一种基于深度学习的工业构件无损检测缺陷识别方法与流程
本发明涉及工业无损缺陷识别,尤其涉及一种基于深度学习的工业构件无损检测缺陷识别方法。
背景技术:
1、目前,工业构件无损检测多通过射线、超声、热成像或工业视觉方式获取检测图像,再对图像进行去噪、增强、分割和分类识别,用于判断构件是否存在裂纹、孔洞、夹杂、分层或腐蚀缺陷,部分方法引入深度学习模型,对检测图像中的疑似缺陷区域进行自动定位和类型判别。
2、但在工业构件表面纹理、焊缝纹理、检测噪声和伪影共同存在时,弱边界缺陷的轮廓容易发生偏移、断裂或收缩,普通分割识别方法难以稳定区分真实缺陷响应与纹理伪响应,导致候选缺陷轮廓不准确,进而影响缺陷类型、缺陷置信度和质量判定结果的可靠性。
3、因此,如何提供一种基于深度学习的工业构件无损检测缺陷识别方法是本领域技术人员亟需解决的问题。
技术实现思路
1、本发明的一个目的在于提出一种基于深度学习的工业构件无损检测缺陷识别方法,本发明利用深度学习曲率流识别构件缺陷,具备抗干扰、轮廓稳定的优点。
2、根据本发明实施例的一种基于深度学习的工业构件无损检测缺陷识别方法,包括如下步骤:
3、采集工业构件无损检测图像,对工业构件无损检测图像绑定得到原始检测图像集;
4、对原始检测图像集进行预处理得到标准缺陷检测图像集;
5、对标准缺陷检测图像集进行灰度突变分析、边界梯度分析、检测响应差异分析和缺陷区域连续性分析,并进行空间对齐和融合得到缺陷响应势场;
6、对标准缺陷检测图像集进行构件纹理方向分析、纹理连续强度分析和伪影响应分析,并结合缺陷响应势场生成构件纹理抑制权重;
7、基于缺陷响应势场在标准缺陷检测图像集中提取候选缺陷区域,对候选缺陷区域进行边界初始化,得到候选缺陷轮廓;
8、将缺陷响应势场、构件纹理抑制权重和候选缺陷轮廓输入缺陷势场曲率流展开网络,对候选缺陷轮廓进行多层曲率流展开演化,得到缺陷展开演化轮廓;
9、对缺陷展开演化轮廓进行轮廓闭合性校验、端点保持校验和连通区域校验,得到目标缺陷轮廓;
10、对目标缺陷轮廓进行轮廓几何分析,并结合缺陷响应势场,进行缺陷类型判别处理和置信度计算处理,生成缺陷类型和缺陷置信度;
11、基于目标缺陷轮廓、缺陷识别特征、缺陷类型、缺陷置信度、构件标识、采集时间和检测位置生成工业构件质量判定结果。
12、可选的,所述原始检测图像集的生成包括:
13、采集工业构件无损检测图像,并获取工业构件无损检测图像对应的构件标识、采集时间和检测位置;
14、将构件标识、采集时间和检测位置绑定至工业构件无损检测图像,生成绑定检测图像;
15、按照构件标识和采集时间对绑定检测图像进行归集,得到带有构件标识、采集时间和检测位置的原始检测图像集。
16、可选的,所述标准缺陷检测图像集的生成包括:
17、对原始检测图像集进行检测区域截取,得到检测区域图像集;
18、对检测区域图像集进行尺寸统一,得到统一尺寸图像集;
19、对统一尺寸图像集进行灰度均衡和噪声抑制,得到去噪均衡图像集;
20、对去噪均衡图像集进行坐标基准统一,得到带有构件标识、采集时间和检测位置的标准缺陷检测图像集。
21、可选的,所述缺陷响应势场的生成包括:
22、对标准缺陷检测图像集中的相邻像素和相邻检测区域进行灰度差值计算,按照灰度差值在标准缺陷检测图像集中的分布位置生成灰度突变特征;
23、以灰度突变特征对应的图像位置为边界分析范围,对标准缺陷检测图像集进行横向梯度计算、纵向梯度计算和梯度方向归并,生成边界梯度特征;
24、以灰度突变特征和边界梯度特征共同对应的图像位置为响应分析范围,对标准缺陷检测图像集进行区域内检测响应差异计算和区域间检测响应差异计算,生成检测响应变化特征;
25、以灰度突变特征、边界梯度特征和检测响应变化特征共同对应的图像位置为连续性分析范围,对标准缺陷检测图像集进行连通路径分析和方向延伸分析,生成局部连续性特征;
26、按照标准缺陷检测图像集的坐标基准,对灰度突变特征、边界梯度特征、检测响应变化特征和局部连续性特征进行空间对齐,得到空间对齐后的灰度突变特征、边界梯度特征、检测响应变化特征和局部连续性特征;
27、对空间对齐后的灰度突变特征、边界梯度特征、检测响应变化特征和局部连续性特征按照同一图像位置的特征对应关系进行融合,得到缺陷响应势场。
28、可选的,所述构件纹理抑制权重的生成包括:
29、对标准缺陷检测图像集中的相邻图像位置进行灰度变化方向计算,将连续分布且灰度变化方向一致的图像位置归并,生成构件纹理方向;
30、沿构件纹理方向对标准缺陷检测图像集进行灰度连续性计算和检测响应连续性计算,生成纹理连续强度;
31、基于构件纹理方向和纹理连续强度,对标准缺陷检测图像集中沿构件纹理方向连续分布且具有纹理连续强度的图像位置进行归并,生成纹理连续位置集合;
32、从缺陷响应势场中确定缺陷响应位置和缺陷响应强度,将纹理连续位置集合与缺陷响应位置按照同一坐标位置进行对应,生成纹理缺陷对应关系;
33、基于纹理连续位置集合、纹理连续强度、缺陷响应位置、缺陷响应强度和纹理缺陷对应关系,将纹理连续位置集合中未对应缺陷响应位置的图像位置标记为纹理伪响应区域;
34、基于纹理伪响应区域、纹理连续强度、缺陷响应位置和缺陷响应强度,降低纹理伪响应区域对应图像位置的纹理响应占比,保留缺陷响应位置对应图像位置的缺陷响应占比,生成构件纹理抑制权重。
35、可选的,所述候选缺陷轮廓的生成包括:
36、在缺陷响应势场中确定具有缺陷响应的图像位置,按照图像位置在标准缺陷检测图像集中的坐标分布生成缺陷响应位置集合;
37、对缺陷响应位置集合中的图像位置进行邻接关系分析,将坐标相邻且缺陷响应连续的图像位置归并,生成连续响应区域;
38、按照连续响应区域在标准缺陷检测图像集中的覆盖范围,对标准缺陷检测图像集进行区域截取,生成候选缺陷区域;
39、沿候选缺陷区域的外缘图像位置进行边界位置确定,按照外缘图像位置在标准缺陷检测图像集中的坐标顺序生成候选区域外缘位置集合;
40、基于候选区域外缘位置集合对候选缺陷区域进行边界初始化,将候选区域外缘位置集合中的相邻外缘图像位置进行顺序连接,生成初始化边界序列;
41、对初始化边界序列进行边界闭合处理,将边界闭合处理后的初始化边界序列确定为候选缺陷轮廓。
42、可选的,所述缺陷展开演化轮廓的生成包括:
43、将缺陷响应势场、构件纹理抑制权重和候选缺陷轮廓输入缺陷势场曲率流展开网络,所述缺陷势场曲率流展开网络包括轮廓输入构建层、势场牵引生成层、纹理抑制耦合层、曲率流演化层和多层堆叠演化层;
44、在轮廓输入构建层中,将候选缺陷轮廓确定为当前层输入轮廓,按照标准缺陷检测图像集的坐标基准,将缺陷响应势场和构件纹理抑制权重映射至当前层输入轮廓对应的图像位置,生成当前层轮廓演化输入;
45、在势场牵引生成层中,对当前层轮廓演化输入中的当前层输入轮廓进行曲率分析,生成当前层轮廓曲率分布,对当前层轮廓演化输入中的缺陷响应势场进行轮廓内外响应差异分析,生成当前层势场牵引分布;
46、在纹理抑制耦合层中,对当前层轮廓演化输入中的构件纹理抑制权重进行轮廓位置匹配,生成当前层纹理抑制分布,将当前层轮廓曲率分布、当前层势场牵引分布和当前层纹理抑制分布进行同坐标位置组合,生成当前层轮廓演化控制数据;
47、在曲率流演化层中,按照当前层轮廓演化控制数据对当前层输入轮廓进行曲率流展开演化,生成当前层缺陷演化轮廓;
48、在多层堆叠演化层中,将当前层缺陷演化轮廓确定为下一层输入轮廓,并将下一层输入轮廓更新为新的当前层输入轮廓,重复执行当前层轮廓演化输入、当前层轮廓曲率分布、当前层势场牵引分布、当前层纹理抑制分布、当前层轮廓演化控制数据和当前层缺陷演化轮廓的生成过程,将末层生成的当前层缺陷演化轮廓确定为缺陷展开演化轮廓。
49、可选的,所述目标缺陷轮廓的生成包括:
50、对缺陷展开演化轮廓进行边界首端位置、边界末端位置和相邻边界位置识别,生成边界位置集合;
51、对边界位置集合进行首末位置匹配和相邻位置匹配,生成轮廓闭合性校验结果;
52、基于轮廓闭合性校验结果,对缺陷展开演化轮廓中的闭合边界段进行保留,对缺陷展开演化轮廓中的非闭合边界段生成端点待校验边界段,得到闭合校验轮廓;
53、对闭合校验轮廓中的端点待校验边界段进行端点邻域方向分析和端点延伸连续性分析,生成端点保持校验结果;
54、基于端点保持校验结果,对闭合校验轮廓中具有端点延伸连续性的端点待校验边界段进行保留,对闭合校验轮廓中不具有端点延伸连续性的端点待校验边界段进行剔除,得到端点保持轮廓;
55、对端点保持轮廓进行连通区域划分、连通区域邻接关系分析和连通区域边界连续性分析,生成连通区域校验结果;
56、基于连通区域校验结果,对端点保持轮廓中形成连续缺陷边界的连通区域进行保留,对端点保持轮廓中未形成连续缺陷边界的连通区域进行剔除,得到目标缺陷轮廓。
57、可选的,所述缺陷类型和缺陷置信度的生成包括:
58、对目标缺陷轮廓进行坐标读取,生成目标轮廓坐标集合;
59、基于目标轮廓坐标集合对目标缺陷轮廓进行轮廓几何分析,生成缺陷位置、缺陷面积、缺陷延伸方向和边界曲率特征;
60、以目标轮廓坐标集合在缺陷响应势场中的对应位置为响应取值范围,对响应取值范围内的轮廓内部响应、轮廓边界响应和轮廓邻域响应进行统计,生成目标轮廓响应特征;
61、将缺陷位置、缺陷面积、缺陷延伸方向、边界曲率特征和目标轮廓响应特征按照目标轮廓坐标集合对应的目标缺陷轮廓进行关联组合,生成缺陷识别特征;
62、对缺陷识别特征中的缺陷面积、缺陷延伸方向和边界曲率特征进行形态判别处理,生成缺陷形态判别结果;
63、对缺陷识别特征中的目标轮廓响应特征进行响应判别处理,生成缺陷响应判别结果;
64、基于缺陷形态判别结果和缺陷响应判别结果进行缺陷类型判别处理,生成缺陷类型;
65、基于缺陷识别特征、缺陷形态判别结果、缺陷响应判别结果和缺陷类型进行置信度计算处理,生成缺陷置信度。
66、可选的,所述工业构件质量判定结果的生成包括:
67、基于目标缺陷轮廓确定目标缺陷轮廓覆盖范围;
68、基于缺陷识别特征生成目标缺陷轮廓对应的缺陷特征描述信息;
69、将目标缺陷轮廓覆盖范围、缺陷特征描述信息、缺陷类型、缺陷置信度、构件标识、采集时间和检测位置进行对应关联,生成缺陷判定信息;
70、对缺陷判定信息进行质量判定处理,生成工业构件质量判定结果。
71、本发明的有益效果是:
72、本技术通过对工业构件无损检测图像进行构件标识绑定、采集时间绑定和检测位置绑定,并在检测区域截取、尺寸统一、灰度均衡、噪声抑制和坐标基准统一后形成标准缺陷检测图像集,使不同检测批次、不同检测位置和不同成像状态下的检测图像能够进入同一识别流程。由此可以减少图像尺寸差异、灰度分布差异和坐标不一致对后续缺陷定位的影响,使缺陷识别结果能够与具体构件、采集时间和检测位置形成对应关系,便于后续质量追溯和检测复核。
73、本技术进一步通过灰度突变特征、边界梯度特征、检测响应变化特征和局部连续性特征融合生成缺陷响应势场,并结合构件纹理方向、纹理连续强度和纹理伪响应区域生成构件纹理抑制权重。通过该处理,真实缺陷区域的响应分布被集中表达,构件纹理造成的连续干扰响应被削弱,从而降低焊缝纹理、材料纹理和检测伪响应对候选缺陷区域提取的影响,提高候选缺陷轮廓与真实缺陷区域之间的对应准确性。
74、本技术采用缺陷势场曲率流展开网络对候选缺陷轮廓进行多层曲率流展开演化,使候选缺陷轮廓在缺陷响应势场的牵引下逐层向真实缺陷边界收敛,并在构件纹理抑制权重的约束下减少向纹理伪响应区域偏移。经过轮廓闭合性校验、端点保持校验和连通区域校验后得到目标缺陷轮廓,可以改善弱边界缺陷的轮廓断裂、边界收缩和区域偏移问题。最终结合目标缺陷轮廓、缺陷识别特征、缺陷类型和缺陷置信度生成工业构件质量判定结果,使裂纹、孔洞、夹杂、分层和腐蚀缺陷的识别稳定性以及质量判定可靠性得到提升。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com