1.一种焊缝内部缺陷智能检测装置,其特征在于,包括:x射线管、成像板、光路仿真与控制单元、云平台服务器;
光路仿真与控制单元根据焊缝外形选择透照光路,并根据选择的透照光路,调整x射线管和成像板的位置,使焊缝位于x射线管与成像板之间的预设位置;x射线透射焊缝后,在成像板上成像,得到x射线图像,即焊缝原始灰度图像,将图像推送至云平台服务器。
2.根据权利要求1所述的一种焊缝内部缺陷智能检测装置及方法,其特征在于,所述预设位置指:
成像板位于x射线管发出射线的焦点所在的焦平面。
3.一种基于权利要求1所述的焊缝内部缺陷智能检测装置的焊缝内部缺陷智能检测方法,其特征在于,光路仿真与控制单元根据焊缝外形,选择最佳透照光路,并根据最佳透照光路,调整x射线管和成像板的位置,使焊缝位于x射线管与成像板之间的预设位置;x射线透射焊缝后,在成像板上成像,得到x射线图像,即焊缝原始灰度图像,将图像推送至云平台服务器;
云平台服务器,对焊缝原始灰度图像进行预处理,使得原始灰度图像的对比度达到要求,得到预处理后的图像;将预处理后的图像输入卷积神经网络模型cnn,进行缺陷筛选,判断预处理后的图像中是否含有缺陷;
将判定为含有缺陷的图像,输入到带有感兴趣区域的卷积神经网络模型rcnn,对有缺陷的图像中的缺陷定位,并标注缺陷所在位置的最小框图,实现缺陷定位;
提取缺陷定位后最小框图内的图像,输入深度学习神经网络模型dnn,进行缺陷分类,得到缺陷的类型。
4.基于权利要求3所述的一种焊缝内部缺陷智能检测方法,其特征在于,所述对焊缝原始灰度图像进行预处理,所述预处理方式包括:图像增强、图像非线性变化、滤波降噪以及图像锐化;
原始灰度图像的对比度要求,具体为:一个像素点相邻四个像素点的灰度差值满足检测阈值最低区分限度要求;
缺陷,包括气孔、夹渣、缩松、裂纹、偏析这几类缺陷。
5.根据权利要求3所述的一种焊缝内部缺陷智能检测方法,其特征在于,所述卷积神经网络模型cnn经过预先训练,具体训练方式如下:
(1)建立带标签的训练图像集,训练图像为焊缝原始灰度图像经过预处理后的图像,预先将图像有无缺陷进行标记,形成标签;标签分为有缺陷和无缺陷标记;
(2)将训练图像集中的图像逐个输入至未经训练的卷积神经网络模型cnn,根据预先设定卷积神经网络模型cnn的结构、目标函数、模型参数优化方法,对卷积神经网络模型cnn进行训练,得到训练好的卷积神经网络模型cnn,即已对卷积神经网络模型cnn中参数进行优化。
6.根据权利要求5所述的一种焊缝内部缺陷智能检测方法,其特征在于,所述训练好的卷积神经网络模型cnn能够输出标签,根据标签判断焊缝是否有缺陷,实现缺陷筛选。
缺陷所在位置的最小框图,是指:与缺陷最长径相切的一组平行线和与其垂直的一组平行线组成的矩形框。
7.根据权利要求3所述的一种焊缝内部缺陷智能检测方法,其特征在于,所述带有感兴趣区域的卷积神经网络模型rcnn,需要经过预先训练,训练方式如下:
(1)建立带有缺陷最小框图的训练图像集;
(2)将带有缺陷最小框图的训练图像集中的图像逐个输入至初始卷积神经网络模型rcnn,根据预先设定带有感兴趣区域的卷积神经网络模型rcnn的结构、目标函数、模型参数优化方法,对带有感兴趣区域的卷积神经网络模型rcnn进行训练,得到训练好的带有感兴趣区域的rcnn模型,即已对带有感兴趣区域的卷积神经网络模型rcnn中参数进行优化。
8.根据权利要求7所述的一种焊缝内部缺陷智能检测方法,其特征在于,所述训练好的带有感兴趣区域的卷积神经网络模型rcnn能够输出缺陷所在位置的最小框图,根据缺陷所在位置的最小框图,实现缺陷定位。
9.根据权利要求3所述的一种焊缝内部缺陷智能检测方法,其特征在于,所述深度学习神经网络模型dnn,需要经过预先训练,训练方式如下:
(1)建立带缺陷类型标签的带有缺陷最小框图的训练图像集;每个带有缺陷最小框图的训练图像的缺陷类型标签对应一种缺陷类型;
(2)将带缺陷类型标签的带有缺陷最小框图的训练图像集中的图像逐个输入初始深度学习神经网络模型dnn,根据预先设定深度学习神经网络模型dnn的结构、目标函数、模型参数优化方法,对深度学习神经网络模型dnn进行训练,得到训练好的深度学习神经网络模型dnn,即已对深度学习神经网络模型dnn中参数进行优化。
10.一种存储有计算机程序的计算机可读存储介质,其特征在于,所述计算机程序被处理器执行时实现权利要求3至9中任一项所述的焊缝内部缺陷智能检测方法的步骤。