System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及电力监测,尤其涉及基于x射线检测技术的后续评估方法,具体涉及一种x射线图像质量评估系统、方法和训练方法。
技术介绍
1、在电力行业中,无损检测是电力设备维护流程中一种有效且十分重要的方法。该方法利用声、光、磁和电等特性,在不损害或不影响被检对象使用性能的前提下,检测被检对象中是否存在缺陷或不均匀性,给出缺陷的大小、位置、性质和数量等信息,进而判定被检对象所处技术状态。而x射线检测方案是电力行业中最常用的一种无损检测方式,在电力行业的设备维护中占据着重要地位。该方案通过强度均匀的射线束透照被检设备,当设备照射部位存在缺陷或者结构性差异时,射线的衰减程度会受到影响,使得不通过部位的射线透射强度不同,导致成像板接收的射线信号强度具有差异,从而形成x射线成像图。该图像呈现灰度状态,通过观察其中的缺陷特征,从而判断被检设备中对应部位是否存在结构性缺陷,以及物质分布情况。
2、由于射线图像采集流程中,受到各种因素的影响,会导致成像图质量过低,例如x射线发射装置的射线强度与被检设备厚度不匹配导致的成像图过暗。采集图像的质量对于设备缺陷判断极为重要,质量过差的成像图会导致难以识别出某些缺陷特征。因此,对于射线图像的成像质量判断是一项必要且不可或缺的步骤。
3、对图像的质量评估(iqa)通常采用传统图像算法,如峰值信噪比(psnr)、均方误差(mse)、结构相似性(ssim)等算法,但该类算法均存在以下问题:与主观评价的一致性较低;仅对部分失真类型较为敏感,而对其余失真类型的特征识别能力较弱。主要原因是,传统
技术实现思路
1、为了解决由于现场获得的x射线图像质量参差不齐,因低质量的x射线图像的参杂导致后续缺陷识别困难或者导致误判的问题,本申请提供一种x射线图像质量评估系统、方法和训练方法,用于对x射线图像进行自动判断,从而高效的筛选出符合判断要求的x射线图像或者剔除不满足判别要求的低质量x射线图像,替代人工采用x射线图像后处理软件进行逐一查看和判断的过程。减少人工判别的时间和人力成本投入。
2、为了达到上述目的,本申请所采用的技术方案为:
3、一种x射线图像质量评估系统训练方法,具体包括如下步骤:
4、步骤s100,数据集的制作,将现场通过x射线设备采集的*.dcn格式文件通过x射线图像后处理软件进行筛选和参数调整,形成多张包含高等质量,中等质量和低等质量的处理图像pnm,其中,n=1,2,3,4……n,m=1,2,3,……m;将所有处理图像pnm按照预设评分标准进行主观评价并进行统计评价分值统计形成mos值,最终获得数据集k;
5、步骤s200,模型的训练,将数据集k按照预设比例随机拆分成训练集,验证集和测试集,将训练集和验证集中的处理图像pnm依次输入改型nima模型进行前向传播和反向传播,进行q次训练,以调整改型nima模型中权重文件的参数,再通过测试集输入改型nima模型对评估预测值进行验证,根据验证结果中的plcc值和srcc值判断当前权重文件的评估预测值是否符合要求,其中q∈[100,+∞];
6、若plcc值和srcc值符合预设要求,则确定当前权重文件作为最终iqa模型的权重值;
7、若plcc值和srcc值不符合预设要求,则增加q的取值,直到plcc值和srcc值符合预设要求为止。
8、优选地,所述步骤s100中数据集k中高等质量,中等质量和低等质量的处理图像pnm的比例为3:2:1。
9、优选地,所述步骤s100中预设评分标准是将处理图像pnm按照如下方式进行统一命名:imagename-(h/m/l)index,其中,imagename代表图像名称,h、m、l分别代表高等质量、中等质量和低等质量,index代表序号,h∈[6,10],m∈[4,7],l∈[1,5],
10、所述数据集k包括处理图像pnm和记录mos值的csv文本文件两部分,所述csv文本文件包括图像名称imagename和对应图像在各分值上的分布概率,csv文本文件中,每一行的数据格式为:
11、imagename,p1,p2,p3,p4,p5,p6,p7,p8,p9,p10
12、其中,第一列为图像名称,后续各列为各分值的分布概率,且满足各概率之和为1,即p1+p2+p3+p4+p5+p6+p7+p8+p9+p10=1。
13、优选地,将数据集k中的处理图像pnm输入改型nima模型之前还包括对处理图像pnm进行优化处理的步骤,具体包括:将处理图像pnm的尺寸调整为256*256像素的标准图像p256nm,在经过随机裁剪形成224*224像素的裁剪图像其中,t=1,2,3,4……t。
14、优选地,所述裁剪图像还包括水平/竖直镜像和顺时针/逆时针旋转180°的优化调整。
15、优选地,步骤s200中改型nima模型的构造及获取评估预测值过程包括:
16、步骤s201,将标准nima模型的主干特征提取网络vgg16替换为图像分类网络convnext的特征提取部分,用于对输入的处理图像pnm的特征提取;
17、步骤s202,去除convnext网络尾部的图像分类结构,将global average pooling层后的输出结果输入后续的全连接层full connection,对处理图像pnm的提取特征进行分值分类;
18、步骤s203,再经由softmax完成对步骤s202中获得的分值分类的分布概率p,由各分值作为权重,对各概率进行加权平均,获得最终的处理图像pnm质量评估预测结果。
19、一种x射线图像质量评估系统,由上述的一种x射线图像质量评估系统训练方法获得,具体包括
20、图像采集单元,用于采集x射线检测图像pn,并进行储存,n=1,2,3…n;
21、质量评估单元,用于通过改型nima模型提取图像采集单元中的待评估的x射线检测图像pn的高级语义特征,获取对应的特征矩阵,通过主观评分模块对特征矩阵进行分类和分值评估,获得图像质量评分;
22、图像记录单元,用于记录通过质量评估单元评估后的x射线检测图像pn的评估结果;
23、模型更新单元,用于将x射线检测图像pn评估形成的数据集k通过迁移学习的方式对当前iqa模型进行迭代训练,更新iqa模型。
24、一种x射线图像质量评估方法,本文档来自技高网...
【技术保护点】
1.一种X射线图像质量评估系统训练方法,其特征在于:具体包括如下步骤:
2.根据权利要求1所述的一种X射线图像质量评估系统训练方法,其特征在于:所述步骤S100中数据集K中高等质量,中等质量和低等质量的处理图像Pnm的比例为3:2:1。
3.根据权利要求2所述的一种X射线图像质量评估系统训练方法,其特征在于:所述步骤S100中预设评分标准是将处理图像Pnm按照如下方式进行统一命名:ImageName-(H/M/L)Index,其中,ImageName代表图像名称,H、M、L分别代表高等质量、中等质量和低等质量,Index代表序号,H∈[6,10],M∈[4,7],L∈[1,5],
4.根据权利要求2所述的一种X射线图像质量评估系统训练方法,其特征在于:将数据集K中的处理图像Pnm输入改型NIMA模型之前还包括对处理图像Pnm进行优化处理的步骤,具体包括:将处理图像Pnm的尺寸调整为256*256像素的标准图像P256nm,在经过随机裁剪形成224*224像素的裁剪图像其中,t=1,2,3,……t。
5.根据权利要求4所述的一种X射线
6.根据权利要求2-5任一项所述的一种X射线图像质量评估系统训练方法,其特征在于:步骤S200中改型NIMA模型的构造及获取评估预测值过程包括:
7.一种X射线图像质量评估系统,其特征在于:由权利要求6所述的一种X射线图像质量评估系统训练方法获得,具体包括
8.一种X射线图像质量评估方法,其特征在于:采用权利要求7所述的一种X射线图像质量评估系统实现,具体包括以下步骤:
...【技术特征摘要】
1.一种x射线图像质量评估系统训练方法,其特征在于:具体包括如下步骤:
2.根据权利要求1所述的一种x射线图像质量评估系统训练方法,其特征在于:所述步骤s100中数据集k中高等质量,中等质量和低等质量的处理图像pnm的比例为3:2:1。
3.根据权利要求2所述的一种x射线图像质量评估系统训练方法,其特征在于:所述步骤s100中预设评分标准是将处理图像pnm按照如下方式进行统一命名:imagename-(h/m/l)index,其中,imagename代表图像名称,h、m、l分别代表高等质量、中等质量和低等质量,index代表序号,h∈[6,10],m∈[4,7],l∈[1,5],
4.根据权利要求2所述的一种x射线图像质量评估系统训练方法,其特征在于:将数据集k中的处理图像pnm输入改型nima模型之前还包括对处...
【专利技术属性】
技术研发人员:曾洋洁,陈展,郭永,
申请(专利权)人:四川赛康智能科技股份有限公司,
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。