一种基于X光影像的深度学习识别方法、系统以及X光机与流程

本发明涉及检测技术领域，具体涉及一种基于x光影像的深度学习智能识别方法。

背景技术：

在工业大批量作业生产过程中，人工无法长时间去盯着工件看是否发生缺陷，用人眼辨识检查工件质量效率低、误差率高，且极其容易产生眼疲劳。用机器检测方法可以大大提高检测精度、生产效率和生产的自动化程度。

但是现有的机器需要人机协作、人眼辨识，检测速率慢，需要多台机器检测同时进行检测，导致成本高昂，因此，需要提升机器检测的智能识别能力和自动化程度。

技术实现要素：

本发明所要解决的技术问题是：提供能够提升识别效率的基于x光影像的深度学习识别方法。

为了解决上述技术问题，本发明采用的第一技术方案为：

一种基于x光影像的深度学习识别方法，包括如下步骤

步骤一、获取缺陷品的x光影像中的缺陷信息数据，建立缺陷数据库，并将缺陷信息数据存入缺陷数据库内；

步骤二、获取基准值；

步骤三、获取工件的x光影像，对x光影像进行特征提取，并与缺陷数据库进行对比并计算比较度是否小于基准值，若是，则判定工件合格；若否，则判定工件不合格，并执行下一步；

步骤四、将比较度大于基准值的x光影像存入缺陷数据库内。

为了解决上述技术问题，本发明采用的第二技术方案为：

一种基于x光影像的深度学习识别系统，包括：

获得模块，用于获取工件的x光影像；

特征提取模块，用于提取工件的x光影像的缺陷信息数据；

缺陷识别模块，用于根据预设的缺陷数据库中的缺陷信息数据与工件的缺陷信息数据对比并判定工件是否合格；

结果显示模块，用于显示缺陷识别模块的判定结果。

为了解决上述技术问题，本发明采用的第三技术方案为：

一种x光机，包括第二技术方案中的基于x光影像的深度学习识别系统。

本发明的有益效果在于：通过缺陷数据库，能够建立一个初步的判断机制，并通过后续不断的工件检测，能够将不同缺陷的工件的缺陷信息数据进行收集，获得更多的缺陷信息数据，进而能够保证缺陷品的识别速度和精度，提升识别效果；并且通过将不合格工件x光影像存入缺陷数据库内，技术人员能够通过缺陷数据库内的信息反馈给工件的加工制作流程，改进加工流程，提升工件的成品率。

附图说明

图1为本发明的一种基于x光影像的深度学习智能识别方法的流程示意图；

具体实施方式

为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。

请参照图1，一种基于x光影像的深度学习识别方法，包括如下步骤

步骤一、根据缺陷品的x光影像对深度学习模型进行训练，提取缺陷品的x光影像中的缺陷信息数据，建立缺陷数据库，并将缺陷信息数据存入缺陷数据库内；

步骤二、获取基准值；基准值可以根据不同缺陷的要求设定不同的基准值；

步骤三、获取工件的x光影像，对x光影像进行特征提取，并与缺陷数据库进行对比并计算比较度是否小于基准值，若是，则判定工件合格；若否，则判定工件不合格，并执行下一步；

步骤四、将比较度大于基准值的x光影像存入缺陷数据库内。

从上述描述可知，通过初期的深度学习模型，能够建立一个初步的判断机制，并通过后续不断的工件检测，能够将不同缺陷的工件的缺陷信息数据进行收集，获得更多的缺陷信息数据，进而能够保证缺陷品的识别速度和精度，提升识别效果；并且通过将不合格工件x光影像存入缺陷数据库内，技术人员能够通过缺陷数据库内的信息反馈给工件的加工制作流程，改进加工流程，提升工件的成品率。

进一步的，所述步骤一还包括：

根据缺陷品的x光影像对深度学习模型进行训练，所述深度学习模型为fasterr-cnn、yolov3或ssd等；提取缺陷品的x光影像中的缺陷信息数据，建立缺陷数据库，并将缺陷信息数据根据缺陷的不同进行分类存入缺陷数据库内。

从上述描述可知，通过对缺陷信息数据进行分类，能够方便数据对比，提升识别速度。

进一步的，所述对x光影像进行特征提取前还包括影像预处理步骤；

所述影像预处理步骤包括：使用均值滤波或高通滤波算法对x光影像进行去噪增强，根据x光影像呈现的缺陷种类进行区分和编列，选择与缺陷种类对应的缺陷数据库的分类。

从上述描述可知，通过影像预处理步骤，能够对x光影像的各种缺陷进行编排整理，并与缺陷数据库内分类信息进行对应，进而在下一步对比的时，无需对整个缺陷数据库内的信息进行对比。

进一步的，所述基准值有若干个；

若比较度全部小于基准值，则判定工件合格。

从上述描述可知，通过若干个的基准值，有益一个工件的缺陷不止一种，一种缺陷也不止一个，所以可以根据要求，设置多个不同的基准值。

进一步的，所述影像预处理与特征提取之间还需要进行缺陷采集步骤：

将x光影像中的所有缺陷逐一挑选出来。

进一步的，所述特征提取与计算比较度之间还包括缺陷分拣步骤：

将不同的缺陷对应缺陷数据库的分类内的缺陷信息数据。

进一步的，所述特征提取后的缺陷信息数据与缺陷数据库的分类内的缺陷信息数据进行对比并计算比较度。

进一步的，所述步骤四还包括：

将比较度大于基准值的x光影像分类存入缺陷数据库内。

进一步的，所述x光影像由多张基础x光影像合成。

从上述描述可知，能够x光影像可以由不同角度的多张基础x光影像合成为立体的x光影像，提升识别的精确度；所述x光影像合成可用伪彩色或不同颜色过滤区分的行业(或工件)，使用“分色立体成像技术”或“色差式立体成像技术”生成一副图像，用于影像中不同密度物品的立体分色区分显示。

一种基于x光影像的深度学习识别方法，包括如下步骤

步骤一、获取缺陷品的x光影像中的缺陷信息数据，建立缺陷数据库，并将缺陷信息数据存入缺陷数据库内；

步骤二、获取基准值；

步骤三、获取工件的x光影像，对x光影像进行特征提取，并与缺陷数据库进行对比并计算比较度是否小于基准值，若是，则判定工件合格；若否，则判定工件不合格，并执行下一步；

步骤四、将比较度大于基准值的x光影像存入缺陷数据库内。

进一步的，所述步骤一还包括：

根据缺陷品的x光影像对深度学习模型进行训练，提取缺陷品的x光影像中的缺陷信息数据，建立缺陷数据库，并将缺陷信息数据根据缺陷的不同进行分类存入缺陷数据库内。

进一步的，所述对x光影像进行特征提取前还包括影像预处理步骤；

所述影像预处理步骤包括：根据x光影像呈现的缺陷种类进行区分和编列，选择与缺陷种类对应的缺陷数据库的分类；

所述特征提取与计算比较度之间还包括缺陷分拣步骤：

将不同的缺陷对应缺陷数据库的分类内的缺陷信息数据；

所述特征提取后的缺陷信息数据种类与缺陷数据库的分类进行对应；

所述步骤四还包括：

将比较度大于基准值的x光影像分类存入缺陷数据库内。

进一步的，所述x光影像由多张基础x光影像合成。

一种基于x光影像的深度学习识别系统，包括：

获得模块，用于获取工件的x光影像；

特征提取模块，用于提取工件的x光影像的缺陷信息数据；

缺陷识别模块，用于根据预设的缺陷数据库中的缺陷信息数据与工件的缺陷信息数据对比并判定工件是否合格；

结果显示模块，用于显示缺陷识别模块的判定结果。

进一步的，所述系统还包括影像预处理模块，用于根据x光影像呈现的缺陷种类进行区分和编列，选择与缺陷种类对应的缺陷数据库的分类；

所述系统还包括缺陷分拣模块，所述特征提取后的缺陷信息数据种类与缺陷数据库的分类进行对应。

进一步的，所述系统还包括写入模块，用于将不合格工件的缺陷信息数据写入到对应分类的缺陷数据库内。

进一步的，所述x光影像由多张基础x光影像通过合成模块合成。

一种x光机，包括上述的基于x光影像的深度学习识别系统。

实施例一

现有缺陷品的缺陷包括：

焊缝：脱焊、虚焊、未熔合、未焊透等；

铸造件：夹渣、疏松、沙孔、缩孔、渣孔、气孔、裂纹、冷隔等；

链条：空环、连接环裂缝、母材裂缝、凹陷、豁口、鸭嘴、焊缝开裂、变形、错位等；

复合材料制品：空孔、断层、错层、异物、杂质、纤维均匀度、皱褶、裂纹等。

一种基于x光影像的深度学习识别方法，包括如下步骤：

步骤一、根据缺陷品的x光影像对fasterr-cnn深度学习模型进行训练，提取缺陷品的x光影像中的缺陷信息数据，缺陷数据集采用人工标定的方式生成并建立缺陷数据库，并将缺陷信息数据根据缺陷的不同进行分类存入缺陷数据库内；

步骤二、获取不同缺陷信息数据基准值；

步骤三、获取工件的x光影像，

使用均值滤波或高通滤波算法对x光影像进行去噪增强，根据x光影像呈现的缺陷种类进行区分和编列，选择与缺陷种类对应的缺陷数据库的分类，

将x光影像中的所有缺陷逐一挑选出来，

对x光影像的每个缺陷进行特征提取，

将不同的缺陷对应缺陷数据库的分类内的缺陷信息数据，

所述特征提取后的缺陷信息数据与缺陷数据库的分类内的缺陷信息数据进行对比并计算比较度，若所有不同的比较度都小于对应的基准值，则判定工件合格；若否，则判定工件不合格，并执行下一步；

步骤四、将比较度大于基准值的x光影像分类存入缺陷数据库内。

实施例二

一种基于x光影像的深度学习识别方法，包括如下步骤：

步骤一、将缺链条的豁口或凹陷的x光影像输入预设的yolov3深度学习模型，提取缺陷品的x光影像中的缺陷信息数据，建立缺陷数据库，并将缺陷信息数据根据缺陷的不同进行分类存入缺陷数据库内；

步骤二、获取基准值为均为0.5mm；

步骤三、获取链条的x光影像，所述x光影像通过色差式立体成像技术多张基础x光影像合成；

使用均值滤波或高通滤波算法对x光影像进行去噪增强，根据x光影像呈现的缺陷种类进行区分和编列，选择与缺陷种类对应的缺陷数据库的分类，

将x光影像中的所有缺陷逐一挑选出来，

对x光影像的每个缺陷进行特征提取，

将不同的缺陷对应缺陷数据库的分类内的缺陷信息数据，

所述特征提取后的缺陷信息数据与缺陷数据库的分类内的缺陷信息数据进行对比并计算比较度(公差)，若豁口或凹陷与缺陷数据库的分类内的缺陷信息数据公差都小于0.5mm，则判定工件合格；若否，则判定工件不合格，并执行下一步；

步骤四、将比较度大于基准值的x光影像分类存入缺陷数据库内。

实施例三

一种基于x光影像的深度学习识别方法，包括如下步骤：

步骤一、将缺复合材料制品的纤维均匀度的x光影像输入预设的ssd深度学习模型，提取缺陷品的x光影像中的缺陷信息数据，建立缺陷数据库，并将缺陷信息数据根据缺陷的不同进行分类存入缺陷数据库内；

步骤二、获取基准值为均为30％；

步骤三、获取链条的x光影像，所述x光影像通过分色立体成像技术多张基础x光影像合成；

使用均值滤波或高通滤波算法对x光影像进行去噪增强，根据x光影像呈现的缺陷种类进行区分和编列，选择与缺陷种类对应的缺陷数据库的分类，

将x光影像中的所有缺陷逐一挑选出来，

对x光影像的每个缺陷进行特征提取，

将不同的缺陷对应缺陷数据库的分类内的缺陷信息数据，

所述特征提取后的缺陷信息数据与缺陷数据库的分类内的缺陷信息数据进行对比并计算比较度(相似度)，若纤维均匀度与缺陷数据库的分类内的缺陷信息数据相似度都小于30％，则判定工件合格；若否，则判定工件不合格，并执行下一步；

步骤四、将相似度大于基准值的x光影像分类存入缺陷数据库内。

实施例四

一种基于x光影像的深度学习识别系统，包括：

获得模块，用于获取工件的x光影像；

影像预处理模块，使用均值滤波或高通滤波算法对x光影像进行去噪增强，用于根据x光影像呈现的缺陷种类进行区分和编列，选择与缺陷种类对应的缺陷数据库的分类；

特征提取模块，用于提取工件的x光影像的缺陷信息数据；

缺陷分拣模块，所述特征提取后的缺陷信息数据种类与缺陷数据库的分类进行对应；

缺陷识别模块，用于根据预设的缺陷数据库中的缺陷信息数据与工件的缺陷信息数据对比并判定工件是否合格；

结果显示模块，用于显示缺陷识别模块的判定结果；

写入模块，用于将不合格工件的缺陷信息数据写入到对应分类的缺陷数据库内。

实施例五

一种基于x光影像的深度学习识别系统，包括：

获得模块，用于获取工件的x光影像；所述x光影像由多张基础x光影像通过合成模块合成；

影像预处理模块，使用均值滤波或高通滤波算法对x光影像进行去噪增强，用于根据x光影像呈现的缺陷种类进行区分和编列，选择与缺陷种类对应的缺陷数据库的分类；

特征提取模块，用于提取工件的x光影像的缺陷信息数据；

缺陷分拣模块，所述特征提取后的缺陷信息数据种类与缺陷数据库的分类进行对应；

缺陷识别模块，用于根据预设的缺陷数据库中的缺陷信息数据与工件的缺陷信息数据对比并判定工件是否合格；

结果显示模块，用于显示缺陷识别模块的判定结果；

写入模块，用于将不合格工件的缺陷信息数据写入到对应分类的缺陷数据库内。

实施例六

一种x光机，包括实施例五。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。