预设的缺陷识别模型中之前，所述方法还包括：
3.根据权利要求1或2所述的方法，其特征在于，所述预设机器学习模型内的隐含层先后叠加第一特征提取结构和第二特征提取结构，其中，
4.根据权利要求1～3中任一项所述的方法，其特征在于，在将所述第一缺陷特征和所述第二缺陷特征进行对比分析，并根据分析结果来调整所述缺陷识别模型的步骤中，包括：
5.根据权利要求4所述的方法，其特征在于，在确定所述不一致程度的步骤中，包括：
6.根据权利要求4或5所述的方法，其特征在于，在根据所述不一致程度来调整所述缺陷识别模型的步骤中，包括：
7.根据权利要求4～6中任一项所述的方法，其特征在于，所述方法还包括：
8.根据权利要求1～7中任一项所述的方法，其特征在于，在获得关于历史焊接射线底片的图像的步骤之后，所述方法还包括：
9.根据权利要求1～8中任一项所述的方法，其特征在于，所述方法还包括：>
10.根据权利要求1～9中任一项所述的方法，其特征在于，在利用调整后的缺陷识别模型，分析待识别焊接射线底片的缺陷特征之前，所述方法还包括：
...【技术特征摘要】
1.一种用于识别焊接射线底片缺陷的方法，包括：
2.根据权利要求1所述的方法，其特征在于，在将所述历史底片图像输入至预设的缺陷识别模型中之前，所述方法还包括：
3.根据权利要求1或2所述的方法，其特征在于，所述预设机器学习模型内的隐含层先后叠加第一特征提取结构和第二特征提取结构，其中，
4.根据权利要求1～3中任一项所述的方法，其特征在于，在将所述第一缺陷特征和所述第二缺陷特征进行对比分析，并根据分析结果来调整所述缺陷识别模型的步骤中，包括：
5.根据权利要求4所述的方法，其特征在于，在确定所述不一致程度的步骤中，包...
【专利技术属性】
技术研发人员：胡国勇，田亚团，云小强，蒋仕良，邓仰东，聂爱杰，贾楠，苏璐，王新光，王东瑞，李杰，孙连伟，
申请(专利权)人：中国石油化工股份有限公司，
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。