[发明专利]基于深度神经网络的焊缝X射线图像缺陷检测与识别方法

说明书

本发明公开了一种基于深度神经网络的焊缝X射线图像缺陷检测与识别方法，该方法包括以下步骤：获取焊缝X射线图像的开源数据集并创建相应的标签文件‑采用中值滤波进行预处理‑将预处理后图像进行划分‑进行训练‑在Neck层嵌入注意力机制ECA‑将CIOU损失函数替换为EIOU损失函数‑导出权重文件得到三类目标。采用该方法在检测之前对数据进行中值滤波处理，可以在一定程度上消除孤立的噪声点，可以保持图像特征的同时不会产生过度模糊。解决了现有技术存在对工程师的要求较高、对质量较差的X射线检测图像会出现错检率和漏检率高的问题。

技术领域

本发明涉及射线成像与无损检测，具体涉及一种基于深度神经网络的焊缝X射线图像缺陷检测与识别方法。

背景技术

在工业管道运输，机器制造等领域中，焊缝技术成为关键。由于人员焊缝技术和复杂环境都将导致焊缝缺陷，很大程度降低产品质量，同时也可能造成人员伤亡和财产损失，因此进行焊缝缺陷检测与识别具有重要意义。X射线检测是将强度均匀的射线照射到被测的物体，使透过的射线在照相胶片上感光，而在成像的底片上，可以检测出被检测物体的焊接缺陷位置、类型、尺寸和数目等。要评定X射线对焊缝的检测结果，必须对获取的焊缝射线图像进行分析处理以评价焊接质量。评定X射线检测结果有两种方法：人工评定和计算机图像识别评定。

目前通过人工和计算机识别对焊缝图像结果进行评定。在人工评定的过程中，由于工作量大，强光对眼睛会造成伤害，而且不同技术人员的效率和经验不同，提高错判率。计算机识别可以大幅度的提升分析与评定的效率，更好的解决由于技术人员的经验差异而造成的误判或者漏判。

随着计算机的发展在机器视觉方面，目前采用传统算法对X射线检测结果进行分析和识别时，由于X射线检测图像质量较差，进行自动检测的难度较大。在焊缝X射线检测过程中，采用传统算法进行辅助判断，最终还是需要人工判断。因此该方法对工程师的要求较高，尤其是对质量较差的X射线检测图像，会出现较高的错检率和漏检率，从而影响检测效率。

发明内容

本发明提供一种基于深度神经网络的焊缝X射线图像缺陷检测与识别方法，目的是解决背景技术中存在的对工程师的要求较高、对质量较差的X射线检测图像会出现错检率和漏检率高的问题。

本发明提供的技术解决方案如下：

一种基于深度神经网络的焊缝X射线图像缺陷检测与识别方法，其特殊之处在于，包括以下步骤：

步骤1、获取焊缝X射线图像的开源数据集GD-xray，从所述开源数据集GD-xray中选取部分图片作为基础数据集，对所述基础数据集进行标注得到YOLO格式的标签文件，将所述标签文件中目标类别划分为“Point_defect”、“Linear_defect”和“Without_defect”；

步骤2、采用中值滤波对所述基础数据集进行图像预处理，消除所述焊缝X射线图像中的孤立噪声点，得到多张第一图像；

步骤3、对所述第一图像按照一定比例划分为训练集、验证集以及测试集；

步骤4、将所述训练集的图像输入到深度神经网络YOLOv5s模型中进行训练，在Backbone层进行特征提取，得到不同大小的第一特征图，对所述第一特征图进行Concat操作，得到第二特征图；

步骤5、在所述深度神经网络YOLOv5s模型的Neck层嵌入注意力机制ECA，对所述第二特征图进行Detect，得到三个尺寸大小不同的第三特征图；

步骤6、将所述深度神经网络YOLOv5s模型中的CIOU损失函数替换为EIOU损失函数，得到改进深度神经网络YOLOv5s模型；

步骤7、将所述测试集的图像输入所述改进深度神经网络YOLOv5模型中，得到检测效果，所述检测结果中包含三类目标，分别为所述焊缝X射线图像中的点状缺陷、线状缺陷和无缺陷的图像。