[发明专利]基于多尺度金字塔结构的核电管道缺陷检测方法

说明书

一种基于多尺度金字塔结构的核电管道缺陷检测方法，包括：对射线探伤底片图像进行预处理；构建全卷积神经网络，所述的全卷积神经网络为特征金字塔结构，特征金字塔结构分自底向上和自顶向下的两部分，选取Adam优化器对构建的全卷积神经网络进行梯度更新，再使用Focal Loss损失函数对梯度更新后的全卷积神经网络进行训练；对训练好的全卷积神经网络进行测试，全卷积神经网络输出概率图，对所述的概率图进行阈值二值化处理，得到缺陷区域的二值化图像，作为核电管道缺陷检测结果。本发明应用于辅助工业生产中评片人员来快速检测缺陷区域进行分类评定，通过分析数字扫描的探伤底片图像，实现对有缺陷区域的快速判别，提高检测效率，节约生产时间成本。

技术领域

本发明涉及一种核电管道缺陷检测。特别是涉及一种基于多尺度金字塔结构的核电管道缺陷检测方法。

背景技术

核能是一种经济、安全、可靠、清洁的能源，只需要以天然铀为资源，理论上不会导致温室气体的排放和环境污染。发展核电，必须解决好核电厂的安全问题。虽然其在生产、检查验收以及安装焊接时会采取严格的控制，但是仍然避免不了在材料内部以及焊接连接部位存在内部缺陷，会逐渐缓慢地萌生、扩展并长大，逐步形成表面、贯穿裂纹，并最终发生破裂。这将会严重威胁到周建筑结构、核电安全设备和工作人员的安全，甚至会带来核泄漏等严重的次生灾害。鉴于核电装备内部缺陷带来的严重后果，因此针对核岛装备产品探伤检测的研究非常必要。射线探伤是利用某种射线来检查铸件及焊缝内部缺陷的一种方法，对于常用的工业射线探伤来说，一般使用的是X射线探伤和γ射线探伤。

近年来，随着工业胶片扫描仪在实际中越来越广泛的应用，同时深度学习在图像上近年来也取得了巨大成功，使得对于工业生产中数字探伤底片图像的分析检测提供了基础。深度学习中神经网络的多层构架使其可以逐层的提取原始数据中隐藏的高级抽象特征，这使得神经网络可以直接面对原始数据进行训练。

由于射线检测时需要将每一张底片与标准样片进行比对，从初评到复评，人工检测的方法使得相关评片人员工作量巨大，不仅需耗费大量的人力物力财力，增加了生产的时间成本，同时还潜在着准确率不高的问题。

发明内容

本发明所要解决的技术问题是，提供一种能够提高检测效率，节约生产时间成本的基于多尺度金字塔结构的核电管道缺陷检测方法。

本发明所采用的技术方案是：一种基于多尺度金字塔结构的核电管道缺陷检测方法，包括如下步骤：

1)对射线探伤底片图像进行预处理；

2)构建全卷积神经网络，所述的全卷积神经网络为特征金字塔结构，特征金字塔结构分自底向上和自顶向下的两部分，其中，自底向上的部分为特征提取部分由ResNet50构成，自顶向下的部分为特征图上采样层，用于将ResNet50输出的特征进行融合并生成最终的概率图输出，选取Adam优化器对构建的全卷积神经网络进行梯度更新，再使用FocalLoss损失函数对梯度更新后的全卷积神经网络进行训练；

3)对训练好的全卷积神经网络进行测试，将需要提供检测的射线底片图像进行预处理后输入到训练好的全卷积神经网络中，全卷积神经网络输出概率图，所述概率图大小与预处理前射线探伤底片图像大小相同，设置阈值0.5，对所述的概率图进行阈值二值化处理，得到缺陷区域的二值化图像，作为核电管道缺陷检测结果。

本发明的基于多尺度金字塔结构的核电管道缺陷检测方法，利用计算机辅助对探伤底片图像中缺陷区域检测，结合专业评片人员的经验知识与判片习惯，构建卷积神经网络的多尺度特金字塔训练模型，分割出特定的缺陷区域，实现对探伤底片图像中缺陷区域的准确快速检测。本发明可应用于辅助工业生产中判片人员来快速检测缺陷区域进行分类评定，通过分析数字扫描的探伤底片图像，实现对有缺陷区域的快速判别，提高检测效率，节约生产时间成本。

附图说明

图1是本发明基于多尺度金字塔结构的核电管道缺陷检测方法中的训练流程图；