[发明专利]一种射线工业底片焊缝缺陷智能检测方法

说明书

本发明提供一种射线工业底片焊缝缺陷智能检测方法，涉及射线工业底片焊缝缺陷检测技术领域。该方法用两种数据预处理方式实现缺陷与背景的对比度增强，使缺陷特征更加明显。利用迭代检测与集成学习的思想，检测器对不同数据的检测效果不同，当该数据缺陷没有被检测器检测到时，用另外一组数据的检测结果去补充，以此得到一个更好更全面的检测模型。具体的检测过程为先迭代再集成；迭代时将前一次的检测结果采用三次样条插值方式将缺陷消除后重新放入检测器，每迭代一次将增强检测器对下一轮缺陷的感知。然后将两种处理方式迭代后的检测结果集成，运用非极大值抑制算法去除重叠的目标。最后再针对根部未熔合缺陷及夹层未熔合缺陷进行进一步检测。

技术领域

本发明涉及射线工业底片焊接缺陷检测技术领域，尤其涉及一种射线工业底片焊缝缺陷智能检测方法。

背景技术

焊接技术在工业应用十分广泛，被广泛的应用到航空航天，机械制造等领域。由于不同焊接人员技术水平的不同，在实际对目标进行焊接时会不可避免的出现一些圆孔型、长条形、未熔合、未焊透、裂纹、烧穿、内凹等七种类型缺陷。为了保证焊接工程质量，避免由于未能及时检测出焊接区域缺陷，而给环境、经济和安全造成巨大损失，必须严格按照焊接标准对焊缝进行缺陷检测。

X射线探伤是工业无损检测的主要方法，其检测结果已经作为焊缝缺陷分析和质量评定的重要判据。目前的检测手段主要以人工检查X射线缺陷图像为主，但是往往存在很多缺点，比如检测人员专业素质、技能经验等不同对质量的检测标准会造成很多偏差，其次检验人员很难对缺陷进行定量的判断，无法定量分析检出率、精度等标准。最后这种检测方式效率低下并且需要耗费大量的专业技术人员，因此综合几种因素人工视觉检测已经越来越不能满足当今时代工业领域的需要。目前以图像处理技术为基础的机器视觉技术恰好可以弥补人工技检测的部分不足。整个缺陷检测步骤分为：图像增强、焊缝提取和缺陷分割。但是单独依靠图像处理技术为主的机器视觉的焊缝缺陷检测方式也存在以下点问题：其一，缺陷的特征是人为设定的，在面对噪声干扰时，除了人为修正之外，很难拿找到其它方法。其二，由于算法本身理解难度较大且调参复杂，上手困难的特点，非常不利于初学者研究。最后焊接缺陷检测任务中的缺陷种类较多，这些缺陷通常表现出不同的特性，缺陷的可变性大大增加了缺陷检测问题的复杂性，这使得很难找到一种通用图像处理方法来解决所有缺陷类型的检测。

随着近些年来计算机计算能力的提高，深度学习算法已广泛应用于检测领域。但是基于射线工业底片焊缝缺陷样本数据清晰度差，特征不明显的特殊的背景下，因此运用X射线成像得到的原始数据集，单独直接的采用深度网络的方法得到的检测结果也不是很理想。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种射线工业底片焊缝缺陷智能检测方法，利用图像处理方式使焊缝缺陷特征更加明显，结合深度神经网络，利用集成学习方式实现射线工业底片管道焊缝缺陷检测，并提升缺陷的检出率。

为解决上述技术问题，本发明所采取的技术方案是：一种射线工业底片焊缝缺陷智能检测方法，包括以下步骤：

步骤1：依据光电技术和数字处理技术将焊缝信息转换成数字信号，由X射线扫描得到原始焊缝缺陷图像，并对原始焊缝缺陷图像数据进行标注制作训练数据集；

步骤2：利用改进的Retinex理论与小波去噪结合的方式对训练数据集中的原始焊缝缺陷图像进行第一种图像预处理，实现对原始焊缝缺陷图像的增强去噪处理，得到增强的焊缝缺陷图像；

步骤2-1：使用小波变换对原始焊缝缺陷图像F(x,y)进行二维小波分解，得到低频信息图像F_l(x,y)和高频信息图像F_h(x,y)，其中，(x,y)为图像的像素点坐标；

步骤2-2：对高频信息图像采用小波阈值去噪的方法进行降噪处理，得到降噪后的高频信息图像F′_h(x,y)；