【技术实现步骤摘要】
本专利技术属于无损检测，尤其涉及基于深度学习的管道焊缝射线图像缺陷检测方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、石油天然气作为现代社会的基础能源，其管道运输系统的安全性与稳定性对于保障能源供应至关重要。管道焊缝质量直接关系到管道的安全运行，任何微小的缺陷都可能导致泄漏甚至灾难性事故，从而引发能源供应中断、环境污染和巨大的经济损失。因此，对石油天然气管道焊缝缺陷进行高效、精确的检测，是确保管道安全的关键技术环节。
3、传统的无损检测技术，如x射线、超声波、涡流和磁粉检测，虽然广泛应用于焊缝质量检测，但射线图像分析技术因其高穿透力和可靠性，在自动化无损检测领域尤为突出。然而，传统的人工分析方法在效率、准确性和一致性方面存在局限，难以满足现代工业对大规模管道检测的高标准需求。
4、焊缝检测所使用的灰度图像，其中每个像素点仅包含亮度信息，不包含颜色信息。在这些图像中，焊缝区域通常比母材区域更亮，这是因为焊缝材料的密度较低，导致x射线透射强度更...
【技术保护点】
1.基于深度学习的管道焊缝射线图像缺陷检测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于深度学习的管道焊缝射线图像缺陷检测方法，其特征在于，所述对管道焊缝射线图像缺陷特征增强，得到缺陷特征增强的管道焊缝射线图像，特征增强公式为：
3.如权利要求1所述的基于深度学习的管道焊缝射线图像缺陷检测方法，其特征在于，所述对缺陷特征增强的管道焊缝射线图像进行等高分割包括：
4.如权利要求1所述的基于深度学习的管道焊缝射线图像缺陷检测方法，其特征在于，对等高分割后的图像进行补全分割包括从原始图像的左右两侧各移除一半高度单位的图像区域...
【技术特征摘要】
1.基于深度学习的管道焊缝射线图像缺陷检测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于深度学习的管道焊缝射线图像缺陷检测方法，其特征在于，所述对管道焊缝射线图像缺陷特征增强，得到缺陷特征增强的管道焊缝射线图像，特征增强公式为：
3.如权利要求1所述的基于深度学习的管道焊缝射线图像缺陷检测方法，其特征在于，所述对缺陷特征增强的管道焊缝射线图像进行等高分割包括：
4.如权利要求1所述的基于深度学习的管道焊缝射线图像缺陷检测方法，其特征在于，对等高分割后的图像进行补全分割包括从原始图像的左右两侧各移除一半高度单位的图像区域，并对剩余区域进行裁切，若最后图像不为整，填充黑色，生成另一组等大小的图像序列。
5.如权利要求1所述的基于深度学习的管道焊缝射线图像缺陷检测方法，其特征在于，所述对每个分割的图像块进行缺陷检测，...
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。