1.一种基于深度学习的焊缝底片造假的自动检测方法,其特征在于:包括如下步骤:S1:将X射线胶质底片扫描成数字化焊缝底片图像;
S2:筛选一批200张以上的焊缝底片图像,该批焊缝底片图像中应包含所有待检测焊缝底片中可能出现的所有字符;
S3:采用拉东变换对该批焊缝底片图像进行分割,得到多个字符小图像,完成训练字符集的制作;
S4:采用LeNet‑5卷积神经网络对训练字符集进行深度学习的训练、学习,得到焊缝字符识别模型;
S5:建立数据库,用于保存新提交焊缝底片图像的焊缝图像特征和焊缝字符串;
S6:采用拉东变换对新提交的焊缝底片图像进行分割,得到新提交的焊缝底片图像的多个字符小图像;
S7:将S6中的字符小图像输入焊缝字符识别模型,识别提取出新提交焊缝底片图像的焊缝字符串;
S8:将S7中提取的焊缝字符串与数据库中保存的焊缝字符串进行比对,比对处理结果为:若结果不匹配,将新提交焊缝底片图像的焊缝字符串保存在数据库中;若结果匹配,则报警,检测出标记相同的焊缝底片;
S9:对新提交的焊缝底片图像进行图像分割、缩放,得到多个焊缝小图像;
S10:采用改进的VGGNet‑16网络对S9中的焊缝小图像进行深度学习特征提取,将从每个焊缝小图像中提取的特征顺序合并在一起,得到整条焊缝图像的特征,并与保存在数据库中的焊缝图像特征进行比对,比对结果处理为:若结果不匹配,将新提交焊缝底片图像及提取出的焊缝特征保存在数据库中,若结果匹配,则报警,检测出焊缝相同的焊缝底片。
2.根据权利要求1所述的基于深度学习的焊缝底片造假的自动检测方法,其特征在于:VGGNet‑16卷积神经网络由五个卷积层组和三个全连接层组成,所述LeNet‑5卷积神经网络由两个卷积层、两个池化层、一个全连接层和一个softmax层组成。
3.根据权利要求1所述的基于深度学习的焊缝底片造假的自动检测方法,其特征在于:采用拉东变换对焊缝底片图像进行分割的具体步骤为:
步骤a.对焊缝底片图像进行对比度拉伸处理;
步骤b.对焊缝底片图像采用OTSU算法进行二值化处理;
步骤c.采用拉东变换自动把焊缝底片图像中所有字符、标记分割出来,得到多个字符小图像。
4.如权利要求3所述的基于深度学习的焊缝底片造假的自动检测方法,其特征在于:进行所述步骤c后对分割出来的焊缝字符小图像采用数学形态学算法进行处理。
5.如权利要求4所述的基于深度学习的焊缝底片造假的自动检测方法,其特征在于:对采用形态学算法处理后的焊缝字符小图像旋转处理,得到多个字符小图像。
6.如权利要求1所述的基于深度学习的焊缝底片造假的自动检测方法,其特征在于:所述S7具体包括如下步骤:将S6中的字符小图像输入字符识别模型,识别出字符小图像对应的字符,把识别出的字符按顺序进行组合分类,得到一个字符串,即新提交的焊缝底片图像的焊缝字符。
7.如权利要求1所述的基于深度学习的焊缝底片造假的自动检测方法,其特征在于:所述S9具体包括如下步骤:S91.对新提交的焊缝底片图像进行对比度拉伸处理;
S92.对处理后的焊缝底片图像采用拉东变换分割成多个焊缝小图像;
S93.对分割后的焊缝小图像进行图像缩放,统一焊缝小图像的大小;
S94.对缩放后的焊缝小图像进行负片处理。