[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

说明书

本发明提供多模型协同决策的射线图像缺陷识别方法、系统和设备，其中，方法包括：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数据集训练完成的权重数据，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；根据所述预处理数据集和基于与预训练模型的缺陷识别模型，得到射线图像缺陷识别结果。本发明能够迅速自动识别复杂的焊缝图像，并且有效地检测出焊缝的缺陷，提高产品的可靠性、安全性及其检测效率。进而可以有效地节省人力和时间，节约成本，提高生产效率。

技术领域

本发明涉及计算机视觉技术领域，尤其涉及多模型协同决策的射线图像缺陷识别方法、系统和设备。

背景技术

焊缝射线图像检测是工业制造流程中的一个重要任务，焊缝射线图像能否被准确检测是该任务的关键指标。射线无损检测因其信号穿透性强、分辨率高、扫描快速等优点，在工业界已经被广泛应用于检测焊缝和焊接件的质量，它主要利用射线扫描照射工件的焊接部位来检测焊缝的厚度、位置、形状和深度等信息，以及焊接件的外观、接头的质量和焊接缺陷。射线底片检测具有快速、准确、深入等优点，在工业生产中得到了广泛应用。

然而，射线焊缝无损检测领域存在一些难以克服的棘手问题：由于射线检测的特殊性，射线底片检测的结果往往需要经过专业的人工解读，这使得射线底片后期人工检测的效率较低，人力成本较高：检测人员的工作强度大，工作时间长，产生的视觉疲劳会导致检测结果极不稳定；此外，人工检测依赖个人的实践经验，存在不同的检验员的评判结果不一致的问题，影响质量检测的准确性，总体来说，检测精度不能满足工业界的要求。

发明内容

基于此，有必要针对上述技术问题，提供多模型协同决策的射线图像缺陷识别方法、系统和设备。

多模型协同决策的射线图像缺陷识别方法，包括以下步骤：

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；

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。

在其中一个实施例中，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。

在其中一个实施例中，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。

在其中一个实施例中，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。

在其中一个实施例中，多模型协同决策的射线图像缺陷识别方法，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。

在其中一个实施例中，基于预训练模型的缺陷识别模型的训练过程包括：