CN117789184A - 一种统一的焊缝射线图像智能识别方法 - Google Patents
一种统一的焊缝射线图像智能识别方法 Download PDFInfo
- Publication number
- CN117789184A CN117789184A CN202410205715.4A CN202410205715A CN117789184A CN 117789184 A CN117789184 A CN 117789184A CN 202410205715 A CN202410205715 A CN 202410205715A CN 117789184 A CN117789184 A CN 117789184A
- Authority
- CN
- China
- Prior art keywords
- training
- training set
- panoramic
- image
- network
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000007547 defect Effects 0.000 claims abstract description 71
- 238000003466 welding Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 153
- 239000003550 marker Substances 0.000 claims description 39
- 230000003416 augmentation Effects 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000002950 deficient Effects 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 10
- 238000007689 inspection Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 8
- 206010063385 Intellectualisation Diseases 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 239000011324 bead Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000008521 reorganization Effects 0.000 description 2
- 239000002893 slag Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004642 transportation engineering Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
一种统一的焊缝射线图像智能识别方法，本申请涉及焊缝射线检测、多任务学习技术领域，提供一种统一的多任务焊缝射线图像缺陷智能识别框架UniWRDR，该框架考虑射线图像缺陷识别中不同任务域的差异，实现了各任务领域的解耦检测，以提升射线图像缺陷识别的精度，UniWRDR基于通用的软共享主干网络和专一的特定任务域子网，寻求多个任务领域精度的高度平衡，进而为射线焊缝图像领域的自动化与智能化提供了更通用、更全面的解决方案。
Description
技术领域
本申请涉及焊缝射线检测、多任务学习技术领域，特别是涉及一种统一的焊缝射线图像智能识别方法。
背景技术
油气管道建设的大力发展，为管道建设的质量控制带来了挑战，射线检测技术能够直观显示出焊缝材料结构内部缺陷的形状、大小及分布，在管道焊缝缺陷检测方面具有独特优势，是工业领域广泛应用的无损检测技术，管道数字化包括管道资料的信息化、网络化、智能化和可视化，当前人工智能领域在工业图像领域中的应用与发展方兴未艾，利用机器学习技术，提升通用场景下射线图像目标识别的智能化和自动化水平，能够加快智能化管道建设，并有效地提升能源运输工程的安全性和可靠性。
目前已经提出了大量的有关射线图像缺陷识别、焊道识别、字符识别等任务领域相关的技术申请，能够在特定任务领域上达到较高的精度，从而极大地推进了射线图像处理与分析的智能化进程，然而，射线图像的缺陷识别的任务域更加广泛，其任务域包括射线图像上的缺陷、焊道、字符在内的所有信息，若将这些信息使用单任务网络进行识别，则精度较低，若采用多模型融合方法，则需要消耗较大的计算量且运行速度较慢，因此，提出一种端到端的多任务框架用于射线图像的缺陷识别任务是当前亟需解决的难题。
因此，针对现有技术不足，提供一种统一的焊缝射线图像智能识别方法以解决现有技术不足甚为必要。
发明内容
本申请的目的在于避免现有技术的不足之处而提供一种统一的焊缝射线图像智能识别方法，本申请提供一种统一的多任务焊缝射线图像缺陷智能识别框架UniWRDR，该框架考虑射线图像缺陷识别中不同任务域的差异，实现了各任务领域的解耦检测，以提升射线图像缺陷识别的精度，UniWRDR基于通用的软共享主干和专一的特定任务域子网，寻求多个任务领域精度的高度平衡，进而为射线焊缝图像领域的自动化与智能化提供了更通用、更全面的解决方案。
本申请的上述目的通过如下技术手段实现。
提供一种统一的焊缝射线图像智能识别方法，包括以下步骤：
S1：数据采集，包括工程师拍摄的底片扫描或直接成像获取的焊缝数字化射线图像；
S2：制作训练集，确定焊缝数字化射线图像的像素坐标，形成全景训练集和任务特定的缺陷训练集、标记物训练集和铅字训练集；
缺陷训练集由烧穿、根部未熔合、夹层未熔合、未焊透、裂纹、内咬边、内凹、圆形缺陷（包括气孔、夹渣）、条形缺陷（包括气孔、夹渣），共9类缺陷组成；
标记物训练集中包含外表面熔合线、根部熔合线、像质计丝、像质计铭牌、制管直焊缝、制管螺旋焊缝、标签、搭接等8类标记物；
铅字训练集包括26个大写英文字母、10个阿拉伯数字、3个汉字“年、月、日”、中心标记铅字、搭接标记铅字、管径标志铅字、加号、减号，共44类铅字；
全景训练集由缺陷训练集、标记物训练集、铅字训练集组成，其类别为上述三个训练集的总和，即44+9+8=61类；
S3：使用全景训练集训练全景网络；
S4：基于全景网络分别训练出缺陷模型、标记物模型和铅字模型；
S5：将缺陷模型、标记物模型和铅字模型进行重组，得到用于焊缝射线图像智能识别的缺陷目标识别框架。
在S2中全景训练集，缺陷训练集/>，标记物训练集/>，铅字训练集/>；
其中，表示训练集样本个数，/>代表图像，/>为对应/>的像素坐标，A/a代表全景训练集，D/d代表缺陷训练集，S/s代表标记物训练集，O/o代表铅字训练集。
在S3中还具有以下步骤：
S3.1：对全景训练集进行训练增强与增广；
通过焊缝数字化射线图像翻转、图像旋转、窗宽窗位调整的方式对三组训练集进行扩充，并对三组训练集图像标签采取相应的变换，进而大幅度扩充全景训练集，其中/>表示为扩充训练集后焊缝图像中缺陷的个数，通过训练样本增广来提升模型的泛化能力，并模拟未知场景中样本的多样性与复杂性，进而大幅度提升模型的鲁棒性；
在S3.1窗宽窗位调整具体包括以下步骤：
S3.1.1：取输入图像的灰度分布直方图/>，其中输入图像的宽、高分别为/>；
S3.1.2：计算灰度直方图中灰度值的总和；
S3.1.3：求取自适应灰度均值；
S3.1.4：求取窗宽、窗位上限、下限/>；
S3.1.5：根据窗宽、窗位上限、下限/>，校正图像的窗宽、窗位，输出校正后图像；
S3.2：初始化全景网络；
初始化全景网络，设置单次训练输入图像个数大小/>，共进行/>批次训练次数；
S3.3：将全景训练集输入到全景网络提取出软共享特征；
输入全景训练集到全景网络/>中，提取任务通用的软共享特征，其中/>表示经过全景网络/>提取软共享特征/>后所得到的多尺度特征图个数，/>为软共享特征；
S3.4：将软共享特征输入至全景网络转化获得预测结果；
输入软共享特征在全景网络/>中进行转化，预测出分类结果/>、边框结果/>置信度结果/>和掩模结果/>，/>为预测结果，/>为非整数，c、b、λ、m为对应结果；
全景网络与预测的分类结果/>、边框结果/>、置信度结果/>和掩模结果/>存在如公式（1-4)所示关系：
S3.5：通过预测结果和图像标签计算损失函数；
通过分类结果、边框结果/>置信度结果/>和掩模结果/>和图像标签计算得到损失函数/>，其中损失函数/>的计算公式如公式5-9所示：
其中，为多分类交叉熵损失函数，/>为边界框回归损失函数，/>为置信度损失函数，/>为掩模损失函数，/>代表图像/>的预测类别，/>代表图像/>的预测边框，/>代表图像/>的预测掩模，/>代表图像/>的分类标签，/>代表图像/>的边框标签，/>代表图像的掩模标签。
S3.6：采用优化器迭代获得软共享主干网络；
全景网络和损失函数L采用优化器/>进行优化训练，当训练轮数达到时停止训练，其中/>＝300，,优化器/>在每一批次的迭代过程中持续优化全景网络/>，直至达到最大迭代轮数300时，保存全景网络/>，根据保存的全景网络/>取出并保存软共享主干网络/>，如公式10所示：
设定训练轮数上限，使得训练轮数达到/>时停止训练过程。根据公式6-9计算得到的损失值，优化器/>在每一批次的迭代过程中，持续优化模型参数，直至达到最大迭代轮数300，保存最优全局参数，如公式11所示：
在S4中包括以下操作：
生成缺陷模型；
根据软共享主干网络和缺陷训练集/>，训练/>个缺陷任务子网络/>，扩充缺陷训练集为/>，/>表示为缺陷训练集图像个数，软共享主干网络/>基于损失函数L，监督训练缺陷任务子网络/>，得到缺陷模型/>；
生成铅字模型；
根据软共享主干网络和铅字训练集/>，训练/>个铅字任务子网络/>，扩充铅字训练集为/>，/>表示为铅字训练集图像个数，软共享主干网络/>基于损失函数L，监督训练铅字任务子网络/>，得到铅字模型/>；
生成标记物模型；
根据软共享主干网络和标记物训练集/>，训练/>个标记物任务子网络/>，扩充标记物训练集为/>，/>表示为标记物训练集图像个数，软共享主干网络/>基于损失函数L，监督训练标记物任务子网络/>，得到标记物模型/>。
把S3.6、S4.1、S4.2、S4.3所得到的软共享主干网络、缺陷模型/>、铅字模型/>和标记物模型/>重组为一个缺陷目标识别框架。
其中重组表示三种模型的横向拼接，形成单通道的软共享主干网络与多个领域子网相连的模型结构，当单张图像送入模型推理时，首先送入软共享主干网络/>提取缺陷、铅字、标记物模型共享的特征，其次将该特征送入各模型再进行计算。
本申请通过在生产过程中，本申请提供一种统一的多任务焊缝射线图像缺陷智能识别框架UniWRDR，该框架考虑射线图像缺陷识别中不同任务域的差异，实现了各任务领域的解耦检测，以提升射线图像缺陷识别的精度，UniWRDR基于通用的软共享主干网络和专一的特定任务域子网，寻求多个任务领域精度的高度平衡，进而为射线焊缝图像领域的自动化与智能化提供了更通用、更全面的解决方案。
附图说明
利用附图对本申请作进一步的说明，但附图中的内容不构成对本申请的任何限制。
图1是本申请一种统一的焊缝射线图像智能识别方法的流程图。
具体实施方式
结合以下实施例对本申请作进一步描述。
实施例1
一种统一的焊缝射线图像智能识别方法，本实施例的整体方法分别如图1所示，具体实施方法如下所述：
S1:数据采集，包括工程师拍摄的底片扫描或直接成像获取的焊缝数字化射线图像。
S2:制作训练集，确定焊缝数字化射线图像的像素坐标，形成全景训练集和任务特定的缺陷训练集、标记物训练集和铅字训练集；
具体表示如下：全景训练集，缺陷训练集/>，标记物训练集/>，铅字训练集/>，其中，/>取500K。
S3；使用全景训练集训练全景网络；
S3.1:对全景训练集进行数据增强与增广；
通过训练样本增广来提升模型的泛化能力，并模拟未知场景中样本的多样性与复杂性，进而大幅度提升模型的鲁棒性和多场景适应能力。
通用图像增强模块采取HSV色彩变换、高斯噪声、高斯模糊、自适应亮度调整、图像翻转、图像镜像、尺度缩放、自适应窗宽窗位调整等多种方式并对焊缝数字化射线图像采取相应的变换，大幅度扩充全景训练集，扩充训练集后焊缝图像中缺陷的个数取1M。
S3.2:初始化全景网络；
S3.3:设置批次大小，分批输入全景训练集/>到全景网络中，提取任务通用的软共享特征/>，其中/>表示经过全景网络/>提取软共享特征后所得到的多尺度特征图个数，本实施例中/>；
S3.4:转化共享特征为全景网络/>并预测分类结果/>、边框结果/>置信度结果/>和掩模结果/>；
S3.5:采用基于动量的随机梯度下降优化器，通过评估网络的损失波动，优化联合主干参数，保存最优联合主干权重，每一批次/>的代价函数/>的计算公式如公式12所示：
S3.6:本实施例中，设定训练轮数上限，使得训练轮数达到e时停止训练过程，根据公式(12)计算得到的损失值，优化器/>在每一批次的迭代过程中优化全局参数，直至达到最大迭代轮数300时，保存最优全局参数，如公式13所示：
在全景训练集上迭代至最大轮数/>时，根据保存的全局参数/>，取出软共享主干网络/>。
S4:基于全景网络分别训练出缺陷模型、标记物模型和铅字模型；
生成缺陷模型：根据软共享主干网络和缺陷训练集/>，训练个特定于缺陷识别任务域的缺陷任务子网络/>；
对缺陷训练集进行数据增强与增广；通过扩充训练样本来增加模型的泛化能力，并模拟未知场景中样本的多样性与复杂性，进而大幅度提升模型的鲁棒性和多场景适应能力，图像增强模块分为两部分：离线增强与在线增强；
离线增强采用随机裁剪、随机填充、高斯模糊、同态滤波、自适应窗宽窗位变换等方式并对图像标签采取相同的操作进而大幅度扩充缺陷任务域训练集，其中/>表示为扩充训练集后焊缝图像中缺陷的个数。
在线增强采取图像翻折、图像尺度缩放、高斯模糊、HSV色彩空间变换、自适应窗宽窗位调整等方式，并对图像标签采取相同的操作，旨在增强模型的通用性和鲁棒性。
设置批次大小，分批输入训练集/>到软共享主干网络/>中，提取任务通用的软共享特征/>，其中/>表示经过全景网络/>提取软共享特征/>后所得到的多尺度特征图个数，本实施例中为3，将软共享特征/>送入缺陷任务域子网/>，进一步提取缺陷任务域特征并预测缺陷的分类结果/>、边框结果/>、置信度结果/>和掩模结果/>。
通过预测结果和图像标签计算损失函数L；采用基于动量的随机梯度下降优化器，通过评估损失波动，快速优化联合主干参数，保存最优联合主干权重，其中，每一批次图像损失/>等于每一批次的多分类损失/>、边框回归损失/>置信度损失/>、语义分割损失/>四种损失之和，如公式(12)所示。
多分类损失由图像/>的真实类别标签/>和图像/>的预测分类/>计算多分类交叉熵/>得到，用于提升模型的分类性能，如公式14所示。
边框回归损失由图像/>的真实边框标签/>和图像/>的预测边框/>计算交并比损失/>和距离度量损失/>得到，用于提升模型的边框回归性能，如公式15所示。
语义分割损失通过计算下采样图像掩模/>和预测掩模/>的Focal损失/>得到，如公式16所示。
设定训练轮数上限，使得训练轮数达到300时停止训练过程软共享主干网络/>基于多分类损失/>、置信度损失/>、边框回归损失/>语义分割损失/>四种损失，监督训练/>，利用优化器/>在每一批次的迭代过程中，直至达到最大迭代轮数，保存最优全局参数，如公式17所示：
在缺陷训练集迭代至最大轮数/>时，根据保存的全局参数，取出缺陷模型/>。
生成铅字模型：软共享主干网络的参数训练/>个铅字任务子网络，对铅字训练集进行数据增强与增广，增广后铅字训练集为/>；
设置批次大小，分批输入铅字训练集/>到软共享主干网络中，提取任务通用的软共享特征/>，其中/>表示经过软共享主干网络/>提取软共享特征/>后所得到的多尺度特征图个数，将软共享特征/>送入铅字任务域检测网络/>，进一步提取铅字任务域特征，并预测缺陷的分类结果/>、边框结果/>置信度结果/>和掩模结果/>，重复训练生成缺陷模型中步骤通过预测结果和图像标签计算损失函数L，在铅字训练集/>上迭代至最大轮数300时，根据保存的全局参数，取出铅字模型。
生成标记物模型：软共享主干网络的参数训练/>个标记物任务子网络，/>取3/>对训练集进行数据增强与增广，增广后的标记物训练集为；
设置批次大小，分批输入标记物训练集/>到软共享主干网络/>中，提取任务通用的软共享特征/>，其中/>表示经过软共享主干网络/>提取软共享特征/>后所得到的多尺度特征图个数，本实施例中/>，将软共享特征/>送入标记物任务域检测网络/>，转化共享特征/>为缺陷任务域特征并预测缺陷的分类结果/>、边框结果/>置信度结果/>和掩模结果/>，重复训练生成缺陷模型中步骤通过预测结果和图像标签计算损失函数L，在标记物训练集上迭代至最大轮数300时，根据保存的全局参数，取出标记物模型。
S5:将缺陷模型、标记物模型和铅字模型进行重组，得到用于焊缝射线图像智能识别的缺陷目标识别框架:把软共享主干、缺陷模型/>、铅字模型/>、标记物模型/>重组为缺陷识别网络UniWRDR，重组网络架构。
在生产过程中，本申请提供一种统一的多任务焊缝射线图像缺陷智能识别框架UniWRDR，该框架考虑射线图像缺陷识别中不同任务域的差异，实现了各任务领域的解耦检测，以提升射线图像缺陷识别的精度，UniWRDR基于通用的软共享主干网络和专一的特定任务域子网，寻求多个任务领域精度的高度平衡，进而为射线焊缝图像领域的自动化与智能化提供了更通用、更全面的解决方案。
最后应当说明的是，以上实施例仅用以说明本申请的技术方案而非对本申请保护范围的限制，尽管参照较佳实施例对本申请作了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或者等同替换，而不脱离本申请技术方案的实质和范围。
Claims (9)
1.一种统一的焊缝射线图像智能识别方法，其特征在于：包括以下步骤：
S1：数据采集，包括工程师拍摄的底片扫描或直接成像获取的焊缝数字化射线图像；
S2：制作训练集，确定焊缝数字化射线图像的像素坐标，形成全景训练集和任务特定的缺陷训练集、标记物训练集和铅字训练集,其中，全景训练集由缺陷训练集、标记物训练集、铅字训练集组成；
S3：使用全景训练集训练全景网络；
S3.1：对全景训练集进行训练增强与增广；
通过焊缝数字化射线图像翻转、图像旋转、窗宽窗位调整的方式对三组训练集进行扩充并对三组训练集图像标签采取相应的变换，进而大幅度扩充全景训练集，其中，/>为扩充训练集后焊缝图像中缺陷的个数，其中，0＜/>，且/>为正整数；
S3.2：初始化全景网络，设置单次训练输入图像个数/>，共进行/>批次训练次数，其中，0＜/>，且/>为正整数；
S3.3：将全景训练集输入到全景网络中提取出软共享特征；
输入全景训练集到全景网络/>中，提取任务通用的软共享特征，其中/>表示经过全景网络/>提取软共享特征/>后所得到的多尺度特征图个数，其中，0＜/>，且/>为正整数，/>为软共享特征；
S3.4：将软共享特征输入至全景网络，并转化获得预测结果；
预测出分类结果、边框结果/>、置信度结果/>和掩模结果/>；
S3.5：通过预测结果和图像标签计算损失函数；
通过分类结果、边框结果/>、置信度结果/>和掩模结果/>和图像标签计算得到损失函数/>；
其中损失函数的计算公式如下公式所示：
；
；
；
；
；
S3.6：采用优化器迭代获得软共享主干网络；
全景网络和损失函数L采用优化器/>进行优化训练，当训练轮数达到/>时停止训练，其中/>＝300，优化器/>在每一批次的迭代过程中持续优化全景网络/>，直至达到最大迭代轮数300时，保存全景网络/>，根据保存的全景网络/>取出并保存软共享主干网络/>；
S4：基于全景网络分别训练出缺陷模型、标记物模型和铅字模型；
S5：将缺陷模型、标记物模型和铅字模型进行重组，得到用于焊缝射线图像智能识别的缺陷目标识别框架。
2.根据权利要求1所述的一种统一的焊缝射线图像智能识别方法，其特征在于：步骤S2具体如下：全景训练集，缺陷训练集/>，标记物训练集，铅字训练集/>；
其中，表示训练集样本个数，/>代表图像，/>为对应/>的像素坐标，A/a代表全景训练集，D/d代表缺陷训练集，S/s代表标记物训练集，O/o代表铅字训练集，0＜/>且/>为正整数。
3.根据权利要求1所述的一种统一的焊缝射线图像智能识别方法，其特征在于：在步骤S4中包括训练生成缺陷模型；
根据软共享主干网络和缺陷训练集/>，训练/>个缺陷任务子网络，扩充缺陷训练集为/>，/>表示为缺陷训练集图像个数，软共享主干网络/>基于损失函数L，监督训练缺陷任务子网络/>，当训练轮数达到/>时停止训练，其中/>＝300时得到缺陷模型/>，其中0＜/>，且/>为正整数。
4.根据权利要求1所述的一种统一的焊缝射线图像智能识别方法，其特征在于：在步骤S4中包括训练生成铅字模型：
根据软共享主干网络和铅字训练集/>，训练/>个铅字任务子网络，扩充铅字训练集为/>，/>表示为铅字训练集图像个数，软共享主干网络/>基于损失函数L，监督训练铅字任务子网络/>，当训练轮数达到/>时停止训练，其中/>＝300时得到铅字模型/>，其中0＜/>，且/>为正整数。
5.根据权利要求1所述的一种统一的焊缝射线图像智能识别方法，其特征在于：在步骤S4中包括训练生成标记物模型；
根据软共享主干网络和标记物训练集/>，训练/>个标记物任务子网络/>，扩充标记物训练集为/>，/>表示为标记物训练集图像个数，软共享主干网络/>基于损失函数L，监督训练标记物任务子网络/>，当训练轮数达到/>时停止训练，其中/>＝300时得到标记物模型/>其中0＜/>，且为正整数。
6.根据权利要求1所述的一种统一的焊缝射线图像智能识别方法，其特征在于：步骤S3.4中还包括，输入软共享特征在全景网络/>中进行转化，预测出分类结果/>、边框结果置信度结果/>和掩模结果/>，/>为预测结果，/>为非整数，c、b、λ、m为对应结果，其中c、b、λ、m均大于0；
全景网络与预测的分类结果/>、边框结果/>、置信度结果/>和掩模结果/>存在如下公式所示关系：
；
；
；
。
7.根据权利要求1所述的一种统一的焊缝射线图像智能识别方法，其特征在于：在步骤S3.1中增强与增广分为两部分：离线增强与在线增强；
离线增强采用随机裁剪、随机填充、高斯模糊、同态滤波、自适应窗宽、窗位调整等方式并对图像标签采取相同的操作进而大幅度扩充训练集；
在线增强采取图像翻折、图像尺度缩放、高斯模糊、HSV色彩空间变换、自适应窗宽窗位调整等方式，并对图像标签采取相同的操作，增强模型的通用性和鲁棒性。
8.根据权利要求1所述的一种统一的焊缝射线图像智能识别方法，其特征在于：在步骤S5中重组表示缺陷模型、标记物模型和铅字模型的横向拼接，形成单通道的软共享主干网络与多个领域子网相连的模型结构。
9.根据权利要求7所述的一种统一的焊缝射线图像智能识别方法，其特征在于：窗宽窗位调整具体包括以下步骤：
S3.1.1：取输入图像的灰度分布直方图/>，其中输入图像的宽、高分别为/>；
S3.1.2：计算灰度直方图中灰度值的总和；
S3.1.3：求取自适应灰度均值；
S3.1.4：求取窗宽上限、窗位上限/>窗宽下限/>，窗宽下限/>：
S3.1.5：根据窗宽上限、窗位上限/>窗宽下限/>，窗宽下限/>，校正图像的窗宽、窗位，输出校正后图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410205715.4A CN117789184B (zh) | 2024-02-26 | 一种统一的焊缝射线图像智能识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410205715.4A CN117789184B (zh) | 2024-02-26 | 一种统一的焊缝射线图像智能识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117789184A true CN117789184A (zh) | 2024-03-29 |
| CN117789184B CN117789184B (zh) | 2024-05-17 |
Family
ID=
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112017154A (zh) * | 2020-07-08 | 2020-12-01 | 林智聪 | 基于Mask R-CNN模型的一种射线缺陷检测方法 |
| CN114627106A (zh) * | 2022-04-01 | 2022-06-14 | 中国特种设备检测研究院 | 一种基于Cascade Mask R-CNN模型的焊缝缺陷检测方法 |
| CN116228682A (zh) * | 2023-02-06 | 2023-06-06 | 西南石油大学 | 一种基于多支路卷积神经网络的射线图像焊缝缺陷识别方法 |
| CN116258175A (zh) * | 2022-12-30 | 2023-06-13 | 沈阳派得林科技有限责任公司 | 一种基于主动学习的焊缝缺陷智能识别模型进化方法 |
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112017154A (zh) * | 2020-07-08 | 2020-12-01 | 林智聪 | 基于Mask R-CNN模型的一种射线缺陷检测方法 |
| CN114627106A (zh) * | 2022-04-01 | 2022-06-14 | 中国特种设备检测研究院 | 一种基于Cascade Mask R-CNN模型的焊缝缺陷检测方法 |
| CN116258175A (zh) * | 2022-12-30 | 2023-06-13 | 沈阳派得林科技有限责任公司 | 一种基于主动学习的焊缝缺陷智能识别模型进化方法 |
| CN116228682A (zh) * | 2023-02-06 | 2023-06-06 | 西南石油大学 | 一种基于多支路卷积神经网络的射线图像焊缝缺陷识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| FALK HEUER ET AL.: "Multi-task-CenterNet(MCN): Efficient and Diverse Multitask Learning using an Anchor Free Approach", 《ARXIV:2108.05060V2》, 10 September 2021 (2021-09-10), pages 1 - 9 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109741347B (zh) | 一种基于卷积神经网络的迭代学习的图像分割方法 | |
| CN113674247B (zh) | 一种基于卷积神经网络的x射线焊缝缺陷检测方法 | |
| CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
| CN111223088B (zh) | 一种基于深层卷积神经网络的铸件表面缺陷识别方法 | |
| CN110569901B (zh) | 一种基于通道选择的对抗消除弱监督目标检测方法 | |
| CN111028217A (zh) | 一种基于全卷积神经网络的图像裂缝分割方法 | |
| CN108038409A (zh) | 一种行人检测方法 | |
| CN112966684A (zh) | 一种注意力机制下的协同学习文字识别方法 | |
| CN111950453A (zh) | 一种基于选择性注意力机制的任意形状文本识别方法 | |
| CN112488025B (zh) | 基于多模态特征融合的双时相遥感影像语义变化检测方法 | |
| CN111914720B (zh) | 一种输电线路绝缘子爆裂识别方法及装置 | |
| CN115439458A (zh) | 基于深度图注意力的工业图像缺陷目标检测算法 | |
| CN115775236A (zh) | 基于多尺度特征融合的表面微小缺陷视觉检测方法及系统 | |
| CN114743201A (zh) | 一种基于旋转目标检测的万用表读数识别方法及系统 | |
| CN113989604A (zh) | 基于端到端深度学习的轮胎dot信息识别方法 | |
| CN112215301B (zh) | 基于卷积神经网络的影像直线探测方法 | |
| CN113962980A (zh) | 基于改进yolov5x的玻璃容器瑕疵检测方法及系统 | |
| Bahreini et al. | Point cloud semantic segmentation of concrete surface defects using dynamic graph CNN | |
| CN114332473A (zh) | 目标检测方法、装置、计算机设备、存储介质及程序产品 | |
| CN117437647A (zh) | 基于深度学习和计算机视觉的甲骨文字检测方法 | |
| CN117789184B (zh) | 一种统一的焊缝射线图像智能识别方法 | |
| CN112418207A (zh) | 一种基于自注意力蒸馏的弱监督文字检测方法 | |
| CN117789184A (zh) | 一种统一的焊缝射线图像智能识别方法 | |
| CN116665009A (zh) | 一种基于多尺度ssd网络的管道漏磁图像检测方法 | |
| CN110889418A (zh) | 一种气体轮廓识别方法 |
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 |