买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西南石油大学申请的专利一种基于深度学习的射线图像焊缝缺陷检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115953387B 。

龙图腾网通过国家知识产权局官网在2026-01-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310093032.X，技术领域涉及：G06T7/00；该发明授权一种基于深度学习的射线图像焊缝缺陷检测方法是由罗仁泽;唐祥;王磊;罗任权;余泓;李华督;邓治林;谭亮设计研发完成，并于2023-02-10向国家知识产权局提交的专利申请。

本一种基于深度学习的射线图像焊缝缺陷检测方法在说明书摘要公布了：本发明所提供的一种基于深度学习的射线图像焊缝缺陷检测方法，利用FasterRCNN网络对射线图像进行目标检测，在传统FasterRCNN的基础上，本发明增加背景减去网络层，得到五个模块的FasterRCNN网络结构，该背景减去网络层具有带更新的参数，能随着网络训练不断优化降低背景的效果，突出缺陷特点，同时，利用三支路区域推荐网络层代替传统区域推荐网络，它具有的两个回归分支使预测缺陷位置信息的任务得到细分，一个分支负责预测缺陷的中心点横坐标和宽，一个分支负责预测缺陷的中心点纵坐标和高，增强缺陷位置预测的准确度。

本发明授权一种基于深度学习的射线图像焊缝缺陷检测方法在权利要求书中公布了：1.一种基于深度学习的射线图像焊缝缺陷检测方法，其特征在于包括以下步骤： 步骤一：对原始图像进行图像预处理，包括灰度拉伸、中值滤波和均值滤波，得到图像预处理后的图像，灰度拉伸公式为： 其中，g为灰度拉伸后的像素值，取值范围为区间[0,gmax]内的整数，gmax为拉伸后图像的最大像素值，取值范围为正整数，并且gmax大于fmax，f为原始图像的像素值，fmax为原始图像的最大像素值，fmin为原始图像的最小像素值，为向下取整，中值滤波利用原始像素值的m×n窗口大小内所有像素值的中值代替原始像素值，均值滤波利用原始像素值的m×n窗口大小内所有像素值的均值代替原始像素值，m、n的取值范围均为正整数； 步骤二：将预处理后的图像作为输入图像，再将输入图像缩放成a×b×c的张量，a、b、c的取值范围均为正整数，然后进行标准化，标准化的公式为： 其中，u为标准化后的值，取值范围为区间[-1,1]，v为标准化前的值，取值范围为任意实数，m为所有待标准化的图像的像素值的均值，取值范围为任意实数，δ为所有待标准化的图像的像素值的标准差，取值范围为任意实数； 步骤三：将标准化后的张量作为输入，搭建FasterRCNN目标检测网络对图像中得缺陷进行检测，增加一个背景减去网络层，将传统FasterRCNN网络从四部分结构变为五部分结构，并且修改区域推荐网络层中的回归分支，对图像中缺陷的位置信息进行独立的预测，缺陷的位置信息包括缺陷的中心点横坐标、缺陷的中心点纵坐标、缺陷的高度和缺陷的宽度，该FasterRCNN网络包括背景减去网络层、特征提取网络层、区域推荐网络层、兴趣区域池化层、分类位置回归层五部分，搭建步骤为： 1搭建背景减去网络层，减小图像中背景的影响，突出缺陷特征，它由m×n的大尺寸均值池化、卷积和跳跃连接构成，其中，m、n的取值范围均为正整数，该层的输入经过大尺寸均值池化和卷积后得到模拟背景，再通过跳跃连接用该层的输入减去模拟背景，得到该层的输出； 2搭建特征提取网络层，提取缺陷特征，它由ResNet50、FPN和SE注意力机制组成，其中，特征金字塔网络是一种提取不同大小的特征图，用于后续任务的典型方法，在缺陷检测任务中，它将N个特征图作为输出，N为正整数，用于后续部分的预测过程，每层特征图负责A种大小的锚框，A为正整数，锚框的大小用ha×wa的形式表示，其中ha表示锚框的高，取值范围为正整数，wa表示锚框的宽，取值范围为正整数，该层利用背景减去网络层的输出作为输入，输出为N个特征图； 3将特征图作为输入，搭建区域推荐网络层，产生区域建议，该区域推荐网络在传统区域推荐网络层的分类和回归双支路基础上，细分回归支路的责任，对图像中缺陷的位置信息进行独立预测，包括前背景分类支路、宽中心点横坐标回归支路和高中心点纵坐标回归支路三个分支，以下称为三支路区域推荐网络层，在分类支路中，对特征图中每个位置是否含有缺陷进行判断，含有缺陷的标记为正例，不含缺陷的标记为负例，并且在锚框的基础上对缺陷的位置进行粗略的预测，此处利用两个回归分支对缺陷的位置进行独立的预测，一个分支负责预测缺陷的中心点横坐标和宽，一个分支负责预测缺陷的中心点纵坐标和高，得到的位置信息以锚框位置作为基础，表示为锚框位置相对于缺陷位置在中心点横坐标、宽、中心点纵坐标、高上的偏移； 4搭建兴趣区域池化层，调整卷积层数K，K的取值范围为正整数，根据3中得到的正例、负例和偏移，从对应的特征图中提取出特征，并且输出为统一的大小，其中，提取特征时选择特征图的公式为： 其中，p为选择的特征图编号，取值范围为正整数，p0为初始的特征图编号，取值范围为正整数，h为偏移后锚框的高，取值范围为正数，w为偏移后锚框的宽，取值范围为正数，T为常数，取值范围为正数，为向下取整； 5搭建分类位置回归层，由两个全连接构成，一个全连接层对缺陷种类进行分类，一个全连接层对缺陷位置进行回归，得到缺陷的种类和缺陷的位置，构成了一个带缺陷种类的边框，称为预测边框； 步骤四：在训练集上对模型进行训练，训练集的图像为Itrain张管道焊缝的射线图像，Itrain的取值范围为正整数，训练集的标签为图像中缺陷的种类c以及缺陷的位置，缺陷种类的数量为C，C的取值范围为正整数，c的取值范围为区间[0,C-1]中的正整数，缺陷的位置包括缺陷的中心点横坐标xt、缺陷的中心点纵坐标yt、缺陷的高度wt和缺陷的宽度ht，每张图像对应包含数个缺陷，每个缺陷都对应一个位置，标签通过人工的方式标记，训练过程为： 1计算标签中缺陷位置相对于锚框的偏移量，包括横坐标的偏移量、纵坐标的偏移量、高度的偏移量和宽度的偏移量，横坐标的偏移量计算公式为： 其中，tx为横坐标的偏移量，xt为标签中缺陷的中心点横坐标，xa为锚框的中心点横坐标，wa为锚框的宽，xt、xa、wa的取值范围为正整数，纵坐标的偏移量计算公式为： 其中，ty为纵坐标的偏移量，yt为标签中缺陷的中心点纵坐标，ya为锚框的中心点横坐标，ha为锚框的高，yt、ya、ha的取值范围为正整数，宽的偏移量计算公式为： 其中，tw为宽的偏移量，wt为标签中缺陷的宽，取值范围为正整数，高的偏移量计算公式为： 其中，th为高的偏移量，ht为标签中缺陷的高，取值范围为正整数； 2训练模型中背景减去网络层、特征提取网络层和三支路区域推荐网络层三部分，训练完成的参数选择在训练过程中损失值最小的模型，每张图像选择Na个锚框进行计算，损失值的计算公式为： 其中，L为损失值，Na为每张图像用于训练的锚框数量，取值范围为正整数， qi为第i个锚框的模型输出向量的最大值，取值范围为区间[0,1]，tx,i为第i个锚框对应标签中的横坐标的偏移，ty,i为第i个锚框对应标签中的纵坐标的偏移，tw,i为第i个锚框对应标签中的宽的偏移，th,i为第i个锚框对应标签中的高的偏移，rx,i为第i个锚框对应模型输出的横坐标的偏移，ry,i为第i个锚框对应模型输出的纵坐标的偏移，rw,i为第i个锚框对应模型输出的宽的偏移， rh,i为第i个锚框对应模型输出的高的偏移，上述偏移的取值范围均为实数， S...为平滑L1损失，计算公式为： 其中，Sx为任意输入； 3训练整个模型，导入2中训练完成的三支路区域推荐网络层的参数，训练完成的模型选择在训练过程中损失值最小的模型，损失值计算公式和2相同，其中平滑L1损失输入的偏移换成基于三支路区域推荐网络层输出的偏移，每张图像选择Nr个候选框进行计算，Nr替换Na，保证训练过程中三支路区域推荐网络层的参数不更新； 4训练模型中背景减去网络层、特征提取网络层和三支路区域推荐网络层三部分，导入3中训练完成的背景减去网络层、特征提取网络层和三支路区域推荐网络层的参数，训练过程仅仅更新三支路区域推荐网络层的参数，其余训练过程与2相同； 5训练整个模型，导入3中训练完成的参数，包括背景减去网络层的参数、特征提取网络层的参数、兴趣区域池化层的参数和分类位置回归层的参数，导入4中训练完成的三支路区域推荐网络层的参数，训练过程仅仅更新兴趣区域池化层的参数和分类位置回归层的参数，其余训练过程与3相同； 步骤五：模型在测试时需要对模型最后一层输出的预测边框进行后处理，筛选符合要求的预测边框，去除检测网络输出的不合格的预测边框，处理过程为：首先去除分类标签为非缺陷的预测框，然后去除左上角坐标或右下角坐标超过图像边界的预测框，最后剩余的预测边框按分类标签进行划分，同一类别的预测边框按照分类评分降序排序，去除评分低、但是又与评分更高的预测边框的交并比超过W的预测边框，W的取值范围为[0,1]，剩余的预测边框作为最终的预测结果，预测结果中的预测边框包括缺陷种类和缺陷位置两方面信息。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西南石油大学，其通讯地址为：610500 四川省成都市新都区新都大道8号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。