[發明專利]基于自注意力網絡的長輸管道射線影像缺陷智能識別方法

在審

• 申請號: 202210090694.7
• 申請日: 2022-01-26
• 公開（公告）號: CN114445366A
• 公開（公告）日: 2022-05-06
• 發明（設計）人: 左逢源;張照旭;毛建;王子;丁疆強;閆海龍;趙祥
• 申請（專利權）人: 沈陽派得林科技有限責任公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08
• 代理公司: 沈陽新科知識產權代理事務所(特殊普通合伙) 21117
• 代理人: 鄭瑤

本發明提供的一種基于自注意力網絡的長輸管道射線影像缺陷智能識別方法，具體過程如下：首先將工業底片掃描數字化圖像并建立標簽數據庫。然后基于數據驅動進行深度學習模型建立，在常規目標檢測算法中嵌入自注意力模型以增強缺陷特征,并通過頸部網絡融合缺陷深層與淺層信息。接著通過聯合優化分類與回歸損失訓練缺陷檢測模型。最后基于生成的缺陷檢測模型推理無標記圖像獲得缺陷的位置信息以及類別信息。本發明提供的方法大幅度提升了長輸管道射線影像智能識別能力。

技術領域

本發明涉及管道焊縫缺陷檢測技術領域，尤其涉及基于自注意力網絡的長輸管道射線影像缺陷智能識別方法。

背景技術

目前石化工業迅速發展，長輸管道在運輸能源中扮演著關鍵角色，因此維護管道的安全至關重要。在眾多管道故障當中由于焊縫質量不合格而引起的泄露事故不在少數，主要原因在于焊接過程中產生了許多危害性較高的缺陷，這些缺陷違背及時識別將嚴重威脅長時間工作在惡劣環境下管道的安全。因此為了保證焊接工程質量，避免因未能及時發現焊接嚴重缺陷而造成管道泄漏，給環境經濟和安全造成巨大損失，必須嚴格按照焊接標準對管道焊縫區域進行缺陷檢查。

由于人工缺陷檢測的低效性與主觀性，基于X射線的自動缺陷識別系統被廣泛研究。在目前的方法中，大部分的研究內容集中在兩個方向，其一是基于傳統的圖像處理和機器學習方法，其二是基于深度學習算法實現端到端的焊縫缺陷檢測。在傳統的方法中，基于圖像處理的方法通常用于提高X射線圖像的質量，并從圖像中分割出感興趣的區域，基于機器學習方法通常用于模式識別。基于濾波的方法為X射線圖像處理常用的手段，通常采用像素閾值分割等形式實現缺陷圖像二值化，然后依據不同類別缺陷的特征不同基于機器學習可解釋分類模型實現最終的缺陷檢測。目前該方法的缺點有如下幾點：缺陷檢測流程繁瑣，特征提取需要依賴大量專業人員經驗，傳統方法對復雜缺陷特征學習能力較弱，無法準確識別長輸管線復雜的缺陷影響。

目前深度學習廣泛應用到工業領域，大量的端到端目標識別算法在工業檢測方面取得了良好的進展，但是目前長輸管道焊接缺陷檢測存在以下難點：其一、圖像背景復雜，某些背景特征與缺陷及其相似，傳統的卷積網絡結構對齊擬合能力較弱。其二、微小缺陷影像特征較弱，常規網絡結構無法對其精準識別。

目前注意機制已成為CNN模型不可缺少的一部分，在抑制復雜背景和突出物體特征方面表現出良好的效果，它可以通過融合通道特征和空間特征來實現對噪聲特征的抑制和對缺陷特征的突出。

發明內容

針對目前焊縫缺陷檢測精度較低的技術問題，本發明提供了一種基于自注意力網絡的長輸管道射線影像缺陷智能識別方法。

具體技術方案如下：

基于自注意力網絡的長輸管道射線影像缺陷智能識別方法，包括以下步驟：

步驟1：基于NEU-ZD-2工業底片掃描儀對工業底片進行數字化獲得焊縫缺陷數字化圖像后，基于無損檢測工程師進行缺陷樣本標注，制作數據集；

步驟2：圖像預處理，焊接區域的粗糙度，原始圖像包含了大量的干擾信號，這顯著地影響了對缺陷的識別，采用改進的均值濾波方法去除原始X射線圖像所包含的大量干擾信號，完成去除噪聲預處理；

步驟3：設計主干網絡實現缺陷特征提取，將制作的焊縫缺陷圖像與其相對應的缺陷標簽的輸入到網絡中，提取紋理和語義特征；

步驟4：設計改進的自注意力網絡層增強主干網絡提取到的缺陷深層特征；自注意力層用于計算特征中不同位置之間的權重，從而達到更新特征的效果，通過連接層進行特征的映射，得到增強后的特征。

步驟5：對多級特征進行特征融合，實現深層淺層特征增強；