[发明专利]一种焊缝缺陷自动提取方法

说明书

本发明公开了一种焊缝缺陷自动提取方法包括：焊缝图像获取；焊缝图像预处理，获取预处理后焊缝图像；将所述预处理后焊缝图像输入U型网络模型，所述U型网络模型包括包括网络输入端，网络输出端，下采样部分和上采样部分，所述下采样部分为编码器由ResNet34构成，所述上采样部分为解码器由U‑net构成，所述上采样部分和下采样部分之间采用跳跃连接进行叠加，所述网络输入端采用与所述ResNet34相适应的通道图像作为输入图像，输出连接至所述下采样部分的输入端，所述上采样部分的输出端将图像转换为单通道图像输出；获取焊缝提取图像。

技术领域

本发明涉及焊缝检测方法领域，具体涉及一种X射线管道焊缝缺陷自动提取方法。

背景技术

现阶段的焊缝无损检测中，X射线检测是一种十分重要的方法，由于其具有穿透性和无损性的特点，可以节省故障排除和研究方面的金钱和时间，因而得到了广泛的使用。现阶段对于X射线检测的结果一般以人工评定为主，计算机评定为辅。其评判过程十分依赖评定人员的个人能力，具有较强的主观性，易受外界影响，一定程度上会导致错判、漏判等问题的出现。现阶段的X射线成像技术也加大了对检测人员的要求，尤其是对X射线底片数字化后，会出现低信噪比，背景图像不稳定等一些列问题，给检测带来了一些困难。

现阶段的焊缝缺陷自动化检测主要是依靠基于灰度图像的形态学分析来完成。在此基础上,国内外专家提出了利用梯度直方图(HOG)和局部二值模式(LBP)的方法快速提取焊缝缺陷所在位置。使用大律法分割(OSTU)以加强二值化效果。采用Canny算子使得边缘更加精细化。但这些方法多对图片的预处理提出了较高的要求，在环境发生改变后，会使初始设定的参数失效，从而影响最终的结果。现阶段人工智能领域的发展也给焊缝自动化检测提出了新的方法。例如使用卷积神经网络(CNN)和全卷积网络(FCN)。CNN网络利用复杂的网络结构实现对图像的检测，但是其过高的数据量要求和运行硬件要求极大地增加了使用成本。FCN网络取消了全连接层，可对每一个像素都产生一个预测，但是其结果的准确率有待提高。因此如何降低图像质量要求，减少训练所需数据量，并对焊接缺陷等级评定且为缺陷成因的分析提供数据支持是目前有待解决的问题。

发明内容

本发明要解决的技术问题是如何降低图像质量要求，减少训练所需数据量，并对焊接缺陷等级评定且为缺陷成因的分析提供数据支持是目前有待解决的问题，提供一种焊缝缺陷自动提取方法。

本发明是通过下述技术方案来解决上述技术问题：

一种焊缝缺陷自动提取方法，所述提取方法包括：

焊缝图像获取；

焊缝图像预处理，获取预处理后焊缝图像；

将所述预处理后焊缝图像输入U型网络模型，所述U型网络模型包括包括网络输入端，网络输出端，下采样部分和上采样部分，所述下采样部分为编码器由ResNet34构成，所述上采样部分为解码器由U-net构成，所述上采样部分和下采样部分之间采用跳跃连接进行叠加，所述网络输入端采用与所述ResNet34相适应的通道图像作为输入图像，输出连接至所述下采样部分的输入端，所述上采样部分的输出端将图像转换为单通道图像输出；

获取焊缝提取图像。

较佳地，所述将所述预处理后焊缝图像输入所述U型网络模型之前还包括：

使用模型训练集对所述U型网络模型进行训练；

所述U型网络模型前向传播获取预测值，所述U型网络模型的损失函数进行损失值计算，即计算真实值和所述预测值间的差值；

使用模型验证集对所述U型网络模型进行验证；

验证所述U型网络模型的识别率并进行权重参数调整；

使用模型测试集对所述U型网络模型的准确率进行测试。