CN115266774B - 基于人工智能的焊缝射线检测评片方法 - Google Patents
基于人工智能的焊缝射线检测评片方法 Download PDFInfo
- Publication number
- CN115266774B CN115266774B CN202210905211.4A CN202210905211A CN115266774B CN 115266774 B CN115266774 B CN 115266774B CN 202210905211 A CN202210905211 A CN 202210905211A CN 115266774 B CN115266774 B CN 115266774B
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- detection
- image quality
- training
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 238000011156 evaluation Methods 0.000 title claims abstract description 22
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 17
- 230000007547 defect Effects 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000000694 effects Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 14
- 238000003466 welding Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 238000009659 non-destructive testing Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003867 tiredness Effects 0.000 description 1
- 208000016255 tiredness Diseases 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本发明公开了基于人工智能的射线检测评片方法，包括以下步骤：步骤1：对射线检测图像进行gamma变换和clahe直方图均衡处理；步骤2：对图像像素进行统计，识别像质计可见丝数；步骤3：利用yolov5s算法训练并得到像质计编号检测模型；步骤4：利用yolov5n算法对焊缝缺陷进行训练，增加检测效果差的缺陷权重，提高小样本识别效果；步骤5：结合像质计编号检测信息和步骤2中丝数，求出最小丝数对应的编号，判断图像质量；步骤6：将图像进行步骤1处理，输入缺陷检测模型，输出缺陷坐标和类别信息并输出焊缝坐标，根据焊缝位置，排除误检；步骤7：结合数字图像处理，识别缺陷尺寸。本发明采用AI技术，并根据缺陷特点加入有效的优化手段，使检测效率大幅度提升。
Description
技术领域
本发明涉及焊缝射线检测技术领域，尤其涉及基于人工智能的焊缝射线检测评片方法。
背景技术
焊缝射线照相法探伤，对被检焊缝进行透照后，需将具有潜相的胶片经暗室处理后得到底片，再对底片分析判断，从而得到焊缝检测结果。胶片的暗室处理包括显影、停止显影、定影、水洗和干燥五个工序。手工暗室处理过程的要点射线底片的评定工作称为评片，由具有二级或二级以上资格的探伤人员在评片室内进行，利用观片灯、黑度计等仪器和工具进行。评片工作包括对底片质量的评定、缺陷的定性和定量、焊缝质量的评级等内容。底片质量的评定底片质量的好坏直接影响对焊缝质量评价的准确性。因为射线照相法探伤是通过射线底片上缺陷影像来反映焊缝内部质量的。因此，只有合格的底片才能作为评定焊缝质量的依据。
但是现有针对焊缝工业射线检测底片的缺陷评定还依赖于人工，由于人在长时间、重复性的工作情况下会出现注意力不集中、劳累等问题，导致检验存在着诸如检测周期长，检测效率低、检测准确率不足等情况，无损检测虽然制定了相关的检测标准，但实际评定过程通过人为主观判断进行，易受主观因素的影响。
发明内容
1.要解决的技术问题
本发明的目的是为了解决现有技术中对焊缝工业射线检测底片的缺陷评定还依赖于人工的问题，而提出的基于人工智能的焊缝射线检测评片方法。
2.技术方案
为了实现上述目的，本发明采用了如下技术方案：
基于人工智能的焊缝射线检测评片方法，包括以下步骤：
步骤1：将X射线图像通过gamma变换和clahe直方图均衡预处理；
步骤2：利用传统图像算法，将图像的像素累加，求平均值，利用像素统计学方法判断图像的像质计的丝数；
步骤3：利用yolov5s模型对像质计编号进行训练，并将训练完的模型固化；
步骤4：利用yolov5n算法对处理后的X射线图像缺陷进行模型训练，为了解决数据不平衡的问题，在训练过程中，对训练效果不好的缺陷增加权重，提高小样本的训练效果，最后将训练完成的模型固化；
步骤5：将待检测图像通过像质计编号固化模型yolov5s进行检测，输出像质计编号信息，通过和步骤2中判断的像质计丝数进行比较，求出最小丝数对应的编号，从而判断图像质量，对于质量低的扫描图像反馈给业务端，重新上传图像；
步骤6：将待检测图像进行步骤1预处理后，输入缺陷检测的固化模型yolov5n，最后输出缺陷的坐标和类别信息，并且输出X-射线图像的焊缝坐标，根据焊缝位置信息，排除噪声的误检情况；
步骤7：利用缺陷坐标信息对缺陷进行定位，提取缺陷特征，利用数字图像处理，输出缺陷的长宽；
优选地，所述步骤4中包括图像预处理，其中图像预处理包括图像清洗和图像过采样。
优选地，所述步骤4中包括数据增强，所述数据增强包括图像的裁剪、镜像和翻转等。
优选地，所述步骤5中如果图像的像质计最小丝数对应的编号，小于阈值，认为该图像质量存在问题，传入服务器，重新上传，大于阈值，进入检测环节。
优选地，所述步骤5中在yolov5s目标检测模型中针对小样本加入权重，针对扫描图像进行训练。
本发明还提出了基于人工智能的焊缝射线检测评片方法应用于数据不平衡、缺陷特征小的X射线图像中。
本发明还提出了基于人工智能的焊缝射线检测评片方法的应用，包括以下步骤：
S1：从原始数据集中获得所有缺陷目标的集合；
S2：将缺陷集合中的任意一个缺陷目标进行随机位置、旋转、翻转，并将该信息保存在p标签中，供迁移和数据增强使用；
S3：根据P标签，将缺陷目标贴在正常的样本图像上，生成新的缺陷样本。
3.有益效果
相比于现有技术，本发明的优点在于：
(1)本发明中，采用AI技术，并根据缺陷特点加入有效的优化手段，使检测效率大幅度提升。
(2)本发明中，在数据不平衡、缺陷特征小等方面进行进一步的研究。X射线图像中的小缺陷(图像占比千分之1)与大缺陷同时检测图像分辨率过高，导致弱小目标在图像下采样的时候丢失脏数据(错误标定或模棱两可的数据)对训练模型的干扰。
(3)本发明中，采用模型集成的形式，针对小缺陷训练时，为了提高缺陷在图像中的相对大小，对图像进行上采样预处理。
(4)本发明中，可以根据很少的缺陷数据生成任意类别的任意数量的缺陷数据，针对小样本训练加入权重并平衡数据集同时增加样本的多样性。
附图说明
图1为本发明提出的基于AI技术无损检测的算法流程图；
图2为本发明提出的基于AI技术无损检测的系统功能图；
图3为本发明提出的针对无损检测算法优化的流程图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
实施例1：
参照图1-3，基于人工智能的焊缝射线检测评片方法，包括以下步骤：
步骤1：将X射线图像通过gamma变换和clahe直方图均衡预处理；
步骤2：利用传统图像算法，将图像的像素累加，求平均值，利用像素统计学方法判断图像的像质计的丝数；
步骤3：利用yolov5s模型对像质计编号进行训练，并将训练完的模型固化；
步骤4：利用yolov5n算法对处理后的X射线图像缺陷进行模型训练，为了解决数据不平衡的问题，在训练过程中，对训练效果不好的缺陷增加权重，提高小样本的训练效果，最后将训练完成的模型固化；
步骤5：将待检测图像通过像质计编号固化模型yolov5s进行检测，输出像质计编号信息，通过和步骤2中判断的像质计丝数进行比较，求出最小丝数对应的编号，从而判断图像质量，对于质量低的扫描图像反馈给业务端，重新上传图像；
步骤6：将待检测图像进行步骤1预处理后，输入缺陷检测的固化模型yolov5n，最后输出缺陷的坐标和类别信息，并且输出X-射线图像的焊缝坐标，根据焊缝位置信息，排除噪声的误检情况；
步骤7：利用缺陷坐标信息对缺陷进行定位，提取缺陷特征，利用数字图像处理，输出缺陷的长宽。
本发明中，步骤4中包括图像预处理，其中图像预处理包括图像清洗和图像过采样。
本发明中，步骤4中包括数据增强，所述数据增强包括图像的裁剪、镜像和翻转等。
本发明中，基于人工智能的焊缝射线检测评片方法应用于数据不平衡、缺陷特征小的X射线图像中。
本发明中，基于人工智能的焊缝射线检测评片方法的应用，包括以下步骤：
S1：从原始数据集中获得所有缺陷目标的集合；
S2：将缺陷集合中的任意一个缺陷目标进行随机位置、旋转、翻转，并将该信息保存在p标签中，供迁移和数据增强使用；
S3：根据P标签，将缺陷目标贴在正常的样本图像上，生成新的缺陷样本。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (6)
1.基于人工智能的焊缝射线检测评片方法，其特征在于，包括以下步骤：
步骤1：将X射线图像通过gamma变换和clahe直方图均衡预处理；
步骤2：利用传统图像算法，将图像的像素累加，求平均值，利用像素统计学方法判断图像的像质计的丝数；
步骤3：利用yolov5s模型对像质计编号进行训练，并将训练完的模型固化；
步骤4：利用yolov5n算法对处理后的X射线图像缺陷进行模型训练，为了解决数据不平衡的问题，在训练过程中，对训练效果不好的缺陷增加权重，提高小样本的训练效果，最后将训练完成的模型固化；
步骤5：将待检测图像通过像质计编号固化模型yolov5s进行检测，输出像质计编号信息，通过和步骤2中判断的像质计丝数进行比较，求出最小丝数对应的编号，从而判断图像质量，对于质量低的扫描图像反馈给业务端，重新上传图像；
步骤6：将待检测图像进行步骤1预处理后，输入缺陷检测的固化模型yolov5n，最后输出缺陷的坐标和类别信息，并且输出X射线图像的焊缝坐标，根据焊缝位置信息，排除噪声的误检情况；
步骤7：利用缺陷坐标信息对缺陷进行定位，提取缺陷特征，利用数字图像处理，输出缺陷的长宽。
2.根据权利要求1所述的基于人工智能的焊缝射线检测评片方法，其特征在于，所述步骤5中包括图像预处理，其中图像预处理包括图像清洗、图像过采样。
3.根据权利要求1所述的基于人工智能的焊缝射线检测评片方法，其特征在于，所述步骤4中包括数据增强，所述数据增强包括图像的裁剪、镜像和翻转等。
4.根据权利要求1所述的基于人工智能的焊缝射线检测评片方法，其特征在于，所述步骤5中如果图像的像质计最小丝数对应的编号，小于阈值，认为该图像质量存在问题，传入服务器，重新上传，大于阈值，进入检测环节。
5.根据权利要求1所述的基于人工智能的焊缝射线检测评片方法，其特征在于，所述步骤4中在yolov5n目标检测模型中针对小样本加入权重，针对扫描图像进行训练。
6.根据权利要求1-5任一所述的基于人工智能的焊缝射线检测评片方法的应用，其特征在于，应用于数据不平衡、缺陷特征小的X射线图像中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210905211.4A CN115266774B (zh) | 2022-07-29 | 2022-07-29 | 基于人工智能的焊缝射线检测评片方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210905211.4A CN115266774B (zh) | 2022-07-29 | 2022-07-29 | 基于人工智能的焊缝射线检测评片方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115266774A CN115266774A (zh) | 2022-11-01 |
| CN115266774B true CN115266774B (zh) | 2024-02-13 |
Family
ID=83772503
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210905211.4A Active CN115266774B (zh) | 2022-07-29 | 2022-07-29 | 基于人工智能的焊缝射线检测评片方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115266774B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115690447A (zh) * | 2022-11-04 | 2023-02-03 | 北京远舢智能科技有限公司 | 一种像质计检测方法、装置、计算机设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109115812A (zh) * | 2018-08-23 | 2019-01-01 | 中国石油大学(北京) | 一种焊缝底片缺陷识别方法及系统 |
| CN109900706A (zh) * | 2019-03-20 | 2019-06-18 | 易思维（杭州）科技有限公司 | 一种基于深度学习的焊缝及焊缝缺陷检测方法 |
| CN111091538A (zh) * | 2019-12-04 | 2020-05-01 | 上海君睿信息技术有限公司 | 一种管道焊缝自动识别、缺陷检测方法及装置 |
| CN112083017A (zh) * | 2020-09-10 | 2020-12-15 | 上海航天精密机械研究所 | 焊缝内部缺陷智能检测装置、方法及介质 |
| CN114187256A (zh) * | 2021-11-24 | 2022-03-15 | 南京芯谱视觉科技有限公司 | 一种焊缝x射线照片缺陷检测方法 |
| CN114372955A (zh) * | 2021-12-02 | 2022-04-19 | 上海工程技术大学 | 一种基于改进神经网络的铸件缺陷x射线图自动识别法 |
| CN114511543A (zh) * | 2022-02-11 | 2022-05-17 | 沈阳派得林科技有限责任公司 | 一种长输管道射线底片智能缺欠评定系统及方法 |
-
2022
- 2022-07-29 CN CN202210905211.4A patent/CN115266774B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109115812A (zh) * | 2018-08-23 | 2019-01-01 | 中国石油大学(北京) | 一种焊缝底片缺陷识别方法及系统 |
| CN109900706A (zh) * | 2019-03-20 | 2019-06-18 | 易思维（杭州）科技有限公司 | 一种基于深度学习的焊缝及焊缝缺陷检测方法 |
| CN111091538A (zh) * | 2019-12-04 | 2020-05-01 | 上海君睿信息技术有限公司 | 一种管道焊缝自动识别、缺陷检测方法及装置 |
| CN112083017A (zh) * | 2020-09-10 | 2020-12-15 | 上海航天精密机械研究所 | 焊缝内部缺陷智能检测装置、方法及介质 |
| CN114187256A (zh) * | 2021-11-24 | 2022-03-15 | 南京芯谱视觉科技有限公司 | 一种焊缝x射线照片缺陷检测方法 |
| CN114372955A (zh) * | 2021-12-02 | 2022-04-19 | 上海工程技术大学 | 一种基于改进神经网络的铸件缺陷x射线图自动识别法 |
| CN114511543A (zh) * | 2022-02-11 | 2022-05-17 | 沈阳派得林科技有限责任公司 | 一种长输管道射线底片智能缺欠评定系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115266774A (zh) | 2022-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gros et al. | NDT data fusion at pixel level | |
| Sun et al. | Real-time automatic detection of weld defects in steel pipe | |
| CN111242123B (zh) | 一种基于红外图像的电力设备故障诊断方法 | |
| US20100220910A1 (en) | Method and system for automated x-ray inspection of objects | |
| Tyystjärvi et al. | Automated defect detection in digital radiography of aerospace welds using deep learning | |
| CN105510364B (zh) | 基于x射线的工业部件缺陷的无损检测系统及其检测方法 | |
| JPH0896136A (ja) | 溶接欠陥の評価システム | |
| CN115266774B (zh) | 基于人工智能的焊缝射线检测评片方法 | |
| Kazantsev et al. | Statistical detection of defects in radiographic images in nondestructive testing | |
| CN111521626A (zh) | 一种压力管道焊接质量的x射线检测方法 | |
| CN110544243B (zh) | 一种ct图像小缺陷自动检出、定量及可靠性评价方法 | |
| CN110084786A (zh) | 一种渐变背景的数字x射线图像缺陷自动识别方法 | |
| CN114842005B (zh) | 一种基于半监督网络的纺织物表面疵点检测方法及系统 | |
| JP7449739B2 (ja) | 検査システム、学習装置、学習プログラム、学習方法、検査装置、検査プログラム、検査方法 | |
| Mohamad et al. | Image enhancement process on digital radiographic image with weld discontinuities | |
| Aoki et al. | Intelligent image processing for abstraction and discrimination of defect image in radiographic film | |
| CN110400358B (zh) | 一种平板探测器环状伪影去除方法 | |
| CN205643198U (zh) | 基于x射线的工业部件缺陷的无损检测系统 | |
| Akhmedyanov et al. | Intelligent system for diagnosing the welded joints quality on the basis of the radiographic method | |
| CN111429410B (zh) | 一种基于深度学习的物体x射线图像材质判别系统及方法 | |
| KR102465045B1 (ko) | 인공지능 모델을 이용한 비파괴검사시스템 및 비파괴검사 방법 | |
| Rajab et al. | Application of frequency domain processing to X-ray radiographic images of welding defects | |
| Xiong et al. | Research on a method of X-ray graph analysis for power equipment | |
| CN112697823B (zh) | 一种基于实时成像等级评价的铝铸件气孔尺寸评估方法 | |
| Cenate et al. | Comparative study of diverse techniques for flaw segmentation in TOFD images of austenitic stainless steel weld |
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 |