[发明专利]多模型协同决策的射线图像缺陷识别方法、系统和设备

权利要求书

1.多模型协同决策的射线图像缺陷识别方法，其特征在于，包括：

获取焊缝射线图像样本集，对所述焊缝射线图像样本集进行预处理，得到预处理数据集；其中，所述预处理数据集包括：缺陷图像、无缺陷图像和缺陷标注结果；

获取ImageNet数据训练完成的权重数据，根据所述权重数据，得到预训练模型；

根据所述预处理数据集和基于预训练模型的缺陷识别模型，得到射线图像缺陷识别结果。

2.根据权利要求1所述多模型协同决策的射线图像缺陷识别方法，其特征在于，所述对所述焊缝射线图像样本集进行预处理，之前还包括：

接收标注信息，根据所述焊缝射线图像样本集和所述标注信息，得到标注图像样本集；

按照预设比例将标注图像样本集分为用于训练缺陷识别模型的训练集、用于验证缺陷识别模型的验证集、以及用于测试缺陷识别模型的测试集。

3.根据权利要求1所述多模型协同决策的射线图像缺陷识别方法，其特征在于，所述对所述焊缝射线图像样本集进行预处理，得到预处理数据集包括：

对所述焊缝射线图像样本集进行Resize操作、亮度矫正、对比度增强、数据增强、随机水平翻转和随机裁剪得到预处理数据集。

4.根据权利要求1所述多模型协同决策的射线图像缺陷识别方法，其特征在于，所述根据所述权重数据，得到预训练模型包括：

将所述权重数据加载到多模型协同决策卷积神经网络中，得到预训练模型。

5.根据权利要求4所述多模型协同决策的射线图像缺陷识别方法，其特征在于，还包括：

所述多模型协同决策卷积神经网络包括：VGGNet、ResNet、GoogLeNet和DenseNet。

6.根据权利要求1所述多模型协同决策的射线图像缺陷识别方法，其特征在于，所述基于预训练模型的缺陷识别模型的训练过程包括：

以训练集和验证集中缺陷图像作为网络源头输入，缺陷图像对应的缺陷标注结果为输出，结合自适应优化算法和预设损失函数，应用缺陷图像和无缺陷图像，针对预训练模型进行训练，获得缺陷图像所对应的多个卷积层；

根据所述多个卷积层，基于结构重参数化技术，得到压缩参数后的缺陷识别模型。

7.多模型协同决策的射线图像缺陷识别系统，其特征在于，用于实现如权利要求1-6所述的多模型协同决策的射线图像缺陷识别方法，包括：

预处理模块，用于获取焊缝射线图像样本集，对所述焊缝射线图像样本集进行预处理，得到预处理数据集；其中，所述预处理数据集包括：缺陷图像、无缺陷图像和缺陷标注结果；

特征提取与二分类模块，用于获取ImageNet数据集训练完成的权重数据，根据所述权重数据，得到预训练模型；

结果输出模块，用于根据所述预处理数据集和基于预训练模型的缺陷识别模型，得到射线图像缺陷识别结果。

8.一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。