本文關(guān)鍵詞：基于深度學(xué)習(xí)網(wǎng)絡(luò)的射線圖像缺陷識別方法，由筆耕文化傳播整理發(fā)布。

第３５卷第９期２０１４年９月

儀器儀表學(xué)

報

ＶｏＬ３５Ｎｏ．９Ｓｅｐ．２０１４

ＣｈｉｎｅｓｅＪｏｕｍａｌｏｆＳｃｉｅｎｔｉｆｉｃＩｎｓｔｍｍｅｎｔ

基于深度學(xué)習(xí)網(wǎng)絡(luò)的射線圖像缺陷識別方法術(shù)

余永維１’２，，殷國富１，殷鷹１，杜柳青２

（１．四川大學(xué)制造科學(xué)與工程學(xué)院成都６１００６５；２．重慶理工大學(xué)機械工程學(xué)院重慶４０００５４）

摘要：針對建立射線無損檢測智能化信息處理平臺的需要，提出一種基于深度學(xué)習(xí)網(wǎng)絡(luò)的智能識別方法。以卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為基礎(chǔ)，結(jié)合徑向基神經(jīng)網(wǎng)絡(luò)非線性映射能力，構(gòu)建一種模擬視覺感知原理的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)，并提出一種網(wǎng)絡(luò)結(jié)構(gòu)自生長方法和參數(shù)學(xué)習(xí)方法；然后在獲取注意區(qū)域的基礎(chǔ)上，模擬人類大腦深度學(xué)習(xí)的層次感知系統(tǒng)，使可疑區(qū)域的像素灰度信號直接通過深度學(xué)習(xí)層次網(wǎng)絡(luò)，通過卷積網(wǎng)絡(luò)逐層挖掘可疑缺陷區(qū)域的本質(zhì)特征；最后利用徑向基網(wǎng)絡(luò)部分實現(xiàn)對射線圖像缺陷的直接智能識別。實驗中對復(fù)雜射線圖像的缺陷識別率超過９１％，優(yōu)于傳統(tǒng)方法。實驗表明該方法有較高的準(zhǔn)確率和較好的適應(yīng)性，能夠滿足射線無損檢測智能化信息處理平臺的需要。關(guān)鍵詞：射線圖像；缺陷識別；深度學(xué)習(xí)；智能識別；神經(jīng)網(wǎng)絡(luò)中圖分類號：１１Ｐ３９１．４１

ＴＨ８７８＋．１

文獻標(biāo)識碼：Ａ

國家標(biāo)準(zhǔn)學(xué)科分類代碼：５１０．４０５０

ＤｅｆｅｃｔｒｅｃｏｇＩｌｉｔｉｏｎｆｏｒｒａｄｉｏｇｒａｐｌｌｉｃｉｍａｇｅｂａｓｅｄ

ｏｎ

ｄｅｅｐｌｅａｒＩｌｉｎｇｎｅｔｗｏｒｋ

ＹｕＹｏｎｇｗｅｉ１”，ＹｉｎＧｕｏｆｕｌ，ＹｉｎＹｉｎ９１，ＤｕＬｉｕｑｉｎ９２

（Ｊ．Ｓｃ腸ＤＺ礦＾死ｎ咖ｔｕ矗增＆記凡ｃｅｏ以Ｅ，彬ｎｅｅ而愕，Ｓ把＾∞ｎ跏覘ｒｓ渺，仇倒配６ＪＤｏ卯，吼ｉｎ。；

２．ｃ０阮鱸０，脅ｃｋｎ如越Ｅ，硒聊ｅ矗愕，‰，醐ｉ昭‰訛船蚵ｏ，‰＾加此啊，ｃｋ昭ｇｉ增４ＤＤＤ舛，吼ｉｎ口）

Ａｂｓ咖ｃｔ：Ａｉｍｉｎｇ

ａｎ

ａｔ

ｔｈｅｒｅｑｕｉｒｅｍｅｎｔｏｆｅｓｔａｂｌｉｓｈｉｎｇｉｎｔｅｌｌｉｇｅｎｔ

ｏｎ

ｉ耐油“ｏｎ

ｐｒｏｃｅｓｓｉｎｇ

ｐｌａｄ．０ｎｎｏｆ

ｏｎ

ｒａｄｉｏ聊ｈｉｃｎｏｎｄｅｓ協(xié)ｌｃｔｉｖｅｄｅｔｅｃｔｉｏｎ，

ｃｏｎｖｏｌ砸ｏｎ

ｎｅｌｌｒａｌｒｌｅｔｗｏｒｋ

ｎｅｔｗｏｒｋｓｔｍｃｔｕｒｅｗａｓｂｕｉｈ，ｗｈｉｃｈ

ａ

ｉｎｔｅｌｌｉｇｅｎｔｒｅｃ０鏟ｉｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｄｅｅｐｋａｒｒｌｉｎｇｎｅｔｗｏｒｋｗａｓｐｒｏｐｏｓｅｄ．Ｂａｓｅｄ

ｍｅｓｔｒＩｌｃｔｕｒｅｏｆｎｌｅ

明ｄｃｏｍｂｉｎｉｎｇ訪ｔｌｌｔｌｌｅｎｏｎｌｉｎｅａｒｍ�。穑椋睿纾幔猓椋欤椋簦颍铮妫簦瑁澹颍幔洌椋幔欤猓幔螅椋螅睿澹酰颍幔欤睿澹簦鳎铮颍�，ａｄｅｅｐ

ｃｏｕｌｄｓｉｍｕｌａｔｅｈｕｍａｎｖｉｓｕａｌｐｅｒｃｅｐｔｉｏｎｐｒｉｎｃｉｐｌｅ．Ａｎｄ

ａ

ｌｅ踟ｉｎｇ

ｓｅｌｆ－ｇｍ叭ｈｍｅｔｈｏｄ０ｆｎｅｔｗｏｒｋ

ｓｔｒｕｃｔｕｒｅａｎｄ

ｐａｒａｍｅｔｅｒ

ｌｅ鋤ｉｎｇ

ｓｔｒａｔｅｇ）ｒ

ａｒｅ

ｉｎ仰ｄｕｃｅｄ．Ｔｈｅｎ，ｏｎｔ１１ｅｂａｓｉｓｏｆａｃｑｕｉｒｉｎｇｔｈｅａｔｔｅｍｉｏｎ

ｒｅ矛ｏｎ，ｔｈｅ

ｈｉｅｒａｒｃｈｙｓｅｎｓｉｎｇｓｙｓｔｅｍｏｆｄｅｅｐｌｅａｍｉｎｇｏｆｈｕｍａｎｂｒａｉｎｉｓｓｉｍｕｌａ—

ｔｅｄ；ｔｌｌｅｐｉｘｅｌ伊ａｙｓｉｇｎａｌｓｏｆｔｈｅａｔｔｅｎｔｉｏｎｃｈｙｍｏｄｅｌｏｆｔｈｅｖｉｓｕａｌｐｅｒｃｅｐｔｉｏｎｓｙｓｔｅｍ．ｔｌｌｅｃｏｎｖｏｌｕｔｉｏｎｎｅｔｗｏｒｋ．Ｆｉｎａｌｌｙ，ｔｈｅ

ｒｅ矛ｏｎｄｉｒｅｃｔｌｙｐａｓｓｔｈｒｏｕｇｈｔｈｅｒｅｃｏｇｎｉｔｉｏｎｎｅｔｗｏｒｋ，ｗｈｉｃｈｓｉｍｕｌａｔｅｓｔｈｅｄｅｅｐ１ｅａｍｉｎｇ

ｈｉｅｒ廿

Ｓｏｔｈｅｉｎｔｅｍａｌ

ｃｈ撇ｔｅｒｉｓｔｉｃｏｆｔｈｅｓｕｓｐｉｃｉｏｕｓｄｅｆｅｃｔｒｅ舀ｏｎｉｓｅｘｔｒａｃｔｅｄｌａｙｅｒｂｙｌａｙｅｒｔｈｒｏｕｇｈ

ｍｅｅｔ

ｉｎｔｅｌｌ嚕ｅｎｔｒｅｃｏｇｎｉｔｉｏｎｏｆｔｈｅｄｅｆｅｃｔｓｉｎｔｈｅｒａｄｉｏｇｒ�。瑁椋悖椋恚幔纾澹螅椋螅幔悖瑁椋澹觯澹洌簦瑁颍铮酰纾瑁簦瑁澹颍幔洌椋幔欤猓幔螅椋�

ｎｅｔｗｏｒｋ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔｓｓｈｏｗｔｈ砒ｔｈｅｒｅｃｏｇｎｉｔｉｏｎｒａｔｅｏｆｔ１１ｅｄｅｆｅｃｔｓｉｎｃｏｍｐｌｅｘｒａｄｉｏｇｒａｐｈｉｃｉｍａｇｅｉｓａｂｏｖｅ９１％，ｗｈｉｃｈｉｓｓｕｐｅｒｉｏｒｔｏｔ｝ｌａｔ０ｆｔｒａｄｉｔｉｏｎａｌｍｅｔｈｏｄｓ．ＳｏｔＩｌｉｓｍｅｔｌｌｏｄｈａｓｈｉｇｈｅｒａｃｃｕｒａｃｙａＩｌｄｂｅｔｔｅｒａｄ叩ｔａｂｉｌｉｔｙ，ｗｈｉｃｈ

ｃａｎ

ｔｈｅｒｅｑｕｉｒｅｍｅｎｔｓｏｆｔｈｅｉｎｔｅｌｌｉｇｅｍ

ｉｎｆｏ珊ａｔｉｏｎ

ｐｒｏｃｅｓｓｉｎｇ

ｐｌａⅡｂｍ

ｏｆ

ｒａｄｉｏｇｒａｐｈｉｃ

ｎｏｎｄｅｓｔｍｃｔｉｖｅｄｅｔｅｃｔｉｏｎ．

Ｋｅｙｗｏｒｄｓ：ｒａｄｉｏｇｒａｐｈｉｃｉｍａｇｅ；ｄｅｆｅｃｔｒｅｃｏ�。椋簦椋铮�；ｄｅｅｐｌｅａｍｉｎｇ；ｉｎｔｅｌｌｉｇｅｎｔ

ｒｅｃｏｇｌｌｉｔｉｏｎ；ｎｅｕｒａｌ

ｎｅｔｗｏｒｋ

內(nèi)外學(xué)者對此作了不少的研究，最近的成果如申清明等

１

引言

人定義５個邊緣特征及３個區(qū)域特征構(gòu)成支持向量機的輸入向量，采用直接多類支持向量機方法來分類射線圖像焊接缺陷‘１｜；Ｌｉｍ

Ｔ

用機器視覺進行射線無損檢測是當(dāng)前國內(nèi)外研究的熱點，其最關(guān)鍵技術(shù)和最終目的在于射線圖像識別。國收稿日期：２０１４講

Ｒｅｃｅｉｖｅｄ

Ｙ等人對２５個用于分類的形狀描

述符進行篩選，確定９個描述符，用３層感知器神經(jīng)網(wǎng)絡(luò)

Ｄａｔｅ：２０１４舭

�；痦椖浚褐貞c市基礎(chǔ)與前沿研究計劃基金（ｃ８ｔｃ２０１３ｊｃｙｊＡ７０００９）、國家自然科學(xué)基金青年基金（５１０７５４１９）資助項目

  本文關(guān)鍵詞：基于深度學(xué)習(xí)網(wǎng)絡(luò)的射線圖像缺陷識別方法，由筆耕文化傳播整理發(fā)布。