申请/专利权人:新疆天维无损检测有限公司;中国石油工程建设有限公司;北京科技大学
申请日:2020-11-02
公开(公告)日:2024-03-05
公开(公告)号:CN112465746B
主分类号:G06T7/00
分类号:G06T7/00;G06T7/90;G06T7/62;G06N3/0464;G06N3/045;G06N3/082;G06V10/764;G06V10/766;G06V10/82;G06V10/80
优先权:
专利状态码:有效-授权
法律状态:2024.03.05#授权;2021.03.26#实质审查的生效;2021.03.09#公开
摘要:本发明提供一种射线底片中小缺陷检测方法,属于工业数字图像的小目标检测技术领域。所述方法包括:将标注焊缝缺陷的原始图片中的蓝色通道替换为显著性图;构建深度卷积神经网络;其中,所述深度卷积神经网络包括:提取焊缝缺陷特征的残差网络、将残差网络提取的不同层次特征图进行融合的多尺度特征金字塔网络和从多尺度特征金字塔网络输出的特征图中提取缺陷候选框的区域推荐网络;利用显著图和原始图片对构建的深度卷积神经网络进行训练,以便训练好的深度卷积神经网络对焊缝缺陷进行检测。采用本发明,能够在提高射线底片中小缺陷检测准确率的同时,提高检测效率。
主权项:1.一种射线底片中小缺陷检测方法,其特征在于,包括:将标注焊缝缺陷的原始图片中的蓝色通道替换为显著性图;构建深度卷积神经网络;其中,所述深度卷积神经网络包括:提取焊缝缺陷特征的残差网络、将残差网络提取的不同层次特征图进行融合的多尺度特征金字塔网络和从多尺度特征金字塔网络输出的特征图中提取缺陷候选框的区域推荐网络;利用显著图和原始图片对构建的深度卷积神经网络进行训练,以便训练好的深度卷积神经网络对焊缝缺陷进行检测;其中,所述残差网络自底向上生成5张特征图,分别表示为:C1、C2、C3、C4和C5;其中,所述多尺度特征金字塔网络,用于自底向上提取特征图C1、C2、C3、C4和C5后,自顶向下的上采样生成多个语义增强的特征图,分别为P1、P2、P3、P4和P5,将特征图P1、P2、P3、P4和P5输入区域推荐网络,以便区域推荐网络对输入的特征图P1、P2、P3、P4和P5分别提取缺陷候选框;其中,所述区域推荐网络中锚的尺度和长宽比比例的设置过程包括:通过对标注图片中的焊缝缺陷进行统计,对于任一类焊缝缺陷,计算真实框的面积,并求出该类焊缝缺陷的真实框面积均值;根据真实框的长宽比,计算出针对该类焊缝缺陷的平均长宽比;将焊缝缺陷按照平均长宽比进行分类,分类结果包括:圆形缺陷、条形缺陷及细长型缺陷;针对焊缝缺陷的面积均值及形状特征,设置区域推荐网络中锚的尺度和长宽比比例,其中,面积为尺度乘尺度;其中,所述针对焊缝缺陷的面积均值及形状特征,设置区域推荐网络中锚的尺度和长宽比比例包括:若焊缝缺陷为圆形缺陷,设置5种尺度:32、64、128、256和512,以及3种长宽比比例:1:1、1:2和2:1;其中,所述针对焊缝缺陷的面积均值及形状特征,设置区域推荐网络中锚的尺度和长宽比比例包括:若焊缝缺陷为条形缺陷,设置5种尺度:32、64、128、256和512,以及4种长宽比比例:1:3、3:1、1:5和5:1;其中,所述针对焊缝缺陷的面积均值及形状特征,设置区域推荐网络中锚的尺度和长宽比比例包括:若焊缝缺陷为裂纹、未熔合、未焊透代表的细长型缺陷,设置5种尺度:32、64、128、256和512,以及6种长宽比比例:1:10、10:1、1:15、15:1、1:20和20:1。
全文数据:
权利要求:
百度查询: 新疆天维无损检测有限公司;中国石油工程建设有限公司;北京科技大学 一种射线底片中小缺陷检测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。