[发明专利]基于机器与深度视觉融合的焊缝超声波图像缺陷识别方法

权利要求书

1.基于机器与深度视觉融合的焊缝超声波图像缺陷识别方法，其特征在于，该方法包括以下步骤：

S1、利用超声波探测设备对待检测物体进行超声波成像，得到超声波检测图像；根据待测工件的形状、尺寸和焊缝在工件上的位置，结合超声相控阵探头的几何尺寸，确定超声相控阵探头的位置、超声波的波型、检测的回波次数及目标检测区域的成像范围；

S2、利用预先构建的缺陷标注模型对超声波检测图像进行焊缝区域自动定位，得到缺陷标注图像，具体为：采用SILC算法对超声波检测图像进行多尺度超像素划分，并对超像素中的缺陷区域进行标注；采用基于机器学习方法对标记后的超像素进行训练得到学习模型，并利用该学习模型获取超声波检测图像中缺陷区域的标注信息；基于端到端标注模型的训练集构建缺陷标注模型并进行训练与测试；利用训练测试后的缺陷标注模型对超声波检测图像进行焊缝区域自动标注，得到缺陷标注图像；

S3、利用图像识别技术获取缺陷标注图像中焊缝图像的纹理特征数据，并通过协同算法对纹理特征数据进行类别识别；

S4、将识别结果输出至前端界面，并利用制图软件自动描绘焊缝形状，实现对待检测物体的焊缝缺陷识别；

所述学习模型用于对超声波检测图像中的超像素进行分类，并由工作人员对分类结果给予奖励和惩罚，将奖励和惩罚结果反馈给学习模型，所述学习模型通过奖惩机制重新做出调整，循环直至所述学习模型达到最优，获得超声波检测图像中缺陷区域的标注信息；

所述采用基于机器学习方法对标记后的超像素进行训练得到学习模型包括以下步骤：

卷积过程：采用一个可训练的滤波器f_x去卷积一个输入图像，第一阶段得到是输入图像，后面阶段得到是卷积特征map，然后再加一个偏置b_x，得到卷积层C_x；

子采样过程：邻域四个像素求和得到一个总像素，然后通过标量W加权，再增加偏置b，然后再通过一个sigmoid激活函数，产生一个缩小四倍的特征映射图S_x+1；

其中，卷积层C_x计算公式为：C_x＝f_x(W,input)+b_x；

特征映射图S_x+1计算公式为：

S_x+1＝sigmoid[W·(x_i,j+x_i+1,j+x_i,j+1+x_i+1,j+1)+b]。

2.根据权利要求1所述的基于机器与深度视觉融合的焊缝超声波图像缺陷识别方法，其特征在于，所述缺陷标注模型的构建包括以下步骤：

确定mean-IOU作为目标函数；

求解所述目标函数，得到使目标函数值最小的标注模型；

其中，所述目标函数的计算公式为：

式中，IoU为产生的候选框与原标记框的交叠率，area(C)为候选框的面积，area(G)为原标记框的面积。

3.根据权利要求1所述的基于机器与深度视觉融合的焊缝超声波图像缺陷识别方法，其特征在于，所述利用图像识别技术获取缺陷标注图像中焊缝图像的纹理特征数据，并通过协同算法对纹理特征数据进行类别识别包括以下步骤：

S31、利用图像识别技术获取待检测缺陷标注图像中焊缝图像的纹理特征数据；

S32、基于预先构建的焊缝缺陷纹理特征数据库，利用协同算法对待检测缺陷标注图像中焊缝图像的纹理特征数据进行识别，得到焊缝缺陷类别；

所述焊缝缺陷纹理特征数据库的构建包括以下步骤：

采集若干已检测的超声波焊缝缺陷图像，并利用图像识别技术获取焊缝缺陷图像的纹理特征数据；

采用人工标注的方式对纹理特征数据的类别进行划分，并构建基于纹理特征与缺陷类别的数据库，得到焊缝缺陷纹理特征数据库，同时定期对该数据库进行更新。