毕业设计-基于深度学习的焊缝图像边缘识别相似度检测系统

本文主要是介绍毕业设计-基于深度学习的焊缝图像边缘识别相似度检测系统，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

前言

课题背景和意义

实现技术思路

一、相关工作

二、系统总体功能图

三、预处理和图像增强

四、相似度辨识

五、实验

六、总结

实现效果图样例

最后

前言

📅大四是整个大学期间最忙碌的时光,一边要忙着备考或实习为毕业后面临的就业升学做准备,一边要为毕业设计耗费大量精力。近几年各个学校要求的毕设项目越来越难,有不少课题是研究生级别难度的,对本科同学来说是充满挑战。为帮助大家顺利通过和节省时间与精力投入到更重要的就业和考试中去,学长分享优质的选题经验和毕设项目与技术思路。

🚀对毕设有任何疑问都可以问学长哦!

选题指导: https://blog.csdn.net/qq_37340229/article/details/128243277

大家好,这里是海浪学长毕设专题,本次分享的课题是

🎯毕业设计-基于深度学习的焊缝图像边缘识别相似度检测系统

课题背景和意义

高压天然气输送管线和压力容器在施工制造过程中会因为焊接形成大量焊缝，焊接施工的质量好坏对工程质量非常关键。在施工过程中，通过对焊缝的质量检测和缺陷评定来判断焊接效果。由于Ｘ射线具有较强的穿透能力，有助于检查焊接部位的内部问题，在焊缝缺陷检验中使用很普遍。出于追赶工期或者掩饰质量问题等目的，有些施工单位会对同一组无缺陷的焊缝图像多次利用，生成多组重复图片，再通过重复检测，来冒充未实际送检的焊缝图像，或者掩盖有质量问题的焊缝图像。在油气行业，一般工程施工都要好几年，设备大修也会持续数个月，过程中会产生数万张甚至数十万张焊缝图像，工程高峰期间甚至需要上百名无损探伤检测及评定人员同时参与。在这种情况下，一个缺陷评定人员只能接触到很小的一部分焊缝图像，更不可能记住数月前或几年前评定过的图片。传统人工方法就难以辨别重复图片，不能有效保证施工和产品质量。近年来，基于计算机视觉的工业自动化缺陷检测方法也呈现出爆发式的增长，计算机视觉领域的分类、目标检测、分割等方法都可用于工业缺陷检测。

实现技术思路

一、相关工作

对于焊缝图像查重问题，目前相关研究尚处于理论阶段。深度学习是一种基于对数据进行表征学习的算法，相较于传统浅层学习方式，可以对所学到的特征信息进行非线性转换，从而计算出更为抽象的特性信息。卷积神经网络的网络构架更为简单清晰，在目标检测等许多领域有着相当好的应用效果。ＤＥＥＰＡＫ等试图找出各种无损检测技术检测焊接缺陷的敏感性。ＺＨＡＮＧ等提出了焊缝指纹的概念，基于改进的ＳＰＰ－ｎｅｔ深度学习模型提取焊缝特征，焊缝的这些深度学习特征被称为焊缝指纹。

利用计算机视觉技术对焊接部位图像进行检测分类，并使用背景差分法将没有缺陷的焊缝图像作为背景图像，与输入图像的所有像素点进行对比，从而确定焊缝缺陷图像的特征区域，再以缺陷的面积大小、亮度及形状等特征作为依据，对焊缝缺陷图像进行分类。在针对图像纹理特征计算时，可以运用散度来评价两处纹理特征相似度。

基于Ｋｕｌｌ－ｂａｃｋ－Ｌｅｉｂｌｅｒ（ＫＬ）散度和类分离策略的特征选择算法，可以度量类别与特征间的相关性以及特征之间的冗余性。Ｊｅｎｓｅｎ－Ｓｈａｎｎｏｎ（ＪＳ）散度是基于ＫＬ散度的变体，度量了两个概率分布的相似度，解决了ＫＬ散度非对称的问题。Ｗａｓｓｅｒｓｔｅｉｎ距离不仅给出了两个分布之间的距离，而且能够告诉我们它们具体如何不一样，即如何从一个分布转化为另一个分布。

二、系统总体功能图

企业级用户希望根据焊缝影像数据开发出一种焊缝图像相似性自动比较的算法软件，自动识别绝大部分焊缝重复图像，希望预期查重准确率达到９０％以上，运行和检测高效稳定。同时希望算法和程序兼容性好，方便与已有系统对接，交互界面直观。鉴于此，重点研究直线焊缝以及大管径管道焊缝的影像比对，算法和产品需实现如图所示的功能。

在整个系统中，待鉴别的焊缝图片在导入系统后，将先对其进行内置的预处理算法，使其符合系统的输入标准。而后进行特征提取，并将提取所得的特征与数据库中的图像特征进行比对识别，判定是否为原有焊缝图库中的重复影像。

三、预处理和图像增强

图像预处理

由于输入的焊缝图像存在图片明暗不均匀、对比度较小、边缘过曝等质量问题，且对于潜在的重复焊缝图片，造假者可能故意调整焊缝图像的拍摄角度或拍摄时的稳定度，输入的图片一般都无法直接进行有效地图像处理。

如图是一张典型的未经过预处理的焊缝图像，可以看到该图像本身无明显噪点，而存在对比度较小，焊缝主体部分未得到明显的显示等问题。

通过直接对图像进行直方图均衡化，得到的处理结果如图所示。

图显示了该图像处理前与处理后在灰度值统计直方图上的变化。可以清晰地看出，图片在经直方图均衡化后大大提高了对比度，且从灰度直方图的角度来看也获得了较好的均匀化。

图像增强

经过均衡化处理后，焊缝区域灰度值在两侧边界值已有了较明显的突变。此时，为了突出焊缝区域，需对图像进行二值化，通过这个阈值设定，将图像分为焊缝与背景。为了保证程序的运行效率，使用算法优化较好的最大类间方差法图像二值化阈值，对一组图库组图像运行结果如图所示。

从图可以看出，使用该算法在根据图像亮度自适应调节阈值的同时，获得了较好的焊缝边界，便于后续的处理。

此外，对于焊缝射线图像的拍摄，时常因为仪器位置受限、拍摄手法不佳或造假者故意为之等原因，无法得到接近水平的焊缝图像。霍夫变换是一种常用的直线检测方法，利用霍夫变换能够检测出二值化图片上的潜在直线，并以最长直线代表焊缝整体走向，以此做倾斜角度的校正。实际优化效果如图所示。

经过水平校正后的图片仍然不能用于特征提取，原因是其中与焊缝特征无关的信息过多，大部分为两侧的金属材料，因此需要准确地提取出焊缝区域用于后续的纹理特征。此时需要借助拉东变换对焊缝进行水平方向的投影，才能定位焊缝区域大致的上下边界。

四、相似度辨识

算法选择

图像预处理和增强之后，采用在计算图像局部熵的基础上进行散度计算的识别方法来评价两处纹理特征相似度，常用算法包括ＫＬ散度计算、ＪＳ散度计算和Ｗａｓｓｅｒｓｔｅｉｎ距离等。如果计算结果的散度值在阈值以下，即２个分布的差异较小，则认为该输入图片与当前图库中的某张图片重复。为了选出本工程场景下最适用的散度算法，对上述３种常用算法运用加权决策矩阵法进行评价，如表所示。

ＫＬ散度算法

ＫＬ散度是计算２个概率分布Ｐ和Ｑ差异的一种常用方法。二者之间差异越小，散度计算值越小。ＫＬ散度的离散及连续定义分别如下：

式中，Ｐ（ｘ）为目标分布，Ｑ（ｘ）为匹配分布，若两个分布完全相同，则Ｄ（ＰＱ）＝０，反之意味着Ｄ（ＰＱ）≠Ｄ（ＱＰ）。

通过上述处理后可得到一系列的纹理特征增强图像的统计分布，由于为离散分布，则可对任取两个分布Ｐ、Ｑ进行ＫＬ散度的计算。由于该相对熵的不对称性，仅凭一次计算来描述一对图片是片面的，本文采用散度和作为一组图片的描述方法，表达式如式：

功能实现

在构建焊缝影像数据库时，需要对每张图片的纹理特征结果进行保存，并按顺序每两张进行一次ＫＬ散度计算，作为文件阈值评判的标准。

对于后续测试组的图片，将所得的纹理统计分布与保存的增强图片统计分布逐一进行ＫＬ散度值的计算，如果计算结果的散度值在阈值以下，即２个分布的差异较小，则认为该输入图片与当前图库中的某张图片重复，输出该张图片的序号，并程序初步判断为造假图片，提交至人工二次审定；如果计算结果散度值超过阈值，即２个分布的差异较大，则认为该图片与当前图库中的所有图片均不重复，并且保留该次图像的增强结果，重新编号并保存进图库中。

五、实验

数据集和设置

本项目的检测系统搭建需要两部分，分别是焊缝图库的建立与焊缝图片的检测。其中程序运行所使用的图片均由企业方提供，接收到的所有焊缝图片已提前对图像拍摄时间、焊工工号、焊缝管线号等敏感标记信息做了遮盖处理，共接收成对的重复焊缝图片总计３００组。

实验结果

图为某组焊缝图片组内ＫＬ散度计算结果，可以看出特征提取效果较好的图片在与非重片计算时得到的ＫＬ散度值结果较大，进一步筛去这类图片，关注底部数据以确定重复图像判别的阈值，重新获得散点如图所示。

焊缝图片组内ＫＬ散度计算结果

筛选后焊缝图片组内ＫＬ散度计算结果

六、总结

为了解决焊缝射线探伤图像查重问题，通过算法优化和工程现场实际图像数据分析，采用滤波、二值化、边缘识别、倾斜校正、焊缝提取等大量预处理操作，构建了焊缝图像金字塔，通过相同窗口大小局部熵运算增强纹理，提取焊缝图像特征点，设计并开发出了一套基于深度学习技术的焊缝图像相似度比较的算法模块，利用该算法模块，能自动识别绝大部分焊缝重复图像，最终准确率为９２．３％，能够在很大程度上减轻图像评定工作的压力，使工作人员将更多精力放在提升工程质量等方面，而不必在焊缝图像造假检测上消耗太多时间。