[发明专利]一种管道环焊缝射线影像质量检查方法

说明书

本发明涉及工业射线影像质量检查和人工智能技术领域，具体涉及一种管道环焊缝射线影像质量检查方法，基于深度学习和图像处理，以图像中的像质计作为检查结果，共包括预处理模块、深度学习模块和后处理模块。本发明采用了基于深度学习技术的图像分割算法，可以有效的提高识别准确率。为了确保检测像质计的有效性，算法在识别前对图像进行了多种预处理和增强处理。在深度学习算法中，采用了大量的优化技术，包括使用更加高效的Backbone，基于并行的网络进行分割，优化Mask，使用Fast‑NMS替代NMS等。由于底片图像尺寸较大，分割后的区域需要还原到原图中，算法中加入了对分割区域的处理和优化，提高了算法的准确度。

技术领域

本发明涉及工业射线影像质量检查和人工智能技术领域，具体涉及一种管道环焊缝射线影像质量检查方法。

背景技术

工业X射线底片广泛用于黑色金属有色金属及其合金或其它衰变系数较小的材料制作的器件型材零件或焊缝的非破坏性X射线探伤。工业底片保存着被拍摄部位的射线影像，必须得到完好保存。质量检查是工业底片保存和使用的重要环节，有必要采取数字化、智能化的手段进行检查。

目前已有的检测技术包括：传统图像识别技术、机器学习算法、基于深度学习的算法等。其中，传统图像识别技术提出最早，应用也最为广泛。但其检测精度低，不适宜在精度要求高的领域应用。近年来，随着硬件设备的逐渐进步，尤其是GPU计算能力的大幅提升，硬件算力不再构成算法的使用瓶颈，基于大数据与深度学习的检测算法发展迅猛，先后提出了Faster R-CNN、SSD、Yolo、Mask R-CNN、FCN等一系列检测算法，其检测效果好、精度高、适用性强，被广泛应用到工业、互联网、公共服务等多个行业。

通过查阅文献学习，以往的图像识别多集中在物体识别、人脸识别及车牌识别等领域，这些领域中目标特征显著、图像颜色饱和、图像亮度较高、边界清晰，因此识别难度较低。然工业领域底片由于实际环境的原因，没有彩色数据、底片灰度变化小、目标特征不显著、图像内容多，极大的提高了检测难度。

因此有必要使用深度学习方法替代传统方法，对底片像质计进行检测。深度学习方法检测能力强，因此，基于上述限制条件，有必要根据工业底片图像独特性，来采用一种全新的、合适的、高效的方法识别底片铅字编号，在保证较高的检测精度、准确度的同时，降低误检、错检，提高算法运算效率。

发明内容

为解决上述技术问题，本发明提供了一种管道环焊缝射线影像质量检查方法。

具体技术方案如下：

一种管道环焊缝射线影像质量检查方法，基于深度学习和图像处理，包括预处理模块、深度学习模块、后处理模块和质量检查模块；

所述预处理模块读取数字化底片图像，将其转换为合适的格式和尺寸，进行图像增强、填充、归一化等，加入噪声、Mixup、Mosaic、颜色转换等，传送给深度学习模块；

所述深度学习模块包括主干网络子模块和图像分割子模块；所述主干网络子模块用于提取输入图像的多尺度特征，进行多层特征融合，将特征传送给图像分割子模块；所述图像分割子模块用于生成图像分割Mask以及Mask对应的置信度、偏移量等参数，并给出最终生成的分割结果；

所述后处理模块用于将深度学习模块给出的分割结果进行还原与处理，包括Mask尺寸还原，无用信息删除，Mask合并至原始图像，结果绘制等等，并将得出的结果规范化之后返回给系统；

所述质量检查模块根据后处理模块给出的检测结果，判断其中包含的可识别的像质计数量，再利用底片的像质计信息确定该底片的质量。

所述预处理模块的输出图像尺寸，根据实际图像尺寸及算法模型所需的输入尺寸确定。

管道环焊缝射线影像质量检查方法,包括如下步骤：

步骤1：图像数据预处理