买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西南石油大学申请的专利一种基于深度学习的X射线图像焊缝缺陷检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116894825B 。

龙图腾网通过国家知识产权局官网在2025-10-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310877840.5，技术领域涉及：G06T7/00；该发明授权一种基于深度学习的X射线图像焊缝缺陷检测方法是由罗仁泽;王磊;吴涛;刘恒;林泓宇;雷璨如;武娟;易玺;廖波;曹瑞;赵丹设计研发完成，并于2023-07-18向国家知识产权局提交的专利申请。

本一种基于深度学习的X射线图像焊缝缺陷检测方法在说明书摘要公布了：本发明所提供的一种基于深度学习的X射线图像焊缝缺陷检测方法，利用FasterRCNN网络对X射线图像进行焊缝缺陷检测，相较于传统FasterRCNN，本发明改进了主干网络的ResNet50模块，在Bottleneck中最后一个卷积层后面增加了gi信息增益模块，提升特征提取能力，同时，对RPN网络中的预设锚框生成比例进行修改，使用K‑Means++算法对待检测的目标长宽比例进行聚类，得到更符合当前检测数据集的缺陷特征长宽比例分布，提升缺陷检测效果。

本发明授权一种基于深度学习的X射线图像焊缝缺陷检测方法在权利要求书中公布了：1.一种基于深度学习的X射线图像焊缝缺陷检测方法，其特征在于包括以下步骤： 步骤一：制作训练和测试用的数据集X，具体步骤如下： 1对焊缝图像数据进行裁剪处理，原始焊缝图像大小为w×h，其中wh，w和h的取值范围均为正整数，利用滑动窗口对每一张焊缝图像进行裁剪，滑动窗口步长为S，S∈0，h，同时对原始焊缝缺陷标注信息进行映射，得到裁剪后图像的缺陷标注信息，最终得到一组大小均为h*h的焊缝图像数据集D； 2对数据集D中的数据进行划分，按照a：b：c比例将数据集D随机划分为训练集D1、验证集D2和测试集D3，其中a、b、c均为正整数，且a+b+c＝10，D1、D2和D3共同组成数据集X； 步骤二：构建改进的FasterRCNN网络模型，具体步骤如下： 1将X作为网络的输入，输入到FasterRCNN网络模型中； 2将数据输入改进残差网络ResNet50模型中进行特征提取，改进的ResNet50由不同数量的Bottleneck模块构成，Bottleneck是网络中基础模块组成单元，结构为inplanes为输入通道数，planes为输出通道数，改进的ResNet50第一部分为3个Bottleneck，第二部分为4个Bottleneck，第三部分为6个Bottleneck，第四部分为3个Bottleneck，四个部分输出的多尺度特征分别记为C2、C3、C4、C5，其中，改进的ResNet50网络具体实现方式如下： 改进ResNet50网络由五个卷积层构成：第一卷积层包含一个[7x7，64]， stride＝2的卷积和[3x3]，stride＝2的最大池化；第二卷积层内部为三个Bottleneck为网络结构，其中gi是globalinfoblock的缩写，是一种全局信息增益模块；第三卷积层内部为四个Bottleneck为网络结构；第四卷积层内部为六个Bottleneck为网络结构；第五卷积层内部为三个Bottleneck为网络结构； 其中，gi模块，记为G的计算公式为： 其中，x表示不同Bottleneck模块的输入，gpx表示对输入x进行通道调整分组后的特征图，计算方法为gpx＝Rx，记b、c、h、w分别为批次数、通道数、高度和宽度，g为分组大小，g取正整数，R·表示调整输入形状为[b×g,cg，h,w]，R1表示调整输出形状为[b×g,h×w,1]，R2表示调整输出形状为[b×g,cg,h×w]，R3表示调整输出形状为[b×g,1,cg]，R4表示调整输出形状为[b×g,cg,h×w]，R5表示调整输出形状为[b×g,1,h,w]，R6表示调整输出形状为[b,c,h,w]，表示输入通道数为cg，输出通道数为1的1×1卷积，表示输入和输出通道数均为cg的1×1卷积，表示输入通道数为3×cg，输出通道数为cg的1×1卷积，表示输入通道和输出通道均为cg的3×3卷积，表示输入通道和输出通道均为cg，dilation和padding均为2的3×3卷积，表示输入通道和输出通道均为cg，dilation和padding均为3的3×3卷积，softmax和sigmoid分别表示两种激活函数，上述符号表示整除操作； 3将2中得到的多尺度特征C2、C3、C4、C5作为输入，输入到特征金字塔网络FPN中进行多尺度特征融合，充分利用不同尺度特征信息，输出一组融合后的多尺度特征，记为P2、P3、P4、P5、P6，其中P2、P3、P4、P5、P6分别由C2、C3、C4、C5产生的特征图及上采样操作进行特征拼接产生，P6在P5的基础上进行一次降采样产生，公式如下： 其中，i表示特征图索引，i为整数，i∈[2,6]，Ci表示输入FPN中的第i层的多尺度特征输出，C′i+1表示FPN中i+1层对应的输出，Ci-1表示FPN中i-1层对应的输入，Upsample和Downsample分别表示2倍上采样和2倍降采样，Conv1×1和Conv3×3分别表示卷积核为1×1和3×3的两种卷积，Add表示逐元素相加操作； 4将得到的多尺度特征图作为输入，构建区域推荐网络层，产生区域候选建议，通过Softmax判断建议框输入正样本或负样本，利用边框回归来获得精确的检测框，具体地，区域推荐网络层包含前、后背景分类分支和边框回归分支，在分类支路中，对特征图每个位置是否存在缺陷进行判断，不含缺陷标记为负例，包含缺陷标记为正例，在回归分支中，使用一组新的锚框比例来替换原来的生成锚框的比例，新锚框比例使用K-Means++算法生成，根据基础锚框对存在缺陷位置的中心点坐标、宽和高的偏移量进行计算来对存在缺陷位置的锚框进行修正，综合两个分支中的结果得到区域建议，其中，K-Means++算法进行锚框比例聚类的具体步骤为： ①将所有目标标注的锚框按照IOU距离进行分组，即将相似的锚框放在同一组中； IOU距离计算公式为： 其中，X、Y分别表示目标标注信息中的两个目标框，Area表示取面积操作，∩为取交集操作，∪为取并集操作，IOUX,Y表示计算X和Y的IOU距离； ②从每一组中随机选择一个锚框作为该组的质心； ③对于每个锚框，计算其到所有质心的距离，选择距离最近的质心所在的组，并将该锚框加入该组中； ④重复②和③，直到所有锚框都被分到一个组中； ⑤计算每个组中所有锚框的比例，以此作为目标标注的锚框比例； 5将融合后的多尺度特征图和检测框输入到ROIPooling层，根据步骤三得到的正例、负例和位置偏移信息，提取出相应的特征图提取出特征，得到对应的特征图并将输出调整为统一的大小，其中，特征提取时选取特征图的公式为： 其中，m为特征图的编号，取值范围为正整数，m0为初始特征图编号，取值范围为正整数，h和w分别为偏移后的高和宽，取值范围均为正整数，T为常量，取值范围为正数，表示向下取整操作； 6将经过ROIPooling层后得到的特征图作为输入，送入由两个全连接层构成的分类、回归层，其中一个全连接层对缺陷的类别进行分类，另一个全连接层对缺陷的位置进行回归，从而得到缺陷的类别和位置，最终产生一个带有缺陷种类和置信度的检测框； 步骤三：使用误差反向传播对改进的FasterRCNN网络模型中的参数进行优化更新，并保存所有训练轮次中FasterRCNN模型检测结果中mAP值最高的网络参数P，具体步骤如下： 1采用误差反向传播，使用交叉熵损失函数来衡量分类模型损失，使用L1损失来回归边框位置，两种损失函数的联合损失函数公式为： L＝-∑y*logp+1-y*log1-p+λ∑|pb-gt| 其中，L表示联合损失函数值，y是真实类别标签，p是预测的类别的概率，pb表示预测的边框坐标，gt表示真实的边框坐标，|·|表示取绝对值，λ用于平衡两个损失项的权重，λ∑|pb-gt|表示L1损失函数； 2通过训练样本X的每次训练，使用随机梯度下降函数SGD使得损失值L在改进的网络模型中进行反向传播，使得FasterRCNN第i轮训练的模型参数Pi向负梯度方向进行随机变化，进而优化网络，使用SGD更新模型参数的计算公式如下： 其中，Pi代表FasterRCNN第i轮训练的模型参数，Pi-1代表FasterRCNN第i-1轮训练的模型参数，η代表SGD的优化步长，η∈0，1，代表训练损失L对FasterRCNN第i-1轮训练的模型参数Pi-1进行求导； 3计算模型的均值平均精度mAP，计算公式为： 其中，mAP表示均值平均精度，N表示类别数量，AP表示均值平均精度，计算公式为： 其中，PR表示精确率相对召回率的曲线，实际中AP值取一定数量的等间距召回率区间下的最大精确率的平均值，精确率的公式为： 其中，P为精确率，TP为预测是正例、实际也是正例的样本数量，FP为预测是正例、实际是负例的样本数量； 4将模型中mAP值最高的权重模型作为最终训练得到的权重模型P保存； 步骤四：使用步骤三中保存P作为FasterRCNN模型的网络参数，将此时输入训练后的模型参数P的模型作为训练进行测试，测试阶段需要对模型最后一层输出的预测边框进行后处理，去除检测中生成的不符合要求的边框，处理方法为：去除坐标超过图像边界的边框，对余下的边框按类别进行细分，同一个类别的边框按照分类得到的评分进行排序，去除评分低并且与评分高的边框的交并比超过k的边框，k的取值范围为0,1，余下的边框作为最终的预测结果对缺陷位置和缺陷类别两方面进行预测，最终的得到带有缺陷位置和缺陷类型的缺陷检测结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西南石油大学，其通讯地址为：610500 四川省成都市新都区新都大道8号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。