一種焊縫x射線圖像缺陷檢測(cè)與識(shí)別方法和裝置的制造方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及射線成像與無損檢測(cè)，特別涉及一種焊縫X射線圖像缺陷檢測(cè)與識(shí)別方法和裝置。
【背景技術(shù)】
[0002]目前焊接是現(xiàn)在制造領(lǐng)域的一種重要工藝方法之一。隨著計(jì)算機(jī)技術(shù)、自動(dòng)控制技術(shù)以及信息和軟件技術(shù)迅速地引入焊接領(lǐng)域，焊接生產(chǎn)自動(dòng)化、智能化已經(jīng)成為21世紀(jì)焊接技術(shù)發(fā)展的重要方向。計(jì)算機(jī)視覺技術(shù)以其信息量大、精度高、檢測(cè)范圍大等特點(diǎn)，在焊接缺陷的檢測(cè)領(lǐng)域得到了廣泛的應(yīng)用。而X射線檢測(cè)是常規(guī)無損檢測(cè)常用的重要方法之一，其檢測(cè)結(jié)果將作為焊縫缺陷分析和質(zhì)量評(píng)定的重要判定依據(jù)。X射線檢測(cè)是將強(qiáng)度均勻的射線照射到被測(cè)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(cè)出被檢測(cè)物體的焊接缺陷位置、類型、尺寸和數(shù)目等。要評(píng)定X射線對(duì)焊縫的檢測(cè)結(jié)果，必須對(duì)獲取的焊縫射線圖像進(jìn)行分析處理以評(píng)價(jià)焊接質(zhì)量。評(píng)定X射線檢測(cè)結(jié)果有兩種方法:人工評(píng)定和計(jì)算機(jī)圖像識(shí)別評(píng)定。
[0003]傳統(tǒng)的缺陷檢測(cè)方法主要由評(píng)片人員手工完成。目前實(shí)際生產(chǎn)中，主要采取的方式是人工分析焊縫圖像，憑經(jīng)驗(yàn)確定有無缺陷及缺陷的類型、位置、尺寸等，由此評(píng)定焊接質(zhì)量。人工評(píng)定方式受個(gè)人技術(shù)水平、經(jīng)驗(yàn)、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(qiáng)光容易灼傷人的眼睛?，F(xiàn)代機(jī)械制造對(duì)精度的要求越來越高，人工操作越來越不能滿足生產(chǎn)發(fā)展的需要。采用計(jì)算機(jī)圖像處理技術(shù)，對(duì)X射線缺陷檢測(cè)圖像進(jìn)行分析、檢測(cè)和識(shí)別，可以較好的解決人工評(píng)定的上述問題，有效克服由于個(gè)人技術(shù)素質(zhì)、經(jīng)驗(yàn)差異等引起的對(duì)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(zhì)量評(píng)定更科學(xué)、客觀和規(guī)范。
[0004]但是，X射線檢測(cè)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(duì)比度，且圖像噪聲多，如何進(jìn)行焊接圖像缺陷信息的檢測(cè)，并進(jìn)行缺陷特征的自動(dòng)提取和分類識(shí)別，是射線無損檢測(cè)方向研究的熱點(diǎn)和尚未很好解決的難點(diǎn)。至今，國(guó)內(nèi)外學(xué)者針對(duì)焊縫構(gòu)件、鑄件等零件缺陷進(jìn)行了大量基于X射線圖像缺陷檢測(cè)的研究，在缺陷識(shí)別、算法分析、實(shí)驗(yàn)效果等方面均獲得了一定的進(jìn)展，但現(xiàn)在還存在不少問題，還未達(dá)到可以在生產(chǎn)中實(shí)際應(yīng)用的水平。如何提高射線檢測(cè)的準(zhǔn)確性、適應(yīng)性、可靠性及智能化、自動(dòng)化和定量化，仍然是目前射線圖像檢測(cè)技術(shù)的研究熱點(diǎn)和難點(diǎn)，其中復(fù)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(gè)仍待解決的關(guān)鍵問題。
[0005]X射線圖像檢測(cè)識(shí)別中仍然存在較多還未解決的問題，主要有:
[0006](I)復(fù)雜大背景下微小及微弱缺陷目標(biāo)的檢測(cè)與識(shí)別問題，對(duì)此采用何種更具針對(duì)性的圖像處理算法；(2)如何解決X射線焊縫圖像灰度對(duì)比度低、不均勻、存在較大的起伏及焊接圖像背景復(fù)雜、噪聲多等不利因素，進(jìn)一步提高檢測(cè)與識(shí)別準(zhǔn)確率及可靠性問題；
(3)特征描述的有效性問題。如何對(duì)類型多樣、形狀各異的缺陷進(jìn)行有效特征描述，以能準(zhǔn)確識(shí)別的問題。；(4)方法的適應(yīng)性和通用性問題。焊接圖像千變?nèi)f化、缺陷影像千差萬另|J，如何提高缺陷檢測(cè)與識(shí)別方法的適應(yīng)性和通用性問題等；(5)焊接缺陷分類識(shí)別方法問題，目前采用的神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等方法還存在不少問題，目前所有方法中實(shí)驗(yàn)中正確識(shí)別率通常為85%左右，如果是針對(duì)具有噪聲較強(qiáng)和對(duì)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(shí)驗(yàn)環(huán)境和實(shí)際生產(chǎn)環(huán)境的差異，識(shí)別正確率更低。
[0007]因此，針對(duì)相關(guān)技術(shù)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(nèi)容】

[0008]為解決上述現(xiàn)有技術(shù)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(dòng)檢測(cè)與識(shí)別的有效方法。
[0009]本發(fā)明采用如下技術(shù)方案:一種焊縫X射線圖像的識(shí)別方法，其特征在于，包括:
[0010]步驟一:對(duì)灰度焊縫圖像進(jìn)行逐線視覺掃描，搜索各掃描線的中央點(diǎn)，通過中央-周邊差運(yùn)算，獲得焊縫圖像的顯著圖和注意焦點(diǎn)；
[0011]步驟二:根據(jù)自適應(yīng)梯度閾值計(jì)算方法，利用自適應(yīng)中央-周邊差閾值和各注意焦點(diǎn)的顯著性強(qiáng)度，確定可疑缺陷區(qū)域；
[0012]步驟三:基于卷積神經(jīng)網(wǎng)絡(luò)的構(gòu)造深度學(xué)習(xí)網(wǎng)絡(luò)，從初始卷積網(wǎng)絡(luò)開始，利用預(yù)設(shè)網(wǎng)絡(luò)自生長(zhǎng)規(guī)則進(jìn)行生長(zhǎng)，直到識(shí)別能力和檢測(cè)效率都達(dá)到預(yù)設(shè)期望值；
[0013]步驟四:基于上述深度學(xué)習(xí)網(wǎng)絡(luò)，將可疑區(qū)域的像素灰度信號(hào)輸入已訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)深度模型，獲取可疑缺陷區(qū)域的深度學(xué)習(xí)本質(zhì)特征，從而識(shí)別出焊縫缺陷。
[0014]優(yōu)選地，所述步驟一中進(jìn)一步包括:
[0015](I)對(duì)X射線圖像進(jìn)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(diǎn)h(Xi，yj)即中央點(diǎn)，i=l，2，Λ，η，η為中央點(diǎn)的數(shù)量；各中央點(diǎn)對(duì)應(yīng)的像素坐標(biāo)為(Xi, Yj)，
[0017]由各中央點(diǎn)開始向左右兩側(cè)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(duì)應(yīng)的像素點(diǎn)即周邊點(diǎn)，分別為(χα，Yj)和(xiK，y」)，i=l，2, Λ ,η,
[0018](3)定義目標(biāo)區(qū)域N (Xi, Yj) = {Uim, Yj) |m e Ζ, L彡m彡R},由左右兩側(cè)周邊點(diǎn)之間的像素組成，為可能的注意焦點(diǎn)區(qū)域；
[0019]計(jì)算中央-周邊差A(yù)h(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A(yù)h,
[0020](4)計(jì)算第j行掃描線的自適應(yīng)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(biāo)準(zhǔn)差；k為常系數(shù)，
[0021](5)計(jì)算掃描線上各點(diǎn)顯著性強(qiáng)度:將Ah(xiL,yj)和Ah(Xil^yj)與各掃描線的自適應(yīng)中央-周邊差閾值Tj比較,假設(shè)Ah (XiL, Yj)彡Ah(xiE, Yj) ο將Ah (XiL, Yj)彡Tj,則該目標(biāo)區(qū)域N(Xi，Yj)顯著焦點(diǎn)，各點(diǎn)在顯著圖中的顯著性強(qiáng)度置為S(Xi，yj) = Ah(xiL, yj),掃描線上其余各點(diǎn)顯著性強(qiáng)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(qiáng)度作為合并區(qū)域的顯著性強(qiáng)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(duì)各注意焦點(diǎn)的顯著性強(qiáng)度的排序來順序處理顯著區(qū)域，如注意焦點(diǎn)的顯著性強(qiáng)度S (xi； Yj) >T，則該注意焦點(diǎn)為可疑缺陷區(qū)域，其中T為預(yù)設(shè)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(wǎng)絡(luò)的結(jié)構(gòu)共有7層，每層都包含可訓(xùn)練參數(shù)，分別為:
[0026]卷積層Cl，由兩個(gè)5X5卷積核卷積輸入圖像獲得，由2個(gè)特征圖構(gòu)成，特征圖中每個(gè)神經(jīng)元與輸入中5X5的鄰域相連。特征圖的大小為28X 28，包括52個(gè)可訓(xùn)練參數(shù)，連接數(shù)為 52 X (28X28)個(gè)；
[0027]下采樣層S2，對(duì)圖像進(jìn)行子抽樣獲得，具有2個(gè)14 X 14的特征圖，特征圖中的每個(gè)單元與Cl中相對(duì)應(yīng)特征圖的2X2鄰域相連接，每個(gè)單元的4個(gè)輸入相加，乘以一個(gè)可訓(xùn)練參數(shù)，再加上一個(gè)可訓(xùn)練偏置，結(jié)果通過sigmoid函數(shù)計(jì)算，每個(gè)特征圖的大小是Cl中特征圖大小的I / 4，有4個(gè)可訓(xùn)練參數(shù)和4X (14X14)個(gè)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(gè)神經(jīng)元，每個(gè)特征圖連接到S2中的I個(gè)或者2個(gè)特征圖；
[0029]下采樣層S4，由16個(gè)5X5大小的特征圖構(gòu)成，每個(gè)單元與C3中相應(yīng)特征圖的2X2鄰域相連接，具有4個(gè)可訓(xùn)練參數(shù)；
[0030]卷積層C5，有100個(gè)特征圖，每個(gè)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(gòu)成了 S4和C5之間的全連接；
[0031]點(diǎn)積計(jì)算層F6，與C5全相連，計(jì)算輸入向量和權(quán)重向量之間的點(diǎn)積，再加上一個(gè)偏置，然后將其傳遞給sigmoid函數(shù)產(chǎn)生單元的一個(gè)狀態(tài)；
[0032]其中所述卷積網(wǎng)絡(luò)連接輸出層，其由歐氏徑向基函數(shù)單元組成，計(jì)算輸入向量和參數(shù)向量之間的歐氏距離，該向量在F6sigmoid的范圍內(nèi)，防止sigmoid函數(shù)飽和。
[0033]優(yōu)選地，所述步驟三的自生長(zhǎng)規(guī)則進(jìn)一步定義為:
[0034]所述(:1、52、03、54層同步匹配生長(zhǎng)，各層特征圖數(shù)量為乂1、隊(duì)2、乂3、隊(duì)4，(:1特征圖每次生長(zhǎng)數(shù)量為2 ;S2的特征圖數(shù)量與Cl層相同；C3的前Ml個(gè)特征圖以S2中Ns2 / 2個(gè)相鄰的特征圖子集為輸入；接下來的M2個(gè)特征圖以S2中Ns2 / 2+1個(gè)相鄰特征圖子集為輸入。然后M3個(gè)以不相鄰的(Ns2 / 2)+1個(gè)特征圖子集為輸入，最后一個(gè)將S2中所有特征圖為輸入，C3的特征圖數(shù)量為M1+M2+M3+1 ；S4的特征圖數(shù)量與C3相同；
[0035]設(shè)定樣本訓(xùn)練時(shí)網(wǎng)絡(luò)的平