基于深度学习网络的射线图像缺陷识别方法

  本文关键词：基于深度学习网络的射线图像缺陷识别方法，由笔耕文化传播整理发布。

第３５卷第９期２０１４年９月

仪器仪表学

报

ＶｏＬ３５Ｎｏ．９Ｓｅｐ．２０１４

ＣｈｉｎｅｓｅＪｏｕｍａｌｏｆＳｃｉｅｎｔｉｆｉｃＩｎｓｔｍｍｅｎｔ

基于深度学习网络的射线图像缺陷识别方法术

余永维１’２，，殷国富１，殷鹰１，杜柳青２

（１．四川大学制造科学与工程学院成都６１００６５；２．重庆理工大学机械工程学院重庆４０００５４）

摘要：针对建立射线无损检测智能化信息处理平台的需要，提出一种基于深度学习网络的智能识别方法。以卷积神经网络结构为基础，结合径向基神经网络非线性映射能力，构建一种模拟视觉感知原理的深度学习网络结构，并提出一种网络结构自生长方法和参数学习方法；然后在获取注意区域的基础上，模拟人类大脑深度学习的层次感知系统，使可疑区域的像素灰度信号直接通过深度学习层次网络，通过卷积网络逐层挖掘可疑缺陷区域的本质特征；最后利用径向基网络部分实现对射线图像缺陷的直接智能识别。实验中对复杂射线图像的缺陷识别率超过９１％，优于传统方法。实验表明该方法有较高的准确率和较好的适应性，能够满足射线无损检测智能化信息处理平台的需要。关键词：射线图像；缺陷识别；深度学习；智能识别；神经网络中图分类号：１１Ｐ３９１．４１

ＴＨ８７８＋．１

文献标识码：Ａ

国家标准学科分类代码：５１０．４０５０

ＤｅｆｅｃｔｒｅｃｏｇＩｌｉｔｉｏｎｆｏｒｒａｄｉｏｇｒａｐｌｌｉｃｉｍａｇｅｂａｓｅｄ

ｏｎ

ｄｅｅｐｌｅａｒＩｌｉｎｇｎｅｔｗｏｒｋ

ＹｕＹｏｎｇｗｅｉ１”，ＹｉｎＧｕｏｆｕｌ，ＹｉｎＹｉｎ９１，ＤｕＬｉｕｑｉｎ９２

（Ｊ．Ｓｃ肠ＤＺ矿＾死ｎ咖ｔｕ矗增＆记凡ｃｅｏ以Ｅ，彬ｎｅｅ而愕，Ｓ把＾∞ｎ跏觇ｒｓ渺，仇倒配６ＪＤｏ卯，吼ｉｎ。；

２．ｃ０阮鲈０，胁ｃｋｎ如越Ｅ，硒聊ｅ矗愕，‰，醐ｉ昭‰讹船蚵ｏ，‰＾加此啊，ｃｋ昭ｇｉ增４ＤＤＤ舛，吼ｉｎ口）

Ａｂｓ咖ｃｔ：Ａｉｍｉｎｇ

ａｎ

ａｔ

ｔｈｅｒｅｑｕｉｒｅｍｅｎｔｏｆｅｓｔａｂｌｉｓｈｉｎｇｉｎｔｅｌｌｉｇｅｎｔ

ｏｎ

ｉ耐油“ｏｎ

ｐｒｏｃｅｓｓｉｎｇ

ｐｌａｄ．０ｎｎｏｆ

ｏｎ

ｒａｄｉｏ聊ｈｉｃｎｏｎｄｅｓ协ｌｃｔｉｖｅｄｅｔｅｃｔｉｏｎ，

ｃｏｎｖｏｌ砸ｏｎ

ｎｅｌｌｒａｌｒｌｅｔｗｏｒｋ

ｎｅｔｗｏｒｋｓｔｍｃｔｕｒｅｗａｓｂｕｉｈ，ｗｈｉｃｈ

ａ

ｉｎｔｅｌｌｉｇｅｎｔｒｅｃ０铲ｉｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｄｅｅｐｋａｒｒｌｉｎｇｎｅｔｗｏｒｋｗａｓｐｒｏｐｏｓｅｄ．Ｂａｓｅｄ

ｍｅｓｔｒＩｌｃｔｕｒｅｏｆｎｌｅ

明ｄｃｏｍｂｉｎｉｎｇ访ｔｌｌｔｌｌｅｎｏｎｌｉｎｅａｒｍ印ｐｉｎｇａｂｉｌｉｔ）ｒｏｆｔｈｅｒａｄｉａｌｂａｓｉｓｎｅｕｒａｌｎｅｔｗｏｒｋ，ａｄｅｅｐ

ｃｏｕｌｄｓｉｍｕｌａｔｅｈｕｍａｎｖｉｓｕａｌｐｅｒｃｅｐｔｉｏｎｐｒｉｎｃｉｐｌｅ．Ａｎｄ

ａ

ｌｅ踟ｉｎｇ

ｓｅｌｆ－ｇｍ叭ｈｍｅｔｈｏｄ０ｆｎｅｔｗｏｒｋ

ｓｔｒｕｃｔｕｒｅａｎｄ

ｐａｒａｍｅｔｅｒ

ｌｅ锄ｉｎｇ

ｓｔｒａｔｅｇ）ｒ

ａｒｅ

ｉｎ仰ｄｕｃｅｄ．Ｔｈｅｎ，ｏｎｔ１１ｅｂａｓｉｓｏｆａｃｑｕｉｒｉｎｇｔｈｅａｔｔｅｍｉｏｎ

ｒｅ矛ｏｎ，ｔｈｅ

ｈｉｅｒａｒｃｈｙｓｅｎｓｉｎｇｓｙｓｔｅｍｏｆｄｅｅｐｌｅａｍｉｎｇｏｆｈｕｍａｎｂｒａｉｎｉｓｓｉｍｕｌａ—

ｔｅｄ；ｔｌｌｅｐｉｘｅｌ伊ａｙｓｉｇｎａｌｓｏｆｔｈｅａｔｔｅｎｔｉｏｎｃｈｙｍｏｄｅｌｏｆｔｈｅｖｉｓｕａｌｐｅｒｃｅｐｔｉｏｎｓｙｓｔｅｍ．ｔｌｌｅｃｏｎｖｏｌｕｔｉｏｎｎｅｔｗｏｒｋ．Ｆｉｎａｌｌｙ，ｔｈｅ

ｒｅ矛ｏｎｄｉｒｅｃｔｌｙｐａｓｓｔｈｒｏｕｇｈｔｈｅｒｅｃｏｇｎｉｔｉｏｎｎｅｔｗｏｒｋ，ｗｈｉｃｈｓｉｍｕｌａｔｅｓｔｈｅｄｅｅｐ１ｅａｍｉｎｇ

ｈｉｅｒ廿

Ｓｏｔｈｅｉｎｔｅｍａｌ

ｃｈ撇ｔｅｒｉｓｔｉｃｏｆｔｈｅｓｕｓｐｉｃｉｏｕｓｄｅｆｅｃｔｒｅ舀ｏｎｉｓｅｘｔｒａｃｔｅｄｌａｙｅｒｂｙｌａｙｅｒｔｈｒｏｕｇｈ

ｍｅｅｔ

ｉｎｔｅｌｌ噜ｅｎｔｒｅｃｏｇｎｉｔｉｏｎｏｆｔｈｅｄｅｆｅｃｔｓｉｎｔｈｅｒａｄｉｏｇｒ印ｈｉｃｉｍａｇｅｓｉｓａｃｈｉｅｖｅｄｔｈｒｏｕｇｈｔｈｅｒａｄｉａｌｂａｓｉｓ

ｎｅｔｗｏｒｋ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔｓｓｈｏｗｔｈ砒ｔｈｅｒｅｃｏｇｎｉｔｉｏｎｒａｔｅｏｆｔ１１ｅｄｅｆｅｃｔｓｉｎｃｏｍｐｌｅｘｒａｄｉｏｇｒａｐｈｉｃｉｍａｇｅｉｓａｂｏｖｅ９１％，ｗｈｉｃｈｉｓｓｕｐｅｒｉｏｒｔｏｔ｝ｌａｔ０ｆｔｒａｄｉｔｉｏｎａｌｍｅｔｈｏｄｓ．ＳｏｔＩｌｉｓｍｅｔｌｌｏｄｈａｓｈｉｇｈｅｒａｃｃｕｒａｃｙａＩｌｄｂｅｔｔｅｒａｄ叩ｔａｂｉｌｉｔｙ，ｗｈｉｃｈ

ｃａｎ

ｔｈｅｒｅｑｕｉｒｅｍｅｎｔｓｏｆｔｈｅｉｎｔｅｌｌｉｇｅｍ

ｉｎｆｏ珊ａｔｉｏｎ

ｐｒｏｃｅｓｓｉｎｇ

ｐｌａⅡｂｍ

ｏｆ

ｒａｄｉｏｇｒａｐｈｉｃ

ｎｏｎｄｅｓｔｍｃｔｉｖｅｄｅｔｅｃｔｉｏｎ．

Ｋｅｙｗｏｒｄｓ：ｒａｄｉｏｇｒａｐｈｉｃｉｍａｇｅ；ｄｅｆｅｃｔｒｅｃｏ印ｉｔｉｏｎ；ｄｅｅｐｌｅａｍｉｎｇ；ｉｎｔｅｌｌｉｇｅｎｔ

ｒｅｃｏｇｌｌｉｔｉｏｎ；ｎｅｕｒａｌ

ｎｅｔｗｏｒｋ

内外学者对此作了不少的研究，最近的成果如申清明等

１

引言

人定义５个边缘特征及３个区域特征构成支持向量机的输入向量，采用直接多类支持向量机方法来分类射线图像焊接缺陷‘１｜；Ｌｉｍ

Ｔ

用机器视觉进行射线无损检测是当前国内外研究的热点，其最关键技术和最终目的在于射线图像识别。国收稿日期：２０１４讲

Ｒｅｃｅｉｖｅｄ

Ｙ等人对２５个用于分类的形状描

述符进行筛选，确定９个描述符，用３层感知器神经网络

Ｄａｔｅ：２０１４舭

。基金项目：重庆市基础与前沿研究计划基金（ｃ８ｔｃ２０１３ｊｃｙｊＡ７０００９）、国家自然科学基金青年基金（５１０７５４１９）资助项目

  本文关键词：基于深度学习网络的射线图像缺陷识别方法，由笔耕文化传播整理发布。