基于神經(jīng)網(wǎng)絡(luò)的壓力容器焊縫缺陷識別方法及其裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及射線檢測焊縫圖像處理與缺陷識別技術(shù)領(lǐng)域，具體涉及一種基于神經(jīng) 網(wǎng)絡(luò)的壓力容器焊縫缺陷識別方法及其裝置。
【背景技術(shù)】
[0002] 隨著射線檢測與圖像處理技術(shù)的快速發(fā)展，對于焊縫缺陷的檢測也逐步從人工評 片過渡到了計算機(jī)智能檢測識別。利用計算機(jī)對數(shù)字化的焊縫圖像進(jìn)行分析和識別，不但 提高了檢測效率和經(jīng)濟(jì)效益，更重要的是該方法方便實(shí)用，便于操作。因此，如何提高射線 檢測的智能化、自動化和定量化，是當(dāng)前射線檢測技術(shù)研宄的熱點(diǎn)問題。
[0003] 由于射線檢測本身存在的特點(diǎn)，使得產(chǎn)生的射線檢測圖像具有對比度不高、缺陷 邊緣模糊、圖像噪聲多、存在較大背景起伏等特點(diǎn)，因此如何在射線檢測焊縫圖像中快速準(zhǔn) 確的提取出缺陷，以及其特征，并對其分類識別成為主要難題。
[0004] 利用傳統(tǒng)的識別系統(tǒng)對關(guān)于焊縫質(zhì)量的信息進(jìn)行處理時，預(yù)先將搜集已知確定的 缺陷幾何特征，設(shè)計相應(yīng)的標(biāo)準(zhǔn)模板，然后把待識別的圖像根據(jù)模板尺寸做歸一化處理，最 后用所有模板與待識別圖像注意對比，按照相似度推斷識別結(jié)果，但由于缺陷的形狀復(fù)雜， 很難創(chuàng)造出理想的模板，因此無法執(zhí)行對焊縫缺陷的準(zhǔn)確識別。

【發(fā)明內(nèi)容】

[0005] 有鑒于此，本發(fā)明的主要目的在于提供一種基于神經(jīng)網(wǎng)絡(luò)的壓力容器焊縫缺陷識 別方法及其裝置。
[0006] 為達(dá)到上述目的，本發(fā)明的技術(shù)方案是這樣實(shí)現(xiàn)的：
[0007] 本發(fā)明實(shí)施例提供一種基于神經(jīng)網(wǎng)絡(luò)的壓力容器焊縫缺陷識別方法，該方法為： 計算機(jī)讀入射線檢測底片圖像，根據(jù)所述讀入的底片圖像平均黑度值大小確定底片圖像的 質(zhì)量合格；根據(jù)模糊理論對所述底片圖像進(jìn)行增強(qiáng)，根據(jù)中值濾波對增強(qiáng)后的底片圖像進(jìn) 行去噪處理；根據(jù)形態(tài)學(xué)特征在去噪處理后的底片圖像中分離出焊縫區(qū)域并保留其原始焊 縫灰度值；根據(jù)均值濾波器對分離后的底片圖像進(jìn)行缺陷濾除，形成一個模擬理想焊縫作 為虛擬背景，再與原焊縫相減，增強(qiáng)去噪后，得到焊縫缺陷。
[0008] 上述方案中，所述得到焊縫缺陷之后，該方法包括：基于檢測出來的圖像中目標(biāo)特 征對圖像中可能的目標(biāo)建立假設(shè)公式，根據(jù)所述假設(shè)公式得到提取缺陷的特征參數(shù)；根據(jù) 得到的缺陷的特征參數(shù)，建立缺陷模型；將待識別缺陷的特征參數(shù)識別指標(biāo)作為輸入向量， 在缺陷模型內(nèi)進(jìn)行比對，當(dāng)找到匹配的特征參數(shù)時，將識別出的特征參數(shù)對應(yīng)的缺陷類型 作為輸出向量。
[0009] 本發(fā)明實(shí)施例還提供一種基于神經(jīng)網(wǎng)絡(luò)的壓力容器焊縫缺陷識別裝置，該裝置包 括質(zhì)量檢測單元、模糊增強(qiáng)單元、圖像去噪單元、分離焊縫區(qū)域單元、分離缺陷單元；
[0010] 所述質(zhì)量檢測單元，用于端讀入射線檢測底片圖像，根據(jù)所述讀入的底片圖像平 均黑度值大小確定底片圖像的質(zhì)量合格，將質(zhì)量合格的底片圖像發(fā)送到模糊增強(qiáng)單元；
[0011] 所述模糊增強(qiáng)單元，用于根據(jù)模糊理論對所述底片圖像進(jìn)行增強(qiáng)，將模糊增強(qiáng)后 的底片圖像發(fā)送到圖像去噪單元；
[0012] 所述圖像去噪單元，用于根據(jù)中值濾波對增強(qiáng)后的底片圖像進(jìn)行去噪處理，將去 噪后的底片圖像發(fā)送到分離焊縫區(qū)域單元；
[0013] 所述分離焊縫區(qū)域單元，用于根據(jù)形態(tài)學(xué)特征在去噪處理后的底片圖像中分離出 焊縫區(qū)域并保留其原始焊縫灰度值，將分離后的底片圖像發(fā)送到分離焊縫區(qū)域單元；
[0014] 所述分離焊縫區(qū)域單元，用于根據(jù)均值濾波器對分離后的底片圖像進(jìn)行缺陷濾 除，形成一個模擬理想焊縫作為虛擬背景，再與原焊縫相減，增強(qiáng)去噪后，得到焊縫缺陷。
[0015] 上述方案中，所述裝置還包括提取特征參數(shù)單元、智能識別單元；
[0016] 所述提取特征參數(shù)單元，用于基于檢測出來的圖像中目標(biāo)特征對圖像中可能的目 標(biāo)建立假設(shè)公式，根據(jù)所述假設(shè)公式得到提取缺陷的特征參數(shù)；根據(jù)得到的缺陷的特征參 數(shù)，建立缺陷模型；
[0017] 所述智能識別單元，用于將待識別缺陷的特征參數(shù)識別指標(biāo)作為輸入向量，在提 取特征參數(shù)單元內(nèi)的缺陷模型內(nèi)進(jìn)行比對，當(dāng)找到匹配的特征參數(shù)時，將識別出的特征參 數(shù)對應(yīng)的缺陷類型作為輸出向量。
[0018] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果：
[0019] 本發(fā)明能夠?qū)ι渚€檢測焊縫圖像進(jìn)行有效識別，識別準(zhǔn)確率達(dá)到92%，能夠大大 降低檢測成本，提高效率，因此能夠廣泛應(yīng)用于壓力容器焊縫缺陷檢測。
【附圖說明】
[0020] 圖1為本發(fā)明實(shí)施例的流程框架圖；
[0021] 圖2為本發(fā)明中讀入射線檢測焊縫缺陷膠片圖像；
[0022] 圖3為本發(fā)明對底片圖像進(jìn)行模糊增強(qiáng)前的圖像；
[0023] 圖4為本發(fā)明對底片圖像進(jìn)行模糊增強(qiáng)后的圖像；
[0024] 圖5對圖4中增強(qiáng)后圖像二值化處理圖像；
[0025] 圖6為本發(fā)明中根據(jù)數(shù)字形態(tài)學(xué)特征提取到的焊縫輪廓；
[0026]圖7為本發(fā)明中保留原始灰度的射線檢測焊縫圖像；
[0027] 圖8為本發(fā)明中基于數(shù)字減影處理后的缺陷圖像；
[0028] 圖9為本發(fā)明中去除無用干擾信息并提高亮度的缺陷輪廓；
[0029] 圖10為本發(fā)明中保留原始灰度信息的缺陷；
[0030] 圖11為本發(fā)明提中取的缺陷示意圖；
[0031] 圖12為通過本發(fā)明提取圖11的缺陷特征參數(shù)。
【具體實(shí)施方式】
[0032] 下面結(jié)合附圖和【具體實(shí)施方式】對本發(fā)明進(jìn)行詳細(xì)說明。
[0033] 本發(fā)明實(shí)施例提供一種基于神經(jīng)網(wǎng)絡(luò)的壓力容器焊縫缺陷識別方法，如圖1所 示，該方法通過以下步驟實(shí)現(xiàn)：
[0034] 步驟101 :計算機(jī)讀入射線檢測底片圖像，根據(jù)所述讀入的底片圖像的平均黑度 值大小確定底片圖像的質(zhì)量是否合格。
[0035] 具體的，計算機(jī)首先需要對讀入的底片圖像進(jìn)行底片質(zhì)量合格性判定，所述讀入 的底片圖像如圖2所示，由各像素黑度值之和除以圖像像素數(shù)，計算出底片圖像的平均黑 度值，通過計算大量的合格底片圖像，退出適當(dāng)?shù)臋z測閾值區(qū)間，若待檢測底片圖像在此區(qū) 間內(nèi)，則為合格，反之，即為不合格，驗(yàn)證底片圖像是否合格后，底片圖像合格則進(jìn)行步驟 102的處理，底片圖像不合格則結(jié)束處理過程。
[0036] 步驟102 :根據(jù)模糊理論對所述底片圖像進(jìn)行增強(qiáng)，根據(jù)中值濾波對增強(qiáng)后的底 片圖像進(jìn)行去噪處理。
[0037] 具體的，如圖3、4所示，對檢測合格的底片圖像進(jìn)行圖像預(yù)處理，模糊增強(qiáng)依據(jù)模 糊邊緣檢測的直接原則，在圖像的模糊特征平面上對圖像的隸屬函數(shù)進(jìn)行非線性變換，從 而使圖像中邊緣信息得到增強(qiáng)，非邊緣信息得到減弱，突出圖像的主干信息，從而利于提取 邊緣。
[0038]目前最常用的方法就是直方圖均衡化處理，通過重新標(biāo)度使得原圖像灰度分布均 勻，實(shí)質(zhì)是通過減少圖像灰度級以加大圖像對比度，以下為具體算法實(shí)現(xiàn)：
[0039] 在模糊集合中，yA(z) = 1表示所有Z都是集合的完全成員，yA(z) = 0表示所 有z都不是集合的成員，而yA(z)的值介于0和1之間，表示z是集合的部分成員[6]。因 此，模糊集合A是一個由z值和（賦予z成員等級的）相應(yīng)隸屬度函數(shù)yA(z)組成的序?qū)Γ?即
[0040] A={z,yA(z) |zGZ