1.一种基于多尺度U‑Net的直缝埋弧焊管焊缝缺陷超声检测方法,其特征在于:包括以下步骤:(1)采用谱聚类算法将直缝埋弧焊管焊缝超声图像网格化并分配标签,得到超像素图像;
(2)计算每个超像素内所有像素点的灰度平均值,再将灰度平均值重新赋值给超像素中每个像素点,得到视觉概要图;
(3)构建改进的多尺度U‑Net模型;
(4)将得到的视觉概要图作为训练集训练改进的多尺度U‑Net模型,利用训练好的多尺度U‑Net模型对直缝埋弧焊管焊缝缺陷进行检测;
步骤(3)中,构建改进的多尺度U‑Net,该模型包含5个编码模块、4个解码模块、1个注意力机制模块、4个通道,在最后一层加入超像素的中心位置像素的坐标信息,只对中心位置所在的像素进行1×1卷积分类;改进的多尺度U‑Net包括编码模型和解码模块、池化、转置卷积、级联操作,编码模块和解码模块用于特征提取;池化用于下采样,转置卷积用于上采样,级联用于整合编码模型和对应的解码模块的特征;多尺度残差模块结构除第一个多尺度残差模块外,每经过一个多尺度残差模块,特征层的通道数加倍,空间尺寸保持不变,每经过一个2×2最大池化层,特征层的空间尺寸大小减半,通道数保持不变;1×1卷积将特征层通道数最终降为2;通道结构由若干个残差卷积块组成,由此减小编码部分特征层与解码部分特征层之间存在的语义间隔,且经过通道后的特征层空间尺寸、通道数均保持不变。
2.根据权利要求1所述的基于多尺度U‑Net的直缝埋弧焊管焊缝缺陷超声检测方法,其特征在于:步骤(1)包括以下步骤:在焊缝超声图像上选取K个初始聚类中心,其中K为原始图像的像素点个数;然后将聚类中心调节到原聚类中心周围3×3像素点中的梯度值为最小值的像素点;计算区域像素点与其聚类中心之间的混合距离,根据混合像素距离,在每个聚类中心周围像素点区域内进行聚类,得到超像素图像。
3.根据权利要求1所述的基于多尺度U‑Net的直缝埋弧焊管焊缝缺陷超声检测方法,其特征在于:步骤(3)包括以下步骤:在U‑Net的基础上构建改进的多尺度U‑Net模型,该模型包含5个编码模块、4个解码模块、1个注意力机制模块、4个通道,在最后一层加入超像素的中心位置像素的坐标信息,只对中心位置所在的像素进行1×1卷积分类。
4.根据权利要求1所述的基于多尺度U‑Net的直缝埋弧焊管焊缝缺陷超声检测方法,其特征在于:步骤(4)包括以下步骤:将得到的视觉概要图作为训练集训练改进的多尺度U‑Net模型,基于损失函数梯度,使用随机梯度下降法对改进的多尺度U‑Net的参数进行更新,以降低模型输出与标签值间残差,使模型完成训练;模型结构参数包含卷积核与池化核的维度、批处理数及神经元失活概率,训练参数包括模型学习率与训练次数;由训练好的多尺度U‑Net模型对直缝埋弧焊管焊缝缺陷进行检测。
5.根据权利要求2所述的基于多尺度U‑Net的直缝埋弧焊管焊缝缺陷超声检测方法,其特征在于:步骤(1)包括以下步骤:(1)利用四邻点加权算子 对超声图像进行平滑滤波,滤掉较为细小的噪声点;
(2)定义图像的任意2个不同的像素点pi(xi,yi)和pj(xj,yj)之间的混合距离,表示聚类像素点的相似度:其中,gi和gj为两个像素点pi和pj的像素灰度值,Cs和Cc分别为pi和pj的空间相似度和颜色相似度;
(3)设超声图像有N个像素点,选定分割的超像素个数为K1,则相邻种子点的步长近似为 S称为网格之间的间隔,则超像素大小为N/K1;
(4)按式(1)计算每个像素点与K2个种子点的混合距离,根据计算的混合距离,将与之最近的种子标签赋予该像素;
(5)将种子点相邻像素中具有相同标签的像素合并,再将合并区域内的所有像素作为新种子点重复上述过程;
(6)重复上述步骤(4)和步骤(5),不断迭代直到每个超像素的聚类中心不再发生变化为止;
(7)对于分割产生的孤立点,运用最近邻原则将其划分到相邻的超像素中。
6.根据权利要求2所述的基于多尺度U‑Net的直缝埋弧焊管焊缝缺陷超声检测方法,其特征在于:步骤(3)包括以下步骤:改进的多尺度U‑Net包括编码模型和解码模块、池化、转置卷积、级联操作,编码模块和解码模块用于特征提取,池化用于下采用,转置卷积用于上采样,级联用于整合编码模型和对应的解码模块的特征;多尺度残差模块结构除第一个多尺度残差模块外,每经过一个多尺度残差模块,特征层的通道数加倍,空间尺寸保持不变,每经过一个2×2最大池化层,特征层的空间尺寸大小减半,通道数保持不变;1×1卷积将特征层通道数最终降为2;
通道结构由若干个残差卷积块组成,由此减小编码部分特征层与解码部分特征层之间存在的语义间隔,且经过通道后的特征层空间尺寸、通道数均保持不变。