CN109115812A - 一种焊缝底片缺陷识别方法及系统 - Google Patents

Abstract

本发明提供了一种焊缝底片缺陷识别方法及系统，所述方法包含：通过射线成像技术获得焊缝的焊缝底片；利用图像识别技术获取焊缝底片的焊缝图像纹理特征数据；根据所述焊缝图像纹理特征数据与焊缝底片的缺陷类别通过机器学习算法建立识别模型；获得待检测焊缝底片的焊缝图像纹理特征数据；根据所述待检测焊缝底片的焊缝图像纹理特征数据与所述识别模型，计算获得待检测焊缝底片的缺陷类别。以此，有效解决了焊接底片识别的纹理精度和特征判断不准问题，使焊接底片图像边缘检测和缺陷跟踪识别精度大大提高，为焊缝特征识别技术的发展打下基础。

Description

一种焊缝底片缺陷识别方法及系统

技术领域

本发明涉及油气管道安全检测领域，尤指一种焊缝底片缺陷识别方法及系统。

背景技术

焊接作为连接构件的一种基本工艺方法，在我国工业领域的生产和日常维护中都起到了重要作用。由于焊接施工中会产生各种各样的缺陷，受焊接过程中各种参数稳定性的影响，焊缝难免会出现夹渣、裂纹、气孔等各类缺陷，为了确保焊接构件的品质，所以有必要对焊缝缺陷进行详细的检测和合理的评价。常规无损检测方法主要有超声波检测法、X射线检测法等。X射线检测方式以其灵敏度高、直观可靠、而且重复性好等特点为后续焊接工作做出了可靠性的指导，从而在油气管道和石油化工领域应用普遍。以往对于焊缝内缺陷的具体位置及类别的判定多采用人工审阅评定，但该方法存在劳动强度大、效率低下、主观性强等缺点，同时容易受到影响质量的影响。

X射线数字化实时成像检测技术其图像存在噪声大、对比度不高、焊缝边缘模糊且纹理较多的特点，质量难以达到规定的衡量标准，为了改善检测对象的质量，开展后续计算机图像处理是必要的，并结合计算机评片的形式完成对焊缝内缺陷的自动识别。但由于实际检测工段出现的诸多问题，如运动导致的图像抓取模糊(边缘及缺陷部分模糊粗糙)等多方面带来的噪声被夹入待检测样本中，导致识别过程耗时长、准确率低，严重限制了图像处理技术在该领域的应用；此外，对于同一个工件，检测时射线照射的角度不同，获得图像的质量也存在较大差异。针对以上问题，有以下几种方法对焊片缺陷进行提取与识别分类。

1、王鹏[1]提出的基于模糊理论的焊缝缺陷图像识别算法研究，该方法基于自动选择阈值，使用模糊集合进行灰度变换以增强图像对比度；利用最大类间方差算法(0TSu)求解自适应阈值，检测并提取焊缝边缘；依据缺陷几何特征识别不同缺陷。该方案对于一些面积较小的缺陷，二值图像细化后仅为一点，去噪后被删除。因此，对于部分缺陷使用文中方法存在较为严重的过分割现象，技术方法还有待提高与改进。

2、唐国维提出基于模糊神经网络对焊缝缺陷进行研究，用模糊集合的概念描述特征参数,建立特征参数的模糊规则库,构建以模糊化后的特征参数为输入层,以模糊规则为隐含层,缺陷预知识别分类为输出的模糊神经网络模型。分析实验结果,成功定位缺陷在数字图像中的大概位置与边缘检测；该方案对于特征集合交叉比较大的类别识别率较低。例如未焊透与未熔合缺陷,识别率分别为92.30％、88.46％。焊缝缺陷的错误识别还与特征选取的准确程度,训练样本的多少相关。焊缝纹理特征提取涉及边界清晰度、局部信息细化程度，传统方法使用二值法LTP、LBP,CLBP纹理特征描述方法，但纹理描述的精度受到影响。同时也影响焊缝内缺陷的判断。

发明内容

本发明目的在于提供一种克服了幅度、方向的精度不足，在分类准确率上优于单纯的形状特征轮廓直接判断法和传统的LTP、LBP,CLBP纹理特征方法的焊缝底片缺陷识别方法及系统。

为达上述目的，本发明所提供的焊缝底片缺陷识别方法，具体包含：通过射线成像技术获得焊缝的焊缝底片；利用图像识别技术获取焊缝底片的焊缝图像纹理特征数据；根据所述焊缝图像纹理特征数据与焊缝底片的缺陷类别通过机器学习算法建立识别模型；获得待检测焊缝底片的焊缝图像纹理特征数据；根据所述待检测焊缝底片的焊缝图像纹理特征数据与所述识别模型，计算获得待检测焊缝底片的缺陷类别。

在上述焊缝底片缺陷识别方法中，优选的，所述利用图像识别技术获取焊缝底片的焊缝图像纹理特征数据包含：利用图像识别技术获取焊缝底片的大小信息、符号信息以及中心区域信息，根据所述大小信息、所述符号信息以及所述中心区域信息获得焊缝底片的焊缝图像纹理特征数据。

在上述焊缝底片缺陷识别方法中，优选的，利用图像识别技术获取焊缝底片的大小信息包含：通过以下公式计算获得焊缝底片的大小信息；

在上式中，a,b为自定义常量，TH为预定阈值，p为像素点个数。

在上述焊缝底片缺陷识别方法中，优选的，利用图像识别技术获取焊缝底片的符号信息包含：通过以下公式计算获得焊缝底片的符号信息；

在上式中，CLTP_S^*为符号信息，TH为预定阈值，p为像素点个数。

在上述焊缝底片缺陷识别方法中，优选的，利用图像识别技术获取焊缝底片的中心区域信息包含：通过以下公式计算获得焊缝底片的中心区域信息；

在上式中，CLTP_C^*为中心区域信息，TH1为图像像素均值。

在上述焊缝底片缺陷识别方法中，优选的，根据所述焊缝图像纹理特征数据与焊缝底片的缺陷类别通过机器学习算法建立识别模型还包含：利用缺陷边缘检测和跟踪处理技术获得所述焊缝图像纹理特征数据中预定类别的特征参数；根据所述特征参数与焊缝底片的缺陷类别建立缺陷特征数据库；根据所述缺陷特征数据库通过机器学习算法建立识别模型。

在上述焊缝底片缺陷识别方法中，优选的，所述特征参数包含：焊片编号、图像长度像素、图像宽度像素、缺陷与背景的灰度差、缺陷的相对位置、缺陷自身灰度偏差、缺陷长宽比、等效面积、圆形度、熵、相关度、惯性矩、能量。

在上述焊缝底片缺陷识别方法中，优选的，根据所述焊缝图像纹理特征数据与焊缝底片的缺陷类别通过机器学习算法建立识别模型包含：根据所述焊缝图像纹理特征数据与焊缝底片的缺陷类别通过SVM(支持向量机)分类算法建立SVM模型。

在上述焊缝底片缺陷识别方法中，优选的，所述通过SVM分类算法建立SVM模型还包含：通过全局优化方法获得所述SVM模型中分类器的类别数量；根据类别差异性排除法构建各类别的所述分类器；所述分类器的类别包含：裂纹、圆形夹渣、条形夹渣、气孔、未焊透、未熔合。

本发明还提供一种焊缝底片缺陷识别系统，所述系统包含数据获取单元、模型构造单元和识别单元；所述数据获取单元用于通过射线成像技术获得焊缝的焊缝底片；以及利用图像识别技术获取焊缝底片的焊缝图像纹理特征数据；所述模型构造单元用于根据所述焊缝图像纹理特征数据与焊缝底片的缺陷类别通过机器学习算法建立识别模型；所述识别单元用于获得待检测焊缝底片的焊缝图像纹理特征数据；以及根据所述待检测焊缝底片的焊缝图像纹理特征数据与所述识别模型，计算获得待检测焊缝底片的缺陷类别。

本发明所提供的焊缝底片缺陷识别方法及系统有效解决了焊接底片识别的纹理精度和特征判断不准问题，使焊接底片图像边缘检测和缺陷跟踪识别精度大大提高，为焊缝特征识别技术的发展打下基础。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：

图1为本发明一实施例所提供的焊缝底片缺陷识别方法的流程示意图；

图2为本发明一实施例所提供的完全局部三值模式(CLTP)计算示意图；

图3为本发明一实施例所提供的SVM多类分类器构造示意图；

图4A至图4K为本发明一实施例所提供的焊缝底片缺陷识别方法的检测结果示意图；

图5为本发明一实施例所提供的焊缝底片缺陷识别系统的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

在本说明书的描述中，参考术语“一实施例”、“一具体实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本申请的实施，其中的步骤顺序不作限定，可根据需要作适当调整。

近年来，中国管道建设高速发展，已近12.5万公里，2020年未来规划将达到16.9万公里，管道建设焊接检测技术的可靠性直接影响管道建设质量和未来运行的安全，由于建设量大，射线成像技术已经在管道焊接检测过程中普遍使用，射线成像为智能化辅助评片打下基础，虽然计算机智能辅助评片发展迅速，目前一定数量的底片分析处理系统已经投入使用，但这些系统应用还不成熟，目前的评片工作大多情况下需要人工干预，人机交互的进行。射线底片缺陷识别是通过底片的数字化处理，依靠计算机的高速处理能力，将人工评片的工作转化为图像处理技术，焊缝底片的标准化图像处理技术，包括图像预处理，图像焊缝区域的分割，缺陷特征提取，缺陷分类识别等工作，最终将缺陷结果显示出来。因此，完全的计算机智能评片系统是射线检测的一个非常重要的研究分支。

为有效根据焊缝底片准确识别出各焊缝缺陷情况，本发明一实施例提供了一种焊缝底片缺陷识别方法，请参考图1所示，所述方法具体包含：S101通过射线成像技术获得焊缝的焊缝底片；S102利用图像识别技术获取焊缝底片的焊缝图像纹理特征数据；S103根据所述焊缝图像纹理特征数据与焊缝底片的缺陷类别通过机器学习算法建立识别模型；S104获得待检测焊缝底片的焊缝图像纹理特征数据；S105根据所述待检测焊缝底片的焊缝图像纹理特征数据与所述识别模型，计算获得待检测焊缝底片的缺陷类别。在该实施例中，首先利用射线成像技术获得焊缝的焊缝底片，其后根据已知焊缝的缺陷类型以及根据图像识别技术所识别出的焊缝图像纹理特征数据训练机器模型，根据训练后的机器模型获得用于识别焊缝底片缺陷类型的识别模型；其后当获得待检测的焊缝底片后，即可根据待检测焊缝底片的焊缝图像纹理特征数据与所述识别模型直接确定该焊缝的缺陷类型；该方法相较于现有的放来来讲，不仅识别准确率更高，且更为效率。

在上述实施例中的图像识别技术中特征提取方法有以下两类：线性投影特征抽取和非线性特征抽取方法；线性投影分析中，最具有代表性的是PCA(主分量分析)和LDA(Fisher线性鉴别分析)；其所提取的图像特征主要表现为纹理特征和形态(形状)特征,针对焊缝而言，则一类是焊缝缺陷几何特征的提取，另一类是焊缝缺陷纹理特征的提取。几何特征的提取是缺陷的大小、形状、椭圆度、长宽比等的量化，目前一般采用形状特征轮廓直接判断法，存在判断精度不足，准确率不高的情况；焊缝纹理特征提取是设计边界清晰度、局部信息细化程度等，其中纹理特征应用更为广泛，表现比较稳定，通常性能优于单纯的形状特征描述。基于上述情况，本发明一实施例中，所述利用图像识别技术获取焊缝底片的焊缝图像纹理特征数据包含：利用图像识别技术获取焊缝底片的大小信息、符号信息以及中心区域信息，根据所述大小信息、所述符号信息以及所述中心区域信息获得焊缝底片的焊缝图像纹理特征数据。在该实施例中，主要是由本发明所提出的改进的CTLP(CompleteLocal Ternary Patterns)算法来获得焊缝底片的焊缝图像纹理特征数据，该提取的焊缝图像纹理特征方法保留更丰富的纹理结构信息，重构了中心描述子的基础上，更包括符号描述子和大小描述子；其主要分为3个分量：两个分量包含大小信息、符号信息，另一分量保留焊缝图像中心区域信息，以此实现纹理特征与焊缝形状特征相融合，表征数据更为贴近实际情况。

在实际工作中，焊缝纹理特征提取涉及边界清晰度、局部信息细化程度，传统方法使用二值法LTP、LBP,CLBP纹理特征描述方法，但纹理描述的精度受到影响，因此，需要不断改进算法；为此，在本发明一实施例中，提出了完全局部三值CLTP模式，包含3种核心算子，称为中心描述子，符号描述子和大小描述子，分别用CLTP_C,CLTP_S,CLTP_M表示，将算子转化后，最终得到修正的CLTP_C^*、CLTP_S^*、CLTP_M^*来分别表示中心区域信息、符号信息以及大小信息，它们的计算过程如下：

CLTP_S^*即符号信息计算等同于CLTP_M^*即大小信息的计算：

其中，

其中，TH的含义是给定的某个固定阈值，a,b为自定义常量，可取a＝0.3,b＝0.7。

至于中心区域信息CLTP_C^*则等于：其中，TH1为图像像素均值，然后用模式分别转化编码值，CLTP_S^* CLTP_M^*，CLTP_C^*分别对应图2所示。

在上述实施例中，CLTP算法主要是利用了现有纹理提取算法中丢失的一些幅度信息来提高识别率，在得到CLTP特征之后，为了达到算法具有完全旋转不变性的目的，本发明构造了均匀模式的直方图傅里叶特征；具体的，为构造完全局部三值模式，将符号p s按给定的阈值重新赋值，将其改写为下面的形式：中心像素点依然为gc，邻域半径为R，邻域中的像素为gp，其中P的取值为：p＝[0,1…,P-1]，像素的个数为P，并且将中心像素和邻域像素点的差值记为dp＝gp-gc。其中，dp的值有两部分组成，一部分是符号部分，一部分是数值相差的绝对值，分别记为sp和mp，那么dp就可以由这两个部分相乘来表示，即dp＝sp.mp，符号部分和数值部分可以这样表示，

为了构造出上述实施例中的完全局部三值模式，可将符号部分按照给定的阈值重新赋值，最终得到修正的CLTP_C^*、CLTP_S^*、CLTP_M^*来分别表示中心区域信息、符号信息以及大小信息。

在该图中，a表示的是中心像素为38的3×3样本块，邻域的8个像素为[27,72,69,32,25,43,26,88]；b中abs即绝对值，TH＝24为求得的阈值，计算局部差值，得到的算子结果为[-11，34，31，-6，-13，5，-12，50]；c中，CLTP_S^*局部差值符号的三值编码向量为[0，2，2，0，0，1，0，2]；d中，CLTP_M^*算子值为[1,2,2,0,1,0,1,2]；e中TH1＝47.75由[27,72,69,32,25,43,26,88]计的平均值，表示CLTP的CLTP_C^*值为[01100101]。

在构建识别模型之前，还可建立底片缺陷库；在本发明一实施例中，根据所述焊缝图像纹理特征数据与焊缝底片的缺陷类别通过机器学习算法建立识别模型还包含：利用缺陷边缘检测和跟踪处理技术获得所述焊缝图像纹理特征数据中预定类别的特征参数；根据所述特征参数与焊缝底片的缺陷类别建立缺陷特征数据库；根据所述缺陷特征数据库通过机器学习算法建立识别模型。其中，所述特征参数包含：焊片编号、图像长度像素、图像宽度像素、缺陷与背景的灰度差、缺陷的相对位置、缺陷自身灰度偏差、缺陷长宽比、等效面积、圆形度、熵、相关度、惯性矩、能量。在实际工作中，该实施例主要综合以上形状特征和纹理特征，对应的底片黑度不同形成不同缺陷特征，来构建如下表1所示的缺陷特征数据库。

表1

该缺陷特征数据库，包含灰度差、等效面积、圆形度、熵、相关度等参数，便于后期通过机器学习算法完善所述识别模型，同时该缺陷特征数据库进一步表征了焊缝缺陷的特征大小、符号信息和中心区域信息，该算法克服了幅度、方向的精度不足，在分类准确率上优于单纯的形状特征轮廓直接判断法和传统的LTP、LBP,CLBP纹理特征方法。

在本发明一优选的实施例中，根据所述焊缝图像纹理特征数据与焊缝底片的缺陷类别通过机器学习算法建立识别模型包含：根据所述焊缝图像纹理特征数据与焊缝底片的缺陷类别通过SVM分类算法建立SVM模型。其中，所述通过SVM分类算法建立SVM模型还包含：通过全局优化方法获得所述SVM模型中分类器的类别数量；根据类别差异性排除法构建各类别的所述分类器；所述分类器的类别包含：裂纹、圆形夹渣、条形夹渣、气孔、未焊透、未熔合。在实际工作中，构建多分类器的SVM模型即M-SVM分类器时，可使用单个类与剩下的类进行构造，确定这个分类器的判断标准，对所有的类别重复以上的过程，求出每个判断函数的值，将这些数值进行对比，最大的类别即为样本的最好分类结构。在该方法中，需要构造M个分类器，使用直接全局优化方法(M-SVM)，构造多批分类器，对M个分类器的求解一次性完成；具体方法可如下所示：

设：为样本训练集，l为样本个数，N代表样本维数，M代表样本的类别，引入非负松弛变量ξ_i，则该方法的优化问题如以下公式：

判别函数为：ST.y_i(w^Tφ(x_i)+b)≥1-ξ_i

其中，ξ_i≥0,i＝1,2,...l,φ(*)为输入空间到高维特征空间的非线性映射函数，通过求解最优化问题，可得到相应的最优决策函数f(x)：

在上述实施例中，各分类器构造应优先采用类别差异性排除法，即在整体结构中，先将相似量作为一类，然后根据相似量之间的细微变化，再通过模型算法进行区分。这种分类在分类准确率和平衡准确率上都有极高的效率。具体本文构造了6种缺陷，裂纹、圆形夹渣、条形夹渣、气孔、未焊透、未熔合等典型缺陷SVM多类分类器。如下图3所示。

为检测上述焊缝底片缺陷识别方法的有效性，请参考图4A至图4K所示，采用上述模型，首先对焊缝底片进行完全局部三值模式CLTP纹理识别，采用缺陷边缘检测和跟踪处理技术计算各参数，上述纹理识别和特征识别计算参数包括：图像长度像素、图像宽度像素、缺陷与背景的灰度差△h、缺陷的相对位置d、缺陷自身灰度偏差δ、缺陷长宽比、等效面积S/C、圆形度e、熵ENT、相关度COR、惯性矩CON、能量参数等，所有特征参数输入到SVM模型，进行SVM焊接底片的缺陷识别，最终得到缺陷的类别。根据图4A至图4K可看出，焊接底片经过完全局部三值模式CLTP纹理识别后，应用基于缺陷数据库的SVM数据分类技术，CTLP模式使焊接底片图像边缘检测和缺陷跟踪识别精度大大提高，SVM缺陷分类模型使图像缺陷的自动识别判断上准确度大大提高，基本达到了工业应用级的水平。其中图4I和图4J是中国西气东输管道7.28事故段焊口X-射线底片，在位置点38位置左下方体现未熔合特征，其计算机系统判别与人工评片结果完全一致。图4K为中国陕京二线焊接底片，表现为未焊透特征，主要的缺陷位于位置点6-7之间，由此可见该方法具有较好的精度和准确性。

在请参考图5所示，本发明一实施例还提供一种焊缝底片缺陷识别系统，所述系统包含数据获取单元、模型构造单元和识别单元；所述数据获取单元用于通过射线成像技术获得焊缝的焊缝底片；以及利用图像识别技术获取焊缝底片的焊缝图像纹理特征数据；所述模型构造单元用于根据所述焊缝图像纹理特征数据与焊缝底片的缺陷类别通过机器学习算法建立识别模型；所述识别单元用于获得待检测焊缝底片的焊缝图像纹理特征数据；以及根据所述待检测焊缝底片的焊缝图像纹理特征数据与所述识别模型，计算获得待检测焊缝底片的缺陷类别。

管道缺陷的纹理特征和形状特征的识别和描述，以及缺陷的精准判断，是计算机图像自动识别的难题，也是焊接智能化面临的主要问题。本发明所提供的焊缝底片缺陷识别方法及系统解决了焊接底片识别的纹理精度和特征判断不准问题，其给出了一种改进的CTLP算法，重构了中心描述子，包括符号描述子和大小描述子，表征了焊缝缺陷的特征大小、符号信息和中心区域信息；继而建立了焊缝底片图像缺陷特征库，包含形状特征和纹理特征，图像长度像素、图像宽度像素、缺陷与背景的灰度差△h、缺陷的相对位置d、缺陷自身灰度偏差δ、缺陷长宽比、等效面积S/C、圆形度e、熵ENT、相关度COR、惯性矩CON、能量等参数；同时在该缺陷特征数据库的基础上训练获得支持向量机(SVM)分类模型，基于缺陷特征数据库，分类获取了缺陷形状特征，找出裂纹、夹渣、气孔、未焊透、未熔合、条形缺陷等缺陷特征。综上所示，本发明通过采用改进的CTLP算法和SVM分类算法的融合处理技术，使焊缝缺陷特征描述更加准确，克服了以往算法在幅度、方向精度、缺陷特征易混淆等方面的不足，在准确率上优于形状特征的轮廓特征直接判断法和传统的LTP、LBP,CLBP纹理特征描述方法；同时根据图4A至图4K可看出，基于CLTP纹理&形状特征的管道焊缝缺陷SVM方法具有较好的精度，使焊接底片图像边缘检测和缺陷跟踪识别精度大大提高，为焊缝特征识别技术的发展打下基础。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种焊缝底片缺陷识别方法，其特征在于，所述方法包含：

通过射线成像技术获得焊缝的焊缝底片；

利用图像识别技术获取焊缝底片的焊缝图像纹理特征数据；

根据所述焊缝图像纹理特征数据与焊缝底片的缺陷类别通过机器学习算法建立识别模型；

获得待检测焊缝底片的焊缝图像纹理特征数据；

根据所述待检测焊缝底片的焊缝图像纹理特征数据与所述识别模型，计算获得待检测焊缝底片的缺陷类别。

2.根据权利要求1所述的焊缝底片缺陷识别方法，其特征在于，所述利用图像识别技术获取焊缝底片的焊缝图像纹理特征数据包含：利用图像识别技术获取焊缝底片的大小信息、符号信息以及中心区域信息，根据所述大小信息、所述符号信息以及所述中心区域信息获得焊缝底片的焊缝图像纹理特征数据。

3.根据权利要求2所述的焊缝底片缺陷识别方法，其特征在于，利用图像识别技术获取焊缝底片的大小信息包含：通过以下公式计算获得焊缝底片的大小信息；

在上式中，a,b为自定义常量，TH为预定阈值，p为像素点个数。

4.根据权利要求2所述的焊缝底片缺陷识别方法，其特征在于，利用图像识别技术获取焊缝底片的符号信息包含：通过以下公式计算获得焊缝底片的符号信息；

在上式中，CLTP_S^*为符号信息，TH为预定阈值，p为像素点个数。

5.根据权利要求2所述的焊缝底片缺陷识别方法，其特征在于，利用图像识别技术获取焊缝底片的中心区域信息包含：通过以下公式计算获得焊缝底片的中心区域信息；

在上式中，CLTP_C^*为中心区域信息，TH1为图像像素均值。

6.根据权利要求1所述的焊缝底片缺陷识别方法，其特征在于，根据所述焊缝图像纹理特征数据与焊缝底片的缺陷类别通过机器学习算法建立识别模型还包含：利用缺陷边缘检测和跟踪处理技术获得所述焊缝图像纹理特征数据中预定类别的特征参数；根据所述特征参数与焊缝底片的缺陷类别建立缺陷特征数据库；根据所述缺陷特征数据库通过机器学习算法建立识别模型。

7.根据权利要求6所述的焊缝底片缺陷识别方法，其特征在于，所述特征参数包含：焊片编号、图像长度像素、图像宽度像素、缺陷与背景的灰度差、缺陷的相对位置、缺陷自身灰度偏差、缺陷长宽比、等效面积、圆形度、熵、相关度、惯性矩、能量。

8.根据权利要求1所述的焊缝底片缺陷识别方法，其特征在于，根据所述焊缝图像纹理特征数据与焊缝底片的缺陷类别通过机器学习算法建立识别模型包含：根据所述焊缝图像纹理特征数据与焊缝底片的缺陷类别通过SVM分类算法建立SVM模型。

9.根据权利要求8所述的焊缝底片缺陷识别方法，其特征在于，所述通过SVM分类算法建立SVM模型还包含：通过全局优化方法获得所述SVM模型中分类器的类别数量；根据类别差异性排除法构建各类别的所述分类器；所述分类器的类别包含：裂纹、圆形夹渣、条形夹渣、气孔、未焊透、未熔合。

10.一种焊缝底片缺陷识别系统，其特征在于，所述系统包含数据获取单元、模型构造单元和识别单元；

所述数据获取单元用于通过射线成像技术获得焊缝的焊缝底片；以及利用图像识别技术获取焊缝底片的焊缝图像纹理特征数据；

所述模型构造单元用于根据所述焊缝图像纹理特征数据与焊缝底片的缺陷类别通过机器学习算法建立识别模型；

所述识别单元用于获得待检测焊缝底片的焊缝图像纹理特征数据；以及根据所述待检测焊缝底片的焊缝图像纹理特征数据与所述识别模型，计算获得待检测焊缝底片的缺陷类别。