[发明专利]基于工业内窥镜的无损检测方法及系统

说明书

本发明公开了一种基于工业内窥镜的无损检测方法及系统，该方法包括步骤一、获取设备检测图像，对所述图像进行预处理，获取设备检测图像样本；步骤二、对图像样本的信息标注，提取缺陷特征，构建深度学习模型，并使用训练样本进行训练，得到缺陷识别模型；步骤三、利用工业内窥镜检测获取待检测设备内部图像，并输入到设备缺陷识别模型中，对缺陷识别分析，并对缺陷部位进行标注，识别出缺陷时进行自动声光报警。本发明中采用该方法可代替检验员肉眼浏览图片来完成缺陷识别，解决人工判别缺陷对微小缺陷和色差不明显缺陷不敏感、易漏检微弱缺陷、长时间检测视觉疲劳、劳动强度大、缺陷检测效率较低、对人员主观经验要求高等问题，提高工业管道内窥镜的检测精度和效率。

技术领域

本发明属于无损检测技术领域，具体涉及一种基于工业内窥镜的无损检测方法及系统。

背景技术

特种设备与工业生产，以及人们日常生活中息息相关，如起重器、承压锅炉、压力管道、电梯和游乐设施等，在不同领域发挥着巨大的作用。因其重要性和危险性，因此需要定期对特种设备进行维护和监督检验。

特种设备的检验手段很多，大多数为无损检验，如超声检测、磁粉检测、无人机拍摄等。但是针对某些设备的狭小的内部空间，无法采用超声检测、磁场相共阵等方法检测，因此出现了利用工业内窥镜来对设备的内部进行检测，因其体积小、灵活性高，使用非常方便。但是现有技术中往往是通过人为肉眼辨别内窥镜所拍摄的设备内部图像，人工判别存在对微小缺陷和色差不明显缺陷不敏感、易漏检微弱缺陷的问题，且长时间检测容易导致视觉疲劳、劳动强度大、缺陷检测效率较低，另外对人员主观经验要求高等问题。

发明内容

本发明的目的在于提供一种基于工业内窥镜的无损检测方法及系统，解决现有技术中人为肉眼辨别内窥镜所拍摄的图像时，存在对微小缺陷和色差不明显缺陷不敏感、易漏检微弱缺陷、长时间检测视觉疲劳、劳动强度大、缺陷检测效率较低的技术问题。

为了解决上述问题，本发明通过如下技术方案实现：

基于工业内窥镜的无损检测方法，包括如下步骤：

步骤一、构建设备缺陷检测图库：获取设备检测图像，对所述图像进行预处理，获取设备检测图像样本；

步骤二、构建模型：通过图库管理和标注软件，多端口人工进行图像样本的信息标注，提取缺陷特征，并通过多次学习的方式构建深度学习模型，并使用训练样本进行训练，最终得到合适的设备缺陷识别模型；

步骤三、利用工业内窥镜检测获取待检测设备内部图像，并输入到设备缺陷识别模型中，对采集的图像进行缺陷识别分析，并对缺陷部位进行标注。

本发明中采用该方法可代替检验员肉眼浏览图片来完成缺陷识别，解决人工判别缺陷对微小缺陷和色差不明显缺陷不敏感、易漏检微弱缺陷、长时间检测视觉疲劳、劳动强度大、缺陷检测效率较低、对人员主观经验要求高等问题，提高工业管道内窥镜的检测精度和效率。

进一步优化，还包括步骤四，当检测出缺陷时进行声光报警，同时自动保存该缺陷图像。

通过设计报警模块，当识别出缺陷时进行声光报警及时提醒检测人员，对设备缺陷处进行标记、维修或更换部件等。通过自动保存该缺陷图像，增加图库的样本数量，提高检测识别精度。

进一步优化，所述步骤三中，根据检测图像背景复杂程度有以下两种算法：

3.1)对于刚出厂的新设备，以及使用不久内部形状、颜色和纹理单一的设备，采用图像分割算法，将采集的设备内部图像中的缺陷进行分割，并提取分割后的缺陷特征，输入训练好的支持向量机、随机森林机器学习模型，对缺陷类型进行分类识别；

3.2)对于使用时间较长，内部背景复杂的设备，通过深度神经网络算法对设备内部图像中是否存在缺陷进行定性检测，如果认定存在缺陷，则用目标框标出缺陷，并标出该缺陷的类别，以及判定为该类别缺陷的概率。