本书详细介绍了X射线底片焊缝缺陷检测和智能识别技术的基本理论，深入解析了X射线成像物理机理及焊缝缺陷特征表征方法，重点论述了工业射线底片DS级成像及焊缝缺陷数据库构建，以及涵盖X射线检测焊缝图像去噪、增强、分割的预处理技术体系和焊缝缺陷图像的分析与提取方法，详细探讨了基于神经网络的焊缝缺陷识别方法和基于深度学习的焊缝图像缺陷检测方法。书中还通过大量的焊缝缺陷检测与智能识别应用案例，展示了智能识别算法和模型的应用效果，并对其准确性、可靠性和稳定性进行了验证，展现了从缺陷检测、特征提取到智能决策的技术闭环。

更多科学出版社服务，请扫码获取。

承压设备焊接缺陷高像质数字成像应用技术研究，国家质量监督检验检疫总局科技兴检奖三等奖，2015，排名第三。

目录
前言
第1章 绪论 1
1.1 射线底片数字化成像 1
1.2 成像质量等级评定系统 4
1.3 焊缝图像预处理 4
1.4 焊缝缺陷数据集构建 7
1.5 基于深度学习的焊缝缺陷检测技术 9
1.6 智能辅助评片 13
参考文献 16
第2章 X射线底片焊缝缺陷检测和智能识别技术基本理论 23
2.1 射线底片数字化系统的质量鉴定方法 23
2.1.1 国标要求 23
2.1.2 评价工具介绍 26
2.1.3 评价工具使用 27
2.1.4 底片质量要求 31
2.2 焊缝图像预处理常用方法 34
2.2.1 图像噪声滤波 35
2.2.2 图像增强 36
2.2.3 图像形态学处理 37
2.3 射线底片数据集扩增方法 39
2.4 常见焊缝缺陷分级分类 40
2.5 传统焊缝缺陷识别方法 42
2.6 本章小结 44
参考文献 44
第3章 工业X射线底片高精度影像数字化采集系统 46
3.1 射线底片数字化硬件装置 46
3.1.1 系统总体设计方案 46
3.1.2 传动结构 51
3.1.3 暗室结构 51
3.1.4 硬件电路设计 52
3.1.5 光学密度采集电路设计 57
3.1.6 系统PCB设计 60
3.1.7 硬件物理层系统软件设计 63
3.2 高清晰成像子系统 68
3.3 PC端底片成像管理软件 73
3.3.1 软件整体功能设计 73
3.3.2 底片图像压缩功能设计 75
3.4 本章小结 77
参考文献 77
第4章 工业射线底片DS级成像及焊缝缺陷数据库构建 79
4.1 自动曝光成像效果 79
4.2 射线底片高精度黑度测量 91
4.3 工业射线底片DS级成像测试 98
4.4 DCGAN图像扩增 102
4.4.1 DCGAN图像扩增技术 102
4.4.2 DCGAN模型训练 105
4.5 射线底片焊缝缺陷标注软件系统 107
4.6 射线底片数据库构建 115
4.6.1 ADO技术 116
4.6.2 缺陷类型管理 117
4.6.3 焊缝缺陷快速识别 119
4.6.4 数据库表的设计 120
4.6.5 图像存储 125
4.7 本章小结 125
参考文献 126
第5章 X射线检测焊缝图像预处理 127
5.1 图像滤波 127
5.2 伪彩色增强 135
5.2.1 传统伪彩色增强 136
5.2.2 基于色谱映射表重构的伪彩色增强 138
5.3 图像增强 146
5.3.1 直接灰度变换 146
5.3.2 直方图均衡化增强 149
5.3.3 模糊增强 150
5.4 感兴趣区域提取 152
5.4.1 形态学图像处理 152
5.4.2 焊缝提取 155
5.5 底片图像感兴趣区域压缩 160
5.5.1 底片图像特点分析 160
5.5.2 底片图像动态阈值分割 162
5.5.3 图像压缩 166
5.6 本章小结 169
参考文献 169
第6章 射线检测焊缝缺陷图像的分析与提取 171
6.1 工业射线底片图像特征分析 171
6.1.1 数字化成像 171
6.1.2 特征分析 171
6.2 基于边缘检测的缺陷分割 172
6.2.1 Sobel算子 173
6.2.2 Roberts算子 174
6.2.3 Canny算子 175
6.2.4 Prewitt算子 176
6.2.5 LOG算子 177
6.3 基于区域检测的缺陷分割 178
6.4 数字减影法提取焊缝缺陷 178
6.4.1 理想焊缝模拟 179
6.4.2 基于数字减影处理的焊缝缺陷提取 179
6.5 缺陷的影像特征 183
6.6 特征选择 185
6.7 特征参数计算 186
6.8 本章小结 189
参考文献 189
第7章 基于人工神经网络的焊缝缺陷识别 191
7.1 人工神经网络综述 191
7.1.1 人工神经网络特征 191
7.1.2 缺陷识别的基本原理 191
7.1.3 网络模型的比较 192
7.2 基于RBF神经网络的焊缝缺陷识别 195
7.2.1 基于RBF神经网络缺陷识别的基本步骤 196
7.2.2 RBF神经网络设计函数 196
7.2.3 RBF神经网络参数确定 197
7.2.4 缺陷识别的实验结果 197
7.3 基于RBF神经网络的焊缝缺陷识别GUI设计 198
7.3.1 总体方案 199
7.3.2 窗口界面的实现 199
7.3.3 各模块的实现 201
7.4 基于BP神经网络的焊缝缺陷识别 206
7.4.1 BP神经网络实现原理 206
7.4.2 BP神经网络的设计 208
7.5 基于改进BP神经网络的焊缝缺陷识别 210
7.5.1 改进的BP神经网络 210
7.5.2 焊缝缺陷识别 212
7.6 本章小结 214
参考文献 214
第8章 基于深度学习的焊缝图像缺陷检测 216
8.1 基于Faster R-CNN算法的焊缝缺陷检测 216
8.1.1 Faster R-CNN目标检测算法 216
8.1.2 焊缝缺陷样本数据集构建 217
8.1.3 Faster R-CNN模型训练 219
8.1.4 算法模型的移植 221
8.2 基于YOLOv4算法的焊缝缺陷检测 222
8.2.1 目标检测网络模型的选择与分析 222
8.2.2 YOLOv4网络模型 224
8.2.3 焊缝缺陷网络模型优化 228
8.2.4 焊缝缺陷检测网络模型训练 230
8.2.5 定量对比实验 232
8.2.6 定性对比实验 233
8.3 基于U-Net算法的焊缝缺陷检测 235
8.3.1 分割模型确立 235
8.3.2 样本数据集构建 235
8.3.3 数据集格式转换 240
8.3.4 模型训练 242
8.3.5 结果分析 243
8.3.6 GUI设计 245
8.4 基于深度可分离卷积的焊缝缺陷检测 247
8.4.1 难点分析及解决方案 247
8.4.2 多通道信息融合模块 248
8.4.3 空间深度分离注意力机制 250
8.4.4 多尺度信息融合模块 251
8.4.5 实验结果与分析 252
8.5 本章小结 257
参考文献 257
第9章 焊缝缺陷检测与智能识别应用案例 259
9.1 DICONDE编码技术 259
9.1.1 DICONDE文件结构 259
9.1.2 DICONDE信息模块 260
9.1.3 DICONDE文件转换方案设计 261
9.1.4 DICONDE文件构建与数据写入 262
9.1.5 DICONDE文件解析与数据保存 264
9.1.6 DICONDE文件构建与解析模块测试 265
9.1.7 DICONDE文件格式转化模块测试 267
9.2 工业假片智能评判技术 267
9.2.1 相似度对比算法 267
9.2.2 相似度对比 270
9.2.3 相似度评判 275
9.2.4 标签打印 275
9.2.5 焊缝定位测试 277
9.2.6 相似度评判算法测试 277
9.2.7 相似度评判功能测试 282
9.2.8 底片图像显示及放缩功能 283
9.2.9 文件夹工业假片评判功能 283
9.2.10 假片预警及剔除功能 284
9.3 焊缝缺陷测量与评级 284
9.3.1 焊缝缺陷的测量 284
9.3.2 焊缝缺陷的评级 285
9.4 焊缝图像质量检测 288
9.4.1 图像质量判断正确率分析 288
9.4.2 底片质量的检测 290
9.4.3 系统的GUI设计与实现 291
9.4.4 数据样本测试 295
9.5 本章小结 296
参考文献 296