[发明专利]一种基于深度学习网络的焊缝缺陷识别定位方法、系统

说明书

本发明涉及图像识别领域，特别是一种基于深度学习网络的焊缝缺陷识别定位方法、系统。该方法包括如下步骤：S1：获取焊缝缺陷射线图像，将其中的部分图像作为训练数据集，其余图像作为测试数据集；S2：对数据集中的图像进行归一化预处理；S3：构建用于对焊缝缺陷图像进行识别与定位的识别定位网络模型；S4：利用识别定位网络模型对焊缝缺陷图像进行检测和处理；S5：对识别定位网络模型进行训练，直至达到所需的训练终止条件；S6：基于获取的新的测试数据集，采用经过训练的识别定位网络进行焊缝缺陷的识别定位，并对网络模块的检测性能进行评估。该方法克服了传统焊缝缺陷识别方法准确性较低，识别定位精度不足、检测效率低的缺点。

技术领域

本发明涉及图像识别领域，特别是一种基于深度学习网络的焊缝缺陷识别定位方法、系统。

背景技术

射线缺陷图像识别是一种重要的无损检测方法。在射线焊缝缺陷图像识别领域，采用人工在线检测的方法存在受质检员主观经验影响，检测任务量大时容易产生漏检、误检等问题，对检测结果的精确性造成影响。

为了解决上述问题，研究人员不断探索采用人工智能算法实现对射线焊缝图像中焊接缺陷的自动化识别。目前，基于人工智能算法的射线焊缝缺陷图像的识别定位方法主要有两大类，一类方法是基于传统的神经网络算法，另一类是基于深度学习的卷积神经网络(convolution neural network)算法。传统神经网络算法对射线焊缝缺陷图像识别，首先对图像进行分割，分离出图像中的焊缝部分，然后基于人工经验提取和筛选焊缝缺陷的几何尺寸、纹理等特征，最后将这些特征参数作为输入，通过传统神经网络实现对射线图像中的焊缝缺陷识别和定位。传统神经网络算法主要有SVM、BP、ANFIS、AdaBoost和RBF、PCA、ANN、多层感知器(MLP)等。该类方法的主要问题在于：射线图像本身复杂，对图像进行准确的分割很难做到，特征的提取和筛选取受人为因素影响，不能充分利用图像包含的丰富信息，不能全面表达图像的多样性。

基于深度学习的卷积神经网络的方法是直接以图像为输入，不需要人工提取目标特征，网络可以自动学习射线焊缝缺陷图像中复杂的深度特征。基于这些深度特征，卷积神经网络通过其良好的容错、并行以及泛化能力，可以找到缺陷目标的位置并对每个目标进行分类。真正实现了从输入原始射线焊缝图像到输出焊缝缺陷分类和缺陷位置的端到端(end-to-end)的智能化识别定位。

目前，基于深度学习卷积神经网络的目标识别定位算法分为one-stage和two-stage两类方法。one-stage方法是直接对生成的anchor进行分类和定位，而two-stage方法首先要生成候选区域(region proposals)，然后再将候选区域映射到feature map上进行分类和定位。所以two-stage方法非常耗时，其性能很难达到实时检测的需求；以YOLO系列算法和SSD算法为代表的one-stage方法虽然相对于two-stage的检测效率明显提高，但是依然存在准确率和召回率较低，识别和定位精度不足的缺陷；难以能够满足对焊缝缺陷检测准确率和实时性的要求。

发明内容

为克服现有技术中的问题，本发明提供的一种基于深度学习网络的焊缝缺陷识别定位方法，该方法和系统克服了传统焊缝缺陷识别方法准确性较低，识别定位精度不足、检测效率低的缺点。

本发明的提供的技术方案如下：

一种基于深度学习网络的焊缝缺陷识别定位方法，该方法包括如下步骤：

S1：获取含有气孔、夹渣、裂纹、未熔合和未焊透缺陷的焊缝缺陷射线图像，将其中的部分图像作为训练数据集，其余图像作为测试数据集；

S2：对测试数据集或训练数据集中的图像进行归一化预处理，所述预处理后得到关于焊缝缺陷图像的分辨率统一的图块；

S3：构建用于对焊缝缺陷图像进行识别与定位的识别定位网络模型；识别定位网络模型包括特征提取模块、目标检测模块和输出模块；