CN106558059B - 一种免疫优化的活动轮廓图像分割方法及其分割装置 - Google Patents
一种免疫优化的活动轮廓图像分割方法及其分割装置 Download PDFInfo
- Publication number
- CN106558059B CN106558059B CN201611090432.1A CN201611090432A CN106558059B CN 106558059 B CN106558059 B CN 106558059B CN 201611090432 A CN201611090432 A CN 201611090432A CN 106558059 B CN106558059 B CN 106558059B
- Authority
- CN
- China
- Prior art keywords
- antibody
- affinity
- data base
- contour model
- highest
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000005192 partition Methods 0.000 title claims abstract description 9
- 230000007547 defect Effects 0.000 claims abstract description 54
- 238000003466 welding Methods 0.000 claims abstract description 54
- 230000011218 segmentation Effects 0.000 claims abstract description 49
- 230000000452 restraining effect Effects 0.000 claims abstract description 29
- 239000000427 antigen Substances 0.000 claims abstract description 21
- 102000036639 antigens Human genes 0.000 claims abstract description 21
- 108091007433 antigens Proteins 0.000 claims abstract description 21
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- 238000003709 image segmentation Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000004069 differentiation Effects 0.000 claims description 8
- ZAKOWWREFLAJOT-CEFNRUSXSA-N D-alpha-tocopherylacetate Chemical compound CC(=O)OC1=C(C)C(C)=C2O[C@@](CCC[C@H](C)CCC[C@H](C)CCCC(C)C)(C)CCC2=C1C ZAKOWWREFLAJOT-CEFNRUSXSA-N 0.000 claims description 6
- 230000004075 alteration Effects 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 description 6
- 230000035515 penetration Effects 0.000 description 6
- 230000006872 improvement Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000002893 slag Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 235000004443 Ricinus communis Nutrition 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30152—Solder
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Image Analysis (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种免疫优化的活动轮廓图像分割方法及其分割装置。所述方法在采用活动轮廓模型对X射线图像进行焊接接头缺陷分割时，对梯度力权值和约束力的法向力权值进行优化，其包括步骤：将法向力权值k和梯度力权值kG组合在一起进行二进制编码并作为抗体，编码长度为L；根据二进制编码的0、1特征，随机产生编码长度均为L的r个抗体作为初始抗体种群，从中随机选择m个抗体作为记忆库，r、m均为正整数，且r＞m；计算每个抗体和相应抗原的亲和度，抗原指与相应抗体相对应的能量泛函；按照亲和度的大小降序排列，选出亲和度最高的前m个抗体并更新所述记忆库；将所述记忆库中亲和度最高的抗体作为最优抗体。
Description
技术领域
本发明涉及一种图像分割方法及其分割装置，尤其涉及一种免疫优化的活动轮廓图像分割方法及其分割装置。
背景技术
焊接接头的缺陷直接影响着焊接产品的寿命，利用X射线对焊接接头进行检测是保证焊接质量的重要手段。目前工业应用的X射线图像分析主要还是人工完成的。在某些情况下以及工作环境下，缺陷鉴定的结果具有一定的主观性。随着成像技术的发展，将放射性图片，采用图像分割技术，实现焊接接头缺陷的完整分割，为焊接接头缺陷自动检测奠定了基础。
焊接接头的X射线图像中焊接接头缺陷的轮廓提取是焊接接头无损检测的重要方面，由于焊接接头中缺陷出现的复杂性，一直未能取得很好的效果。目前较为通用的轮廓曲线提取算法主要是活动轮廓模型。但经典活动轮廓模型对初始轮廓有一定的要求，对凹型边界处理效果不佳，易受噪声干扰等。
发明内容
为避免上述已有技术中存在的不足之处，本发明提供一种免疫优化的活动轮廓图像分割方法及其分割装置，所述方法更适合于焊接接头缺陷的射线图像中边界很难提取的情况。
本发明是通过以下技术方案实现的：一种免疫优化的活动轮廓图像分割方法，其用于在采用活动轮廓模型对X射线图像进行焊接接头缺陷分割时，对梯度力权值和约束力的法向力权值进行优化，其包括以下步骤：
步骤一、将法向力权值k和梯度力权值kG组合在一起进行二进制编码并作为抗体，编码长度为L；
步骤二、根据二进制编码的0、1特征，随机产生编码长度均为L的r个抗体作为初始抗体种群，从中随机选择m个抗体作为记忆库，r、m均为正整数，且r＞m；
步骤三、计算每个抗体和相应抗原的亲和度，抗原指与相应抗体相对应的能量泛函；
步骤四、按照亲和度的大小降序排列，选出亲和度最高的前m个抗体并更新所述记忆库；
步骤五、判断记忆库的更新次数是否等于预定的次数；如果等于，则将所述记忆库中亲和度最高的抗体作为最优抗体，由此获得最优化的法向力权值k和梯度力权值kG；否则，进入步骤六；
步骤六、利用给定的交叉概率Pc，使所述记忆库中亲和度最高的抗体同所述记忆库中的其他抗体进行交叉，得到更新后的抗体种群；
步骤七、对更新后的抗体种群中的抗体，根据周期变异率Pm进行抗体变异，返回步骤三，且在步骤三中只计算抗体变异后的抗体种群中的每个抗体和相应抗原的亲和度；
其中，步骤三中的能量泛函表征X射线图像中需要焊接接头缺陷分割的活动轮廓模型v(s)的能量函数，采用活动轮廓模型的能量函数Esnake表示：其中，Eint(v(s))代表X射线图像中活动轮廓模型的内部能量，决定所述活动轮廓模型的自然变化；Eimage(v(s))表示所述X射线图像中得到的力，引导所述活动轮廓模型选择低层次的特征；Econ(v(s))代表外部的约束力，给出高层次信息控制所述活动轮廓模型的演变；v(s)＝[x(s),y(s)]，s∈[0,1]，x(s)为轮廓v(s)的x轴坐标的集合，y(s)为轮廓v(s)的y轴坐标的集合；
引入约束力和梯度力后的轮廓v(s)的迭代求解公式为其中，如果初始轮廓v0(s)是由N个点构成，那么A是一个N×N的系数矩阵，Id是N×N的单位矩阵；γ是控制收敛的标量；xt，yt是迭代次数t时N个点中相应点的坐标，P(x,y)是边缘图，▽是梯度算子；▽Px(xt-1,yt-1)和▽Py(xt-1,yt-1)分别表示x轴和y轴方向上边缘强度的一阶微分；在x轴和y轴方向的法向量模型Nx和Ny分别由下面公式给出：
作为上述方案的进一步改进，在步骤五之后判断所述记忆库中最高亲和度值是否满足连续q次更新都不改变，如果是，则将所述记忆库中亲和度最高的抗体作为最优抗体，由此获得最优化的法向力权值k和梯度力权值kG；否则，才进入步骤六。
作为上述方案的进一步改进，亲和度的计算公式为其中，B为大于零的常量。
本发明还提供一种免疫优化的活动轮廓图像分割装置，其用于在采用活动轮廓模型对X射线图像进行焊接接头缺陷分割时，对梯度力权值和约束力的法向力权值进行优化，其包括：
编码模块，其用于将法向力权值k和梯度力权值kG组合在一起进行二进制编码并作为抗体，编码长度为L；
初始抗体种群生成模块，其用于根据二进制编码的0、1特征，随机产生编码长度均为L的r个抗体作为初始抗体种群，从中随机选择m个抗体作为记忆库，r、m均为正整数，且r＞m；
亲和度计算模块，其用于计算每个抗体和相应抗原的亲和度，抗原指与相应抗体相对应的能量泛函；
选择模块，其用于按照亲和度的大小降序排列，选出亲和度最高的前m个抗体并更新所述记忆库；
更新次数判断模块，其用于判断记忆库的更新次数是否等于预定的次数；
最优抗体选取模块，其用于在记忆库的更新次数等于预定的次数时，将所述记忆库中亲和度最高的抗体作为最优抗体，由此获得最优化的法向力权值k和梯度力权值kG；
抗体交叉模块，其用于利用给定的交叉概率Pc，使所述记忆库中亲和度最高的抗体同所述记忆库中的其他抗体进行交叉，得到更新后的抗体种群；
抗体变异模块，其用于对更新后的抗体种群中的抗体，根据周期变异率Pm进行抗体变异，并启动所述亲和度计算模块，所述亲和度计算模块此时只计算抗体变异后的抗体种群中的每个抗体和相应抗原的亲和度；
其中，步骤三中的能量泛函表征X射线图像中需要焊接接头缺陷分割的活动轮廓模型v(s)的能量函数，采用活动轮廓模型的能量函数Esnake表示：其中，Eint(v(s))代表X射线图像中活动轮廓模型的内部能量，决定所述活动轮廓模型的自然变化；Eimage(v(s))表示所述X射线图像中得到的力，引导所述活动轮廓模型选择低层次的特征；Econ(v(s))代表外部的约束力，给出高层次信息控制所述活动轮廓模型的演变；v(s)＝[x(s),y(s)]，s∈[0,1]，x(s)为轮廓v(s)的x轴坐标的集合，y(s)为轮廓v(s)的y轴坐标的集合；
引入约束力和梯度力后的轮廓v(s)的迭代求解公式为其中，如果初始轮廓v0(s)是由N个点构成，那么A是一个N×N的系数矩阵，Id是N×N的单位矩阵；γ是控制收敛的标量；xt，yt是迭代次数t时N个点中相应点的坐标，P(x,y)是边缘图，▽是梯度算子；▽Px(xt-1,yt-1)和▽Py(xt-1,yt-1)分别表示x轴和y轴方向上边缘强度的一阶微分；在x轴和y轴方向的法向量模型Nx和Ny分别由下面公式给出：
作为上述方案的进一步改进，所述免疫优化的活动轮廓图像分割装置还包括最高亲和度值恒定判断模块，其用于在记忆库的更新次数不等于预定的次数时，判断所述记忆库中最高亲和度值是否满足连续q次更新都不改变；如果所述记忆库中最高亲和度值满足连续q次更新都不改变，则所述最优抗体选取模块在将所述记忆库中亲和度最高的抗体作为最优抗体，由此获得最优化的法向力权值k和梯度力权值kG，否则启动抗体交叉模块。
作为上述方案的进一步改进，亲和度的计算公式为其中，B为大于零的常量。
本发明的有益效果为：基于本发明的免疫算法优化的活动轮廓模型，通过引入外部力，并通过免疫算法结合能量最小的概念，优化约束力权重和梯度力权重，能够使活动轮廓模型的初始化更加自由；免疫算法对约束力权重和梯度力权重的改善，扩大活动轮廓模型计算的范围，避免活动轮廓模型陷入局部极小值，改进了对噪声敏感的现象，提高了鲁棒性；由于外力的引入，将活动轮廓模型推向了凹形目标的凹处，对象的分割更加准确。
附图说明
图1为本发明实施例1的X射线焊接接头缺陷分割方法的流程图。
图2为本发明实施例2的X射线焊接接头缺陷分割方法的流程图。
图3a为焊接接头的气泡缺陷的X射线图。
图3b为基于免疫优化的活动轮廓模型算法对气泡缺陷的分割图。
图4a为焊接接头的夹渣缺陷的X射线图。
图4b为基于免疫优化的活动轮廓模型算法对夹渣缺陷的分割图。
图5a为焊接接头的未熔合缺陷的X射线图。
图5b为基于免疫优化的活动轮廓模型算法对未熔合缺陷的分割图。
图6a为焊接接头的未焊透缺陷的X射线图。
图6b为基于免疫优化的活动轮廓模型算法对未焊透缺陷的分割图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施实例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
传统焊接接头缺陷的分割方法包括以下步骤：获取焊接接头的X射线图像；在所述X射线图像的目标特征外部设置一个轮廓；对所述轮廓的活动轮廓模型引入梯度力和约束力进行多次迭代轮廓演变，最终迭代获得的轮廓即为焊接接头缺陷的分割结果。而本发明的X射线焊接接头缺陷分割方法，优化梯度力权值kG和约束力的法向力权值k，得到最优的轮廓，从而能更适合于焊接接头缺陷的射线图像中边界很难提取的情况。
实施例1
本发明的X射线焊接接头缺陷分割方法可以设置成X射线焊接接头缺陷分割系统，所述系统包括X射线图像获取模块、轮廓设置模块、焊接接头缺陷分割模块、免疫优化的活动轮廓图像分割装置。其中，免疫优化的活动轮廓图像分割装置包括编码模块、初始抗体种群生成模块、亲和度计算模块、选择模块、更新次数判断模块、最优抗体选取模块、抗体交叉模块、抗体变异模块、最高亲和度值恒定判断模块。
请参阅图1，X射线焊接接头缺陷分割方法包括以下步骤。
1、获取焊接接头的X射线图像。此步骤由X射线图像获取模块执行，另外，对获得的X射线图像可采用高斯滤波，降低图像噪声，最后得到经过预处理后的目标特征更加清晰的具有缺陷的焊接接头X射线图像。
2、在所述X射线图像的目标特征外部设置一个轮廓。此步骤由轮廓设置模块执行。
3、对所述轮廓的活动轮廓模型引入约束力和梯度力进行多次迭代轮廓演变，最终迭代获得的轮廓即为焊接接头缺陷的分割结果。此步骤由焊接接头缺陷分割模块执行。
4、在采用活动轮廓模型对X射线图像进行焊接接头缺陷分割时，对引入的约束力的法向力权值和梯度力权值进行优化。此步骤由免疫优化的活动轮廓图像分割装置执行。
其中，所述活动轮廓模型中梯度力权值kG和约束力的法向力权值k的优化方法包括以下步骤。
步骤一、将法向力权值k和梯度力权值kG组合在一起进行二进制编码并作为抗体，编码长度为L。此步骤由编码模块执行。
步骤二、根据二进制编码的0、1特征，随机产生编码长度均为L的r个抗体作为初始抗体种群，从中随机选择m个抗体作为记忆库，r、m均为正整数，且r＞m。此步骤由初始抗体种群生成模块执行。
步骤三、计算每个抗体和相应抗原的亲和度，抗原指与相应抗体相对应的能量泛函。此步骤由亲和度计算模块执行。所述能量泛函表征X射线图像中需要焊接接头缺陷分割的活动轮廓模型v(s)的能量函数，采用活动轮廓模型的能量函数Esnake表示：其中，Eint(v(s))代表X射线图像中活动轮廓模型的内部能量，决定所述活动轮廓模型的自然变化；Eimage(v(s))表示所述X射线图像中得到的力，引导所述活动轮廓模型选择低层次的特征；Econ(v(s))代表外部的约束力，给出高层次信息控制所述活动轮廓模型的演变；v(s)＝[x(s),y(s)]，s∈[0,1]，x(s)为轮廓v(s)的x轴坐标的集合，y(s)为轮廓v(s)的y轴坐标的集合。亲和度的计算公式为其中，B为大于零的常量。
步骤四、按照亲和度的大小降序排列，选出亲和度最高的前m个抗体并更新所述记忆库。此步骤由选择模块执行。
步骤五、判断记忆库的更新次数是否等于预定的次数；此步骤由更新次数判断模块执行。
如果等于，则将所述记忆库中亲和度最高的抗体作为最优抗体，由此获得最优化的法向力权值k和梯度力权值kG。此步骤由最优抗体选取模块执行，否则，进入步骤六。
步骤六、利用给定的交叉概率Pc，使所述记忆库中亲和度最高的抗体同所述记忆库中的其他抗体进行交叉，得到更新后的抗体种群。此步骤由抗体交叉模块执行。
步骤七、对更新后的抗体种群中的抗体，根据周期变异率Pm进行抗体变异，返回步骤三，且在步骤三中只计算抗体变异后的抗体种群中的每个抗体和相应抗原的亲和度。此步骤由抗体变异模块执行，抗体变异模块用于对更新后的抗体种群中的抗体，根据周期变异率Pm进行抗体变异，并启动所述亲和度计算模块，所述亲和度计算模块此时只计算抗体变异后的抗体种群中的每个抗体和相应抗原的亲和度。
需要指出的是，在步骤五之后判断所述记忆库中最高亲和度值是否满足连续q次更新都不改变，如果是，则将所述记忆库中亲和度最高的抗体作为最优抗体，由此获得最优化的法向力权值k和梯度力权值kG；否则，才进入步骤六。对此，可由最高亲和度值恒定判断模块执行，最高亲和度值恒定判断模块用于在记忆库的更新次数不等于预定的次数时，判断所述记忆库中最高亲和度值是否满足连续q次更新都不改变；如果所述记忆库中最高亲和度值满足连续q次更新都不改变，则所述最优抗体选取模块在将所述记忆库中亲和度最高的抗体作为最优抗体，由此获得最优化的法向力权值k和梯度力权值kG，否则启动抗体交叉模块。
实施例2
请参阅图2，本实施例的焊接接头缺陷分割方法包括以下步骤
一、获取焊接接头的X射线图像。
获取焊接接头的X射线图像后，可以对获得的X射线图像采用高斯滤波，降低图像噪声，最后得到经过预处理后的目标特征更加清晰的具有缺陷的焊接接头X射线图像，准备进行后续的焊接接头缺陷的分割。
二、在所述X射线图像中目标特征外部设置一个初始轮廓v0(s)，v0(s)＝[x0(s),y0(s)]，s∈[0,1]，x0(s)为轮廓v0(s)的x轴坐标的集合，y0(s)为轮廓v0(s)的y轴坐标的集合。
三、对初始轮廓v0(s)利用活动轮廓模型能量最小化原理引入约束力和梯度力进行多次迭代轮廓演变，最终迭代获得的轮廓即为焊接接头缺陷的分割结果。此时，优化梯度力权值kG和约束力的法向力权值k，得到最优的轮廓曲线。
求取初始轮廓v0(s)边界处的能量泛函，能量泛函Esnake表征X射线图像中需要焊接接头缺陷分割的轮廓v0(s)的能量函数，采用活动轮廓模型的能量函数表示。表示为：
其中，Eint(v(s))代表X射线图像中活动轮廓模型的内部能量，决定所述活动轮廓模型的自然变化；Eimage(v(s))表示所述X射线图像中得到的力，引导所述活动轮廓模型选择低层次的特征；Econ(v(s))代表外部的约束力，给出高层次信息控制所述活动轮廓模型的演变；v(s)＝[x(s),y(s)]，s∈[0,1]，x(s)为轮廓v(s)的x轴坐标的集合，y(s)为轮廓v(s)的y轴坐标的集合。。
求上式(1)的最小化能量函数，迭代求解公式为：
如果轮廓是由N个点构成的，那么A是一个N×N的系数矩阵，Id是N×N的单位矩阵，γ是控制收敛的标量。；(xt，yt)是迭代次数t时的模型点坐标，(xt-1，yt-1)是迭代次数t-1时的模型点坐标，P(x,y)是最简单的边缘图，▽是梯度算子。▽Px(xt-1,yt-1)和▽Py(xt-1,yt-1)分别表示x轴和y轴方向上边缘强度的一阶微分。
给活动轮廓模型加一个外部的力，推动活动轮廓模型曲线扩大或者缩小。这样曲线被认为是充气或者放气的气球。公式3表示这个力，其中表示单位法向力，k表示权值。
引入约束力后，改进活动轮廓模型的解为：
其中，在x和y方向的法向量模型Nx和Ny分别由下面公式给出。kG是梯度力的权重，受约束力的影响。
上式对法向力的强度非常敏感，法向力太大会导致轮廓过度膨胀或者缩小，忽视目标特征。需要恰当的选取法向力的权值k以及梯度力的权值kG。
判断当前轮廓v(s)是否满足最小化的能量Esnake。
如果当前轮廓v(s)满足最小化的能量Esnake，则进行焊接接头缺陷的分割。
本发明的目的在于，利用活动轮廓模型能量最小化的原理，分割的结果不能满足分割要求时，利用免疫算法优化活动轮廓模型中约束力权重和梯度力权重，借助能力最小化的原则，获得约束力权重和梯度力权重的最优值，从而获得最佳的活动轮廓模型曲线，将最佳的活动轮廓模型曲线作为轮廓v(s)。
引入免疫算法优化，其关于法向力权值k和梯度力权值kG的初始权值，采用随机的方法获得，权值在学习的过程中容易陷入局部最优值，这里选用免疫算法优化活动轮廓模型中的控制法向力的权值k和梯度力的权值kG。
(1)采用二进制编码的方式，将法向力权值k和梯度力权值kG组合在一起，编码长度为L。随机产生r个抗体作为初始种群，并从中随机选择N个抗体作为记忆库。
(2)抗体和抗原亲和度的计算：这里亲和度的计算公式为式中，Esnake为活动轮廓模型的能量函数，B为大于零的常量。亲和度体现的是抗体和抗原之间的关系，亲和度值高，表明抗体较接近抗原，即同求解的结果越接近。
(3)利用给定的交叉概率Pc，使所述记忆库中亲和度最高的抗体同所述记忆库中的其他抗体进行交叉，得到更新后的抗体种群。
(4)根据周期变异率Pm进行抗体变异，采用抗体变异这一步骤，有利于增加抗体的多样性，从而增大搜索的规模，增加了搜索更优抗体的概率。
(5)按照抗体的亲和度值进行抗体的选择，将抗体群中的抗体依次进行亲和度计算，并按照亲和度大小降序排列后，选出亲和度最高的前N个抗体更新记忆库，求出最优参数组合。重复(2)到(5)的过程，直至选出最优的权值。迭代终止条件，最优解在连续q次迭代中不再变化或达到最大迭代次数。
最终，将得到的最优法向力权值k以及梯度力权值kG带入到公式(4)中，求得最后免疫优化的活动轮廓模型的最终轮廓。
请一并参阅图3a、图3b、图4a、图4b、图5a、图5b、图6a、图6b，其中，图3a为焊接接头的气泡缺陷的X射线图；图3b为基于免疫优化的活动轮廓模型算法对气泡缺陷的分割图；图4a为焊接接头的夹渣缺陷的X射线图；图4b为基于免疫优化的活动轮廓模型算法对夹渣缺陷的分割图；图5a为焊接接头的未熔合缺陷的X射线图；图5b为基于免疫优化的活动轮廓模型算法对未熔合缺陷的分割图；图6a为焊接接头的未焊透缺陷的X射线图；图6b为基于免疫优化的活动轮廓模型算法对未焊透缺陷的分割图。
从分割结果可以看到，由于焊接接头的射线图像存在光照不均、对比度低、边缘模糊等特点，而本发明提出的方法采用免疫算法优化梯度力和约束力的权值，很好的调整了梯度力和约束力的影响。因此免疫优化的活动轮廓模型的分割结果，克服了传统活动轮廓在分割过程中约束力不足而产生分割不准确的结果，试验表明：图中的缺陷都得到了准确的分割，得到了满意的结果。
利用下面的公式对焊接接头缺陷的分割进行定量分析。分割相似指数公式为：
式中，I、G分别为专业技术人员分割图和提出算法的分割图。计算结果越大说明两者之间的分割相似度越高，分割结果越好。DSI是一种非常有效的定量评价分割效果的衡量指标，通常认为DSI>80％为有效分割。分别选取50个气泡.夹渣.未熔合和未焊透缺陷的射线图，根据以上的分割结果计算气泡、未焊透、夹渣和未熔合的免疫优化的活动轮廓分割的平均DSI值分别为：93.93％、88.02％、93.81％和93.83％，平均为92.39％，达到了80％以上。
因此，本发明的基于免疫优化的活动轮廓模型对焊接接头X射线的缺陷检测的仿真实验表明：本发明可以较为准确完整的提取焊接接头中的常见缺陷，为实现自动X射线对焊接接头的无损检测提供了一定的指导意义。
以上内容是结合具体的实施例对本发明所作的详细说明，不能认定本发明具体实施仅限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单替换和变更，都应当视为属于本发明由所提交的权利要求书确定的发明保护范围。
Claims (6)
1.一种免疫优化的活动轮廓图像分割方法，其用于在采用活动轮廓模型对X射线图像进行焊接接头缺陷分割时，对梯度力权值和约束力的法向力权值进行优化，其特征在于：其包括以下步骤：
步骤一、将法向力权值k和梯度力权值kG组合在一起进行二进制编码并作为抗体，编码长度为L；
步骤二、根据二进制编码的0、1特征，随机产生编码长度均为L的r个抗体作为初始抗体种群，从中随机选择m个抗体作为记忆库，r、m均为正整数，且r＞m；
步骤三、计算每个抗体和相应抗原的亲和度，抗原指与相应抗体相对应的能量泛函；
步骤四、按照亲和度的大小降序排列，选出亲和度最高的前m个抗体并更新所述记忆库；
步骤五、判断记忆库的更新次数是否等于预定的次数；如果等于，则将所述记忆库中亲和度最高的抗体作为最优抗体，由此获得最优化的法向力权值k和梯度力权值kG；否则，进入步骤六；
步骤六、利用给定的交叉概率Pc，使所述记忆库中亲和度最高的抗体同所述记忆库中的其他抗体进行交叉，得到更新后的抗体种群；
步骤七、对更新后的抗体种群中的抗体，根据周期变异率Pm进行抗体变异，返回步骤三，且在步骤三中只计算抗体变异后的抗体种群中的每个抗体和相应抗原的亲和度；
其中，步骤三中的能量泛函表征X射线图像中需要焊接接头缺陷分割的活动轮廓模型v(s)的能量函数，采用活动轮廓模型的能量函数Esnake表示：其中，Eint(v(s))代表X射线图像中活动轮廓模型的内部能量，决定所述活动轮廓模型的自然变化；Eimage(v(s))表示所述X射线图像中得到的力，引导所述活动轮廓模型选择低层次的特征；Econ(v(s))代表外部的约束力，给出高层次信息控制所述活动轮廓模型的演变；v(s)＝[x(s),y(s)]，s∈[0,1]，x(s)为活动轮廓模型v(s)的x轴坐标的集合，y(s)为活动轮廓模型轮廓v(s)的y轴坐标的集合；
引入约束力和梯度力后的活动轮廓模型v(s)的迭代求解公式为其中，如果初始轮廓v0(s)是由N个点构成，那么A是一个N×N的系数矩阵，Id是N×N的单位矩阵；γ是控制收敛的标量；xt，yt是迭代次数t时N个点中相应点的坐标，P(x,y)是边缘图，▽是梯度算子；▽Px(xt-1,yt-1)和▽Py(xt-1,yt-1)分别表示x轴和y轴方向上边缘强度的一阶微分；在x轴和y轴方向的法向量模型Nx和Ny分别由下面公式给出：
2.根据权利要求1所述的免疫优化的活动轮廓图像分割方法，其特征在于：在步骤五之后判断所述记忆库中最高亲和度值是否满足连续q次更新都不改变，如果是，则将所述记忆库中亲和度最高的抗体作为最优抗体，由此获得最优化的法向力权值k和梯度力权值kG；否则，才进入步骤六。
3.根据权利要求1所述的免疫优化的活动轮廓图像分割方法，其特征在于：亲和度的计算公式为其中，B为大于零的常量。
4.一种免疫优化的活动轮廓图像分割装置，其用于在采用活动轮廓模型对X射线图像进行焊接接头缺陷分割时，对梯度力权值和约束力的法向力权值进行优化，其特征在于：其包括：
编码模块，其用于将法向力权值k和梯度力权值kG组合在一起进行二进制编码并作为抗体，编码长度为L；
初始抗体种群生成模块，其用于根据二进制编码的0、1特征，随机产生编码长度均为L的r个抗体作为初始抗体种群，从中随机选择m个抗体作为记忆库，r、m均为正整数，且r＞m；
亲和度计算模块，其用于计算每个抗体和相应抗原的亲和度，抗原指与相应抗体相对应的能量泛函；
选择模块，其用于按照亲和度的大小降序排列，选出亲和度最高的前m个抗体并更新所述记忆库；
更新次数判断模块，其用于判断记忆库的更新次数是否等于预定的次数；
最优抗体选取模块，其用于在记忆库的更新次数等于预定的次数时，将所述记忆库中亲和度最高的抗体作为最优抗体，由此获得最优化的法向力权值k和梯度力权值kG；
抗体交叉模块，其用于利用给定的交叉概率Pc，使所述记忆库中亲和度最高的抗体同所述记忆库中的其他抗体进行交叉，得到更新后的抗体种群；
抗体变异模块，其用于对更新后的抗体种群中的抗体，根据周期变异率Pm进行抗体变异，并启动所述亲和度计算模块，所述亲和度计算模块此时只计算抗体变异后的抗体种群中的每个抗体和相应抗原的亲和度；
其中，所述能量泛函表征X射线图像中需要焊接接头缺陷分割的活动轮廓模型v(s)的能量函数，采用活动轮廓模型的能量函数Esnake表示：其中，Eint(v(s))代表X射线图像中活动轮廓模型的内部能量，决定所述活动轮廓模型的自然变化；Eimage(v(s))表示所述X射线图像中得到的力，引导所述活动轮廓模型选择低层次的特征；Econ(v(s))代表外部的约束力，给出高层次信息控制所述活动轮廓模型的演变；v(s)＝[x(s),y(s)]，s∈[0,1]，x(s)为活动轮廓模型v(s)的x轴坐标的集合，y(s)为活动轮廓模型v(s)的y轴坐标的集合；
引入约束力和梯度力后的活动轮廓模型v(s)的迭代求解公式为其中，如果初始轮廓v0(s)是由N个点构成，那么A是一个N×N的系数矩阵，Id是N×N的单位矩阵；γ是控制收敛的标量；xt，yt是迭代次数t时N个点中相应点的坐标，P(x,y)是边缘图，▽是梯度算子；▽Px(xt-1,yt-1)和▽Py(xt-1,yt-1)分别表示x轴和y轴方向上边缘强度的一阶微分；在x轴和y轴方向的法向量模型Nx和Ny分别由下面公式给出：
5.根据权利要求4所述的免疫优化的活动轮廓图像分割装置，其特征在于：所述免疫优化的活动轮廓图像分割装置还包括最高亲和度值恒定判断模块，其用于在记忆库的更新次数不等于预定的次数时，判断所述记忆库中最高亲和度值是否满足连续q次更新都不改变；如果所述记忆库中最高亲和度值满足连续q次更新都不改变，则所述最优抗体选取模块在将所述记忆库中亲和度最高的抗体作为最优抗体，由此获得最优化的法向力权值k和梯度力权值kG，否则启动抗体交叉模块。
6.根据权利要求4所述的免疫优化的活动轮廓图像分割装置，其特征在于：亲和度的计算公式为其中，B为大于零的常量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611090432.1A CN106558059B (zh) | 2016-11-30 | 2016-11-30 | 一种免疫优化的活动轮廓图像分割方法及其分割装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611090432.1A CN106558059B (zh) | 2016-11-30 | 2016-11-30 | 一种免疫优化的活动轮廓图像分割方法及其分割装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106558059A CN106558059A (zh) | 2017-04-05 |
| CN106558059B true CN106558059B (zh) | 2019-08-06 |
Family
ID=58445569
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611090432.1A Active CN106558059B (zh) | 2016-11-30 | 2016-11-30 | 一种免疫优化的活动轮廓图像分割方法及其分割装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106558059B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101202916A (zh) * | 2007-12-04 | 2008-06-18 | 南京邮电大学 | 基于运动预测和三维约束的序列图像分割方法 |
| CN101673398A (zh) * | 2009-10-16 | 2010-03-17 | 西安电子科技大学 | 基于免疫稀疏谱聚类的图像分割方法 |
| CN102129561A (zh) * | 2011-03-10 | 2011-07-20 | 电子科技大学 | 一种基于人工免疫遗传和形态学的指纹图像分割方法 |
| CN102542274A (zh) * | 2011-12-13 | 2012-07-04 | 西安邮电学院 | 基于人工免疫网络聚类的车牌字符分割方法 |
| CN104794732A (zh) * | 2015-05-12 | 2015-07-22 | 西安电子科技大学 | 基于人工免疫网络聚类的灰度图像分割方法 |
-
2016
- 2016-11-30 CN CN201611090432.1A patent/CN106558059B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101202916A (zh) * | 2007-12-04 | 2008-06-18 | 南京邮电大学 | 基于运动预测和三维约束的序列图像分割方法 |
| CN101673398A (zh) * | 2009-10-16 | 2010-03-17 | 西安电子科技大学 | 基于免疫稀疏谱聚类的图像分割方法 |
| CN102129561A (zh) * | 2011-03-10 | 2011-07-20 | 电子科技大学 | 一种基于人工免疫遗传和形态学的指纹图像分割方法 |
| CN102542274A (zh) * | 2011-12-13 | 2012-07-04 | 西安邮电学院 | 基于人工免疫网络聚类的车牌字符分割方法 |
| CN104794732A (zh) * | 2015-05-12 | 2015-07-22 | 西安电子科技大学 | 基于人工免疫网络聚类的灰度图像分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| 免疫算法在焊缝识别中的应用研究;丁度坤;《焊接技术》;20160531;第45卷(第5期);第3节 |
| 基于主动轮廓模型的脑部MRI图像边缘提取方法研究;邹亮;《中国优秀硕士学位论文全文数据库 信息科技辑》;20041215;第2004年卷(第4期);第3.2节 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106558059A (zh) | 2017-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110930347B (zh) | 卷积神经网络的训练方法、焊点缺陷的检测方法及装置 | |
| CN109359684B (zh) | 基于弱监督定位和子类别相似性度量的细粒度车型识别方法 | |
| CN101981683B (zh) | 缺陷分类方法以及缺陷分类装置 | |
| CN114627383B (zh) | 一种基于度量学习的小样本缺陷检测方法 | |
| CN113920107A (zh) | 一种基于改进yolov5算法的绝缘子破损检测方法 | |
| CN111091105A (zh) | 基于新的边框回归损失函数的遥感图像目标检测方法 | |
| JP2019075116A (ja) | トラッキングネットワークを含むＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を用いてイメージ上の客体に対応するバウンディングボックスを獲得するための方法及びこれを利用した装置 | |
| JP2020068028A (ja) | 有用な学習データを取捨選別するためのｃｎｎ基盤の学習方法及び学習装置、そしてこれを利用したテスト方法及びテスト装置 | |
| CN107169421A (zh) | 一种基于深度卷积神经网络的汽车驾驶场景目标检测方法 | |
| US11113573B1 (en) | Method for generating training data to be used for training deep learning network capable of analyzing images and auto labeling device using the same | |
| US11574395B2 (en) | Damage detection using machine learning | |
| CN110543906B (zh) | 基于Mask R-CNN模型的肤质自动识别方法 | |
| CN115496746A (zh) | 基于图像和点云数据融合的板材表面缺陷检测方法和系统 | |
| US11527083B2 (en) | Training a machine to recognize a motor vehicle driver using a mobile device | |
| CN106934455B (zh) | 基于cnn的遥感影像光学适配结构选取方法及系统 | |
| CN109886970A (zh) | 太赫兹图像中目标物体的检测分割方法及计算机存储介质 | |
| CN109284779A (zh) | 基于深度全卷积网络的物体检测方法 | |
| CN115526864A (zh) | 基于改进的特征金字塔网络和度量学习的钢轨表面缺陷检测方法 | |
| CN106651889B (zh) | 一种x射线焊接接头缺陷分割方法及其分割系统 | |
| CN112270383A (zh) | 一种基于全卷积神经网络的隧道大规模铆钉孔提取方法 | |
| CN111382709A (zh) | 一种基于无人机巡检的绝缘子图像检测方法 | |
| CN113450344B (zh) | 带钢表面缺陷检测方法及系统 | |
| Hou et al. | A self-supervised CNN for particle inspection on optical element | |
| CN114881998A (zh) | 一种基于深度学习的工件表面缺陷检测方法及系统 | |
| Wu et al. | An in situ surface defect detection method based on improved you only look once algorithm for wire and arc additive manufacturing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240815 Address after: No. 59 Guoke Street, Zhongbei High tech Industrial Development Zone, Taiyuan City, Shanxi Province 030008 Patentee after: Shanxi Jinwei Fiber Intelligent Manufacturing Co.,Ltd. Country or region after: China Address before: No. 66, Waliu Road, Wanbailin District, Taiyuan City, Shanxi Province Patentee before: TAIYUAN University OF SCIENCE AND TECHNOLOGY Country or region before: China |
|
| TR01 | Transfer of patent right |