一種焊縫x射線圖像缺陷檢測與識別方法和裝置的制造方法
【技術領域】
[0001]本發(fā)明涉及射線成像與無損檢測，特別涉及一種焊縫X射線圖像缺陷檢測與識別方法和裝置。
【背景技術】
[0002]目前焊接是現在制造領域的一種重要工藝方法之一。隨著計算機技術、自動控制技術以及信息和軟件技術迅速地引入焊接領域，焊接生產自動化、智能化已經成為21世紀焊接技術發(fā)展的重要方向。計算機視覺技術以其信息量大、精度高、檢測范圍大等特點，在焊接缺陷的檢測領域得到了廣泛的應用。而X射線檢測是常規(guī)無損檢測常用的重要方法之一，其檢測結果將作為焊縫缺陷分析和質量評定的重要判定依據。X射線檢測是將強度均勻的射線照射到被測的物體，使透過的射線在照相膠片上感光，而在成像的底片上，可以檢測出被檢測物體的焊接缺陷位置、類型、尺寸和數目等。要評定X射線對焊縫的檢測結果，必須對獲取的焊縫射線圖像進行分析處理以評價焊接質量。評定X射線檢測結果有兩種方法:人工評定和計算機圖像識別評定。
[0003]傳統(tǒng)的缺陷檢測方法主要由評片人員手工完成。目前實際生產中，主要采取的方式是人工分析焊縫圖像，憑經驗確定有無缺陷及缺陷的類型、位置、尺寸等，由此評定焊接質量。人工評定方式受個人技術水平、經驗、疲勞程度、情緒等人為因素及外界條件的影響，效率低、不可靠、一致性差，且讀片的強光容易灼傷人的眼睛?，F代機械制造對精度的要求越來越高，人工操作越來越不能滿足生產發(fā)展的需要。采用計算機圖像處理技術，對X射線缺陷檢測圖像進行分析、檢測和識別，可以較好的解決人工評定的上述問題，有效克服由于個人技術素質、經驗差異等引起的對焊件缺陷的誤判和漏判等可靠性和穩(wěn)定性問題，使焊接質量評定更科學、客觀和規(guī)范。
[0004]但是，X射線檢測圖像背景不均勻、灰度起伏大，以及模糊的缺陷邊緣、較低的對比度，且圖像噪聲多，如何進行焊接圖像缺陷信息的檢測，并進行缺陷特征的自動提取和分類識別，是射線無損檢測方向研究的熱點和尚未很好解決的難點。至今，國內外學者針對焊縫構件、鑄件等零件缺陷進行了大量基于X射線圖像缺陷檢測的研究，在缺陷識別、算法分析、實驗效果等方面均獲得了一定的進展，但現在還存在不少問題，還未達到可以在生產中實際應用的水平。如何提高射線檢測的準確性、適應性、可靠性及智能化、自動化和定量化，仍然是目前射線圖像檢測技術的研究熱點和難點，其中復雜精密焊件中微小和微弱缺陷圖像的提取、分析和特征的有效描述是一個仍待解決的關鍵問題。
[0005]X射線圖像檢測識別中仍然存在較多還未解決的問題，主要有:
[0006](I)復雜大背景下微小及微弱缺陷目標的檢測與識別問題，對此采用何種更具針對性的圖像處理算法；(2)如何解決X射線焊縫圖像灰度對比度低、不均勻、存在較大的起伏及焊接圖像背景復雜、噪聲多等不利因素，進一步提高檢測與識別準確率及可靠性問題；
(3)特征描述的有效性問題。如何對類型多樣、形狀各異的缺陷進行有效特征描述，以能準確識別的問題。；(4)方法的適應性和通用性問題。焊接圖像千變萬化、缺陷影像千差萬另|J，如何提高缺陷檢測與識別方法的適應性和通用性問題等；(5)焊接缺陷分類識別方法問題，目前采用的神經網絡和支持向量機等方法還存在不少問題，目前所有方法中實驗中正確識別率通常為85%左右，如果是針對具有噪聲較強和對比度較低的圖片(如X射線焊接圖像)，且缺陷面積較小(如焊接缺陷)，及實驗環(huán)境和實際生產環(huán)境的差異，識別正確率更低。
[0007]因此，針對相關技術中所存在的上述問題，目前尚未提出有效的解決方案。

【發(fā)明內容】

[0008]為解決上述現有技術所存在的問題，本發(fā)明提出了一種焊縫X射線圖像缺陷特別是微小缺陷自動檢測與識別的有效方法。
[0009]本發(fā)明采用如下技術方案:一種焊縫X射線圖像的識別方法，其特征在于，包括:
[0010]步驟一:對灰度焊縫圖像進行逐線視覺掃描，搜索各掃描線的中央點，通過中央-周邊差運算，獲得焊縫圖像的顯著圖和注意焦點；
[0011]步驟二:根據自適應梯度閾值計算方法，利用自適應中央-周邊差閾值和各注意焦點的顯著性強度，確定可疑缺陷區(qū)域；
[0012]步驟三:基于卷積神經網絡的構造深度學習網絡，從初始卷積網絡開始，利用預設網絡自生長規(guī)則進行生長，直到識別能力和檢測效率都達到預設期望值；
[0013]步驟四:基于上述深度學習網絡，將可疑區(qū)域的像素灰度信號輸入已訓練的卷積神經網絡深度模型，獲取可疑缺陷區(qū)域的深度學習本質特征，從而識別出焊縫缺陷。
[0014]優(yōu)選地，所述步驟一中進一步包括:
[0015](I)對X射線圖像進行逐行逐列線掃描，
[0016](2)搜索第j列灰度曲線各局部極小峰值點h(Xi，yj)即中央點，i=l，2，Λ，η，η為中央點的數量；各中央點對應的像素坐標為(Xi, Yj)，
[0017]由各中央點開始向左右兩側分別搜索離其最近的頂部，分別為Ii(X^yj)和h(xiK，Yj) ? i=l,2, Λ , η ;各頂部對應的像素點即周邊點，分別為(χα，Yj)和(xiK，y」)，i=l，2, Λ ,η,
[0018](3)定義目標區(qū)域N (Xi, Yj) = {Uim, Yj) |m e Ζ, L彡m彡R},由左右兩側周邊點之間的像素組成，為可能的注意焦點區(qū)域；
[0019]計算中央-周邊差Ah(xiL, yj)=h(xiL, yJ-hUi, y」)，Δh(xiK, y」)=h(xiK, y」)_h(Xi,Yj)，其中i=l，2, Λ，n ;取Δ]ι(χα，Yj)和Ah(xiK, y」)的較小者為中央_周邊差Ah,
[0020](4)計算第j行掃描線的自適應中央-周邊差閾值Tj:Tj= μ σ Δ?,其中μ Δ?為掃描線中央-周邊差的均值；σ Λ?為掃描線中央-周邊差的標準差；k為常系數，
[0021](5)計算掃描線上各點顯著性強度:將Ah(xiL,yj)和Ah(Xil^yj)與各掃描線的自適應中央-周邊差閾值Tj比較,假設Ah (XiL, Yj)彡Ah(xiE, Yj) ο將Ah (XiL, Yj)彡Tj,則該目標區(qū)域N(Xi，Yj)顯著焦點，各點在顯著圖中的顯著性強度置為S(Xi，yj) = Ah(xiL, yj),掃描線上其余各點顯著性強度置為0，
[0022](6)整副圖像掃描完成后，合并相連的顯著區(qū)域，以最大的顯著性強度作為合并區(qū)域的顯著性強度，得到焊縫X射線圖的顯著圖。
[0023]優(yōu)選地，在步驟二的確定可疑缺陷區(qū)域中，基于對各注意焦點的顯著性強度的排序來順序處理顯著區(qū)域，如注意焦點的顯著性強度S (xi； Yj) >T，則該注意焦點為可疑缺陷區(qū)域，其中T為預設判定閾值。
[0024]優(yōu)選地，所輸入的圖像為獲得的感興趣區(qū)域，大小按比例規(guī)范為32X32 ；
[0025]所述卷積網絡的結構共有7層，每層都包含可訓練參數，分別為:
[0026]卷積層Cl，由兩個5X5卷積核卷積輸入圖像獲得，由2個特征圖構成，特征圖中每個神經元與輸入中5X5的鄰域相連。特征圖的大小為28X 28，包括52個可訓練參數，連接數為 52 X (28X28)個；
[0027]下采樣層S2，對圖像進行子抽樣獲得，具有2個14 X 14的特征圖，特征圖中的每個單元與Cl中相對應特征圖的2X2鄰域相連接，每個單元的4個輸入相加，乘以一個可訓練參數，再加上一個可訓練偏置，結果通過sigmoid函數計算，每個特征圖的大小是Cl中特征圖大小的I / 4，有4個可訓練參數和4X (14X14)個連接；
[0028]卷積層C3，通過3種不同的5X5卷積核去卷積層S2，由3張1X 10特征圖組成，每張含1X 10個神經元，每個特征圖連接到S2中的I個或者2個特征圖；
[0029]下采樣層S4，由16個5X5大小的特征圖構成，每個單元與C3中相應特征圖的2X2鄰域相連接，具有4個可訓練參數；
[0030]卷積層C5，有100個特征圖，每個單元與S4層的全部單元的5X5鄰域相連，特征圖的大小為I XI，構成了 S4和C5之間的全連接；
[0031]點積計算層F6，與C5全相連，計算輸入向量和權重向量之間的點積，再加上一個偏置，然后將其傳遞給sigmoid函數產生單元的一個狀態(tài)；
[0032]其中所述卷積網絡連接輸出層，其由歐氏徑向基函數單元組成，計算輸入向量和參數向量之間的歐氏距離，該向量在F6sigmoid的范圍內，防止sigmoid函數飽和。
[0033]優(yōu)選地，所述步驟三的自生長規(guī)則進一步定義為:
[0034]所述(:1、52、03、54層同步匹配生長，各層特征圖數量為乂1、隊2、乂3、隊4，(:1特征圖每次生長數量為2 ;S2的特征圖數量與Cl層相同；C3的前Ml個特征圖以S2中Ns2 / 2個相鄰的特征圖子集為輸入；接下來的M2個特征圖以S2中Ns2 / 2+1個相鄰特征圖子集為輸入。然后M3個以不相鄰的(Ns2 / 2)+1個特征圖子集為輸入，最后一個將S2中所有特征圖為輸入，C3的特征圖數量為M1+M2+M3+1 ；S4的特征圖數量與C3相同；
[0035]設定樣本訓練時網絡的平