基于深度学习的X射线工业检测缺陷识别方法及系统

基于深度学习的x射线工业检测缺陷识别方法及系统
技术领域
1.本技术涉及无损检测技术领域，具体是基于深度学习的x射线工业检测缺陷识别方法及系统。


背景技术：

2.射线检测是常规无损检测的重要方法之一，广泛应用于航空、航天、核电、国防以及其它工业部门，在工业生产和国民经济中发挥了重要作用。目前，在生产实际中，射线检测普遍使用胶片照相法。x射线胶片照相的成像质量较高，能正确提供被测试件缺陷真实情况的可靠信息，但是，它具有操作过程复杂、运行成本高、结果不易保存且查询携带不便以及评片人员眼睛易受强光损伤等缺点。然而，由于射线源、工件、成像系统、成像工艺等多因素的影响，得到的图像的质量有时会达不到规定的质量标准，导致图像细节信息被掩盖，对于检测效率以及质量均会造成较大的影响。
3.因此，亟需一种可靠性高、操作便捷、结果准确度高的工业检测缺陷识别技术。


技术实现要素：

4.本技术的目的在于提供一种基于深度学习的x射线工业检测缺陷识别方法及系统，以解决上述背景技术中提出技术问题。
5.为实现上述目的，本技术公开了以下技术方案：
6.在第一方面，提供了一种基于深度学习的x射线工业检测缺陷识别方法，该方法包括以下步骤：
7.步骤1：采用x射线机对待检件进行全局扫描，获取全局图像；
8.步骤2：将获取到的全局图像与缺陷模型数据库中的缺陷数据进行比对，获取缺陷区域；
9.步骤3：采用x射线机对缺陷区域进行局部放大扫描，获取局部图像；
10.步骤4：对获取到的局部图像进行缺陷特征提取，并将提取结果与缺陷模型数据库中的缺陷数据进行比对，获取比对结果；
11.步骤5：基于获取到的比对结果和预设的缺陷评价策略，获取待检件的缺陷分析结果，所述缺陷分析结果包括缺陷位置信息、缺陷形状信息、缺陷尺寸信息中的至少一种；
12.步骤6：将具有缺陷的待检件的全局图像缺陷图像作为深度神经网络模型的输入层训练样本进行深度学习，并将深度学习结果输入所述缺陷模型数据库。
13.在一种实施方式中，在所述步骤1中，将所述全局扫描的初始位置定义为扫描基准位置，在所述步骤3中，基于所述缺陷区域的位置，以所述扫描基准位置为基准，移动到与所述缺陷区域之间具有位置差-δl和位置差+δl的位置处进行局部放大扫描，并将扫描的结果作为所述局部图像，其中，以与所述述缺陷区域之间具有位置差-δl的位置作为局部放大扫描的起始位置，以与所述述缺陷区域之间具有位置差+δl的位置作为局部放大扫描的结束位置。
14.在一种实施方式中，所述位置差-δl和所述位置差+δl均为沿着起始位置与所述扫描基准位置在水平方向上预设的距离差。
15.在一种实施方式中，所述步骤2还包括：
16.对所述缺陷区域进行轮廓提取，获得边界轮廓p1；
17.以边界轮廓p1的中心点为原点，按照预设的放大比例ρ对所述边界轮廓p1进行等比例放大，得到覆盖所述边界轮廓p1的边界轮廓p2，按照直线扫描的方式以与该边界轮廓p2相切的矩形作为成像区域，其中，该成像区域对应的矩形的第一个被扫描的边界与直线扫描的路径相垂直。
18.在一种实施方式中，在所述步骤4中，所述的获取到的局部图像进行缺陷特征提取具体包括以下步骤：
19.基于缺陷模型数据库中的缺陷特征元素对所述局部图像中的缺陷区域进行识别；
20.对识别出的缺陷区域进行边界获取，得到缺陷边界轮廓p3；
21.基于缺陷模型数据库中的缺陷特征元素对对所述缺陷边界轮廓p3的内部区域进行缺陷特征相似度比较，将比较获取的相似度结果β与所述缺陷模型数据库中的缺陷特征元素相似度阈值γ进行比对，当β≥γ时，将被提取到的缺陷特征标记为在所述缺陷模型数据库中被比对到的缺陷特征元素。
22.在一种实施方式中，所述相似度至少包括区域明暗的相似度和边界轮廓形状的相似度。
23.在第二方面，本技术公开了一种基于深度学习的x射线工业检测缺陷识别系统，包括x射线机、载物台、数据处理中心；
24.所述x射线机配置为用于对待检件进行x射线扫描，其拍摄端朝向所述载物台设置；其中，所述x射线机对待检件进行全局扫描后获取的结果为全局图像，所述x射线机对待检件进行的局部放大扫描获取的结果为局部图像；
25.所述载物台配置为用于放置待检件，所述x射线机与所述载物台之间至少能够沿着一个直线方向进行相对移动；
26.所述数据处理中心包括处理器、图像比对模块、缺陷模型数据库、缺陷评价模块；其中，所述缺陷模型数据库配置为存储缺陷模型数据，所述缺陷模型数据通过深度学习得到；所述图像比对模块配置为用于将获取到的全局图像与缺陷模型数据库中的缺陷数据进行比对，获取缺陷区域，所述局部图像通过所述x射线机对所述缺陷区域扫描后获取；所述图像比对模块还配置为对获取到的局部图像进行缺陷特征提取，并将提取结果与缺陷模型数据库中的缺陷数据进行比对，获取比对结果；所述缺陷评价模块配置为基于获取到的比对结果和预设的缺陷评价策略，获取待检件的缺陷分析结果，所述缺陷分析结果包括缺陷位置信息、缺陷形状信息、缺陷尺寸信息中的至少一种；所述缺陷模型数据库还配置为将具有缺陷的待检件的全局图像缺陷图像作为深度神经网络模型的输入层训练样本进行深度学习，并将深度学习结果输入所述缺陷模型数据库。
27.在一种实施方式中，所述x射线机将所述全局扫描的初始位置定义为扫描基准位置，并在进行局部放大扫描时，基于所述缺陷区域的位置，以所述扫描基准位置为基准，移动到与所述缺陷区域之间具有位置差-δl和位置差+δl的位置处进行局部放大扫描，并将扫描的结果作为所述局部图像，其中，以与所述述缺陷区域之间具有位置差-δl的位置作
为局部放大扫描的起始位置，以与所述述缺陷区域之间具有位置差+δl的位置作为局部放大扫描的结束位置。
28.在一种实施方式中，所述处理器配置为控制所述图像比对模块确定所述缺陷区域和确定所述x射线机进行局部放大扫描的轮廓；具体包括：
29.对所述缺陷区域进行轮廓提取，获得边界轮廓p1；
30.以边界轮廓p1的中心点为原点，按照预设的放大比例ρ对所述边界轮廓p1进行等比例放大，得到覆盖所述边界轮廓p1的边界轮廓p2，按照直线扫描的方式以与该边界轮廓p2相切的矩形作为成像区域，其中，该成像区域对应的矩形的第一个被扫描的边界与直线扫描的路径相垂直。
31.在一种实施方式中，所述图像比对模块进行缺陷特征提取具体包括以下步骤：
32.基于缺陷模型数据库中的缺陷特征元素对所述局部图像中的缺陷区域进行识别；
33.对识别出的缺陷区域进行边界获取，得到缺陷边界轮廓p3；
34.基于缺陷模型数据库中的缺陷特征元素对对所述缺陷边界轮廓p3的内部区域进行缺陷特征相似度比较，将比较获取的相似度结果β与所述缺陷模型数据库中的缺陷特征元素相似度阈值γ进行比对，当β≥γ时，将被提取到的缺陷特征标记为在所述缺陷模型数据库中被比对到的缺陷特征元素。
35.有益效果：本技术的基于深度学习的x射线工业检测缺陷识别方法及系统，通过对全局图像进行缺陷区域分析，获取待检件上可能存在缺陷的区域(缺陷区域)，然后，通过局部放大扫描的方式，对缺陷区域进行放大扫描，从而获取缺陷区域处清晰化、细节化的x射线图像采集结果(局部图像)，然后基于深度学习获取的缺陷特征元素与局部图像中缺陷特征的提取进行比对，得到清楚、完整以及明确位置的缺陷，具有检测效率高、缺陷指向性高以及准确性高的效果。
附图说明
36.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅是本技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
37.图1为本技术实施例中基于深度学习的x射线工业检测缺陷识别方法的流程框图；
38.图2为本技术实施例中例举的局部放大扫描示意图；
39.图3为本技术实施例中例举的一种边界轮廓示意图。
40.图4为本技术实施例中基于深度学习的x射线工业检测缺陷识别系统的结构框图。
具体实施方式
41.下面将对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
42.在本文中，术语“包括”意在涵盖非排他性的包含，从而使得包括一系列要素的过
程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
43.本实施例在第一方面公开了一种基于深度学习的x射线工业检测缺陷识别方法，如图1所示，该方法包括以下步骤：
44.步骤1：采用x射线机对待检件进行全局扫描，获取全局图像；
45.步骤2：将获取到的全局图像与缺陷模型数据库中的缺陷数据进行比对，获取缺陷区域；
46.步骤3：采用x射线机对缺陷区域进行局部放大扫描，获取局部图像；
47.步骤4：对获取到的局部图像进行缺陷特征提取，并将提取结果与缺陷模型数据库中的缺陷数据进行比对，获取比对结果；
48.步骤5：基于获取到的比对结果和预设的缺陷评价策略，获取待检件的缺陷分析结果，所述缺陷分析结果包括缺陷位置信息、缺陷形状信息、缺陷尺寸信息中的至少一种；
49.步骤6：将具有缺陷的待检件的全局图像缺陷图像作为深度神经网络模型的输入层训练样本进行深度学习，并将深度学习结果输入所述缺陷模型数据库。
50.其中，在所述步骤2中，将所述全局扫描的初始位置定义为扫描基准位置，在所述步骤3中，如图2所示，基于所述缺陷区域的位置，以所述扫描基准位置为基准，移动到与所述缺陷区域之间具有位置差-δl和位置差+δl的位置处进行局部放大扫描，并将扫描的结果作为所述局部图像，其中，以与所述述缺陷区域之间具有位置差-δl的位置作为局部放大扫描的起始位置，以与所述述缺陷区域之间具有位置差+δl的位置作为局部放大扫描的结束位置。在本实施例中，所述位置差-δl和所述位置差+δl均为沿着起始位置与所述扫描基准位置在水平方向上预设的距离差。
51.优选地是，所述步骤2还包括：
52.对所述缺陷区域进行轮廓提取，获得边界轮廓p1；
53.以边界轮廓p1的中心点为原点，按照预设的放大比例ρ对所述边界轮廓p1进行等比例放大，得到覆盖所述边界轮廓p1的边界轮廓p2，按照直线扫描的方式以与该边界轮廓p2相切的矩形作为成像区域，其中，该成像区域对应的矩形的第一个被扫描的边界与直线扫描的路径相垂直，在本实施例中，边界轮廓p2的确定如图3所示。
54.优选地是，在所述步骤4中，所述的获取到的局部图像进行缺陷特征提取具体包括以下步骤：
55.基于缺陷模型数据库中的缺陷特征元素对所述局部图像中的缺陷区域进行识别；
56.对识别出的缺陷区域进行边界获取，得到缺陷边界轮廓p3；
57.基于缺陷模型数据库中的缺陷特征元素对对所述缺陷边界轮廓p3的内部区域进行缺陷特征相似度比较，将比较获取的相似度结果β与所述缺陷模型数据库中的缺陷特征元素相似度阈值γ进行比对，当β≥γ时，将被提取到的缺陷特征标记为在所述缺陷模型数据库中被比对到的缺陷特征元素。在本实施例中，所述相似度至少包括区域明暗的相似度和边界轮廓形状的相似度。
58.在第二方面，本实施例公开了如图4所示的适用于上述的基于深度学习的x射线工
业检测缺陷识别方法的基于深度学习的x射线工业检测缺陷识别系统，包括x射线机、载物台、数据处理中心。
59.具体的，所述x射线机配置为用于对待检件进行x射线扫描，其拍摄端朝向所述载物台设置；其中，所述x射线机对待检件进行全局扫描后获取的结果为全局图像，所述x射线机对待检件进行的局部放大扫描获取的结果为局部图像。
60.具体的，所述载物台配置为用于放置待检件，所述x射线机与所述载物台之间至少能够沿着一个直线方向进行相对移动。可行的是，x射线机安装在升降平移工装上，该升降平移工装能够带动x射线机进行平移或升降，从而满足图像采集需求，确保对待检件进行全局扫描或局部放大扫描。
61.具体的，所述数据处理中心包括处理器、图像比对模块、缺陷模型数据库、缺陷评价模块。其中，所述缺陷模型数据库配置为存储缺陷模型数据，所述缺陷模型数据通过深度学习得到；所述图像比对模块配置为用于将获取到的全局图像与缺陷模型数据库中的缺陷数据进行比对，获取缺陷区域，所述局部图像通过所述x射线机对所述缺陷区域扫描后获取；所述图像比对模块还配置为对获取到的局部图像进行缺陷特征提取，并将提取结果与缺陷模型数据库中的缺陷数据进行比对，获取比对结果；所述缺陷评价模块配置为基于获取到的比对结果和预设的缺陷评价策略，获取待检件的缺陷分析结果，所述缺陷分析结果包括缺陷位置信息、缺陷形状信息、缺陷尺寸信息中的至少一种；所述缺陷模型数据库还配置为将具有缺陷的待检件的全局图像缺陷图像作为深度神经网络模型的输入层训练样本进行深度学习，并将深度学习结果输入所述缺陷模型数据库。
62.进一步地优选地，所述x射线机将所述全局扫描的初始位置定义为扫描基准位置，并在进行局部放大扫描时，基于所述缺陷区域的位置，以所述扫描基准位置为基准，移动到与所述缺陷区域之间具有位置差-δl和位置差+δl的位置处进行局部放大扫描，并将扫描的结果作为所述局部图像，其中，以与所述述缺陷区域之间具有位置差-δl的位置作为局部放大扫描的起始位置，以与所述述缺陷区域之间具有位置差+δl的位置作为局部放大扫描的结束位置。
63.进一步的优选地，所述处理器配置为控制所述图像比对模块确定所述缺陷区域和确定所述x射线机进行局部放大扫描的轮廓；具体包括：
64.对所述缺陷区域进行轮廓提取，获得边界轮廓p1；
65.以边界轮廓p1的中心点为原点，按照预设的放大比例ρ对所述边界轮廓p1进行等比例放大，得到覆盖所述边界轮廓p1的边界轮廓p2，按照直线扫描的方式以与该边界轮廓p2相切的矩形作为成像区域，其中，该成像区域对应的矩形的第一个被扫描的边界与直线扫描的路径相垂直。
66.进一步的优选地，所述图像比对模块进行缺陷特征提取具体包括以下步骤：
67.基于缺陷模型数据库中的缺陷特征元素对所述局部图像中的缺陷区域进行识别；
68.对识别出的缺陷区域进行边界获取，得到缺陷边界轮廓p3；
69.基于缺陷模型数据库中的缺陷特征元素对对所述缺陷边界轮廓p3的内部区域进行缺陷特征相似度比较，将比较获取的相似度结果β与所述缺陷模型数据库中的缺陷特征元素相似度阈值γ进行比对，当β≥γ时，将被提取到的缺陷特征标记为在所述缺陷模型数据库中被比对到的缺陷特征元素。
70.借由上述的基于深度学习的x射线工业检测缺陷识别方法及系统，通过对全局图像进行缺陷区域分析，获取待检件上可能存在缺陷的区域(缺陷区域)，然后，通过局部放大扫描的方式，对缺陷区域进行放大扫描，从而获取缺陷区域处清晰化、细节化的x射线图像采集结果(局部图像)，然后基于深度学习获取的缺陷特征元素与局部图像中缺陷特征的提取进行比对，得到清楚、完整以及明确位置的缺陷，具有检测效率高、缺陷指向性高以及准确性高的效果。
71.在本技术所提供的实施例中，应该理解到，可以以硬件、软件、固件、中间件、代码或其任何恰当组合来实现这里描述的实施例。对于硬件实现，处理器可以在一个或多个下列单元中实现：专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、处理器、控制器、微控制器、微处理器、设计用于实现这里所描述功能的其他电子单元或其组合。对于软件实现，实施例的部分或全部流程可以通过计算机程序来指令相关的硬件来完成。实现时，可以将上述程序存储在计算机可读介质中或作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的任何可用介质。计算机可读介质可以包括但不限于ram、rom、eeprom、cd-rom或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。
72.最后应说明的是：以上所述仅为本技术的优选实施例而已，并不用于限制本技术，尽管参照前述实施例对本技术进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。

技术特征：
1.一种基于深度学习的x射线工业检测缺陷识别方法，其特征在于，该方法包括以下步骤：步骤1：采用x射线机对待检件进行全局扫描，获取全局图像；步骤2：将获取到的全局图像与缺陷模型数据库中的缺陷数据进行比对，获取缺陷区域；步骤3：采用x射线机对缺陷区域进行局部放大扫描，获取局部图像；步骤4：对获取到的局部图像进行缺陷特征提取，并将提取结果与缺陷模型数据库中的缺陷数据进行比对，获取比对结果；步骤5：基于获取到的比对结果和预设的缺陷评价策略，获取待检件的缺陷分析结果，所述缺陷分析结果包括缺陷位置信息、缺陷形状信息、缺陷尺寸信息中的至少一种；步骤6：将具有缺陷的待检件的全局图像缺陷图像作为深度神经网络模型的输入层训练样本进行深度学习，并将深度学习结果输入所述缺陷模型数据库。2.根据权利要求1所述的基于深度学习的x射线工业检测缺陷识别方法，其特征在于，在所述步骤1中，将所述全局扫描的初始位置定义为扫描基准位置，在所述步骤3中，基于所述缺陷区域的位置，以所述扫描基准位置为基准，移动到与所述缺陷区域之间具有位置差-δl和位置差+δl的位置处进行局部放大扫描，并将扫描的结果作为所述局部图像，其中，以与所述述缺陷区域之间具有位置差-δl的位置作为局部放大扫描的起始位置，以与所述述缺陷区域之间具有位置差+δl的位置作为局部放大扫描的结束位置。3.根据权利要求2所述的基于深度学习的x射线工业检测缺陷识别方法，其特征在于，所述位置差-δl和所述位置差+δl均为沿着起始位置与所述扫描基准位置在水平方向上预设的距离差。4.根据权利要求2所述的基于深度学习的x射线工业检测缺陷识别方法，其特征在于，所述步骤2还包括：对所述缺陷区域进行轮廓提取，获得边界轮廓p1；以边界轮廓p1的中心点为原点，按照预设的放大比例ρ对所述边界轮廓p1进行等比例放大，得到覆盖所述边界轮廓p1的边界轮廓p2，按照直线扫描的方式以与该边界轮廓p2相切的矩形作为成像区域，其中，该成像区域对应的矩形的第一个被扫描的边界与直线扫描的路径相垂直。5.根据权利要求1所述的基于深度学习的x射线工业检测缺陷识别方法，其特征在于，在所述步骤4中，所述的获取到的局部图像进行缺陷特征提取具体包括以下步骤：基于缺陷模型数据库中的缺陷特征元素对所述局部图像中的缺陷区域进行识别；对识别出的缺陷区域进行边界获取，得到缺陷边界轮廓p3；基于缺陷模型数据库中的缺陷特征元素对对所述缺陷边界轮廓p3的内部区域进行缺陷特征相似度比较，将比较获取的相似度结果β与所述缺陷模型数据库中的缺陷特征元素相似度阈值γ进行比对，当β≥γ时，将被提取到的缺陷特征标记为在所述缺陷模型数据库中被比对到的缺陷特征元素。6.根据权利要求5所述的基于深度学习的x射线工业检测缺陷识别方法，其特征在于，所述相似度至少包括区域明暗的相似度和边界轮廓形状的相似度。7.一种基于深度学习的x射线工业检测缺陷识别系统，其特征在于，包括x射线机、载物
台、数据处理中心；所述x射线机配置为用于对待检件进行x射线扫描，其拍摄端朝向所述载物台设置；其中，所述x射线机对待检件进行全局扫描后获取的结果为全局图像，所述x射线机对待检件进行的局部放大扫描获取的结果为局部图像；所述载物台配置为用于放置待检件，所述x射线机与所述载物台之间至少能够沿着一个直线方向进行相对移动；所述数据处理中心包括处理器、图像比对模块、缺陷模型数据库、缺陷评价模块；其中，所述缺陷模型数据库配置为存储缺陷模型数据，所述缺陷模型数据通过深度学习得到；所述图像比对模块配置为用于将获取到的全局图像与缺陷模型数据库中的缺陷数据进行比对，获取缺陷区域，所述局部图像通过所述x射线机对所述缺陷区域扫描后获取；所述图像比对模块还配置为对获取到的局部图像进行缺陷特征提取，并将提取结果与缺陷模型数据库中的缺陷数据进行比对，获取比对结果；所述缺陷评价模块配置为基于获取到的比对结果和预设的缺陷评价策略，获取待检件的缺陷分析结果，所述缺陷分析结果包括缺陷位置信息、缺陷形状信息、缺陷尺寸信息中的至少一种；所述缺陷模型数据库还配置为将具有缺陷的待检件的全局图像缺陷图像作为深度神经网络模型的输入层训练样本进行深度学习，并将深度学习结果输入所述缺陷模型数据库。8.根据权利要求7所述的基于深度学习的x射线工业检测缺陷识别系统，其特征在于，所述x射线机将所述全局扫描的初始位置定义为扫描基准位置，并在进行局部放大扫描时，基于所述缺陷区域的位置，以所述扫描基准位置为基准，移动到与所述缺陷区域之间具有位置差-δl和位置差+δl的位置处进行局部放大扫描，并将扫描的结果作为所述局部图像，其中，以与所述述缺陷区域之间具有位置差-δl的位置作为局部放大扫描的起始位置，以与所述述缺陷区域之间具有位置差+δl的位置作为局部放大扫描的结束位置。9.根据权利要求8所述的基于深度学习的x射线工业检测缺陷识别系统，其特征在于，所述处理器配置为控制所述图像比对模块确定所述缺陷区域和确定所述x射线机进行局部放大扫描的轮廓；具体包括：对所述缺陷区域进行轮廓提取，获得边界轮廓p1；以边界轮廓p1的中心点为原点，按照预设的放大比例ρ对所述边界轮廓p1进行等比例放大，得到覆盖所述边界轮廓p1的边界轮廓p2，按照直线扫描的方式以与该边界轮廓p2相切的矩形作为成像区域，其中，该成像区域对应的矩形的第一个被扫描的边界与直线扫描的路径相垂直。10.根据权利要求8所述的基于深度学习的x射线工业检测缺陷识别系统，其特征在于，所述图像比对模块进行缺陷特征提取具体包括以下步骤：基于缺陷模型数据库中的缺陷特征元素对所述局部图像中的缺陷区域进行识别；对识别出的缺陷区域进行边界获取，得到缺陷边界轮廓p3；基于缺陷模型数据库中的缺陷特征元素对对所述缺陷边界轮廓p3的内部区域进行缺陷特征相似度比较，将比较获取的相似度结果β与所述缺陷模型数据库中的缺陷特征元素相似度阈值γ进行比对，当β≥γ时，将被提取到的缺陷特征标记为在所述缺陷模型数据库中被比对到的缺陷特征元素。

技术总结
本申请涉及无损检测技术领域，公开了基于深度学习的X射线工业检测缺陷识别方法及系统。该方法包括：步骤1：X射线机对待检件进行全局扫描获取全局图像；步骤2：将全局图像与缺陷模型数据库中的缺陷数据进行比对获取缺陷区域；步骤3：X射线机对缺陷区域进行局部放大扫描获取局部图像；步骤4：对局部图像进行缺陷特征提取并与缺陷模型数据库中的缺陷数据进行比对获取比对结果；步骤5：基于比对结果和缺陷评价策略获取待检件的缺陷分析结果；步骤6：将具有缺陷的待检件作为训练样本进行深度学习。该系统适用上述的识别方法。本申请的基于深度学习的X射线工业检测缺陷识别方法及系统，具有检测效率较高、可靠性高的特点。可靠性高的特点。可靠性高的特点。


技术研发人员：薛帅 游泳 沈洋 谢小荣 张静 冯炎青 邢秀文
受保护的技术使用者：北京理工大学珠海学院
技术研发日：2023.05.19
技术公布日：2023/8/16