一种融合射线物理先验知识的焊接结构缺陷识别方法与流程

本发明涉及无损检测，具体而言，尤其涉及一种融合射线物理先验知识的焊接结构缺陷识别方法。

背景技术：

1、焊接结构在航空航天、船舶制造、核能装备等关键工业领域中应用广泛，焊缝质量直接关系到整体结构的安全性、耐久性与可靠性（张晓彬. 无损检测在钢结构焊接质量控制中的应用[j]. 机械工程与自动化）。射线检测作为一种常用无损检测方法，被广泛应用于焊缝质量评定（邬冠华, 等. 中国射线检测技术现状及研究进展[j]. 仪器仪表学报）。随着计算机技术的发展，基于深度学习的自动缺陷识别逐渐成为研究热点。

2、然而，现有深度学习方法在工业实际应用中仍面临核心挑战。纯数据驱动的深度学习模型本质上是黑盒系统，其决策过程缺乏可解释性（可帅, 等. 工业缺陷检测中卷积神经网络的发展与应用[j/ol]. 机械研究与应用）。同时，现有模型仅利用图像像素信息，未能充分利用射线检测的物理原理，导致模型在缺陷边界模糊、对比度低的情况下易产生误判，且难以对检测结果给出物理层面的解释。因此，将物理先验知识与深度学习模型深度融合的缺陷识别方法，以实现检测精度与可解释性的协同提升。

技术实现思路

1、有鉴于此，本发明的目的在于提出一种融合射线物理先验知识的焊接结构缺陷识别方法，以解决现有模型仅利用图像像素信息，未能充分利用射线检测的物理原理，导致模型在缺陷边界模糊、对比度低的情况下易产生误判，且难以对检测结果给出物理层面的解释的技术问题。

2、本发明采用的技术手段如下：

3、一种融合射线物理先验知识的焊接结构缺陷识别方法，包括如下步骤：

4、s1、获取焊接工艺参数与材料属性，依据非线性热扩散方程求解温度场分布，依据温度场确定热影响区边界并生成热影响区概率场；依据焊缝几何参数构建坡口几何拓扑掩膜；建立非线性射线衰减模型；

5、s2、将s1生成的热影响区概率图通过非线性门控注意力模块，生成注意力权重，将注意力权重与原始特征图进行逐元素乘法并相加，得到热影响区引导后的增强特征图；

6、s3、将s1生成的坡口位置掩膜通过非线性调制模块，得到坡口引导后的增强特征图；

7、s4、采用双分支特征编码器对s2输出的热影响区引导后的增强特征图以及s3输出的坡口引导后的增强特征图进行数据驱动分支编码，对s1建立的非线性射线衰减模型进行物理引导分支编码，将数据驱动分支输出与物理引导分支输出进行自适应融合，生成联合特征，联合特征经检测头输出预测缺陷区域灰度值、预测缺陷边缘梯度值、预测缺陷位置分布以及预测缺陷图像曲率；

8、s5、依据s1生成的热影响区概率场和坡口位置掩膜确定先验概率分布，构建多尺度变分物理一致性损失函数；

9、s6、重复执行s2至s5直至总损失函数收敛，保存收敛状态下的网络参数，得到训练好的缺陷识别模型；

10、s7、将待检测射线图像输入s6得到的训练好的缺陷识别模型，输出缺陷类型、置信度分数以及边界框位置信息。

11、进一步地，s1中所述热影响区概率场的公式如下：

12、

13、其中，

σ()为sigmoid函数，

t为温度场，

tth为阈值温度，

α为平滑参数。

14、进一步地，s1中所述坡口几何拓扑掩膜的公式如下：

15、

16、其中，

d(

x,

y)为像素点(

x,

y)到坡口边缘的最短距离，

σg为尺度参数。

17、进一步地，s1中所述非线性射线衰减模型公式如下：

18、

19、其中，

i0为入射强度，

i为出射强度，

μ(

d)为厚度相关的非线性衰减系数，

η为散射调制系数，

θ为散射角。

20、进一步地，s2中所述非线性门控注意力模块公式如下：

21、

22、其中，

w1和

w2为可学习的权重矩阵，

b1和

b2为偏置项，σ为sigmoid激活函数；

23、所述热影响区引导后的增强特征图的公式如下：

24、

25、其中，⊙为逐元素乘法，

α为可学习参数，

f为输入特征图。

26、进一步地，s3中所述坡口引导后的增强特征图公式如下：

27、

28、其中，

β为可学习参数，tanh()为双曲正切激活函数，

fin为输入特征图。

mgroove为坡口位置掩膜。

29、进一步地，s4中所述自适应融合生成联合特征的公式如下：

30、

31、其中，

fdata为数据驱动分支输出，

fphys为物理引导分支输出，

γ和

δ为可学习融合参数。

32、进一步地，s5中所述损失函数包括灰度一致性损失、边缘梯度结构相似性损失、空间分布相对熵损失和局部曲率正则化损失；

33、所述灰度一致性损失公式如下：

34、

35、其中，为模型预测的第i个像素处的缺陷区域灰度值，为基于射线衰减模型计算的理论灰度值，

n为像素总数。

36、所述边缘梯度结构相似性损失公式如下：

37、

38、其中，为模型预测图像在缺陷边缘处的梯度向量，为基于射线衰减模型计算的边缘理论梯度向量，ssim为结构相似性指标函数。

39、所述空间分布相对熵损失公式如下：

40、

41、其中，为模型预测的缺陷位置概率分布，为先验概率分布。

42、所述局部曲率正则化损失公式如下：

43、

44、其中，

i为缺陷区域灰度图像。

45、进一步地，s5中所述空间分布相对熵损失为先验概率分布与预测缺陷位置分布之间的相对熵，所述先验概率分布为：

46、

47、其中，为热影响区概率值，为坡口位置掩膜值。

48、进一步地，所述多尺度变分物理一致性损失函数公式如下：

49、

50、其中，

ldet为检测损失，

λ1、

λ2、

λ3、

λ4为平衡权重。

51、较现有技术相比，本发明具有以下优点：

52、本发明将非线性射线衰减物理模型和焊接工艺先验知识深度融合，使模型学习到的缺陷特征表示受到物理规律的约束而非完全依赖于数据驱动。相比纯数据驱动的黑盒模型，本发明的模型决策过程的判断依据可追溯至焊接热循环物理场和射线衰减物理模型，检测结果具有物理层面的可解释性，有效解决了深度学习模型在工业无损检测中因黑盒特性而难以解释的问题。

53、本发明通过构建热影响区概率场和坡口几何拓扑掩膜，在特征提取阶段引导模型重点关注缺陷易发区域，降低背景噪声的干扰；同时，多尺度变分物理一致性损失函数将模型预测结果约束在射线衰减物理规律允许的范围内，有效抑制了纯数据驱动模型在缺陷边界模糊、对比度低等复杂情况下易产生的误判和漏判，显著提升了缺陷定位精度和分类准确率。

54、本发明针对焊接结构射线图像检测中缺陷边界模糊、缺陷与背景对比度低等实际工程难点设计，局部曲率正则化损失通过约束预测图像曲率确保缺陷边界的平滑性和几何合理性，使检测结果更符合实际焊接缺陷的物理形态特征，对复杂现场工况下的射线检测图像具有更强的适应能力，可直接部署于航空航天、船舶制造、核能装备等关键工业领域的焊接质量智能检测环节，具有明确的工程应用前景和推广价值。