[发明专利]一种工业射线底片图像焊道区域智能定位方法

说明书

本发明涉及图像滤波和人工智能技术领域，具体是一种工业射线底片图像焊道区域智能定位方法，首先利用传统图像滤波方式使工业射线底片的焊道熔合线显著化，然后利用深度学习技术实现焊道的定位，最后根据检测结果进行校正，通过后处理环节使检测结果与真实焊道有更高的拟合度。本发明提出了一种适用于工业射线底片焊道熔合线显著化的图像滤波方法，更加有利于深度神经网络学习到焊道熔合线的特征。搭建深度神经网络解决工业射线底片焊道识别在传统图像分割上的瓶颈问题。引入交叠比例α保证底片细节信息的完整性。采用连通域连接、连通域选取、异常点剔除等手段完成对焊道定位的修正后处理环节。

技术领域

本发明涉及图像滤波和人工智能技术领域，具体是一种工业射线底片图像焊道区域智能定位方法。

背景技术

油气管道作为国家的特殊重要设施，一旦发生事故，往往造成严重后果，不仅会造成油气运输间断，影响人们生活，由于运输物质的特殊性，往往还会造成严重的环境污染，并伴随重大经济损失。管道运营商应对管道焊缝处进行周期性X射线检测，这样不仅可以建立管道焊缝的基本资料，而且可以为全面掌控管道提供数据保障，是对缺陷监控的重要手段。

射线图像在成像过程中，由于被测管道焊缝结构的复杂性和焊道不同位置的焊接工艺对X射线吸收的差异性，在成像过程中受到X射线的量子噪声、散射现象的影响以及焊缝检测射线图像在成像系统中的相互迭加，这一系列不利因素使得管道焊缝X射线图像特点不同于一般图像，工业射线检测形成的图像含有大量的背景噪声，目标和背景的空间对比度及细节对比度较差，图像模糊，视觉效果差，图像质量下降，这给管道焊缝缺陷检测以及焊缝图像分析造成了困难。工业射线检测最重要的步骤就是通过分析射线图像得到工件结构质量的好坏，射线图像中的细节信息对于诊断分析工件细节缺陷具有十分重要的作用。然而仅仅使用传统图像处理手段定位焊道存在以下问题：

(1)传统图像处理算法本身理解难度较大且调参复杂，不利于初学者进行研究。

(2)由于焊接工艺的复杂性和多样性，很难找到一种通用的传统图像处理方式对焊道进行定位。

(3)焊道熔合线的特征是人为设定的，当工业射线底片存在较大的噪声干扰时，需要利用主观特性进行修正。

如今，人工智能技术在计算机视觉领域取得了突破性进展，深度学习在这其中发挥着关键作用。在工业射线底片的特征多样化、背景噪声大和目标区域不清晰的复杂背景下，单独使用深度学习技术也无法取得理想的焊道区域定位结果。

发明内容

为解决上述技术问题，本发明提供了一种工业射线底片图像焊道区域智能定位方法，提出一种基于传统图像滤波手段并借助深度神经网络对工业射线底片焊道定位的方法，解决了工业射线底片焊道定位的技术性难题。

具体技术方案如下：

一种工业射线底片图像焊道区域智能定位方法，首先利用传统图像滤波方式使工业射线底片的焊道熔合线显著化，然后利用深度学习技术实现焊道的定位，最后根据检测结果进行校正，通过后处理环节使检测结果与真实焊道有更高的拟合度，具体包括如下步骤：

步骤一：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射线扫描得到原始管道焊缝图像；

步骤二：对原始管道焊缝图像数据进行裁剪，通过图像滤波处理使工业射线底片焊道熔合线显著化；

步骤三：对处理后的工业射线底片数据进行标注制作训练数据集，利用深度神经网络训练焊道定位模型；

步骤四：利用训练好的模型完成对焊道的定位测试及校正处理。

步骤二中所述的通过图像滤波处理使工业射线底片焊道熔合线显著化具体包括如下步骤：