一种反向学习的不等厚焊缝缺陷X射线图像两阶段智能识别方法及系统技术方案

本发明专利技术公开了一种反向学习的不等厚焊缝缺陷X射线图像两阶段智能识别方法及系统，涉及无损检测技术领域，包括分别以正常无缺陷的原始焊缝图像(负样本)和有缺陷的原始焊缝图像(正样本)构建两种训练数据集；然后构建一种两阶段的目标识别模型，其中，第一阶段同时利用正样本和负样本训练焊缝缺陷潜在区域识别模型，对原始焊缝图像中缺陷潜在区域进行识别，第二阶段仅利用负样本训练缺陷识别网络，在第一阶段识别出的缺陷潜在区域的基础上进行缺陷的精准识别，实现仅依赖少量正样本即可对焊缝缺陷进行精准识别的目的。

【技术实现步骤摘要】

本专利技术涉及无损检测，更具体的说是涉及一种反向学习的不等厚焊缝缺陷x射线图像两阶段智能识别方法及系统。

技术介绍

1、无损检测技术广泛用于焊缝缺陷的检测，其中，x射线数字成像技术由于其检测精度高，主要用于对各种铝制、钢制材料的焊缝进行成像，进而通过经验丰富的专家对所成的焊缝图像进行评判、确定有无缺陷，或者通过人工智能算法对所成的焊缝图像进行自动评判。现有基于人工智能的焊缝缺陷x射线图像自动识别方法严重依赖训练数据集，而对于某些领域，获取大量的有缺陷的焊缝x射线图像十分困难，因此，现有基于大数据的深度学习的方法就不适用，且现有依赖少量样本的元学习和迁移学习的方法精度还有待提高，达不到应用的目的。

2、为了能够利用少量带缺陷的焊缝x射线图像样本实现对焊缝缺陷的智能精准识别，需研究一种不同于常规深度学习的方法。常规的深度学习模型通过直接学习正样本的特征模式，实现对待测试图像的识别，为了学习到正样本的准确特征模式，需要大量的正样本作为训练数据。而反向学习方法可以通过学习负样本的特征模式，来间接判断目标存在与否。此外，由于经x射线数字成像技术所获取的焊本文档来自技高网...

【技术保护点】

1.一种反向学习的不等厚焊缝缺陷X射线图像两阶段智能识别方法，其特征在于，包括：

2.根据权利要求1所述的一种反向学习的不等厚焊缝缺陷X射线图像两阶段智能识别方法，其特征在于，还包括对所述正样本进行焊缝的缺陷潜在区域标记；对所述负样本进行切片操作。

3.根据权利要求1所述的一种反向学习的不等厚焊缝缺陷X射线图像两阶段智能识别方法，其特征在于，所述预设的焊缝缺陷潜在区域识别模型具体为YOLOv8目标检测网络模型，采用在ImageNet数据集上训练好的参数作为所述YOLOv8目标检测网络模型的预训练参数。

4.根据权利要求1所述的一种反向学习的不等厚焊缝缺...

【技术特征摘要】

1.一种反向学习的不等厚焊缝缺陷x射线图像两阶段智能识别方法，其特征在于，包括：

2.根据权利要求1所述的一种反向学习的不等厚焊缝缺陷x射线图像两阶段智能识别方法，其特征在于，还包括对所述正样本进行焊缝的缺陷潜在区域标记；对所述负样本进行切片操作。

3.根据权利要求1所述的一种反向学习的不等厚焊缝缺陷x射线图像两阶段智能识别方法，其特征在于，所述预设的焊缝缺陷潜在区域识别模型具体为yolov8目标检测网络模型，采用在imagenet数据集上训练好的参数作为所述yolov8目标检测网络模型的预训练参数。

4.根据权利要求1所述的一种反向学习的不等厚焊缝缺陷x射线图像两阶段智能识别方法，其特征在于，所述焊缝缺陷精准识别模型具体包括：生成模块、重编码模块、判别模块，所述生成模块获取所述切片图像的切片特征图并进行重构，得到切片重构图；所述重编码模块提取所述切...

【专利技术属性】
技术研发人员：龚燕峰，邵红亮，张洪，谭家万，唐皇，杨雪锋，邓汶，陈梓豪，
申请(专利权)人：重庆交通大学，
类型：发明
国别省市：