欢迎光临济宁儒佳检测仪器有限公司官方网站!
首页 >> 新闻中心 >> X射线检测的自动缺陷查找:通过深度卷积网络进行缺陷识别

X射线检测的自动缺陷查找:通过深度卷积网络进行缺陷识别

发布时间:2020-03-26 08:47:17 浏览次数:54

1. 背景


X射线技术作为工业产品的无损检测技术已经存在很多年了,通常X射线检测是通过NDT技术人员手动操作,并由技术人员对射线底片进行评价。这样做的最大问题就是其不可扩展和复制性。实际上,每年都有大量的工件需要检测,因而就需要大量的检测人员来检测这些零件和评判。因而CR和DR技术被逐步发展起来,并发展出通过统计学来对大量工件中的典型试样进行分析,并推断出可接受的质量等级。通过这种方法可以对检测能力进行扩展,但仍然无法保证100%检出率。而通过新的人工智能方法能够对X射线图像上的缺陷进行自动查找,以提供高效和高检出率的方法。


2. 卷积神经网络


在数学上,卷积是两个函数f和g在相同无限领域内的运算。



而神经网络,在生物学上是动物大脑发送和接收信息到身体不同部位的系统。


基于上面的特性,可以创造一个特殊的人工智能神经网络,叫做卷积神经网络。卷积网络是神经网络带一个过滤器,用于提取信号中的特殊有用信息,以此作为激活函数的输入信号。该过程允许机器学习系统设计者从可用的通用特征中提取必要的信息,以解决某个特殊的问题。基于神经网络设计的系统,甚至能够自主学习。



3. 数据库


该实验使用的是一个公共数据库GDXray,该数据库包含了一些射线图像,包括带有气孔类缺陷的焊缝检测图像。由于该数据库图像不足以囊括所有问题,所以通过将大的图像进行切割,将高1200像素,宽4000像素的图像切割成256x256像素的图像。此方法可以增加数据库样本数量。并通过旋转图像和增加噪音的方式来生成新的图像。最终形成了2万多张256x256尺寸的图像数据库。



4. 神经网络描述


在下图中我们可以看到编码和解码的两个过程,编码器在左侧,解码器在右侧。

 


编码器包含了4个卷积块(D1-D4),解码器也包含了4个卷积块(U1-U4),最后通过使用Dice损耗函数来比较预估层与真实图像。


5. 结果


通过深度学习,我们可以发现焊缝中的气孔缺陷。下图是输出结果,从图中我们可以清晰直观地看到焊缝中的气孔缺陷。


返回顶部

返回顶部