[发明专利]基于深度学习的工业射线影像评定方法及装置

权利要求书

1.一种基于深度学习的工业射线影像评定方法，其特征在于，包括：

获取待检测的工业射线影像；

基于预先训练的焊缝分割模型对所述工业射线影像进行识别，获得感兴趣区域；

基于预先训练的各类缺陷检测模型对所述感兴趣区域进行检测，获得缺陷检测结果；

基于预先训练的误检鉴别器对所述缺陷检测结果进行鉴别，获得最终评定结果；

其中，所述基于预先训练的焊缝分割模型对所述工业射线影像进行识别，获得感兴趣区域，具体包括：

基于预先训练的焊缝分割模型识别出所述工业射线影像中的焊缝区域；

计算所述焊缝区域在整个影像中的占比和所述焊缝区域的宽高比；

若所述占比和宽高比大于第一预设阈值，则判定所述焊缝区域可靠，对所述焊缝区域进行补全处理，并将补全后的焊缝区域作为感兴趣区域，否则判定所述焊缝区域不可靠，将所述工业射线影像作为感兴趣区域；

其中，所述对所述焊缝区域进行补全处理，具体包括：

对所述焊缝区域进行直线拟合，计算拟合直线相对于竖直方向的倾角；

根据所述倾角计算旋转仿射变换矩阵，以对所述工业射线影像进行仿射变换，使变换后的工业射线影像中的焊缝区域呈竖直方向；

采用预设的高阈值和低阈值联合判断所述焊缝区域的起止点；

根据所述起止点补全所述焊缝区域；

其中，所述采用预设的高阈值和低阈值联合判断所述焊缝区域的起止点，具体包括：

对变换后的工业射线影像进行垂直方向的积分投影；

寻找投影值大于所述高阈值的连续区域；

若连续区域数为1，则将所述连续区域的起止点作为所述焊缝区域的起止点；

若连续区域数大于1，则寻找多个连续区域中宽度最大的连续区域，并计算在所述低阈值处宽度最大连续区域到其相邻连续区域的距离，若所述距离小于预设距离阈值且相邻连续区域在所述低阈值处的宽度小于预设宽度阈值，则将所述宽度最大连续区域与其相邻连续区域合并，并将合并后的区域的左右边界作为所述焊缝区域的起止点，否则将所述宽度最大连续区域的起止点作为所述焊缝区域的起止点。

2.根据权利要求1所述的基于深度学习的工业射线影像评定方法，其特征在于，所述缺陷检测结果包括缺陷区域及对应的缺陷类别；

所述基于预先训练的误检鉴别器对所述缺陷检测结果进行鉴别，获得最终评定结果，具体包括：

提取所述缺陷区域的连通域长度、连通域宽度、连通域长宽比和连通域面积，并与相应的阈值进行比较；

若提取的值小于第二预设阈值，则判定所述缺陷区域为误检区域；否则以所述缺陷区域的中心点为中心，裁剪出预设大小的区域块，并基于预先训练的误检鉴别器对所述缺陷区域进行鉴别，若鉴别结果为正常，则判定所述缺陷区域为误检区域；

去除所述缺陷检测结果中的误检区域及对应的缺陷类别，获得最终评定结果。

3.根据权利要求1所述的基于深度学习的工业射线影像评定方法，其特征在于，在所述获取待检测的工业射线影像之前，还包括：

建立样本数据库；

根据所述样本数据库，并基于深度学习的语义分割算法，建立并训练所述焊缝分割模型；

根据所述样本数据库，并基于深度学习的语义分割算法，建立并训练对应的缺陷检测模型；

根据所述样本数据库，并基于深度学习的图像分类方法，建立并训练所述误检鉴别器。

4.根据权利要求3所述的基于深度学习的工业射线影像评定方法，其特征在于，所述建立样本数据库，具体包括：

获取样本图像；

对所述样本图像进行清洗，以去除不合格的样本图像；

在清洗后的样本图像上标注焊缝区域、缺陷类别、黑度值和对比度并保存，以建立样本数据库。