基于深度学习的焊缝缺陷X射线检测图像识别与增强

为了提高焊缝缺陷X射线图像识别的准确率,需要采用有效的图像增强技术,笔者研究了不同图像增强方法对焊缝图像质量的影响,用峰值信噪比、结构相似度、结构清晰度、信息熵等参数对图像增强质量进行评价。试验结果表明,直方图均衡化(HE)与限制对比度自适应直方图均衡化(CLAHE)有较好的对比度增强效果,非局部均值滤波(NLM)与小波降噪(DWT)的去噪综合表现较好。基于CLAHE-NLM的图像增强处理可以更有效地帮助深度学习模型进行焊缝缺陷分类识别,焊缝缺陷分类的准确率与F1值达97.6%和96.93%,相较于未增强处理的数据集提高了3.2%与5.23%。

X射线数字图像缺陷自动识别应用

针对目前无损检测结果评定主要采用人工方式,采用缺陷智能识别技术对X射线数字图像缺陷进行自动识别,通过深度学习功能模仿人脑并建立一个类似的学习策略,使缺陷智能识别技术辅助检测人员对检测图像进行评估,减少缺陷的漏检率,提高产品质量的一致性。

基于空洞分层注意力胶囊网络的X射线焊缝缺陷识别方法

由于X射线焊缝图像的复杂多样性,使得很多传统基于X射线焊缝缺陷检测方法的准确性不高,泛化能力较差。提出一种基于空洞分层注意力胶囊网络(DHACNet)的X射线焊缝缺陷识别方法。DHACNet由卷积模块、空洞分层注意力和胶囊网络(CapsNet)组成。卷积模块用来提取图像的卷积特征,空洞分层注意力用来提取多尺度显著性特征,CapsNet利用胶囊层和动态路由算法替代卷积神经网络(CNN)中的池化操作和全连接操作。DHACNet具有强大多尺度特征提取能力,能够克服CNN只关注图像局部特征和池化操作导致图像部分信息丢失等不足。在构建的X射线焊缝缺陷图像集上进行识别试验,识别准确率为96%以上,与传统方法进行比较,结果表明,该方法有效可行,能够为X射线焊缝缺陷识别系统提供技术支持。

基于深度学习的液氯罐车射线图像缺陷自动识别研究

由于液氯罐车射线图像可能包含多种不同类型的缺陷,并且每种缺陷在图像中的表现形式也可能存在较大的差异,导致识别各类缺陷个数较低的现象。针对上述现象,提出基于深度学习的液氯罐车射线图像缺陷自动识别研究。对液氯罐车射线图像进行预处理,消除噪声、增强图像特征,对深度学习模型中的卷积层、池化层、全连接层以及分类器进行设计,建立液氯罐车射线图像缺陷识别模型,对模型进行训练,采用前向传播算法计算模型的输出,利用反向传播算法逐层回溯误差,优化模型的权重参数,采用自适应学习策略,迭代训练,实现液氯罐车射线图像缺陷的自动识别。实验结果表明,研究方法能够有效识别出液氯罐车射线图像中的多种缺陷形式,识别各类缺陷个数较高。

高灰阶图像增强算法及在X射线底片的应用与研究

针对现有伪彩色方法在高灰阶图像增强中存在灰阶损失严重问题,提出一种适用于超8位高灰阶图像伪彩色增强算法,并改进了传统JET、HSV、Rainbow编码。首先,对高位灰度图像进行位深量化;其次,利用构造的高灰阶增强算法实现色彩增强;另外,引入一个后增强系数,保证在不损失较多图像信息的同时改善处理后色彩图像的视觉观感,以保留图像细节信息、增强颜色对比度;最后,为了验证所提方法的有效性,将其应用在低对比度、缺陷信息模糊的石油管道X射线底片的焊缝视觉增强上。实验结果表明,所提方法对高位灰度图像的伪彩色增强效果是非常有效的,相对于现有算法各项指标均有较大的提升,灰阶损失相对于现有方法从93.774%降低至68.75%,时间开销也降低了至少80%,发色数指标提升了至少3.4倍。

基于T值映射的双能X射线透射识别矿石算法与分选技术研究

将与矿石原子序数相关的R值图像映射方法运用在矿物识别中能够较准确的识别矿石,但是由于R值的推导直接忽略了矿石厚度的影响,这必然会导致R值识别结果受厚度的影响较大,所以由R值算法为基础的图像映射方法必然存在一定的缺陷。而与矿石厚度及密度相关的T值算法保留了厚度和密度两个重要参数,因此使用T值识别算法得到的图像信息量将会更多。使用T值图像映射方法对采集到的双能X射线透射矿石的图像进行验证。首先,对铝和铜试件进行T值与R值曲线拟合识别算法的优劣对比,经过试验可知,R值曲线拟合的相关系数分别为0.900 24和0.880 31,而T值曲线拟合的相关系数则分别达到了0.998 4和0.991 16,因此可得出T值识别算法相对减小了厚度对物质识别的影响且T值算法相比R值算法更优。本文在此研究的基础上提出一种基于T值的图像映射方法。该方法首先利用灰度值来代替信号强度值计算出T值,得到由T值作为等大小的灰度图像,然后再先后使用数学形态学图像处理以及中值滤波技术对图像进行清晰化处理,最后使用RGB伪彩色处理得到最终的图像。经过试验对比可知,T值图像映射方法相较于R值图像映射方法不仅在运行速度上得到了提高,而且在图像清晰度以及矿石识别的准确率上都得到了较好的提升。

射线检测底片缺陷图像的预处理技术

图像识别技术是人工智能在焊缝射线检测技术领域的典型应用场景之一,开展图像识别技术在工业焊缝检测和智能监测中的研究和应用,对推动无损检测智能化发展具有重要意义。射线检测底片缺陷图像预处理能够在短时间内将复杂图片简单化,为后续的缺陷识别打好基础。X射线检测原始图像灰度区间窄,对比度低,噪声大,为解决这一问题,采用不同的降噪处理与对比度增强图片预处理方法,开展了射线检测底片预处理试验,并根据实际检测效果优化了参数,改进了算法。试验结果表明,降噪方面,中值高斯组合滤波的降噪效果较好;对比度增强方面,线性变换的对比度增强效果较好。

基于X射线无损探伤的输电线路耐张线夹缺陷检测

针对输电线路耐张线夹的缺陷检测存在图像清晰度低、错误检出率低和工作量减少率低的问题,提出基于X射线无损探伤的输电线路耐张线夹缺陷检测方法。采用X射线无损探伤技术获取输电线路耐张线夹图像,结合Retinex图像增强算法和经验模式分解方法对图像进行增强处理;为了消除X射线强弱对检测结果的影响,通过自适应通态滤波方法对耐张线夹图像进行处理;采用Canny算子边缘提取方法获取图像边缘,在形态学运算的基础上获取最大连通域;将连通域的长宽比和圆形度作为缺陷特征,完成输电线路耐张线夹缺陷的检测。实验结果表明:所提方法的图像清晰度高、错误检出率高、工作量减少率高。

基于CNN和DUL的电力设备低质量X射线图像分合闸识别

电力巡检机器人系统在对电力设备分合闸X射线图像采集过程中,往往存在图像失真、模糊、低分辨率等低质量问题,对于X射线图像分合闸状态的识别造成了困难。基于此,提出一种基于数据不确定性学习DUL的深度学习识别方法。首先,分别使用三种卷积神经网络BaseNet、ResNet18与MobileNetV3设计识别算法。然后,通过融合DUL模块,卷积神经网络将图像空间映射到一种服从高斯分布的不确定的特征空间,以自适应学习低质量X射线图像中的噪声。最后,设计三组对比实验模拟理想环境、恶劣环境及正常环境下的不同质量数据对模型识别性能的影响。实验结果表明,融合DUL模块的算法模型性能优于确定性模型,X射线图像分合闸平均识别精度提升2.64%;ResNet18+DUL表现最好,精度高达100%,适用于在线识别;MobileNetV3+DUL表现次之,精度高达97.83%,适用于离线识别。

X射线检测焊缝的图像处理与缺陷识别

根据射线检测焊缝图像的特点,设计了图像去噪、增强的算法;针对焊缝缺陷对比度差、光照不均、纹理较多等不利因素,在去除焊缝背景情况下,设计了动态划分焊缝区域算法,利用局域阈值法分割提取出对比度不均的缺陷;通过对焊缝缺陷特征分析,选取缺陷识别的特征参数;建立了用于焊缝缺陷识别的模糊神经网络模型。试验结果表明,图像预处理和缺陷提取是成功的,提出的识别算法能够提高介于模糊边界模式分类时的识别率,对焊缝缺陷识别的效果优于分类识别法。

焊缝缺陷X射线图像微弱信号识别方法

为实现精密焊件内部缺陷的X射线微弱信号视觉检测,研究在强噪声、大灰度梯度背景下微弱图像信息的分割方法。首先提出一种基于扫描线的自适应梯度阈值方法来快速确定可疑缺陷区域,以减少数据处理量、降低分割难度;然后提出基于反几何扩散模型的焊缝缺陷X射线微弱信号提取算法,利用在反几何扩散过程中形成的一系列自适应阈值面,根据改进的分类规则对缺陷微弱图像信息进行标记分割,同时识别噪声。实验表明,该方法能在亮度不均匀、边缘模糊、强噪声的X射线图像中准确提取出焊缝缺陷微弱信号,失真小且效率高。

基于多幅X射线数字图像的缺陷自动识别技术

在现有的X射线数字图像自动识别方法中,多采用对单幅数字图像进行孤立评判的方法。由于此类方法中阈值选取难以最优化,因而存在一定的误判率。为了解决这一问题,提出了一种X射线数字图像自动识别新方法。该方法将识别过程分为两步:缺陷提取和缺陷跟踪。第一步利用传统方法在每幅图像中分离出潜在缺陷。这一步保证真缺陷能全部提取出来,而不考虑伪缺陷的数量。第二步力图找出同一试件不同图像中分离出的缺陷之间的相互关系。如果第一步某一图像中分离出的某一缺陷在其他图像中都找不到相对应的缺陷区域,就定义该缺陷为伪缺陷,也就是说,真缺陷在不同图像中必须满足一定的几何关系。多幅图像中的缺陷跟踪综合利用了极线约束、三维重建和三线性约束等立体视觉算法。该方法的检测效果已经利用航空发动机叶片X射线数字图像得到验证。试验结果表明:利用该方法可以提高真缺陷的识别率,降低误判率。

基于卷积神经网络的X射线图像危险液体识别

公共安全越来越被社会重视,安检是保障公共场所和交通工具安全的重要手段。现如今,对枪支弹药、刀具等固体物质的安检已经非常成熟,但对危险液体的安检还存在无法准确、快速识别等不足。为此,对92号汽油、甲醇与硝基甲烷混合液、75%酒精、食用油、水共5种液体分别用玻璃、金属、塑料、陶瓷共4种容器盛装后,进行X射线图像获取,对样本图像进行旋转、镜像、平移等操作增强样本平衡性、现实性,再对样本图像分割、前景获取等处理后,分别使用6类特征值的支持向量机网络、改进的基础型卷积神经网络、改进的ResNet-50卷积神经网络共3种分类器进行识别,从耗时、识别准确率、训练损失3个维度对比,结果为:6类特征值的SVM模型只需要较小的样本量即可快速达到90%识别率;改进的基础型卷积神经网络可快速达到识别率97.2%;改进的ResNet-50神经网络需要较长时间达到识别率99.2%。结论为:在本实验条件下综合耗时、识别准确率、训练损失3个维度,改进的基础型卷积神经网络为最优液体X射线图像识别模型。

基于X射线图像处理的单搭接焊缝缺陷识别

钢板单搭接焊缝区厚度的变化,使其对应的X射线图像灰度连续变化。这给基于图像阈值分割处理的缺陷识别带来困难。为了解决这一问题,文中给出一种基于X射线图像背景去除的缺陷识别方法。首先对待处理的X射线数字化图像进行噪声抑制,并利用模拟图像背景获得前景图像;然后对前景图像进行基于迭代阈值法的图像分割,提取缺陷目标;最后采用数学形态学处理,实现缺陷自动识别。结果表明所提方法能有效识别钢板单搭接焊缝中的气孔缺陷。

基于改进不变矩的变形X射线图像识别

为实现有变形X射线图像的有效识别,对有变形图像不变矩进行理论推导,并针对变形情况提出了3个新的改进不变矩。将原不变矩和新提出的改进不变矩应用于不同图像,分析并验证所构建改进不变矩的有效性,并提出基于改进不变矩的变形X射线图像识别方法。实验结果表明,提出的改进不变矩具备有变形情况下的尺度、旋转、平移不变性,所提出的基于改进不变矩的变形X射线图像识别方法能够有效提高识别准确率,效果更佳。

基于多类支持向量机的X射线焊缝图像缺陷类型识别方法

压力容器的焊缝结构多变,纹路复杂,增加了压力容器检测焊缝缺陷时定级的难度。提出一种基于多类支持向量机的X射线焊缝图像缺陷类型识别方法。首先通过对X射线焊缝图像进行预处理及缺陷轮廓检测,提取表征焊缝缺陷的状态特征,以构造特征向量;然后基于多类支持向量机建立焊缝缺陷识别模型,对产品的焊缝缺陷进行分类识别。实验结果表明了该方法的有效性。

基于X射线图像的PCB缺陷检测系统

针对PCB内部缺陷检测速度慢、精度低的问题,提出一种基于X射线图像的PCB缺陷检测系统。该系统算法对YOLOv7进行改进,在Neck区域设计一种高效的特征提取模块,优化Neck区域网络结构,降低模型复杂度。在多尺度特征融合模块引入ACmix注意力机制,增加不同尺度目标特征的权重。将SIoU作为边框损失函数,提高网络的定位能力。实验结果表明:所提系统算法在测试集上的平均准确度均值(mAP)达到了92.8%,比YOLOv7算法提高4.6%;检测速度提升25%,模型计算量降低29%,面对复杂场景具有较强的鲁棒性,能够满足实际工业检测的需求。

基于图像特征提取的管道X射线底片缺陷识别

针对油气管道X射线底片传统评片方式效率低、检测结果主观性大等原因,在X射线底片数字化的基础上利用图像特征提取的方法实现管道缺陷自动识别。由于X射线底片图像具有噪声大、对比度低等特点,又因其缺陷面积、圆度及周长等几何特征值与边界轮廓有关,本文提出一种改进Canny边缘检测算法对缺陷的边缘轮廓进行提取。实验结果表明,本文方法能有效实现对缺陷特征的提取,且实时性强。

基于模糊分类的炭素制品X射线图像的缺陷识别研究

使用遗传算法,对从炭素制品缺陷特征中提取的参数进行优化处理,然后对优化后的参数进行模糊分类。鉴于得到的优化参数空间尺度分布大且数量级不一,通过建立数学模型,首先对参数在空间尺度进行处理,使参数分布更加集中,然后计算各样本间的相似度,进而确定分类的阈值,最后通过决策算法对炭素制品X射线图像中的缺陷进行分类,从而实现对炭素制品缺陷的分类识别。

基于X射线图像的铸件缺陷智能检测与识别方法研究进展

回顾了基于X射线图像的铸件缺陷定位检测、分类识别、检测与分类一体化及缺陷图像仿真生成四类任务解决方法的研究进展,对比了现有缺陷智能检测、识别方法,并对未来的研究方向进行了展望。