Page 104 - 无损检测2022年第八期
P. 104

邓   聪,等:
   人工智能技术在射线检测底片评定系统中的应用

   特征等优 势, 不 仅 能 有 效 改 善 传 统 检 测 方 法 的 不             了一种基于 LeNet-5 的改进网络, 主要用于 X 射线
   足, 提高评片专家的工作效率, 还能切实提升无损                          焊缝图像的缺陷检测与分类, 并取得了非常高的准
   检测项目 质 量 和 现 场 管 理 水 平, 提 高 检 测 的 安 全             确率, 但在前期训练时为了加快训练速度, 网络的输
   性和可靠 性。因 此, 大 量 学 者 和 工 程 技 术 人 员 开               入为针对焊缝区域的切割图像, 这使得其无法直接
   展了相关研究。                                           投入实际应用。
                                                          迄今为准, 关于射线检测底片智能评片系统实
  1  国内外研究现状
                                                     现大规模商业应用向报道还极少见。大部分射线检
      陈本智等      [ 4 ] 提出了一种针对 X 射线图像的气               测底片智能评片系统普遍缺乏检验检测的实践经
   孔检测算法, 主要利用差分图像使得气孔缺陷表现                           验, 对一些实际问题经验不足, 导致应用过程中会出
   为一个显著性区域, 并最终利用阈值将其分割出来。                          现各种问题, 难以在实际工作中发挥作用。
   试验结果表明, 该方法具有较高的准确性和稳定性,                               笔者通过利用深度学习方法来实现缺陷图像关
   但其没有对焊缝中其他缺陷的 X 射线图像进行研                           键特征的提取, 开发了一套射线检测底片智能识别
   究, 检测对象比较单一。王欣等              [ 5 ] 通过将主成分分        系统, 实现底片筛选 ( 无效底片、 造假底片、 重复底
   析法引入到模糊 C 均值聚类算法中, 对圆形缺陷和                         片)、 焊缝缺陷定位和识别、 底片报告自动生成及保
   线形缺陷进行了识别, 有效降低了特征数据的冗余                           管等功能。
   描述, 但检测对象范围仍然较窄, 且识别准确率无法
                                                     2  研究方法
   完全满足实际需求。
       李超等   [ 6 ] 主要针对薄壁金属 罐 焊 缝 的 缺 陷 类            2.1  系统结构
   型, 提出了一种改进的背景差分法来提取缺陷区域,                             人工智能评片系统框架如图 1 所示, 可见, 通
   并最终对缺陷类型进行了分类, 试验结果表明该方                           过扫描仪 获 得 待 处 理 的 原 始 底 片 后, 需 要 经 过 相
   法可以对多种缺陷进行检测并具有较高的准确率,                            似度判别 其 是 否 为 有 效 底 片, 同 时 对 底 片 中 的 缺
   但该方法的阈值设置需要人为调整, 无法自适应不                           陷信息进 行 提 取。在 此 基 础 上, 笔 者 研 究 和 开 发
   同的环境情况。                                           了 AI智能辅助评片和 AI智能自动评片两个功能
       黄晔等   [ 7 ] 利用 BP 神经网络对焊缝缺陷的 X 射              模块。
   线图像识别进行了研究, 神经网络的使用使得系统                           2.1.1 AI智能辅助评片
   能够自己找到最适宜的参数, 但 BP 神经网络有大                              该模块首先基于机器视觉与图像处理算法, 从
   量的参数需要学习, 计算量较大。                                  底片中提取焊缝边界信息, 并对像质计进行检测, 实
       刘梦溪等     [ 8 ] 将深度卷积神经网络( CNN ) 引入            现对像质计型号和灵敏度智能识别和判定; 然后自
   到焊缝缺 陷 检 测 任 务 中, 并 与 传 统 的 支 持 向 量 机             动抓取焊缝区域内灰度值的极值点位置, 并将信息
   ( SVM ) 方法进行对比, 结果表明深度 CNN 对试验                    入库保存; 最后基于定位到的焊缝区域, 自动抓取焊
   中的 5 种缺陷类型有着更高的识别率, 但其未对网                         缝及周围母材的噪点坐标信息, 并自动生成底片信
   络结构优化问题作进一步探索。                                    息质量报告。
       SUN 等  [ 9 ] 提出了一种基于机器学习的焊缝缺                  2.1.2 AI智能自动评片
   陷检测和分类的方法, 利用基于高斯混合模型的改                                该模块基于深度学习技术, 通过卷积神经网络
   进背景差分法, 设计并构建了相应的生产线焊缝缺                           方法, 实现对焊缝图像的预处理、 缺陷特征值的自动
   陷实时检测系统, 试验结果表明该系统能对多种缺                           提取以及对缺陷的定性分析和定量计算。
   陷进行较高准确率的检测, 但该方法对于环境不变                           2.2  主要研究内容
   性要求较高。                                            2.2.1  底片焊缝区域分割提取技术
       LIU 等  [ 10 ] 提出 了 一 种 基 于 VGG16 的 全 卷 积           由于底片内容较多, 背景复杂, 不适合直接作为
   结构, 以此来对焊缝缺陷的 X 射线图像进行分类,                         数据集进行网络训练。图像语义分割作为一种典型
   该方法解决了不同尺寸图像输入时的准确 分类问                            的计算机视觉处理技术, 可以对图像中的每个像素,
   题, 但还不能很好地对相似缺陷进行精确分类。                            根据其 所 属 的 感 兴 趣 对 象 分 配 类 别 标 签        [ 12 ] 。 笔
       YANG 等   [ 11 ] 通过测试不同结构的 CNN , 找到            者 对图像进行了逐像素标记, 通过训练全卷积神经

     6
    6


          2022 年 第 44 卷 第 8 期
          无损检测
   99   100   101   102   103   104   105   106   107   108   109