CN104574418A - 基于神经网络的压力容器焊缝缺陷识别方法及其装置 - Google Patents

Abstract

本发明公开了一种基于神经网络的压力容器焊缝缺陷识别方法,计算机读入射线检测底片图像，根据所述读入的底片图像平均黑度值大小确定底片图像的质量合格；根据模糊理论对所述底片图像进行增强，根据中值滤波对增强后的底片图像进行去噪处理；根据形态学特征在去噪处理后的底片图像中分离出焊缝区域并保留其原始焊缝灰度值；根据均值滤波器对分离后的底片图像进行缺陷滤除，形成一个模拟理想焊缝作为虚拟背景，再与原焊缝相减，增强去噪后，得到焊缝缺陷；发明还公开了一种压力容器焊缝缺陷识别装置，通过发明能够对射线检测焊缝图像进行有效识别，识别准确率达到92％，能够大大降低检测成，提高效率。

Description

基于神经网络的压力容器焊缝缺陷识别方法及其装置

技术领域

本发明涉及射线检测焊缝图像处理与缺陷识别技术领域，具体涉及一种基于神经网络的压力容器焊缝缺陷识别方法及其装置。

背景技术

随着射线检测与图像处理技术的快速发展，对于焊缝缺陷的检测也逐步从人工评片过渡到了计算机智能检测识别。利用计算机对数字化的焊缝图像进行分析和识别，不但提高了检测效率和经济效益，更重要的是该方法方便实用，便于操作。因此，如何提高射线检测的智能化、自动化和定量化，是当前射线检测技术研究的热点问题。

由于射线检测本身存在的特点，使得产生的射线检测图像具有对比度不高、缺陷边缘模糊、图像噪声多、存在较大背景起伏等特点，因此如何在射线检测焊缝图像中快速准确的提取出缺陷，以及其特征，并对其分类识别成为主要难题。

利用传统的识别系统对关于焊缝质量的信息进行处理时，预先将搜集已知确定的缺陷几何特征，设计相应的标准模板，然后把待识别的图像根据模板尺寸做归一化处理，最后用所有模板与待识别图像注意对比，按照相似度推断识别结果，但由于缺陷的形状复杂，很难创造出理想的模板，因此无法执行对焊缝缺陷的准确识别。

发明内容

有鉴于此，本发明的主要目的在于提供一种基于神经网络的压力容器焊缝缺陷识别方法及其装置。

为达到上述目的，本发明的技术方案是这样实现的：

本发明实施例提供一种基于神经网络的压力容器焊缝缺陷识别方法,该方法为：计算机读入射线检测底片图像，根据所述读入的底片图像平均黑度值大小确定底片图像的质量合格；根据模糊理论对所述底片图像进行增强，根据中值滤波对增强后的底片图像进行去噪处理；根据形态学特征在去噪处理后的底片图像中分离出焊缝区域并保留其原始焊缝灰度值；根据均值滤波器对分离后的底片图像进行缺陷滤除，形成一个模拟理想焊缝作为虚拟背景，再与原焊缝相减，增强去噪后，得到焊缝缺陷。

上述方案中，所述得到焊缝缺陷之后，该方法包括：基于检测出来的图像中目标特征对图像中可能的目标建立假设公式，根据所述假设公式得到提取缺陷的特征参数；根据得到的缺陷的特征参数，建立缺陷模型；将待识别缺陷的特征参数识别指标作为输入向量，在缺陷模型内进行比对，当找到匹配的特征参数时，将识别出的特征参数对应的缺陷类型作为输出向量。

本发明实施例还提供一种基于神经网络的压力容器焊缝缺陷识别装置，该装置包括质量检测单元、模糊增强单元、图像去噪单元、分离焊缝区域单元、分离缺陷单元；

所述质量检测单元，用于端读入射线检测底片图像，根据所述读入的底片图像平均黑度值大小确定底片图像的质量合格，将质量合格的底片图像发送到模糊增强单元；

所述模糊增强单元，用于根据模糊理论对所述底片图像进行增强，将模糊增强后的底片图像发送到图像去噪单元；

所述图像去噪单元，用于根据中值滤波对增强后的底片图像进行去噪处理，将去噪后的底片图像发送到分离焊缝区域单元；

所述分离焊缝区域单元，用于根据形态学特征在去噪处理后的底片图像中分离出焊缝区域并保留其原始焊缝灰度值，将分离后的底片图像发送到分离焊缝区域单元；

所述分离焊缝区域单元，用于根据均值滤波器对分离后的底片图像进行缺陷滤除，形成一个模拟理想焊缝作为虚拟背景，再与原焊缝相减，增强去噪后，得到焊缝缺陷。

上述方案中，所述装置还包括提取特征参数单元、智能识别单元；

所述提取特征参数单元，用于基于检测出来的图像中目标特征对图像中可能的目标建立假设公式，根据所述假设公式得到提取缺陷的特征参数；根据得到的缺陷的特征参数，建立缺陷模型；

所述智能识别单元，用于将待识别缺陷的特征参数识别指标作为输入向量，在提取特征参数单元内的缺陷模型内进行比对，当找到匹配的特征参数时，将识别出的特征参数对应的缺陷类型作为输出向量。

与现有技术相比，本发明的有益效果：

本发明能够对射线检测焊缝图像进行有效识别，识别准确率达到92％，能够大大降低检测成本，提高效率，因此能够广泛应用于压力容器焊缝缺陷检测。

附图说明

图1为本发明实施例的流程框架图；

图2为本发明中读入射线检测焊缝缺陷胶片图像；

图3为本发明对底片图像进行模糊增强前的图像；

图4为本发明对底片图像进行模糊增强后的图像；

图5对图4中增强后图像二值化处理图像；

图6为本发明中根据数字形态学特征提取到的焊缝轮廓；

图7为本发明中保留原始灰度的射线检测焊缝图像；

图8为本发明中基于数字减影处理后的缺陷图像；

图9为本发明中去除无用干扰信息并提高亮度的缺陷轮廓；

图10为本发明中保留原始灰度信息的缺陷；

图11为本发明提中取的缺陷示意图；

图12为通过本发明提取图11的缺陷特征参数。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明实施例提供一种基于神经网络的压力容器焊缝缺陷识别方法,如图1所示，该方法通过以下步骤实现：

步骤101：计算机读入射线检测底片图像，根据所述读入的底片图像的平均黑度值大小确定底片图像的质量是否合格。

具体的，计算机首先需要对读入的底片图像进行底片质量合格性判定，所述读入的底片图像如图2所示，由各像素黑度值之和除以图像像素数，计算出底片图像的平均黑度值，通过计算大量的合格底片图像，退出适当的检测阈值区间，若待检测底片图像在此区间内，则为合格，反之，即为不合格，验证底片图像是否合格后，底片图像合格则进行步骤102的处理，底片图像不合格则结束处理过程。

步骤102：根据模糊理论对所述底片图像进行增强，根据中值滤波对增强后的底片图像进行去噪处理。

具体的，如图3、4所示，对检测合格的底片图像进行图像预处理，模糊增强依据模糊边缘检测的直接原则，在图像的模糊特征平面上对图像的隶属函数进行非线性变换，从而使图像中边缘信息得到增强，非边缘信息得到减弱，突出图像的主干信息，从而利于提取边缘。

目前最常用的方法就是直方图均衡化处理，通过重新标度使得原图像灰度分布均匀，实质是通过减少图像灰度级以加大图像对比度,以下为具体算法实现：

在模糊集合中，μA(z)＝1表示所有z都是集合的完全成员，μA(z)＝0表示所有z都不是集合的成员，而μA(z)的值介于0和1之间，表示z是集合的部分成员[6]。因此，模糊集合A是一个由z值和(赋予z成员等级的)相应隶属度函数μA(z)组成的序对，即

A＝{z，μ_A(z)|z∈Z}

基于模糊理论边缘增强，白色焊缝区域和黑色背景区域均被加强了，焊缝边界变得更加黑白分明了，焊缝边缘的位置更便于确定了。

把底片图像中一点的灰度值用该点的一个5×5邻域中各点灰度值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点，对于增强后的图像降噪。

步骤103：根据形态学特征在去噪处理后的底片图像中分离出焊缝区域并保留其原始焊缝灰度值。

具体的，对预处理后的图像分离焊缝区域仅保留底片图像中的焊缝部分，图5为对图3中增强后图像二值化处理图像，通过数字形态学特征，查找标记连通域；由于图像中不仅有焊缝部分，还有型号、日期、编号等其他信息影像，因此，为避免无关因素对缺陷提取的干扰，根据连通域大小，仅保留焊缝区域，即图像中最大连通域，分离出焊缝区域的轮廓。

步骤104：根据均值滤波器对分离后的底片图像进行缺陷滤除，形成一个模拟理想焊缝作为虚拟背景，再与原焊缝相减，增强去噪后，得到焊缝缺陷。

具体的，图6为通过数字形态学特征提取到的焊缝轮廓，其作为标记图像，然后再原始底片图像中查找每一个标记点，并将各标记像素点的灰度值依次赋给一个新的图像，这个新的图像就是保留原始灰度值的焊缝缺陷，如图7所示。

通过一个均值滤波器，得到一个均匀的、亮度适当的模拟背景，然后利用减影法特点，用焊缝减去模拟背景便是缺陷目标，完成后，提取的缺陷图像中依然有不需要的焊缝边界线，如图8所示。因此，需要采用提取焊缝步骤的方法，减去连通域最长的两条线，仅保留明显的缺陷轮廓，由于提取到的目标灰度值过小，与背景相近，不易区分，需要增强缺陷亮度，图9、10为提取出的缺陷，其中图9为缺陷轮廓，图10为保留原始灰度信息的缺陷。

另外，步骤104之后，该方法包括：基于检测出来的图像中目标特征对提取出的缺陷图像中可能的目标建立假设公式，根据所述假设公式得到提取缺陷的特征参数；根据得到的缺陷的特征参数，建立缺陷模型；将待识别缺陷的特征参数识别指标作为输入向量，在缺陷模型内进行比对，当找到匹配的特征参数时，将识别出的特征参数对应的缺陷类型作为输出向量。

具体的，经参考国内外研究成果，及实验结果分析后，选取圆形度、长宽比、等效面积、相对位置、缺陷与背景之间的灰度差和缺陷自身灰度差六个特征。根据建立模拟公式，计算出缺陷的特征参数。根据公式e＝4πS/C²计算出缺陷圆形度，其中，e为缺陷的圆形度，S为缺陷区域面积，C为缺陷周长，对图像做标记，再扫描每一标记区域，统计出每一区域的像素个数，计算出缺陷面积，围绕每一个标记区域的所有像素的最外边界长度，计算出缺陷周长，缺陷水平方向的最大距离与垂直方向的最大距离之比，计算缺陷的长宽比。缺陷的面积除以缺陷的周长，计算缺陷等效面积，缺陷质心与焊缝中心的距离，计算相对位置，其中焊缝中心为垂直方向的中心，缺陷内平均灰度与缺陷外平均灰度的差，计算缺陷与背景的灰度差，缺陷内部各像素点的灰度值之和除以缺陷的面积，计算自身灰度偏差，即为缺陷内平均灰度值。图11为一提取的缺陷示意图，图12为图11根据本发明得到的特征参数。

本发明实施例能够对射线检测焊缝图像进行有效识别，通过对200张不同类型的射线检测焊缝图像进行识别，识别准确率达到92％，统计结果如表1所示。其中针对五种典型类型的识别率统计结果如表2所示。本发明可以大大降低检测成本，提高检测效率，因此能够广泛应用于压力容器焊缝缺陷检测。

表1缺陷识别实验结果统计

本发明实施例还提供一种基于神经网络的压力容器焊缝缺陷识别装置,该装置包括质量检测单元、模糊增强单元、图像去噪单元、分离焊缝区域单元、分离缺陷单元；

所述质量检测单元，用于端读入射线检测底片图像，根据所述读入的底片图像平均黑度值大小确定底片图像的质量合格，将质量合格的底片图像发送到模糊增强单元；

所述模糊增强单元，用于根据模糊理论对所述底片图像进行增强，将模糊增强后的底片图像发送到图像去噪单元；

所述图像去噪单元，用于根据中值滤波对增强后的底片图像进行去噪处理，将去噪后的底片图像发送到分离焊缝区域单元；

所述分离焊缝区域单元，用于根据形态学特征在去噪处理后的底片图像中分离出焊缝区域并保留其原始焊缝灰度值，将分离后的底片图像发送到分离焊缝区域单元；

所述分离焊缝区域单元，用于根据均值滤波器对分离后的底片图像进行缺陷滤除，形成一个模拟理想焊缝作为虚拟背景，再与原焊缝相减，增强去噪后，得到焊缝缺陷。

所述装置还包括提取特征参数单元、智能识别单元；

所述提取特征参数单元，用于基于检测出来的图像中目标特征对图像中可能的目标建立假设公式，根据所述假设公式得到提取缺陷的特征参数；根据得到的缺陷的特征参数，建立缺陷模型；

所述智能识别单元，用于将待识别缺陷的特征参数识别指标作为输入向量，在提取特征参数单元内的缺陷模型内进行比对，当找到匹配的特征参数时，将识别出的特征参数对应的缺陷类型作为输出向量。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (4)

1.一种基于神经网络的压力容器焊缝缺陷识别方法,其特征在于，该方法为：计算机读入射线检测底片图像，根据所述读入的底片图像平均黑度值大小确定底片图像的质量合格；根据模糊理论对所述底片图像进行增强，根据中值滤波对增强后的底片图像进行去噪处理；根据形态学特征在去噪处理后的底片图像中分离出焊缝区域并保留其原始焊缝灰度值；根据均值滤波器对分离后的底片图像进行缺陷滤除，形成一个模拟理想焊缝作为虚拟背景，再与原焊缝相减，增强去噪后，得到焊缝缺陷。

2.根据权利要求1所述的基于神经网络的压力容器焊缝缺陷识别方法,其特征在于，所述得到焊缝缺陷之后，该方法包括：基于检测出来的图像中目标特征对图像中可能的目标建立假设公式，根据所述假设公式得到提取缺陷的特征参数；根据得到的缺陷的特征参数，建立缺陷模型；将待识别缺陷的特征参数识别指标作为输入向量，在缺陷模型内进行比对，当找到匹配的特征参数时，将识别出的特征参数对应的缺陷类型作为输出向量。

3.一种基于神经网络的压力容器焊缝缺陷识别装置,其特征在于，该装置包括质量检测单元、模糊增强单元、图像去噪单元、分离焊缝区域单元、分离缺陷单元；

所述质量检测单元，用于端读入射线检测底片图像，根据所述读入的底片图像平均黑度值大小确定底片图像的质量合格，将质量合格的底片图像发送到模糊增强单元；

所述模糊增强单元，用于根据模糊理论对所述底片图像进行增强，将模糊增强后的底片图像发送到图像去噪单元；

所述图像去噪单元，用于根据中值滤波对增强后的底片图像进行去噪处理，将去噪后的底片图像发送到分离焊缝区域单元；

所述分离焊缝区域单元，用于根据形态学特征在去噪处理后的底片图像中分离出焊缝区域并保留其原始焊缝灰度值，将分离后的底片图像发送到分离焊缝区域单元；

所述分离焊缝区域单元，用于根据均值滤波器对分离后的底片图像进行缺陷滤除，形成一个模拟理想焊缝作为虚拟背景，再与原焊缝相减，增强去噪后，得到焊缝缺陷。

4.根据权利要求3所述的基于神经网络的压力容器焊缝缺陷识别装置,其特征在于，所述装置还包括提取特征参数单元、智能识别单元；

所述提取特征参数单元，用于基于检测出来的图像中目标特征对图像中可能的目标建立假设公式，根据所述假设公式得到提取缺陷的特征参数；根据得到的缺陷的特征参数，建立缺陷模型；

所述智能识别单元，用于将待识别缺陷的特征参数识别指标作为输入向量，在提取特征参数单元内的缺陷模型内进行比对，当找到匹配的特征参数时，将识别出的特征参数对应的缺陷类型作为输出向量。