基于多尺度U-Net的直缝埋弧焊管焊缝缺陷超声检测方法

摘要

本发明为一种基于多尺度U‑Net的直缝埋弧焊管焊缝缺陷超声检测方法，其克服了现有技术中存在的复杂背景下直缝埋弧焊管焊缝管缺陷检测的准确率低的问题。本发明能有效提高复杂背景下直缝埋弧焊管焊缝管缺陷检测的准确率。本发明包括以下步骤：步骤1.采用谱聚类算法将直缝埋弧焊管焊缝超声图像网格化并分配标签，得到超像素图像；步骤2.计算每个超像素内所有像素点的灰度平均值，再将灰度平均值重新赋值给超像素中每个像素点，得到视觉概要图；步骤3.构建改进的多尺度U‑Net模型；步骤4.将得到的视觉概要图作为训练集训练改进的多尺度U‑Net模型，利用训练好的多尺度U‑Net模型对直缝埋弧焊管焊缝缺陷进行检测。

说明书

技术领域：

本发明属于焊管焊缝缺陷检测技术领域，涉及一种基于谱聚类与多尺度U-Net融合的直缝埋弧焊管焊缝缺陷超声检测方法。

背景技术：

直缝埋弧焊管焊缝可能出现各种缺陷。焊接缺陷不仅降低管道承载的截面积，而且容易产生应力集中，甚至可能诱发脆性断裂。尤其尖端存在缺口效应，很容易出现三向应力状态，导致裂纹失稳和扩展，致使结构断裂，可能造成严重事故和重大经济损失，危及人身安全。如何及早准确地检测直缝埋弧焊管焊缝缺陷一直是一个重要的研究方向，现有很多检测方法，但这些方法的检测结果易受温度、信号采集设备和传感器运动速度等各种因素干扰。与其他检测方法相比，超声检测方法具有检测距离远、检测速度快、检测精度高、检测装置体积小、重量轻、便于携带、总的检测费用较低和对人体无害等优点，比较适用于直缝埋弧焊管焊缝缺陷检测。由于直缝埋弧焊管焊缝的超声图像中存在复杂噪声、杂波以及伪缺陷信息，而且直缝埋弧焊管焊缝缺陷大小、形状和产生原因各种各样，而且焊缝缺陷没有固定的细节特性或形状特征，使得直缝埋弧焊管焊缝缺陷检测方法研究仍然是一项具有挑战性的研究方向。

发明内容：

本发明的目的在于提供一种基于多尺度U-Net的直缝埋弧焊管焊缝缺陷超声检测方法，其克服了现有技术中存在的复杂背景下直缝埋弧焊管焊缝管缺陷检测的准确率低的问题。本发明能有效提高复杂背景下直缝埋弧焊管焊缝管缺陷检测的准确率。

为实现上述目的，本发明采用的技术方案为：

一种基于多尺度U-Net的直缝埋弧焊管焊缝缺陷超声检测方法，其特征在于：包括以下步骤：

(1)采用谱聚类算法将直缝埋弧焊管焊缝超声图像网格化并分配标签，得到超像素图像；

(2)计算每个超像素内所有像素点的灰度平均值，再将灰度平均值重新赋值给超像素中每个像素点，得到视觉概要图；

(3)构建改进的多尺度U-Net模型；

(4)将得到的视觉概要图作为训练集训练改进的多尺度U-Net模型，利用训练好的多尺度U-Net模型对直缝埋弧焊管焊缝缺陷进行检测。

步骤(1)包括以下步骤：

在焊缝超声图像上选取K个初始聚类中心，其中K为原始图像的像素点个数；然后将聚类中心调节到原聚类中心周围3×3像素点中的梯度值为最小值的像素点；计算区域像素点与其聚类中心之间的混合距离，根据混合像素距离，在每个聚类中心周围像素点区域内进行聚类，得到超像素图像。

步骤(3)包括以下步骤：

在U-Net的基础上构建改进的多尺度U-Net模型，该模型包含5个编码模块、4个解码模块、1个注意力机制模块、4个通道，在最后一层加入超像素的中心位置像素的坐标信息，只对中心位置所在的像素进行1×1卷积分类。

步骤(4)包括以下步骤：

将得到的视觉概要图作为训练集训练改进的多尺度U-Net模型，基于损失函数梯度，使用随机梯度下降法对改进的多尺度U-Net的参数进行更新，以降低模型输出与标签值间残差，使模型完成训练；模型结构参数包含卷积核与池化核的维度、批处理数及神经元失活概率，训练参数包括模型学习率与训练次数；由训练好的多尺度U-Net模型对直缝埋弧焊管焊缝缺陷进行检测。

步骤(1)包括以下步骤：

(1)利用四邻点加权算子

(2)定义图像的任意2个不同的像素点p

其中，g

(3)设超声图像有N个像素点，选定分割的超像素个数为K，则相邻种子点的步长近似为

(4)按式(1)计算每个像素点与K个种子点的混合距离，根据计算的混合距离，将与之最近的种子标签赋予该像素；

(5)将种子点相邻像素中具有相同标签的像素合并，再将合并区域内的所有像素作为新种子点重复上述过程；

(6)重复上述步骤(4)和步骤(5)，不断迭代直到每个超像素的聚类中心不再发生变化为止；

(7)对于分割产生的孤立点，运用最近邻原则将其划分到相邻的超像素中。

步骤(3)包括以下步骤：

改进的多尺度U-Net包括编码模型和解码模块、池化、转置卷积、级联操作，编码模块和解码模块用于特征提取，池化用于下采用，转置卷积用于上采样，级联用于整合编码模型和对应的解码模块的特征；多尺度残差模块结构除第一个多尺度残差模块外，每经过一个多尺度残差模块，特征层的通道数加倍，空间尺寸保持不变，每经过一个2×2最大池化层，特征层的空间尺寸大小减半，通道数保持不变；1×1卷积将特征层通道数最终降为2；通道结构由若干个残差卷积块组成，由此减小编码部分特征层与解码部分特征层之间存在的语义间隔，且经过通道后的特征层空间尺寸、通道数均保持不变。

与现有技术相比，本发明具有的优点和效果如下：

本发明所涉及的一种基于谱聚类与多尺度U-Net融合的直缝埋弧焊管焊缝缺陷超声检测方法，进行直缝埋弧焊管焊缝缺陷检测，简单易实现，能够在复杂环境下检测出直缝埋弧焊管焊缝的微小缺陷，具有较高的检测准确率，能够为实际直缝埋弧焊管焊缝缺陷检测系统提供技术支持。

附图说明：

图1为本发明实施所涉及的一种基于谱聚类与多尺度U-Net融合的直缝埋弧焊管焊缝缺陷超声检测方法的流程图；

图2为本发明实施例所涉及的改进的多尺度U-Net架构图；

图3为本发明实施例所涉及的改进的多尺度U-Net的多尺度残差卷积模型；

图4为本发明实施例所涉及的改进的多尺度U-Net的注意力模型。

具体实施方式：

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。

本发明为一种基于谱聚类与多尺度U-Net融合的直缝埋弧焊管焊缝缺陷超声检测方法，其特征在于，包括如下步骤：

(1)采用谱聚类算法将直缝埋弧焊管焊缝超声图像网格化并分配标签，得到超像素图像。具体包括以下过程：在焊缝超声图像上选取K个初始聚类中心，其中K为原始图像的像素点个数；然后将聚类中心调节到原聚类中心周围3×3像素点中的梯度值为最小值的像素点；计算区域像素点与其聚类中心之间的混合距离，根据混合像素距离，在每个聚类中心周围像素点区域内进行聚类，得到超像素图像；

(2)计算每个超像素内所有像素点的灰度平均值，再将灰度平均值重新赋值给超像素中每个像素点，得到视觉概要图；

(3)构建改进的多尺度U-Net模型。在U-Net的基础上构建改进的多尺度U-Net模型，该模型包含5个编码模块、4个解码模块、1个注意力机制模块、4个通道，在最后一层加入超像素的中心位置像素的坐标信息，只对中心位置所在的像素进行1×1卷积分类；

(4)将得到的视觉概要图作为训练集训练改进的多尺度U-Net模型，利用训练好的多尺度U-Net模型对直缝埋弧焊管焊缝缺陷进行检测；

实施例：

参照图1，本发明提供一种基于谱聚类与多尺度U-Net融合的直缝埋弧焊管焊缝缺陷超声检测方法，包括如下步骤：

步骤1，利用谱聚类算法将直缝埋弧焊管焊缝超声图像网格化并分配标签，得到超像素图像，包括以下过程：

(1)利用四邻点加权算子

(2)定义图像的任意2个不同的像素点p

其中，g

(3)设超声图像有N个像素点，选定分割的超像素个数为K，则相邻种子点的步长近似为

(4)按式(1)计算每个像素点与K个种子点的混合距离，根据计算的混合距离，将与之最近的种子标签赋予该像素；

(5)将种子点相邻像素中具有相同标签的像素合并，再将合并区域内的所有像素作为新种子点重复上述过程；

(6)重复上述步骤(4)和步骤(5)，不断迭代直到每个超像素的聚类中心不再发生变化为止；

(7)对于分割产生的孤立点，运用最近邻原则将其划分到相邻的超像素中。

步骤2，计算超像素图像的每一个超像素中所有像素点的灰度平均值，再将灰度平均值重新赋值给超像素中每一像素点，生成视觉概要图；

步骤3，构建改进的多尺度U-Net，该模型包含5个编码模块、4个解码模块、1个注意力机制模块、4个通道，在最后一层加入超像素的中心位置像素的坐标信息，只对中心位置所在的像素进行1×1卷积分类；

具体的，如图2所示，改进的多尺度U-Net包括编码模型和解码模块、池化、转置卷积、级联等操作，编码模块和解码模块用于特征提取。池化用于下采样，转置卷积用于上采样，级联用于整合编码模型和对应的解码模块的特征；如图3所示的多尺度残差模块结构，除第一个多尺度残差模块外，每经过一个多尺度残差模块，特征层的通道数加倍，空间尺寸保持不变，每经过一个2×2最大池化层，特征层的空间尺寸大小减半，通道数保持不变；1×1卷积将特征层通道数最终降为2；如图4所示的通道结构，由若干个残差卷积块组成，由此减小编码部分特征层与解码部分特征层之间存在的语义间隔，且经过通道后的特征层空间尺寸、通道数均保持不变；

步骤4，将得到的视觉概要图作为训练集训练改进的多尺度U-Net模型，基于损失函数梯度，使用随机梯度下降法对改进的多尺度U-Net的参数进行更新，以降低模型输出与标签值间残差，使模型完成训练。模型结构参数包含卷积核与池化核的维度、批处理数及神经元失活概率，训练参数包括模型学习率与训练次数。由训练好的多尺度U-Net模型对直缝埋弧焊管焊缝缺陷进行检测。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，凡是利用本发明的说明书及附图内容所做的等同结构变化，均应包含在发明的专利保护范围内。