【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。