[發明專利]基于深度學習的工業射線影像評定方法及裝置

有效

• 申請號: 201910043815.0
• 申請日: 2019-01-17
• 公開（公告）號: CN109859177B
• 公開（公告）日: 2023-03-10
• 發明（設計）人: 原坤;陳魏然;丁名曉;代通;陸和平
• 申請（專利權）人: 航天新長征大道科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/25;G06V10/26;G06V10/774
• 代理公司: 北京風雅頌專利代理有限公司 11403
• 代理人: 陳宙

1.一種基于深度學習的工業射線影像評定方法，其特征在于，包括：

獲取待檢測的工業射線影像；

基于預先訓練的焊縫分割模型對所述工業射線影像進行識別，獲得感興趣區域；

基于預先訓練的各類缺陷檢測模型對所述感興趣區域進行檢測，獲得缺陷檢測結果；

基于預先訓練的誤檢鑒別器對所述缺陷檢測結果進行鑒別，獲得最終評定結果；

其中，所述基于預先訓練的焊縫分割模型對所述工業射線影像進行識別，獲得感興趣區域，具體包括：

基于預先訓練的焊縫分割模型識別出所述工業射線影像中的焊縫區域；

計算所述焊縫區域在整個影像中的占比和所述焊縫區域的寬高比；

若所述占比和寬高比大于第一預設閾值，則判定所述焊縫區域可靠，對所述焊縫區域進行補全處理，并將補全后的焊縫區域作為感興趣區域，否則判定所述焊縫區域不可靠，將所述工業射線影像作為感興趣區域；

其中，所述對所述焊縫區域進行補全處理，具體包括：

對所述焊縫區域進行直線擬合，計算擬合直線相對于豎直方向的傾角；

根據所述傾角計算旋轉仿射變換矩陣，以對所述工業射線影像進行仿射變換，使變換后的工業射線影像中的焊縫區域呈豎直方向；

采用預設的高閾值和低閾值聯合判斷所述焊縫區域的起止點；

根據所述起止點補全所述焊縫區域；

其中，所述采用預設的高閾值和低閾值聯合判斷所述焊縫區域的起止點，具體包括：

對變換后的工業射線影像進行垂直方向的積分投影；

尋找投影值大于所述高閾值的連續區域；

若連續區域數為1，則將所述連續區域的起止點作為所述焊縫區域的起止點；

若連續區域數大于1，則尋找多個連續區域中寬度最大的連續區域，并計算在所述低閾值處寬度最大連續區域到其相鄰連續區域的距離，若所述距離小于預設距離閾值且相鄰連續區域在所述低閾值處的寬度小于預設寬度閾值，則將所述寬度最大連續區域與其相鄰連續區域合并，并將合并后的區域的左右邊界作為所述焊縫區域的起止點，否則將所述寬度最大連續區域的起止點作為所述焊縫區域的起止點。

2.根據權利要求1所述的基于深度學習的工業射線影像評定方法，其特征在于，所述缺陷檢測結果包括缺陷區域及對應的缺陷類別；

所述基于預先訓練的誤檢鑒別器對所述缺陷檢測結果進行鑒別，獲得最終評定結果，具體包括：

提取所述缺陷區域的連通域長度、連通域寬度、連通域長寬比和連通域面積，并與相應的閾值進行比較；

若提取的值小于第二預設閾值，則判定所述缺陷區域為誤檢區域；否則以所述缺陷區域的中心點為中心，裁剪出預設大小的區域塊，并基于預先訓練的誤檢鑒別器對所述缺陷區域進行鑒別，若鑒別結果為正常，則判定所述缺陷區域為誤檢區域；

去除所述缺陷檢測結果中的誤檢區域及對應的缺陷類別，獲得最終評定結果。

3.根據權利要求1所述的基于深度學習的工業射線影像評定方法，其特征在于，在所述獲取待檢測的工業射線影像之前，還包括：

建立樣本數據庫；

根據所述樣本數據庫，并基于深度學習的語義分割算法，建立并訓練所述焊縫分割模型；

根據所述樣本數據庫，并基于深度學習的語義分割算法，建立并訓練對應的缺陷檢測模型；

根據所述樣本數據庫，并基于深度學習的圖像分類方法，建立并訓練所述誤檢鑒別器。

4.根據權利要求3所述的基于深度學習的工業射線影像評定方法，其特征在于，所述建立樣本數據庫，具體包括：

獲取樣本圖像；

對所述樣本圖像進行清洗，以去除不合格的樣本圖像；

在清洗后的樣本圖像上標注焊縫區域、缺陷類別、黑度值和對比度并保存，以建立樣本數據庫。