[发明专利]一种射线底片中小缺陷检测方法

权利要求书

1.一种射线底片中小缺陷检测方法，其特征在于，包括：

将标注焊缝缺陷的原始图片中的蓝色通道替换为显著性图；

构建深度卷积神经网络；其中，所述深度卷积神经网络包括：提取焊缝缺陷特征的残差网络、将残差网络提取的不同层次特征图进行融合的多尺度特征金字塔网络和从多尺度特征金字塔网络输出的特征图中提取缺陷候选框的区域推荐网络；

利用显著图和原始图片对构建的深度卷积神经网络进行训练，以便训练好的深度卷积神经网络对焊缝缺陷进行检测。

2.根据权利要求1所述的射线底片中小缺陷检测方法，其特征在于，所述将标注焊缝缺陷的原始图片中的蓝色通道替换为显著性图包括：

将标注焊缝缺陷的原始图片中亮度低的蓝色通道替换为基于注意力机制生成的显著性图。

3.根据权利要求1所述的射线底片中小缺陷检测方法，其特征在于，所述焊缝缺陷包括：圆形缺陷、条形缺陷及由裂纹、未熔合和未焊透代表的细长型缺陷。

4.根据权利要求1所述的射线底片中小缺陷检测方法，其特征在于，所述残差网络自底向上生成5张特征图，分别表示为：C1、C2、C3、C4和C5。

5.根据权利要求1所述的射线底片中小缺陷检测方法，其特征在于，所述多尺度特征金字塔网络，用于自底向上提取特征图C1、C2、C3、C4和C5后，自顶向下的上采样生成多个语义增强的特征图，分别为P1、P2、P3、P4和P5，将特征图P1、P2、P3、P4和P5输入区域推荐网络，以便区域推荐网络对输入的特征图P1、P2、P3、P4和P5分别提取缺陷候选框。

6.根据权利要求1所述的射线底片中小缺陷检测方法，其特征在于，所述深度卷积神经网络还包括：感兴趣区域池化层及与所述感兴趣区域池化层相连的边框回归器和全连接分类器；

所述感兴趣区域池化层，用于输入区域推荐网络提取的缺陷候选框以及多尺度特征金字塔网络生成的特征图P1、P2、P3、P4和P5，生成感兴趣区域，以便边框回归器和全连接分类器对生成的感兴趣区域进行回归和分类。

7.根据权利要求1所述的射线底片中小缺陷检测方法，其特征在于，所述区域推荐网络中锚的尺度和长宽比比例的设置过程包括：

通过对标注图片中的焊缝缺陷进行统计，对于任一类焊缝缺陷，计算真实框的面积，并求出该类焊缝缺陷的真实框面积均值；

根据真实框的长宽比，计算出针对该类焊缝缺陷的平均长宽比；

将焊缝缺陷按照平均长宽比进行分类，分类结果包括：圆形缺陷、条形缺陷及细长型缺陷；

针对焊缝缺陷的面积均值及形状特征，设置区域推荐网络中锚的尺度和长宽比比例，其中，面积为尺度乘尺度。

8.根据权利要求7所述的射线底片中小缺陷检测方法，其特征在于，所述针对焊缝缺陷的面积均值及形状特征，设置区域推荐网络中锚的尺度和长宽比比例包括：

若焊缝缺陷为圆形缺陷，设置5种尺度：32、64、128、256和512，以及3种长宽比比例：1:1、1:2和2:1。

9.根据权利要求7所述的射线底片中小缺陷检测方法，其特征在于，所述针对焊缝缺陷的面积均值及形状特征，设置区域推荐网络中锚的尺度和长宽比比例包括：

若焊缝缺陷为条形缺陷，设置5种尺度：32、64、128、256和512，以及4种长宽比比例：1:3、3:1、1:5和5:1。

10.根据权利要求7所述的射线底片中小缺陷检测方法，其特征在于，所述针对焊缝缺陷的面积均值及形状特征，设置区域推荐网络中锚的尺度和长宽比比例包括：

若焊缝缺陷为裂纹、未熔合、未焊透代表的细长型缺陷，设置5种尺度：32、64、128、256和512，以及6种长宽比比例：1:10、10:1、1:15、15:1、1:20和20:1。