本發明涉及x射線無損檢測，尤其涉及一種基于x射線的缺陷識別方法。

背景技術：

1、在鑄造行業中，鑄件的質量控制至關重要，因為任何微小的缺陷都可能導致產品性能下降甚至安全事故。傳統的鑄件檢驗方法，例如目視檢查、敲擊檢測等，雖然簡單易行，但其準確性和可靠性往往受到檢驗人員技能水平的限制，且無法發現內部缺陷。隨著科技的進步，x射線無損探傷技術逐漸成為了鑄件內部缺陷檢測的重要手段。x射線無損探傷技術利用x射線穿透被測物體，由于不同材質對x射線的吸收程度不同，從而在膠片或探測器上形成影像。通過分析這些影像，可以直觀地觀察到鑄件內部的裂紋、氣孔、夾雜等缺陷。這種方法不僅可以發現鑄件表面的缺陷，還能檢測到隱藏在內部的缺陷，大大提高了鑄件質量的控制水平。

2、然而，x射線無損探傷技術在鑄件缺陷識別的實際應用中仍面臨一些挑戰。具體來說，不同厚度的鑄件對x射線的吸收率不同，不同材質的鑄件對x射線的吸收率也不同，這些都會影響最終在射線底片上所呈現影像的對比度和清晰度，使得檢測人員難以對射線底片所呈現出的缺陷進行精準的分辨，鑄件內部缺陷的識別判斷變得困難。此外，對于復雜鑄件的缺陷識別和定位，還需要依賴于操作人員的經驗和技能，往往需要長時間的學習和鍛煉才能提高識別射線底片所呈現缺陷的準確率。因此，開發一種不依賴于操作人員經驗，可以高效、準確的基于x射線無損探傷的鑄件缺陷識別方法，對于提高鑄件質量和生產效率具有重要意義。

技術實現思路

1、鑒于上述的分析，本發明實施例旨在提供一種基于x射線的缺陷識別方法，用以解決現有鑄件缺陷識別方法的準確率和效率較低的問題。

2、一方面，本發明實施例提供了一種種基于x射線的缺陷識別方法，所述方法包括：

3、獲取不同厚度和/或不同材質的樣本鑄件的x射線圖像，并對所述樣本鑄件的x射線圖像進行預處理，以獲取其邊緣圖像；

4、根據所述樣本鑄件的邊緣圖像中各輪廓的面積和缺陷特征標注該輪廓是否存在缺陷以及缺陷類型；

5、采用標注后的所述樣本鑄件的邊緣圖像對缺陷識別模型進行訓練，獲得訓練好的缺陷識別模型；

6、獲取目標鑄件的x射線圖像，并對所述目標鑄件的x射線圖像進行預處理，以獲取其邊緣圖像；

7、將所述目標鑄件的邊緣圖像輸入訓練好的缺陷識別模型中，從而識別出所述目標鑄件是否具有缺陷以及缺陷的類型。

8、基于上述方法的進一步改進，所述根據所述樣本鑄件的邊緣圖像中各輪廓的面積和輪廓特征標注該輪廓是否存在缺陷以及缺陷類型，包括：

9、查找所述邊緣圖像中的所有輪廓；

10、遍歷計算每個輪廓的面積；

11、分別判斷每個所述輪廓的面積是否小于預設面積閾值；

12、若該輪廓的面積小于所述預設面積閾值，則判斷該輪廓是缺陷，并在所述邊緣圖像上標注該輪廓有缺陷；

13、若該輪廓的面積大于或等于所述預設面積閾值，則判斷該輪廓不是缺陷，并在所述樣本邊緣圖像上標注該輪廓無缺陷。

14、基于上述方法的進一步改進，所述根據所述樣本鑄件的邊緣圖像中各輪廓的面積和輪廓特征標注該輪廓是否存在缺陷以及缺陷類型，還包括：

15、判斷該輪廓是缺陷之后，將該輪廓的圖像與各缺陷類型的典型x射線圖像進行對比，以確定該輪廓對應的缺陷類型，并在所述邊緣圖像上標注出該輪廓的缺陷類型。

16、基于上述方法的進一步改進，對x射線圖像進行預處理，包括如下步驟：

17、將所述x射線圖像轉化為灰度圖像，并將所述灰度圖像的像素值調整在預設范圍內；

18、對所述灰度圖像進行高斯模糊，獲得高斯模糊圖像；

19、對所述高斯模糊圖像進行邊緣檢測，從而獲得邊緣圖像。

20、基于上述方法的進一步改進，對所述高斯模糊圖像進行邊緣檢測，從而獲得邊緣圖像，包括如下步驟：

21、采用邊緣檢測算法提取所述高斯模糊圖像中的輪廓；

22、對提取的所述輪廓進行形態學閉運算以填補輪廓上的小孔或縫隙，從而獲得邊緣圖像。

23、基于上述方法的進一步改進，所述方法還包括：

24、在獲取不同厚度和/或不同材質的樣本鑄件的x射線圖像或者獲取目標鑄件的x射線圖像之前，根據鑄件厚度和材質設置曝光參數；

25、根據所述曝光參數對所述樣本鑄件或所述目標鑄件進行透照，獲取相應的x射線圖像。

26、基于上述方法的進一步改進，所述根據鑄件厚度和材質設置曝光參數，包括：

27、所述曝光參數包括：透照電壓；

28、其中，根據材料允許的最高透照電壓與透照厚度關系曲線設定所述目標鑄件和/或所述樣本鑄件的透照電壓。

29、基于上述方法的進一步改進，所述根據鑄件厚度和材質設置曝光參數，包括：

30、所述曝光參數還包括：透照表面與x射線源之間的距離；

31、其中，根據焦點到工件表面距離的諾模圖設置所述目標鑄件和/或所述樣本鑄件的透照表面與x射線源之間的距離。

32、基于上述方法的進一步改進，所述缺陷識別模型為神經網絡模型，其包括：

33、第一卷積層，用于對輸入圖像進行卷積處理；

34、第一池化層，用于對所述第一卷積層輸出的圖像進行最大池化處理；

35、第一dropout層，用于在模型訓練過程中隨機丟棄部分神經元的輸出；

36、第二卷積層，對所述第一dropout層輸出的圖像進行卷積處理；

37、第二池化層，對所述第二卷積層輸出的圖像進行最大池化處理；

38、第二dropout層，用于在模型訓練過程中隨機丟棄部分神經元的輸出；

39、全連接層，對所述第二dropout層輸出的圖像進行全連接處理，輸出缺陷識別結果。

40、基于上述方法的進一步改進，所述神經網絡模型的損失函數為：

41、

42、式中，loss為損失值，t[i]為第i個樣本的標簽，o[i]為第i個樣本的預測值，n為樣本數量；d(ai,pi)為錨點樣本ai與正樣本pi之間的距離，d(ai,ni)為錨點樣本ai與負樣本ni之間的距離，margin為用于控制正負樣本對之間的最小距離的超參數，α為權重參數。

43、與現有技術相比，本發明至少可實現如下有益效果之一：

44、1、本發明通過結合x射線成像技術、圖像處理技術和機器學習技術提供了一種高效、準確的鑄件缺陷檢測方法，本發明的方法通過x射線技術獲取鑄件內部的圖像信息，并利用圖像處理、識別技術和訓練好的缺陷識別模型對處理后的圖像進行分析，從而實現對鑄件內部缺陷的快速準確的識別。

45、具體來說，本發明中，首先獲取不同厚度、不同材料的樣本鑄件的x射線圖像，然后對x射線圖像進行預處理后獲取其邊緣圖像，再對邊緣圖像上輪廓進行標注后將其作為訓練數據對缺陷識別模型進行訓練，通過不斷迭代更新對模型進行修正，獲得能夠準確識別缺陷的模型。在訓練好缺陷識別模型后，將目標鑄件的x射線圖像進行預處理后的邊緣圖像輸入訓練好的缺陷識別后，從而實現鑄件缺陷快速、準確地自動檢測，避免了操作人員使用肉眼和經驗判斷射線底片缺陷的傳統方式帶來的誤判和疏漏，大大提高了缺陷識別判斷效率和準確率。

46、2、本發明中進行缺陷標注時，通過預設面積閾值，可以較為準確地區分缺陷和非缺陷輪廓，減少了人為判斷的主觀性，統一的標注標準確保了數據的一致性，有利于后續的模型訓練，并且通過自動化的標注流程，可以快速處理大量樣本鑄件，顯著提高缺陷檢測的效率。

47、3、本發明中，考慮到不同厚度、不同材質的鑄件能夠對x射線的吸收率不同，在進行x射線透照時根據待檢測的鑄件的厚度、材質設置曝光參數，從而能夠獲得質量較高且一致的x射線圖像，有利于提高缺陷識別的準確率。

48、4、本發明中，通過對x射線圖像進行了灰度轉換、像素值調整和高斯模糊、邊緣檢測等預處理步驟，有效地提高了x射線圖像的質量，并且從圖像上提取重要的視覺特征-輪廓特征，為后續的缺陷識別提供了清晰、一致和優化的圖像數據，為缺陷識別提供了堅實的基礎，并提高了整個檢測流程的自動化和準確性。

49、本發明中，上述各技術方案之間還可以相互組合，以實現更多的優選組合方案。本發明的其他特征和優點將在隨后的說明書中闡述，并且，部分優點可從說明書中變得顯而易見，或者通過實施本發明而了解。本發明的目的和其他優點可通過說明書以及附圖中所特別指出的內容中來實現和獲得。