CN114332030A

CN114332030A - 一种阀体焊缝x光图像去噪方法、***及装置

Info

Publication number: CN114332030A
Application number: CN202111652372.9A
Authority: CN
Inventors: 余圣甫; 余振宇; 禹润缜
Original assignee: Huazhong University of Science and Technology
Current assignee: Huazhong University of Science and Technology
Priority date: 2021-12-30
Filing date: 2021-12-30
Publication date: 2022-04-12

Abstract

本发明属于X光图像去噪技术领域，并具体公开了一种阀体焊缝X光图像去噪方法、***及装置，包括：基于阀体零件模型确定当前检测位置的零件厚度；在当前检测位置根据零件厚度选用对应功率的X光照射，获取当前检测位置的第一检测图像；基于训练好的图片质量模型确定第一检测图像中一个或多个质量特征的特征值；基于特征值判断第一检测图像是否满足预设条件；将零件厚度以及选用的X光功率进行特征表示，获取噪声约束向量；基于训练好的噪声模型及噪声约束向量对第一检测图像进行处理，得到去噪后的第二检测图像；训练好的噪声模型是一个编码器‑解码器耦合的去噪模型。本发明可降低阀体焊缝X光图像中的噪声数据，提升X光图像可信度。

Description

一种阀体焊缝X光图像去噪方法、***及装置

技术领域

本发明属于X光图像去噪技术领域，更具体地，涉及一种阀体焊缝X光图像去噪方法、***及装置。

背景技术

阀体是管路***中的重要部件，广泛应用于能源、电力、水利、化工等诸多行业中。许多阀体长期在恶劣环境下服役，一旦发生破损将造成灾难性事故，对阀体的制造质量提出了非常高的要求。焊接是制造阀体的主要方法，为了保证阀体的使用安全性，阀体的焊接质量有着极高的要求，所有焊缝必须经X光检测，确保无超标的焊接缺陷。

在采用X光进行阀体焊缝图像检测时，一方面，由于阀体零件厚度较大，往往需要采用大剂量的X光才能穿透焊缝，大剂量X光的使用带来了较多的图像上的噪声和伪影，使得X光图像的清晰度下降、可信度降低；另一方面，阀体焊接依赖于手工电弧焊多层多道焊接完成，焊接质量难以控制，在焊接时道与道搭接区域存在很多密集分布的微小焊接缺陷，这些微小的焊接缺陷与噪声分布重叠，难以甄别，给阀体焊接质量的准确判断带来了挑战。

因此，亟需一种阀体焊缝X光图像去噪方法，提升阀体焊缝X光图像的可信度。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种阀体焊缝X光图像去噪方法、***及装置，其目的在于，降低阀体焊缝X光图像中的噪声数据，提升X光图像的可信度。

为实现上述目的，按照本发明的第一方面，提出了一种阀体焊缝X光图像去噪方法，包括如下步骤：

S1、获取阀体零件模型，基于所述阀体零件模型确定当前检测位置的零件厚度；

S2、在当前检测位置根据所述零件厚度选用对应功率的X光进行照射，获取当前检测位置的第一检测图像；

S3、基于训练好的图片质量模型确定第一检测图像中的一个或多个质量特征的特征值；

S4、基于所述一个或多个质量特征的特征值判断所述第一检测图像是否满足预设条件，对满足预设条件的第一检测图像，不进行后续处理；对不满足预设条件的第一检测图像，转入步骤S5；

S5、将所述零件厚度以及选用的X光功率进行特征表示，获取噪声约束向量；

S6、基于训练好的噪声模型以及所述噪声约束向量对不满足预设条件的第一检测图像进行处理，得到去噪后的第二检测图像；其中，所述训练好的噪声模型是一个编码器-解码器耦合的去噪模型，所述编码器将输入的第一检测图像转化为第一检测数据，所述解码器基于所述第一检测数据在所述噪声约束向量约束下将第一检测数据转化为去噪后的第二检测图像。

作为进一步优选的，基于所述一个或多个质量特征的特征值判断所述第一检测图像是否满足预设条件包括：

获取所述一个或多个质量特征中的每个质量特征的权重系数；

基于所述权重系数以及第一检测图像的一个或多个质量特征的特征值，确定所述第一检测图像的质量评估值；

判断所述第一检测图像的质量评估值是否满足预设条件。

作为进一步优选的，获取所述一个或多个质量特征中的每个质量特征的权重系数包括：

获取第一测试图片集，所述第一测试图片集包括多张带有质量评估标签的第一样本图片，所述质量评估标签用以反映所述第一样本图片是否适合用于X光图片质量评估；

获取所述一个或多个质量特征中的每个质量特征的初始权重系数；

基于训练好的图片质量模型获取所述每个第一样本图片的一个或多个质量特征的样本特征值；

基于贝叶斯算法和所述初始权重系数确定所述一个或多个质量特征中的每个质量特征的优化权重系数，所述优化权重系数使得的每个第一样本图片的质量预估值接近其质量评估标签，

其中，所述每个第一样本图片的质量预估值基于所述第一样本图片的一个或多个质量特征的样本特征值和所述优化权重系数获得。

作为进一步优选的，所述训练好的图片质量模型由以下步骤获取：

获取初始模型；

获取第一训练图片集，所述第一训练图片集中包括多张具有所述一个或多个质量特征的标签值的第一样本图片；

基于所述第一训练图片集对所述初始模型进行训练，得到训练好的图片质量模型。

作为进一步优选的，所述第一检测图像中的一个或多个质量特征包括范数，所述范数的标签值根据训练好的图片分析模型确定。

作为进一步优选的，所述图片质量模型和所述图片分析模型是训练好的卷积网络模型。

作为进一步优选的，所述图片质量模型和所述图片分析模型共用至少部分卷积层。

作为进一步优选的，所述第一检测图像的质量特征包括以下特征中的一个或多个：图片的模糊度、图片中缺陷叠加比例、图片的亮度、图片拍摄角度。

按照本发明的第二方面，提供了一种阀体焊缝X光图像去噪***，包括零件厚度获取模块、第一检测图像获取模块、质量特征确定模块、特征值判断模块、噪声约束向量获取模块和第二检测图像获取模块，其中：

所述零件厚度获取模块用于获取阀体零件模型，基于所述阀体零件模型确定当前检测位置的零件厚度；

所述第一检测图像获取模块用于在当前检测位置根据所述零件厚度选用对应功率的X光进行照射，获取当前检测位置的第一检测图像；

所述质量特征确定模块用于基于训练好的图片质量模型确定第一检测图像中的一个或多个质量特征的特征值；

所述特征值判断模块用于基于所述一个或多个质量特征的特征值判断所述第一检测图像是否满足预设条件；

所述噪声约束向量获取模块用于将所述零件厚度以及选用的X光功率进行特征表示，获取噪声约束向量；

所述第二检测图像获取模块用于基于训练好的噪声模型以及所述噪声约束向量对不满足预设条件的第一检测图像进行处理，得到去噪后的第二检测图像；其中，所述训练好的噪声模型是一个编码器-解码器耦合的去噪模型，所述编码器将输入的第一检测图像转化为第一检测数据，所述解码器基于所述第一检测数据在所述噪声约束向量约束下将第一检测数据转化为去噪后的第二检测图像。

按照本发明的第三方面，提供了一种阀体焊缝X光图像去噪装置，包括处理器，所述处理器用于执行阀体焊缝X光图像去噪方法。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，主要具备以下的技术优点：

1、本发明基于检测位置厚度调取最为合适的X光曝光强度，减小曝光剂量，消除图像伪影；并根据特征值评估需要处理的检测图像，进而将零件厚度以及选用对应功率的X光功率用向量、特征值的方式进行编码并作为去噪辅助条件输入噪声模型中进行去噪处理，得到更加准确的去噪处理结果。

2、本发明通过贝叶斯算法优化权重系数，以得到最准确地权重系数组合，进而基于权重系数的组合得到质量评估值以直观判断图片质量。

3、基于图片质量模型可输出多个维度的质量特征，更准确地衡量检测图片的质量；同时，采用了范数值直观地反映图片的质量，进而多个不同维度评估焊缝图像的质量，即通过范数的设定可实现对焊缝图像质量的综合打分。

附图说明

图1是根据本发明一些实施例所示的一个示例性的阀体零件焊后无损检测的应用场景示意图；

图2是根据本发明一些实施例所示的一个示例性的阀体焊缝X光图像去噪***的***框图；

图3是根据本发明一些实施例所示的阀体焊缝X光图像去噪方法的示意性流程图；

图4是根据本发明一些实施例所示的图片质量模型进行训练的示例性流程图；

图5是根据本发明一些实施例所示的确定质量特征对应的权重系数的示例性流程图；

图6是根据发明一些实施例所示的图像分析模型和图像质量模型的模型架构图。

在所有附图中，相同的附图标记用来表示相同的元件或结构，其中：110-阀体，110-1-焊缝，120-处理设备，120-2-存储设备，130-X光发射器，140-X光接收器，210-零件厚度获取模块，220-第一检测图像获取模块，230-质量特征确定模块，240-特征值判断模块，250-噪声约束向量获取模块，260-第二检测图像获取模块。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

图1是根据本说明书一些实施例所示的一个示例性的阀体零件焊后无损检测的应用场景示意图。

如图1所示，阀体零件焊后无损检测的应用场景中可以包括阀体110(阀体110上有焊缝110-1)、处理设备120、X光发射器130、X光接收器140。

在一些实施例中，场景100中还包括第一运动机构(图中未示出)和第二运动机构(图中未示出)。第一运动机构可以用于与X光发射器130相连，以控制X光照射位置。第二运动机构可以用于与X光接收器相连，并保持与X光发射器相对，以接受X光信号。

在一些实施例中，第一运动机构和第二运动机构可以是任意的运动结构。示例性地，第一运动机构可以是一个6轴机器人。需要说明的是，本说明书一个及多个实施例所提及的运动机构(如第一运动机构和第二运动机构)可以是本领域技术人员所熟知的任意的可执行运动/转动的机构。例如，第一运动机构和第二运动机构可以是3轴、4轴、5轴、6轴、7轴机器臂。又例如，第一运动机构和第二运动机构可以是如龙门结构、桁架结构等可运动的机构。再例如，第一运动机构和第二运动机构可以是一体的，也可以是独立设置的。在一些实施例中，第一运动机构和第二运动机构可以是相同的结构，也可以是不同的结构。诸如此类的变化，仍然在本说明书的保护范围之内。

处理设备120可以与场景100中的其他组件(如X光发射器130、X光接收器140、第一运动机构以及第二运动机构中的一个或多个)进行连接以获取并处理数据和/或信息。例如，处理设备120可以获取阀体零件模型，基于阀体零件模型确定当前检测位置的零件厚度。又例如，处理设备120可以在当前检测位置根据零件厚度选用对应功率的X光进行照射，获取当前检测位置的第一检测图像。还例如，处理设备120可以将零件厚度以及选用功率的X光功率进行特征表示，获取噪声约束向量，并基于训练好的噪声模型以及噪声约束向量对第一检测图像进行处理，得到去噪后的第二检测图像。

在一些实施例中，处理设备120可以是独立的服务器或者服务器组。该服务器组可以是集中式的或者分布式的(如：处理设备可以是分布***)。在一些实施例中，处理设备120可以是本地的或者远程的。在一些实施例中，处理设备120可在云平台上执行。例如，该云平台可包括私有云、公共云、混合云、社区云、分散式云、内部云等中的一种或其任意组合。

在一些实施例中，处理设备120上还可以包括存储设备120-2，存储设备120-2可以存储数据和/或指令。在一些实施例中，存储设备120-2可以存储操作指示信息。在一些实施例中，存储设备120-2还可以存储训练好的噪声模型。在一些实施例中，存储设备120-2可以存储处理设备120用于执行或使用来完成本说明书中描述的示例性方法的数据和/或指令。在一些实施例中，存储设备120-2可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量储存器可以包括磁盘、光盘、固态磁盘等。

在一些实施例中，场景100中还可以包括网络(图中未示出)。网络可以与场景100中的一个或多个组件进行连接，以促进信息和/或数据的交换。在一些实施例中，网络可以为任意形式的有线或无线网络或其任意组合。仅作为示例，网络可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网(LAN)、广域网(WAN)、无线局域网(WLAN)、城域网(MAN)、广域网(WAN)、公共交换电话网络(PSTN)、蓝牙网络、紫蜂网络、近场通讯(NFC)网络、全球移动通讯***(GSM)网络、码分多址(CDMA)网络、时分多址(TDMA)网络、通用分组无线服务(GPRS)网络、增强数据速率GSM演进(EDGE)网络、宽带码分多址接入(WCDMA)网络、高速下行分组接入(HSDPA)网络、长期演进(LTE)网络、用户数据报协议(UDP)网络、传输控制协议/互联网协议(TCP/IP)网络、短讯息服务(SMS)网络、无线应用协议(WAP)网络、超宽带(UWB)网络、移动通信(1G、2G、3G、4G、5G)网络、Wi-Fi、Li-Fi、窄带物联网(NB-IoT)等或其任意组合。

图2是根据本说明书一些实施例所示的一个示例性的阀体焊缝X光图像去噪***的***框图。在一些实施例中，***200具体地可以设置在处理设备120上。

如图2所示，***200可以包括：零件厚度获取模块210、第一检测图像获取模块220、质量特征确定模块230、特征值判断模块240、噪声约束向量获取模块250、第二检测图像获取模块260。在一些实施例中，***200可以设置在处理设备120上。

零件厚度获取模块210，用于获取阀体零件模型，基于阀体零件模型确定当前检测位置的零件厚度；

第一检测图像获取模块220，用于在当前检测位置根据零件厚度选用对应功率的X光进行照射，获取当前检测位置的第一检测图像；

质量特征确定模块230，用于基于训练好的图片质量模型确定第一检测图像中的一个或多个质量特征的特征值；

特征值判断模块240，用于基于一个或多个质量特征的特征值判断第一检测图像是否满足预设条件；

噪声约束向量获取模块250，用于将零件厚度以及选用功率的X光功率进行特征表示，获取噪声约束向量；

第二检测图像获取模块260，用于基于训练好的噪声模型以及噪声约束向量对不满足预设条件的第一检测图像进行处理，得到去噪后的第二检测图像；其中，训练好的噪声模型是一个编码器-解码器耦合的去噪模型，编码器将输入的第一检测图像转化为第一检测数据，解码器基于第一检测数据在噪声约束向量约束下将第一检测数据转化为去噪后的第二检测图像。

在一些实施例中，第一检测图像中的一个或多个质量特征包括范数，训练好的图片质量模型由以下步骤获取：获取初始模型；获取第一训练图片集，第一训练图片集中包括多张具有一个或多个质量特征的标签值的第一样本图片，其中，范数的标签值根据训练好的图片分析模型确定；以及基于第一训练图片集对初始模型进行训练，得到训练好的图片质量模型。

在一些实施例中，图片质量模型和图片分析模型是训练好的CNN(卷积网络模型)。

在一些实施例中，图片质量模型和图片分析模型共用至少部分卷积层。

在一些实施例中，特征值判断模块240还用于：获取一个或多个质量特征中的每个质量特征的权重系数；基于权重系数以及第一检测图像的一个或多个质量特征的特征值，确定第一检测图像的质量评估值；以及判断第一检测图像的质量评估值是否满足预设条件。

在一些实施例中，特征值判断模块240还用于：获取第一测试图片集，第一测试图片集包括多张带有质量评估标签的第一样本图片，质量评估标签用以反映第一样本图片是否适合用于X光图片质量评估；获取一个或多个质量特征中的每个质量特征的初始权重系数；基于训练好的图片质量模型获取每个第一样本图片的一个或多个质量特征的样本特征值；以及基于贝叶斯算法和初始权重系数确定一个或多个质量特征中的每个质量特征的优化权重系数，优化权重系数使得的每个第一样本图片的质量预估值接近其质量评估标签，其中，每个第一样本图片的质量预估值基于第一样本图片的一个或多个质量特征的样本特征值和优化权重系数获得。

在一些实施例中，第一检测图像的质量特征包括以下特征中的一个或多个：图片的模糊度、图片中缺陷叠加比例、图片的亮度、图片拍摄角度。

应当理解，本说明书一个或多个实施中的***及其模块可以利用各种方式来实现。例如，在一些实施例中，***及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行***，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和***可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本说明书的***及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。

图3是根据本说明书一些实施例所示的阀体焊缝X光图像去噪方法的示意性流程图。在一些实施例中，方法300可以由处理设备120执行。在一些实施例中，方法300可以进一步由***200执行。

步骤310(即S1)，获取阀体零件模型，基于阀体零件模型确定当前检测位置的零件厚度。

在一些实施例中，步骤310可以由零件厚度获取模块210执行。

零件厚度获取模块210可以获取X光发射器130当前检测位置，进而结合阀体零件模型判断当前检测位置的零件厚度。在一些实施例中，当前检测位置可以通过外加的装置/设备进行获取。例如，零件厚度获取模块210可以通过外加的CCD、摄像头、测距仪等测量组件获取X光发射器130相对于阀体零件的相对位置，进而得到X光发射器130当前检测位置。

在一些实施例中，X光发射器可以基于预设好的轨迹自动地测量整个阀体的所有焊缝。在该场景的实施例中，可以通过与X光发射器相连的机械运动装置的轨迹程序来获取当前检测位置。示例性地，假设X光发射器130基于6轴机器人进行运动，6轴机器人基于设定好的程序实现X光发生器的运动轨迹，此时，零件厚度获取模块210可以基于当前机器人程序的执行段落判断出当前检测位置，进而基于当前检测位置结合零件数模调取零件厚度。

步骤320(即S2)，在当前检测位置根据零件厚度选用对应功率的X光进行照射，获取当前检测位置的第一检测图像。

在一些实施例中，步骤320可以由第一检测图像获取模块220执行。

第一检测图像获取模块220可以根据步骤310所得的零件厚度调取相应功率的X光对零件进行照射。可以理解，X光功率过低时，X光无法穿透阀体零件，也就无法获得准确的X光检测图像；而X光功率过高时，过大剂量X光不仅会对人体身体造成安全隐患，也会给拍摄图像带来较多的图像伪影和图像噪声，使工作人员无法准确地判断X光图像中的焊接缺陷。

因此，在一些实施例中，第一检测图像获取模块220可以通过步骤310所得的当前检测位置的零件厚度调取合适的X光功率范围，并通知X光发射器130予以执行。执行完成后，X光接收器140会将接收到的图像数据发送给第一检测图像获取模块220，第一检测图像获取模块220进而基于图像数据采用图片重现的方式得到第一检测图像。采用这种方式，第一检测图像获取模块220可以对各异性厚度的零件区域采用各异性的X光功率，以尽可能地减少采集图像的伪影和噪声。

步骤330(即S3)，基于训练好的图片质量模型确定第一检测图像中的一个或多个质量特征的特征值。

在一些实施例中，步骤330可以由质量特征确定模块230执行。

图片质量模型是指用于确定第一检测图像质量优劣的模型。在一些实施例中，图片质量模型可以是一个机器学习模型。优选地，图片质量模型可以是一个卷积神经网络模型(CNN)。

在一些实施例中，图片质量模型可以基于输入的第一检测图像输出对应的多个维度的质量特征。质量特征是指用于衡量图片质量优劣的特征。在一些实施例中，第一检测图像的质量特征可以包括以下特征中的一个或多个：图片的模糊度D₁、图片中缺陷叠加比例D₂、图片的亮度D₃、图片拍摄角度D₄。

图片的模糊度D₁是指图片拍摄时焊缝轮廓的模糊程度。图片的模糊度与图片质量成负相关。第一检测图像的模糊度越高，则表示第一检测图像越模糊、清晰度越低、图片质量越低。

图片中缺陷叠加比例D₂是指缺陷之间相互遮掩和/或缺陷和噪声之间相互叠加的遮挡面积相对于总面积所占的比例。图片中缺陷叠加比例与图片质量成负相关。第一检测图像中图片中缺陷叠加比例越高，则表示第一检测图像中缺陷被遮挡的概率越大、图片质量越低。

亮度是指图片的明亮程度D₃。图片的亮度与图片质量成正相关。第一检测图像的亮度越大，则表示第一检测图像的明亮程度越大、图片质量越高。

拍摄角度D₄是指X发生装置130相对于焊缝的角度(即第一检测图像的获取角度)。拍摄角度可以包括偏航角(yaw)和俯仰角(pitch)。偏航角和俯仰角分别是指水平面上和垂直于水平面上图像采集装置与采集目标区域的夹角。通常可以将正对采集目标区域的拍摄角度的偏航角和俯仰角都设为0°。在图像分析的技术领域，拍摄角度越小，图像采集装置采集到的特征点越准确，图片的质量越好；反之，图片拍摄角度越大，则对图片质量的影响越大。换言之，图片拍摄角度与图片质量成负相关。

在一些实施例中，质量特征中还包括范数D₅。范数是指范数函数，其可以由前述提到的任意两个或多个质量特征进行计算。在本申请的实施例中，范数可以理解为两个及以上的质量特征在向量空间内距离原点的长度，可以用于综合评估第一检测图像的质量。

仅作为示例，范数D₅可以由第一样本图片的模糊度D₁和图片中缺陷叠加比例D₂两个质量特征进行计算，计算公式示例性如下：

在该场景的实施例中，范数即为模糊度和被遮挡比例在向量空间距离零点的距离。显然，范数越大，说明图像的模糊度越大或者是图片中缺陷叠加比例越大，则图片的质量也越差。显然，可以用范数值直观地反映图片的质量，进而多个不同维度评估焊缝图像的质量。换言之，通过范数的设定实现了对焊缝图像质量的综合打分。

步骤340(即S4)，基于一个或多个质量特征的特征值判断第一检测图像是否满足预设条件。

在一些实施例中，步骤340可以由特征值判断模块240执行。

在一些实施例中，特征值判断模块240可以基于一个质量特征的特征值判断第一检测图像是否满足预设条件。例如，特征值判断模块240可以将第一检测图像的特征值与预设阈值进行对比来判断第一检测图像是否满足预设条件。仅作为示例，特征值判断模块240可以获取第一检测图像的质量特征为图片中缺陷叠加比例，假设该质量特征的特征值为85％，预设阈值为80％，由于该质量特征与图片质量成正相关，则第一检测图像的特征值大于该预设阈值，可以确定第一检测图像满足预设条件。

在一些实施例中，特征值判断模块240可以基于多个质量特征的特征值判断第一检测图像是否满足预设条件。例如，特征值判断模块240可以基于图片中缺陷叠加比例和图片的模糊度这两个质量特征来判断。续前例，图片中缺陷叠加比例的特征值为85％，满足要求。特征值判断模块240可以获取图片的模糊度为20，假设图片的模糊度所对应的预设阈值为5，则表示该质量特征的特征值不满足要求。因此，特征值判断模块240可以通过上述两个质量特征的特征值判断第一检测图像不满足预设条件，如此，可以通过多个质量特征的特征值共同确定第一检测图像是否满足预设条件，使特征值判断模块240能够更全面、更准确地实现判断。

在一些实施例中，特征值判断模块240可以基于第一检测图像所对应的多个质量特征，通过给予不同质量特征以相对应的权重系数w₁-w₅，获得质量评估值K，计算公式示例性如下：

K＝w₁×D₁+w₂×D₂+w₃×D₃+w₄×D₄+w₅×D₅；

例如，第一检测图像可以包括三个质量特征，图片质量模型可以分别给予上述三个质量特征的权重值为0.5、0.3和0.2，以得到质量评估值K。

而在实际操作中，由于不同的质量特征对图片质量的影响不同，在一些实施例中，多个质量特征对应的权重w₁～w₅可以是不同的，以反映各个质量特征的重要程度。以质量特征包括图片中缺陷叠加比例和图片亮度为例，对于上述两种质量特征，图片中缺陷叠加比例D₂对焊缝质量判别的影响要大于图片亮度D₃对焊缝质量判别的影响，则缺陷叠加比例的权重值w₂应大于图片亮度的权重值w₃。

在一些实施例中，可以使用贝叶斯搜索算法获取不同特征对应的权重w₁～w₅。贝叶斯搜索算法是指利用贝叶斯统计理论进行搜索的算法。例如，可以利用贝叶斯搜索算法快速、准确地确定多个质量特征对图片质量影响的权重。采用贝叶斯算法获取不同特征对应权重的更多细节具体可参图5及其相关描述，在此不再赘述。

步骤350(即S5)，将零件厚度以及选用功率的X光功率进行特征表示，获取噪声约束向量。

在一些实施例中，步骤350可以由噪声约束向量获取模块250执行。

在一些实施例中，噪声约束向量可以用向量、特征值等方式进行编码。例如，二进制编码、embedding编码等。优选地，噪声约束向量可以采用独热编码(one-hot编码)方式得到。采用独热编码可以将零件厚度以及选用的X光功率转化为固定长度的向量，方便直接将噪声约束向量拼接到解码器的输入中。

可以理解，在X光检测过程中，阀体的材料以及外界光照等条件相似时，噪声的强度及分布状态主要取决于X光的照射强度以及当前检测位置的厚度。换言之，同等厚度、同等照射强度的两个焊缝，所得图像的噪声水平和噪声分布应该是相若的。因此，噪声约束向量获取模块350可以将零件厚度以及选用功率的X光功率用向量、特征值的方式进行编码并作为去噪辅助条件输入噪声模型中进行去噪处理。

步骤360(即S6)，基于训练好的噪声模型以及噪声约束向量对第一检测图像进行处理，得到去噪后的第二检测图像。

在一些实施例中，步骤360可以由第二检测图像获取模块360执行。

训练好的噪声模型是一个编码器-解码器耦合的去噪模型，编码器将输入的第一检测图像转化为第一检测数据，解码器基于第一检测数据在噪声约束向量约束下将第一检测数据转化为去噪后的第二检测图像。

具体地，基于噪声模型对第一检测图像进行校正包括以下步骤：

1)通过噪声模型中的编码器部分获取第一检测图像中的特征向量。可以理解，编码器相当于将图片转化为特征向量或者矩阵的机器模型。具体地，编码器可以基于第一检测图像中的图片边界、像素、色彩等图片特征进行编码，从而得到第一检测图像对应的特征向量(或矩阵)。仅作为示例，编码器得到的特征向量包括行和列，且向量中的各矩阵元素可以具有不同的赋值；则相对应的，可以用特征向量的行可以对应第一检测图像的长，用特征向量的列可以对应第一检测图像的宽，用特征向量中的矩阵元素的赋值表示图像的灰度或者是色彩值。

2)将编码器输出的第一检测图像中的特征向量输入解码器中，获得生成器输出的满足噪声约束向量的第二检测图像。可以理解，解码器的工作与编码器相反，其实际是将一个特征向量(或矩阵)生成一个检测图像。所不同的是，在解码器基于特征向量得到图片之前，其需要基于编码器输出的第一检测图像对应的特征向量按噪声约束向量进行重新编译。可以理解，重新编译的过程即为以噪声约束向量为基础的矩阵变换过程，变换完成后，即生成了对应于第二焊缝图片的特征向量(或矩阵)。进一步地，基于对应于第二检测图像的特征向量(或矩阵)执行相应的解码操作，将特征向量(或矩阵)中对应的行、列以及各矩阵元素解码为图片的边界、像素、色彩等图片特征，即可得到第二检测图像。在一些实施例中，将第一检测图像对应的特征向量进行重新编译前，还需要对噪声约束向量进行重塑操作，以使得噪声约束向量对应的特征向量与第一检测图像对应的特征向量尺寸相同。

图4是根据本说明书一些实施例所示的图片质量模型进行训练的示例性流程图。

步骤410，获取初始模型。

初始模型是指初始图片质量模型，包括初始化的模型参数以及完整的模型结构。在一些实施例中，初始模型可以是一个未经训练的卷积神经网络或未训练完成的卷积神经网络。初始模型的各层可以设置有初始参数，参数在训练过程中可以被不断地调整，直至完成训练为止。

步骤420，获取第一训练图片集。

第一训练图片集是指用于训练初始模型的训练样本集。在一些实施例中，第一训练图片集中可以包括多张具有一个或多个质量特征的标签值的第一样本图片。如前所述，质量特征可以包括图片的模糊度D₁、图片中缺陷叠加比例D₂、图片的亮度D₃、图片拍摄角度D₄中的一种或几种。在一些实施例中，第一样本图片中还包括范数标签值。范数的计算方法参见图3的相应描述，在此不在赘述。

训练样本集中的标签值可以由人工标注。例如，由人工标注第一样本图片的模糊度D₁和亮度D₃。在一些实施例中，还可以由相对应的机器学习模型对第一训练图片集进行自动标注。示例性地，范数值标签可以由训练好的图片分析模型获取。具体地，图片分析模型可以是一个训练好的卷积神经网络模型(CNN模型)，图片分析模型可以基于人工标注范数标签值进行训练，从而直接建立范数值与输入图片之间的映射关系；与图片质量模型相比，图片分析模型模型的结构更小，训练效率更高。

步骤430，基于第一训练图片集对初始模型进行训练，得到训练好的图片质量模型。

在一些实施例中，图片质量模型是一个卷积神经网络模型。在一些实施例中，图片分析模型和图片质量模型共用部分卷积层。图片分析模型和图片质量模型的模型架构如图6所示。

图片分析模型和图片质量模型可以共享部分卷积层(如图6中所示的卷积层1～i)，示例性地，共享部分卷积层可以是特征提取层。特征提取层可以基于输入的图片矩阵对应输出图片中的特征子图像。图片分析模型和图片质量模型进一步地基于特征子图像分别进行前向传播得到不同的预测结果。

具体地，特征提取层的输入可以是第一训练图片集中的图片相对应的图片矩阵。例如，图片矩阵的行可以对应焊缝图片的高，图片矩阵的列可以对应焊缝图片的宽，图片矩阵的元素可以对应焊缝图片的像素。在一些实施例中，在图片是灰度图片的情况下，图片矩阵的元素可以对应灰度图片的灰度值。在一些其他实施例中，在图片是彩色图片的情况下，图片矩阵的元素对应彩色图片的RGB(Red Green Blue，红绿蓝)值。特征提取层进一步将输入的图片矩阵转化为若干个局部特征对应的特征子图像。

进一步地，图片分析模型基于卷积层c，…k,j进行前向传播，得到范数的标签值；而图片质量模型基于不同的卷积层m，…，f，g进行处理，分别输出模糊度预测值、缺陷叠加比例预测值、亮度预测值、拍摄角度预测值以及范数预测值。

更进一步地，全连接层可以将所有得到的模糊度预测值、缺陷叠加比例预测值、亮度预测值、拍摄角度预测值以及范数预测值进行连接，采用激活函数(如sigmoid、tanh等)将预测结果进行压缩，得到预测总结果H。反向传播时，对于标签值也应按照激活函数的方式对标签值进行压缩，得到

进而基于

构建损失函数。在一些实施例中，可以根据模型的类型可以选择不同的损失函数，如将均方差损失函数或交叉熵损失函数作为损失函数等，在本说明书中不做限制。

得到损失值Loss后，可以采用反向传播算法确定模型的每个权重的更新幅度。也就是说，反向传播算法可以确定损失函数相对每个权重的变化情况(亦可称为梯度或误差导数)，记为

更进一步地，梯度反传算法可以将损失函数的值通过输出层，向隐层、输入层逐层反传，依次确定各层的模型参数的修正值(或梯度)。其中，各层的模型参数的修正值(或梯度)包括多个矩阵元素(如梯度元素)，其与模型参数一一对应，每个梯度元素反映参数的修正方向(增加或减小)以及修正量。

通过这样的方式，可以通过第一训练图片集中的样本图片不断更新初始模型的各层设置的参数，直至更新后的卷积神经网络模型能够表征第一训练图片集中的图片与质量特征之间的对应关系为止，从而得到训练好的图片质量模型。

图5是根据本说明书一些实施例所示的确定质量特征对应的权重系数的示例性流程图。

步骤510，获取第一测试图片集。

在一些实施例中，第一测试图片集可以包括多张带有质量评估标签的第二样本图片。质量评估标签是指第二样本图片中表示图片质量的标签，其可以用于反映第二样本图片是否适合用于焊缝评估。具体地，质量评估标签可以为0～1之间的数，质量评估标签的数字越大，表示带有该质量评估标签的第二样本图片越适合用于焊缝评估。

步骤520，获取一个或多个质量特征中的每个质量特征的初始权重系数。

初始权重系数可以反映多个质量特征中每个质量特征对于图片适用于焊缝评估的重要程度。例如，对于图片中缺陷叠加比例和图片亮度这两个质量特征，图片中缺陷叠加比例对焊缝评估的重要程度要大于图片亮度对焊缝评估的重要程度，因此图片中缺陷叠加比例对应的初始权重系数就相对大于图片亮度对应的初始权重系数。

步骤530，基于训练好的图片质量模型获取每个第二样本图片的一个或多个质量特征的样本特征值。

样本特征值用于表示第二样本图片中各质量特征的具体数值，其可以基于训练好的图片质量模型获取。关于质量特征的更多说明可参见图3的相应描述，在此不再赘述。

步骤540，基于贝叶斯算法和初始权重系数确定一个或多个质量特征中的每个质量特征的优化权重系数。

为获得优化权重系数，可以基于第二样本图片中获取到的样本特征值，通过贝叶斯搜索获得优化权重值。其中，优化权重值使得基于样本特征值和优化权重值得到的质量评估值接近训练样本的质量评估标签。

在一些实施例中，优化权重系数可以是线性的。在一些实施例中，多个质量特征对应的权重系数之和可以设置为1。仅作为示例，可以基于贝叶斯算法搜索图片亮度、图片的模糊度、图片中缺陷叠加比例三个质量特征对应的优化权重系数，则三者对应的优化权重系数可以设置为0.2、0.4、0.4，显然，三者之和为1。权重系数之和设置为1时可以方便计算，便于基于权重系数确定质量预估值。在一些替代性实施例中，优化权重系数也可以是非线性设置的。

在一些实施例中，可以基于贝叶斯算法和初始权重系数确定一个或多个质量特征中的每个质量特征的优化权重系数。其具体包括如下步骤，1)预先将权重系数划分为高概率区、中概率区和低概率区，进而构造贝叶斯搜索路径，贝叶斯搜索路径可以始于高概率区、经过中概率区、最后搜索低概率区；2)输入贝叶斯搜索路径中的一组权重，返回这组权重在第一测试图片集上的准确率；3)基于上一步准确率的变化更新初始划分的高概率区、中概率区和低概率区的分配，基于贝叶斯搜索路径进行下一组权重；4)多次重复步骤2～3直至概率变化小于一定阈值为止，则得到了最优化的权重组合形式。

可以理解，优化权重系数可以使得的第一测试图片集中的第二样本图片的质量预估值尽可能地接近其质量评估标签。具体地，第二样本图片的质量预估值可以基于每个质量特征对应的优化权重系数与其对应的样本特征值相乘后求和。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种阀体焊缝X光图像去噪方法，其特征在于，包括如下步骤：

2.如权利要求1所述的阀体焊缝X光图像去噪方法，其特征在于，基于所述一个或多个质量特征的特征值判断所述第一检测图像是否满足预设条件包括：

判断所述第一检测图像的质量评估值是否满足预设条件。

3.如权利要求2所述的阀体焊缝X光图像去噪方法，其特征在于，获取所述一个或多个质量特征中的每个质量特征的权重系数包括：

4.如权利要求1所述的阀体焊缝X光图像去噪方法，其特征在于，所述训练好的图片质量模型由以下步骤获取：

获取初始模型；

5.如权利要求4所述的阀体焊缝X光图像去噪方法，其特征在于，所述第一检测图像中的一个或多个质量特征包括范数，所述范数的标签值根据训练好的图片分析模型确定。

6.如权利要求5所述的阀体焊缝X光图像去噪方法，其特征在于，所述图片质量模型和所述图片分析模型是训练好的卷积网络模型。

7.如权利要求6所述的阀体焊缝X光图像去噪方法，其特征在于，所述图片质量模型和所述图片分析模型共用至少部分卷积层。

8.如权利要求1-7任一项所述的阀体焊缝X光图像去噪方法，其特征在于，所述第一检测图像的质量特征包括以下特征中的一个或多个：图片的模糊度、图片中缺陷叠加比例、图片的亮度、图片拍摄角度。

9.一种阀体焊缝X光图像去噪***，其特征在于，包括零件厚度获取模块、第一检测图像获取模块、质量特征确定模块、特征值判断模块、噪声约束向量获取模块和第二检测图像获取模块，其中：

10.一种阀体焊缝X光图像去噪装置，其特征在于，包括处理器，所述处理器用于执行如权利要求1-8任一项所述的阀体焊缝X光图像去噪方法。