技术领域
[0001] 本
发明涉及
图像处理技术领域，特别涉及一种工业x射线焊缝图像缺陷识别方法。技术背景
[0002]
焊接技术广泛地应用于石油化工
钢管和
压力容器的制造中，高
质量的焊接是保证钢管和压力容器等国民经济重要设施安全运行的
基础和根本保障。但遗留在焊缝中的缺陷会导致管道和压力容器的破裂与爆炸。因此焊缝中缺陷检测识别是机械、
冶金、石油化工等行业设备制造中必不可少且尤为重要的环节。
[0003]
对焊缝缺陷的检测是通过
无损检测(Non Destructive Testing，NDT)的方法来实现的。在各种无损检测方法中，基于x射线焊缝图像的缺陷检测是最为重要，并已得到广泛应用的方法。但目前基于x射线焊缝图像的自动检测
算法计算时间与x射线焊缝图像的尺寸相关，图像大则计算时间长。而且目前的x射线焊缝图像缺陷检测都是基于单张图像的计算，需要进行滤波、分割、判断等图像处理，计算时间也较长。特别是，现有算法在分割时对一个或多个
阈值敏感，造成x射线焊缝图像处理算法的鲁棒性不足。当前还缺乏一种适应性强、与阈值选取无关且计算时间与x射线图像尺寸无关的x射线焊缝
图像识别技术。
发明内容
[0004] 为了克服上述
现有技术的不足，本发明的目的在于提供了一种工业x射线焊缝图像缺陷识别方法，具有处理图像时间不受图像尺寸大小，计算时无需选取分割阈值的特点。
[0005] 为了达到上述目的，本发明的技术方案是这样实现的：
[0006] 一种工业x射线焊缝图像缺陷识别方法，包括以下步骤：
[0007] （1）选取缺陷图片20张以上，选取噪声图片20张以上，一起作为样本图片；
[0008] （2）将样本图片的尺寸统一归一化为m×m大小，要求m≥8，以后对样本图片的操作均针对归一化后的图片；
[0009] （3）提取样本图片各个
像素点的灰度值，按照行优先或者列优先的原则将各个像素点的灰度值排列为一个列向量，用fi表示，标i表示图片的编号，fi为第i号图片所有像素点灰度值排列的向量，
[0010] （4）构建一个矩阵A，
[0011] （5）将待检测图片尺寸归一化为m×m，提取其各个像素点的灰度值，同样按照行优先或列优先的原则将各个像素点的灰度值排列为一个列向量，用y表示；
[0012] (6)令 其中Δ为小于等于0.01的正实数，并构造函数1：
[0013]
[0014] κ为惩罚项系数，取值为0.1×m至10×m之间的任意数
[0015] (7)构造函数2：
[0016]
[0017] κ为惩罚项系数，取值为0.1×m至10×m之间的任意数
[0018] (8)构造函数3：
[0019]
[0020] (9)分别用最速下降法求解式(1)、式(2)，用OMP算法求解式(3)，记录求解结果为 和
[0021] (10) 时，取P0为1，否则为0； 时，取P1为1，否则为0； 时，取P2为1，否则为0。
[0022] (11)若(P0)or(P1)or(P2)＝1，待检测图像为缺陷，否则为噪声。
[0023] 本发明通过事先设定样本图像，并统一进行尺寸的归一化处理，将图像的
模式识别问题，转换为一个方程组求解问题。由于事先确定样本图像的个数和尺寸，在求解时，方程组个数不会因待检测图像尺寸的变化而发生变化，所以图像识别时间不受图像尺寸大小的限制。而且，本发明用一个向量来判断待检测图像的类型，不依赖于某一个系数，使得检测具有较好的鲁棒性，也无需对待检测图像进行滤波、增强等处理。
附图说明
[0024] 图1为
实施例一的200张缺陷样本图。
[0025] 图2为实施例一的200张噪声样本图片。
[0026] 图3为实施例二的200张缺陷样本图。
[0027] 图4为实施例二的200张噪声样本图片。
[0028] 图5为实施例三的200张缺陷样本图。
[0029] 图6为实施例三的200张噪声样本图片。
[0030] 图7为实施例四的200张缺陷样本图。
[0031] 图8为实施例四的200张噪声样本图片。
具体实施方式
[0032] 下面结合具体实例对本发明做详细叙述。
[0033] 实施例一
[0034] (1)选取200张缺陷样本图片如图1：
[0035] （2）选取200张噪声样本图片如图2：
[0036] （3）将样本图片及待检测图片归一化为13×13尺寸，样本图片像素点灰度值按列优先原则排列，生成矩阵A。
[0037] （4）将待检测图片 归一化为13×13大小，然后将像素点灰度值按列优先排列，生成向量y
[0038] （5）令 Δ=0.005，并构造函数1：
[0039]
[0040] 取κ=15
[0041] （6）构造函数2：
[0042]
[0043] κ=15
[0044] （7）构造函数3：
[0045]
[0046] （8）分别用最速下降法求解（4）、（5），用OMP算法求解（6）。
[0047] 解得其中k=200，n=400。
[0048] （9）解得P0=0;P1=0;P2=0;(P0)or(P1)or(P2)=0;待检测图像为噪声。
[0049] 实施例二
[0050] (1)选取200张缺陷样本图片如图3；
[0051] （2）选取200张噪声样本图片如图4；
[0052] （3）将样本图片及待检测图片归一化为13×13尺寸，将样本图片像素点灰度值按列优先原则排列，生成矩阵A；
[0053] （4）将待检测图片 归一化为13×13大小，然后将像素点灰度值按列优先排列，生成向量y；
[0054] （5）令 Δ=0.005，并构造函数1：
[0055]
[0056] 取κ=15；
[0057] （6）构造函数2：
[0058]
[0059] κ=15；
[0060] （7）构造函数3：
[0061]
[0062] （8）分别用最速下降法求解式（7）、式（8），用OMP算法求解式（9）；解得其中k=200，n=400；
[0063] （9）解得P0=0;P1=0;P2=0;(P0)or(P1)or(P2)=0；待检测图像为噪声。
[0064] 实施例三
[0065] (1)选取200张缺陷样本图片如图5；
[0066] （2）选取200张噪声样本图片如图6；
[0067] （3）将样本图片及待检测图片归一化为13×13尺寸，将样本图片像素点灰度值按列优先原则排列，生成矩阵A；
[0068] （4）将待检测图片 归一化为13×13大小，然后将像素点灰度值按列优先排列，生成向量y；
[0069] （5）令 Δ=0.005，并构造函数1：
[0070]
[0071] 取κ=15；
[0072] （6）构造函数2：
[0073]
[0074] κ=15；
[0075] （7）构造函数3：
[0076]
[0077] （8）分别用最速下降法求解式（10）、式（11），用OMP算法求解式（12），解得其中k=200，n=400；
[0078] （9）解得P0=1;P1=1;P2=1;(P0)or(P1)or(P2)=1;待检测图像为缺陷。
[0079] 实施例四
[0080] （1）选取200张缺陷样本图片如图7；
[0081] （2）选取200张噪声样本图片如图8；
[0082] （3）将样本图片及待检测图片归一化为13×13尺寸，样本图片像素点灰度值按列优先原则排列，生成矩阵A；
[0083] （4）将待检测图片 归一化为13×13大小，然后将像素点灰度值按列优先排列，生成向量y；
[0084] （5）令 Δ=0.005。并构造函数1：
[0085]
[0086] 取κ=15；
[0087] （6）构造函数2：
[0088]
[0089] 取κ=15；
[0090] （7）构造函数3：
[0091]
[0092] （8）分别用最速下降法求解（13）、（14），用OMP算法求解（15），解得其中k=200，n=400；
[0093] （9）解得P0=1;P1=1;P2=1;(P0)or(P1)or(P2)=1;待检测图像为缺陷。
