CN116596889A - 基于深度学习的x射线工业检测缺陷识别方法及*** - Google Patents
基于深度学习的x射线工业检测缺陷识别方法及*** Download PDFInfo
- Publication number
- CN116596889A CN116596889A CN202310570820.3A CN202310570820A CN116596889A CN 116596889 A CN116596889 A CN 116596889A CN 202310570820 A CN202310570820 A CN 202310570820A CN 116596889 A CN116596889 A CN 116596889A
- Authority
- CN
- China
- Prior art keywords
- defect
- image
- deep learning
- model database
- boundary
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 292
- 238000013135 deep learning Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 230000003321 amplification Effects 0.000 claims abstract description 19
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000013209 evaluation strategy Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000003384 imaging method Methods 0.000 claims description 15
- 238000007689 inspection Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000009659 non-destructive testing Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008832 photodamage Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本申请涉及无损检测技术领域,公开了基于深度学习的X射线工业检测缺陷识别方法及***。该方法包括:步骤1:X射线机对待检件进行全局扫描获取全局图像;步骤2:将全局图像与缺陷模型数据库中的缺陷数据进行比对获取缺陷区域;步骤3:X射线机对缺陷区域进行局部放大扫描获取局部图像;步骤4:对局部图像进行缺陷特征提取并与缺陷模型数据库中的缺陷数据进行比对获取比对结果;步骤5:基于比对结果和缺陷评价策略获取待检件的缺陷分析结果;步骤6:将具有缺陷的待检件作为训练样本进行深度学习。该***适用上述的识别方法。本申请的基于深度学习的X射线工业检测缺陷识别方法及***,具有检测效率较高、可靠性高的特点。
Description
技术领域
本申请涉及无损检测技术领域,具体是基于深度学习的X射线工业检测缺陷识别方法及***。
背景技术
射线检测是常规无损检测的重要方法之一,广泛应用于航空、航天、核电、国防以及其它工业部门,在工业生产和国民经济中发挥了重要作用。目前,在生产实际中,射线检测普遍使用胶片照相法。X射线胶片照相的成像质量较高,能正确提供被测试件缺陷真实情况的可靠信息,但是,它具有操作过程复杂、运行成本高、结果不易保存且查询携带不便以及评片人员眼睛易受强光损伤等缺点。然而,由于射线源、工件、成像***、成像工艺等多因素的影响,得到的图像的质量有时会达不到规定的质量标准,导致图像细节信息被掩盖,对于检测效率以及质量均会造成较大的影响。
因此,亟需一种可靠性高、操作便捷、结果准确度高的工业检测缺陷识别技术。
发明内容
本申请的目的在于提供一种基于深度学习的X射线工业检测缺陷识别方法及***,以解决上述背景技术中提出技术问题。
为实现上述目的,本申请公开了以下技术方案:
在第一方面,提供了一种基于深度学习的X射线工业检测缺陷识别方法,该方法包括以下步骤:
步骤1:采用X射线机对待检件进行全局扫描,获取全局图像;
步骤2:将获取到的全局图像与缺陷模型数据库中的缺陷数据进行比对,获取缺陷区域;
步骤3:采用X射线机对缺陷区域进行局部放大扫描,获取局部图像;
步骤4:对获取到的局部图像进行缺陷特征提取,并将提取结果与缺陷模型数据库中的缺陷数据进行比对,获取比对结果;
步骤5:基于获取到的比对结果和预设的缺陷评价策略,获取待检件的缺陷分析结果,所述缺陷分析结果包括缺陷位置信息、缺陷形状信息、缺陷尺寸信息中的至少一种;
步骤6:将具有缺陷的待检件的全局图像缺陷图像作为深度神经网络模型的输入层训练样本进行深度学习,并将深度学习结果输入所述缺陷模型数据库。
在一种实施方式中,在所述步骤1中,将所述全局扫描的初始位置定义为扫描基准位置,在所述步骤3中,基于所述缺陷区域的位置,以所述扫描基准位置为基准,移动到与所述缺陷区域之间具有位置差-ΔL和位置差+ΔL的位置处进行局部放大扫描,并将扫描的结果作为所述局部图像,其中,以与所述述缺陷区域之间具有位置差-ΔL的位置作为局部放大扫描的起始位置,以与所述述缺陷区域之间具有位置差+ΔL的位置作为局部放大扫描的结束位置。
在一种实施方式中,所述位置差-ΔL和所述位置差+ΔL均为沿着起始位置与所述扫描基准位置在水平方向上预设的距离差。
在一种实施方式中,所述步骤2还包括:
对所述缺陷区域进行轮廓提取,获得边界轮廓P1;
以边界轮廓P1的中心点为原点,按照预设的放大比例ρ对所述边界轮廓P1进行等比例放大,得到覆盖所述边界轮廓P1的边界轮廓P2,按照直线扫描的方式以与该边界轮廓P2相切的矩形作为成像区域,其中,该成像区域对应的矩形的第一个被扫描的边界与直线扫描的路径相垂直。
在一种实施方式中,在所述步骤4中,所述的获取到的局部图像进行缺陷特征提取具体包括以下步骤:
基于缺陷模型数据库中的缺陷特征元素对所述局部图像中的缺陷区域进行识别;
对识别出的缺陷区域进行边界获取,得到缺陷边界轮廓P3;
基于缺陷模型数据库中的缺陷特征元素对对所述缺陷边界轮廓P3的内部区域进行缺陷特征相似度比较,将比较获取的相似度结果β与所述缺陷模型数据库中的缺陷特征元素相似度阈值γ进行比对,当β≥γ时,将被提取到的缺陷特征标记为在所述缺陷模型数据库中被比对到的缺陷特征元素。
在一种实施方式中,所述相似度至少包括区域明暗的相似度和边界轮廓形状的相似度。
在第二方面,本申请公开了一种基于深度学习的X射线工业检测缺陷识别***,包括X射线机、载物台、数据处理中心;
所述X射线机配置为用于对待检件进行X射线扫描,其拍摄端朝向所述载物台设置;其中,所述X射线机对待检件进行全局扫描后获取的结果为全局图像,所述X射线机对待检件进行的局部放大扫描获取的结果为局部图像;
所述载物台配置为用于放置待检件,所述X射线机与所述载物台之间至少能够沿着一个直线方向进行相对移动;
所述数据处理中心包括处理器、图像比对模块、缺陷模型数据库、缺陷评价模块;其中,所述缺陷模型数据库配置为存储缺陷模型数据,所述缺陷模型数据通过深度学习得到;所述图像比对模块配置为用于将获取到的全局图像与缺陷模型数据库中的缺陷数据进行比对,获取缺陷区域,所述局部图像通过所述X射线机对所述缺陷区域扫描后获取;所述图像比对模块还配置为对获取到的局部图像进行缺陷特征提取,并将提取结果与缺陷模型数据库中的缺陷数据进行比对,获取比对结果;所述缺陷评价模块配置为基于获取到的比对结果和预设的缺陷评价策略,获取待检件的缺陷分析结果,所述缺陷分析结果包括缺陷位置信息、缺陷形状信息、缺陷尺寸信息中的至少一种;所述缺陷模型数据库还配置为将具有缺陷的待检件的全局图像缺陷图像作为深度神经网络模型的输入层训练样本进行深度学习,并将深度学习结果输入所述缺陷模型数据库。
在一种实施方式中,所述X射线机将所述全局扫描的初始位置定义为扫描基准位置,并在进行局部放大扫描时,基于所述缺陷区域的位置,以所述扫描基准位置为基准,移动到与所述缺陷区域之间具有位置差-ΔL和位置差+ΔL的位置处进行局部放大扫描,并将扫描的结果作为所述局部图像,其中,以与所述述缺陷区域之间具有位置差-ΔL的位置作为局部放大扫描的起始位置,以与所述述缺陷区域之间具有位置差+ΔL的位置作为局部放大扫描的结束位置。
在一种实施方式中,所述处理器配置为控制所述图像比对模块确定所述缺陷区域和确定所述X射线机进行局部放大扫描的轮廓;具体包括:
对所述缺陷区域进行轮廓提取,获得边界轮廓P1;
以边界轮廓P1的中心点为原点,按照预设的放大比例ρ对所述边界轮廓P1进行等比例放大,得到覆盖所述边界轮廓P1的边界轮廓P2,按照直线扫描的方式以与该边界轮廓P2相切的矩形作为成像区域,其中,该成像区域对应的矩形的第一个被扫描的边界与直线扫描的路径相垂直。
在一种实施方式中,所述图像比对模块进行缺陷特征提取具体包括以下步骤:
基于缺陷模型数据库中的缺陷特征元素对所述局部图像中的缺陷区域进行识别;
对识别出的缺陷区域进行边界获取,得到缺陷边界轮廓P3;
基于缺陷模型数据库中的缺陷特征元素对对所述缺陷边界轮廓P3的内部区域进行缺陷特征相似度比较,将比较获取的相似度结果β与所述缺陷模型数据库中的缺陷特征元素相似度阈值γ进行比对,当β≥γ时,将被提取到的缺陷特征标记为在所述缺陷模型数据库中被比对到的缺陷特征元素。
有益效果:本申请的基于深度学习的X射线工业检测缺陷识别方法及***,通过对全局图像进行缺陷区域分析,获取待检件上可能存在缺陷的区域(缺陷区域),然后,通过局部放大扫描的方式,对缺陷区域进行放大扫描,从而获取缺陷区域处清晰化、细节化的X射线图像采集结果(局部图像),然后基于深度学习获取的缺陷特征元素与局部图像中缺陷特征的提取进行比对,得到清楚、完整以及明确位置的缺陷,具有检测效率高、缺陷指向性高以及准确性高的效果。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例中基于深度学习的X射线工业检测缺陷识别方法的流程框图;
图2为本申请实施例中例举的局部放大扫描示意图;
图3为本申请实施例中例举的一种边界轮廓示意图。
图4为本申请实施例中基于深度学习的X射线工业检测缺陷识别***的结构框图。
具体实施方式
下面将对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本文中,术语“包括”意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本实施例在第一方面公开了一种基于深度学习的X射线工业检测缺陷识别方法,如图1所示,该方法包括以下步骤:
步骤1:采用X射线机对待检件进行全局扫描,获取全局图像;
步骤2:将获取到的全局图像与缺陷模型数据库中的缺陷数据进行比对,获取缺陷区域;
步骤3:采用X射线机对缺陷区域进行局部放大扫描,获取局部图像;
步骤4:对获取到的局部图像进行缺陷特征提取,并将提取结果与缺陷模型数据库中的缺陷数据进行比对,获取比对结果;
步骤5:基于获取到的比对结果和预设的缺陷评价策略,获取待检件的缺陷分析结果,所述缺陷分析结果包括缺陷位置信息、缺陷形状信息、缺陷尺寸信息中的至少一种;
步骤6:将具有缺陷的待检件的全局图像缺陷图像作为深度神经网络模型的输入层训练样本进行深度学习,并将深度学习结果输入所述缺陷模型数据库。
其中,在所述步骤2中,将所述全局扫描的初始位置定义为扫描基准位置,在所述步骤3中,如图2所示,基于所述缺陷区域的位置,以所述扫描基准位置为基准,移动到与所述缺陷区域之间具有位置差-ΔL和位置差+ΔL的位置处进行局部放大扫描,并将扫描的结果作为所述局部图像,其中,以与所述述缺陷区域之间具有位置差-ΔL的位置作为局部放大扫描的起始位置,以与所述述缺陷区域之间具有位置差+ΔL的位置作为局部放大扫描的结束位置。在本实施例中,所述位置差-ΔL和所述位置差+ΔL均为沿着起始位置与所述扫描基准位置在水平方向上预设的距离差。
优选地是,所述步骤2还包括:
对所述缺陷区域进行轮廓提取,获得边界轮廓P1;
以边界轮廓P1的中心点为原点,按照预设的放大比例ρ对所述边界轮廓P1进行等比例放大,得到覆盖所述边界轮廓P1的边界轮廓P2,按照直线扫描的方式以与该边界轮廓P2相切的矩形作为成像区域,其中,该成像区域对应的矩形的第一个被扫描的边界与直线扫描的路径相垂直,在本实施例中,边界轮廓P2的确定如图3所示。
优选地是,在所述步骤4中,所述的获取到的局部图像进行缺陷特征提取具体包括以下步骤:
基于缺陷模型数据库中的缺陷特征元素对所述局部图像中的缺陷区域进行识别;
对识别出的缺陷区域进行边界获取,得到缺陷边界轮廓P3;
基于缺陷模型数据库中的缺陷特征元素对对所述缺陷边界轮廓P3的内部区域进行缺陷特征相似度比较,将比较获取的相似度结果β与所述缺陷模型数据库中的缺陷特征元素相似度阈值γ进行比对,当β≥γ时,将被提取到的缺陷特征标记为在所述缺陷模型数据库中被比对到的缺陷特征元素。在本实施例中,所述相似度至少包括区域明暗的相似度和边界轮廓形状的相似度。
在第二方面,本实施例公开了如图4所示的适用于上述的基于深度学习的X射线工业检测缺陷识别方法的基于深度学习的X射线工业检测缺陷识别***,包括X射线机、载物台、数据处理中心。
具体的,所述X射线机配置为用于对待检件进行X射线扫描,其拍摄端朝向所述载物台设置;其中,所述X射线机对待检件进行全局扫描后获取的结果为全局图像,所述X射线机对待检件进行的局部放大扫描获取的结果为局部图像。
具体的,所述载物台配置为用于放置待检件,所述X射线机与所述载物台之间至少能够沿着一个直线方向进行相对移动。可行的是,X射线机安装在升降平移工装上,该升降平移工装能够带动X射线机进行平移或升降,从而满足图像采集需求,确保对待检件进行全局扫描或局部放大扫描。
具体的,所述数据处理中心包括处理器、图像比对模块、缺陷模型数据库、缺陷评价模块。其中,所述缺陷模型数据库配置为存储缺陷模型数据,所述缺陷模型数据通过深度学习得到;所述图像比对模块配置为用于将获取到的全局图像与缺陷模型数据库中的缺陷数据进行比对,获取缺陷区域,所述局部图像通过所述X射线机对所述缺陷区域扫描后获取;所述图像比对模块还配置为对获取到的局部图像进行缺陷特征提取,并将提取结果与缺陷模型数据库中的缺陷数据进行比对,获取比对结果;所述缺陷评价模块配置为基于获取到的比对结果和预设的缺陷评价策略,获取待检件的缺陷分析结果,所述缺陷分析结果包括缺陷位置信息、缺陷形状信息、缺陷尺寸信息中的至少一种;所述缺陷模型数据库还配置为将具有缺陷的待检件的全局图像缺陷图像作为深度神经网络模型的输入层训练样本进行深度学习,并将深度学习结果输入所述缺陷模型数据库。
进一步地优选地,所述X射线机将所述全局扫描的初始位置定义为扫描基准位置,并在进行局部放大扫描时,基于所述缺陷区域的位置,以所述扫描基准位置为基准,移动到与所述缺陷区域之间具有位置差-ΔL和位置差+ΔL的位置处进行局部放大扫描,并将扫描的结果作为所述局部图像,其中,以与所述述缺陷区域之间具有位置差-ΔL的位置作为局部放大扫描的起始位置,以与所述述缺陷区域之间具有位置差+ΔL的位置作为局部放大扫描的结束位置。
进一步的优选地,所述处理器配置为控制所述图像比对模块确定所述缺陷区域和确定所述X射线机进行局部放大扫描的轮廓;具体包括:
对所述缺陷区域进行轮廓提取,获得边界轮廓P1;
以边界轮廓P1的中心点为原点,按照预设的放大比例ρ对所述边界轮廓P1进行等比例放大,得到覆盖所述边界轮廓P1的边界轮廓P2,按照直线扫描的方式以与该边界轮廓P2相切的矩形作为成像区域,其中,该成像区域对应的矩形的第一个被扫描的边界与直线扫描的路径相垂直。
进一步的优选地,所述图像比对模块进行缺陷特征提取具体包括以下步骤:
基于缺陷模型数据库中的缺陷特征元素对所述局部图像中的缺陷区域进行识别;
对识别出的缺陷区域进行边界获取,得到缺陷边界轮廓P3;
基于缺陷模型数据库中的缺陷特征元素对对所述缺陷边界轮廓P3的内部区域进行缺陷特征相似度比较,将比较获取的相似度结果β与所述缺陷模型数据库中的缺陷特征元素相似度阈值γ进行比对,当β≥γ时,将被提取到的缺陷特征标记为在所述缺陷模型数据库中被比对到的缺陷特征元素。
借由上述的基于深度学习的X射线工业检测缺陷识别方法及***,通过对全局图像进行缺陷区域分析,获取待检件上可能存在缺陷的区域(缺陷区域),然后,通过局部放大扫描的方式,对缺陷区域进行放大扫描,从而获取缺陷区域处清晰化、细节化的X射线图像采集结果(局部图像),然后基于深度学习获取的缺陷特征元素与局部图像中缺陷特征的提取进行比对,得到清楚、完整以及明确位置的缺陷,具有检测效率高、缺陷指向性高以及准确性高的效果。
在本申请所提供的实施例中,应该理解到,可以以硬件、软件、固件、中间件、代码或其任何恰当组合来实现这里描述的实施例。对于硬件实现,处理器可以在一个或多个下列单元中实现:专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、设计用于实现这里所描述功能的其他电子单元或其组合。对于软件实现,实施例的部分或全部流程可以通过计算机程序来指令相关的硬件来完成。实现时,可以将上述程序存储在计算机可读介质中或作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的任何可用介质。计算机可读介质可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。
最后应说明的是:以上所述仅为本申请的优选实施例而已,并不用于限制本申请,尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于深度学习的X射线工业检测缺陷识别方法,其特征在于,该方法包括以下步骤:
步骤1:采用X射线机对待检件进行全局扫描,获取全局图像;
步骤2:将获取到的全局图像与缺陷模型数据库中的缺陷数据进行比对,获取缺陷区域;
步骤3:采用X射线机对缺陷区域进行局部放大扫描,获取局部图像;
步骤4:对获取到的局部图像进行缺陷特征提取,并将提取结果与缺陷模型数据库中的缺陷数据进行比对,获取比对结果;
步骤5:基于获取到的比对结果和预设的缺陷评价策略,获取待检件的缺陷分析结果,所述缺陷分析结果包括缺陷位置信息、缺陷形状信息、缺陷尺寸信息中的至少一种;
步骤6:将具有缺陷的待检件的全局图像缺陷图像作为深度神经网络模型的输入层训练样本进行深度学习,并将深度学习结果输入所述缺陷模型数据库。
2.根据权利要求1所述的基于深度学习的X射线工业检测缺陷识别方法,其特征在于,在所述步骤1中,将所述全局扫描的初始位置定义为扫描基准位置,在所述步骤3中,基于所述缺陷区域的位置,以所述扫描基准位置为基准,移动到与所述缺陷区域之间具有位置差-ΔL和位置差+ΔL的位置处进行局部放大扫描,并将扫描的结果作为所述局部图像,其中,以与所述述缺陷区域之间具有位置差-ΔL的位置作为局部放大扫描的起始位置,以与所述述缺陷区域之间具有位置差+ΔL的位置作为局部放大扫描的结束位置。
3.根据权利要求2所述的基于深度学***方向上预设的距离差。
4.根据权利要求2所述的基于深度学习的X射线工业检测缺陷识别方法,其特征在于,所述步骤2还包括:
对所述缺陷区域进行轮廓提取,获得边界轮廓P1;
以边界轮廓P1的中心点为原点,按照预设的放大比例ρ对所述边界轮廓P1进行等比例放大,得到覆盖所述边界轮廓P1的边界轮廓P2,按照直线扫描的方式以与该边界轮廓P2相切的矩形作为成像区域,其中,该成像区域对应的矩形的第一个被扫描的边界与直线扫描的路径相垂直。
5.根据权利要求1所述的基于深度学习的X射线工业检测缺陷识别方法,其特征在于,在所述步骤4中,所述的获取到的局部图像进行缺陷特征提取具体包括以下步骤:
基于缺陷模型数据库中的缺陷特征元素对所述局部图像中的缺陷区域进行识别;
对识别出的缺陷区域进行边界获取,得到缺陷边界轮廓P3;
基于缺陷模型数据库中的缺陷特征元素对对所述缺陷边界轮廓P3的内部区域进行缺陷特征相似度比较,将比较获取的相似度结果β与所述缺陷模型数据库中的缺陷特征元素相似度阈值γ进行比对,当β≥γ时,将被提取到的缺陷特征标记为在所述缺陷模型数据库中被比对到的缺陷特征元素。
6.根据权利要求5所述的基于深度学习的X射线工业检测缺陷识别方法,其特征在于,所述相似度至少包括区域明暗的相似度和边界轮廓形状的相似度。
7.一种基于深度学习的X射线工业检测缺陷识别***,其特征在于,包括X射线机、载物台、数据处理中心;
所述X射线机配置为用于对待检件进行X射线扫描,其拍摄端朝向所述载物台设置;其中,所述X射线机对待检件进行全局扫描后获取的结果为全局图像,所述X射线机对待检件进行的局部放大扫描获取的结果为局部图像;
所述载物台配置为用于放置待检件,所述X射线机与所述载物台之间至少能够沿着一个直线方向进行相对移动;
所述数据处理中心包括处理器、图像比对模块、缺陷模型数据库、缺陷评价模块;其中,所述缺陷模型数据库配置为存储缺陷模型数据,所述缺陷模型数据通过深度学习得到;所述图像比对模块配置为用于将获取到的全局图像与缺陷模型数据库中的缺陷数据进行比对,获取缺陷区域,所述局部图像通过所述X射线机对所述缺陷区域扫描后获取;所述图像比对模块还配置为对获取到的局部图像进行缺陷特征提取,并将提取结果与缺陷模型数据库中的缺陷数据进行比对,获取比对结果;所述缺陷评价模块配置为基于获取到的比对结果和预设的缺陷评价策略,获取待检件的缺陷分析结果,所述缺陷分析结果包括缺陷位置信息、缺陷形状信息、缺陷尺寸信息中的至少一种;所述缺陷模型数据库还配置为将具有缺陷的待检件的全局图像缺陷图像作为深度神经网络模型的输入层训练样本进行深度学习,并将深度学习结果输入所述缺陷模型数据库。
8.根据权利要求7所述的基于深度学习的X射线工业检测缺陷识别***,其特征在于,所述X射线机将所述全局扫描的初始位置定义为扫描基准位置,并在进行局部放大扫描时,基于所述缺陷区域的位置,以所述扫描基准位置为基准,移动到与所述缺陷区域之间具有位置差-ΔL和位置差+ΔL的位置处进行局部放大扫描,并将扫描的结果作为所述局部图像,其中,以与所述述缺陷区域之间具有位置差-ΔL的位置作为局部放大扫描的起始位置,以与所述述缺陷区域之间具有位置差+ΔL的位置作为局部放大扫描的结束位置。
9.根据权利要求8所述的基于深度学习的X射线工业检测缺陷识别***,其特征在于,所述处理器配置为控制所述图像比对模块确定所述缺陷区域和确定所述X射线机进行局部放大扫描的轮廓;具体包括:
对所述缺陷区域进行轮廓提取,获得边界轮廓P1;
以边界轮廓P1的中心点为原点,按照预设的放大比例ρ对所述边界轮廓P1进行等比例放大,得到覆盖所述边界轮廓P1的边界轮廓P2,按照直线扫描的方式以与该边界轮廓P2相切的矩形作为成像区域,其中,该成像区域对应的矩形的第一个被扫描的边界与直线扫描的路径相垂直。
10.根据权利要求8所述的基于深度学习的X射线工业检测缺陷识别***,其特征在于,所述图像比对模块进行缺陷特征提取具体包括以下步骤:
基于缺陷模型数据库中的缺陷特征元素对所述局部图像中的缺陷区域进行识别;
对识别出的缺陷区域进行边界获取,得到缺陷边界轮廓P3;
基于缺陷模型数据库中的缺陷特征元素对对所述缺陷边界轮廓P3的内部区域进行缺陷特征相似度比较,将比较获取的相似度结果β与所述缺陷模型数据库中的缺陷特征元素相似度阈值γ进行比对,当β≥γ时,将被提取到的缺陷特征标记为在所述缺陷模型数据库中被比对到的缺陷特征元素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310570820.3A CN116596889A (zh) | 2023-05-19 | 2023-05-19 | 基于深度学习的x射线工业检测缺陷识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310570820.3A CN116596889A (zh) | 2023-05-19 | 2023-05-19 | 基于深度学习的x射线工业检测缺陷识别方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116596889A true CN116596889A (zh) | 2023-08-15 |
Family
ID=87593346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310570820.3A Pending CN116596889A (zh) | 2023-05-19 | 2023-05-19 | 基于深度学习的x射线工业检测缺陷识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116596889A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117129527A (zh) * | 2023-08-30 | 2023-11-28 | 江苏瑞意隆建设工程有限公司 | 一种城市道路铺设质量检测方法及*** |
CN117890380A (zh) * | 2024-03-14 | 2024-04-16 | 蓝芯存储技术(赣州)有限公司 | 一种芯片外观缺陷检测方法及检测装置 |
-
2023
- 2023-05-19 CN CN202310570820.3A patent/CN116596889A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117129527A (zh) * | 2023-08-30 | 2023-11-28 | 江苏瑞意隆建设工程有限公司 | 一种城市道路铺设质量检测方法及*** |
CN117890380A (zh) * | 2024-03-14 | 2024-04-16 | 蓝芯存储技术(赣州)有限公司 | 一种芯片外观缺陷检测方法及检测装置 |
CN117890380B (zh) * | 2024-03-14 | 2024-05-14 | 蓝芯存储技术(赣州)有限公司 | 一种芯片外观缺陷检测方法及检测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116596889A (zh) | 基于深度学习的x射线工业检测缺陷识别方法及*** | |
CN107356608B (zh) | 大口径熔石英光学元件表面微缺陷快速暗场检测方法 | |
US11080839B2 (en) | System and method for training a damage identification model | |
CN108846397B (zh) | 一种基于图像处理的电缆半导电层自动检测方法 | |
JP5218723B2 (ja) | 蛍光探傷方法および蛍光探傷装置 | |
CN107449782A (zh) | 手机外壳侧边表面缺陷数字化定量检测*** | |
JP2013526717A (ja) | マイクロプレートのウェル壁境界を識別するための方法及びシステム | |
JP6371044B2 (ja) | 表面欠陥検査装置および表面欠陥検査方法 | |
Eshkevari et al. | Automatic dimensional defect detection for glass vials based on machine vision: A heuristic segmentation method | |
WO2021046726A1 (zh) | 用于检测机械设备零部件的方法和装置 | |
CN111369516A (zh) | 基于红外图像识别的变压器套管发热缺陷检测方法 | |
US7970197B2 (en) | System and method for preventing sample misidentification in pathology laboratories | |
WO2020047316A1 (en) | System and method for training a damage identification model | |
CN110426395B (zh) | 一种太阳能el电池硅片表面检测方法及装置 | |
CN111462056A (zh) | 工件表面缺陷检测方法、装置、设备及存储介质 | |
CN112014407A (zh) | 一种集成电路晶圆表面缺陷检测的方法 | |
CN112858351A (zh) | 一种基于机器视觉的x射线无损探伤方法 | |
CN116524313A (zh) | 基于深度学习和多模态图像的缺陷检测方法及相关装置 | |
CN110084807A (zh) | 一种焊缝探伤底片图像造假的检测方法 | |
CN114299040A (zh) | 瓷砖瑕疵检测方法、装置和电子设备 | |
CN113744252A (zh) | 用于标记和检测缺陷的方法、设备、存储介质和程序产品 | |
CN115375610A (zh) | 检测方法及装置、检测设备和存储介质 | |
Si et al. | Deep learning-based defect detection for hot-rolled strip steel | |
CN114120318B (zh) | 一种基于集成决策树的暗场图像目标点精确提取方法 | |
KR101782366B1 (ko) | 스케일 보정을 통한 표본 정규화가 수행되는 학습기반의 비전검사 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |