[发明专利]基于神经网络的压力容器焊缝缺陷识别方法及其装置

说明书

技术领域

本发明涉及射线检测焊缝图像处理与缺陷识别技术领域，具体涉及一种基于神经网络的压力容器焊缝缺陷识别方法及其装置。

背景技术

随着射线检测与图像处理技术的快速发展，对于焊缝缺陷的检测也逐步从人工评片过渡到了计算机智能检测识别。利用计算机对数字化的焊缝图像进行分析和识别，不但提高了检测效率和经济效益，更重要的是该方法方便实用，便于操作。因此，如何提高射线检测的智能化、自动化和定量化，是当前射线检测技术研究的热点问题。

由于射线检测本身存在的特点，使得产生的射线检测图像具有对比度不高、缺陷边缘模糊、图像噪声多、存在较大背景起伏等特点，因此如何在射线检测焊缝图像中快速准确的提取出缺陷，以及其特征，并对其分类识别成为主要难题。

利用传统的识别系统对关于焊缝质量的信息进行处理时，预先将搜集已知确定的缺陷几何特征，设计相应的标准模板，然后把待识别的图像根据模板尺寸做归一化处理，最后用所有模板与待识别图像注意对比，按照相似度推断识别结果，但由于缺陷的形状复杂，很难创造出理想的模板，因此无法执行对焊缝缺陷的准确识别。

发明内容

有鉴于此，本发明的主要目的在于提供一种基于神经网络的压力容器焊缝缺陷识别方法及其装置。

为达到上述目的，本发明的技术方案是这样实现的：

本发明实施例提供一种基于神经网络的压力容器焊缝缺陷识别方法,该方法为：计算机读入射线检测底片图像，根据所述读入的底片图像平均黑度值大小确定底片图像的质量合格；根据模糊理论对所述底片图像进行增强，根据中值滤波对增强后的底片图像进行去噪处理；根据形态学特征在去噪处理后的底片图像中分离出焊缝区域并保留其原始焊缝灰度值；根据均值滤波器对分离后的底片图像进行缺陷滤除，形成一个模拟理想焊缝作为虚拟背景，再与原焊缝相减，增强去噪后，得到焊缝缺陷。

上述方案中，所述得到焊缝缺陷之后，该方法包括：基于检测出来的图像中目标特征对图像中可能的目标建立假设公式，根据所述假设公式得到提取缺陷的特征参数；根据得到的缺陷的特征参数，建立缺陷模型；将待识别缺陷的特征参数识别指标作为输入向量，在缺陷模型内进行比对，当找到匹配的特征参数时，将识别出的特征参数对应的缺陷类型作为输出向量。

本发明实施例还提供一种基于神经网络的压力容器焊缝缺陷识别装置，该装置包括质量检测单元、模糊增强单元、图像去噪单元、分离焊缝区域单元、分离缺陷单元；

所述质量检测单元，用于端读入射线检测底片图像，根据所述读入的底片图像平均黑度值大小确定底片图像的质量合格，将质量合格的底片图像发送到模糊增强单元；

所述模糊增强单元，用于根据模糊理论对所述底片图像进行增强，将模糊增强后的底片图像发送到图像去噪单元；

所述图像去噪单元，用于根据中值滤波对增强后的底片图像进行去噪处理，将去噪后的底片图像发送到分离焊缝区域单元；

所述分离焊缝区域单元，用于根据形态学特征在去噪处理后的底片图像中分离出焊缝区域并保留其原始焊缝灰度值，将分离后的底片图像发送到分离焊缝区域单元；

所述分离焊缝区域单元，用于根据均值滤波器对分离后的底片图像进行缺陷滤除，形成一个模拟理想焊缝作为虚拟背景，再与原焊缝相减，增强去噪后，得到焊缝缺陷。

上述方案中，所述装置还包括提取特征参数单元、智能识别单元；

所述提取特征参数单元，用于基于检测出来的图像中目标特征对图像中可能的目标建立假设公式，根据所述假设公式得到提取缺陷的特征参数；根据得到的缺陷的特征参数，建立缺陷模型；

所述智能识别单元，用于将待识别缺陷的特征参数识别指标作为输入向量，在提取特征参数单元内的缺陷模型内进行比对，当找到匹配的特征参数时，将识别出的特征参数对应的缺陷类型作为输出向量。

与现有技术相比，本发明的有益效果：

本发明能够对射线检测焊缝图像进行有效识别，识别准确率达到92％，能够大大降低检测成本，提高效率，因此能够广泛应用于压力容器焊缝缺陷检测。

附图说明

图1为本发明实施例的流程框架图；

图2为本发明中读入射线检测焊缝缺陷胶片图像；

图3为本发明对底片图像进行模糊增强前的图像；

图4为本发明对底片图像进行模糊增强后的图像；

图5对图4中增强后图像二值化处理图像；

图6为本发明中根据数字形态学特征提取到的焊缝轮廓；

图7为本发明中保留原始灰度的射线检测焊缝图像；