本发明属于目标检测，具体涉及一种基于改进yolov5网络的管道环焊缝射线底片缺陷智能识别方法。
背景技术：
1、金属加工制造中的焊接是一项至关重要的工艺，用于将零件连接成最终产品。据统计，超过45％的钢铁和金属材料通过焊接加工，而焊接质量直接决定了产品的性能和使用寿命。然而，在焊接过程中常常会出现裂纹、未熔合或未焊透等缺陷，直接影响产品的质量和安全。在压力管道等对焊接质量要求极高的场景中，快速、准确地检测焊缝质量至关重要，基于x射线成像进行焊缝内部缺陷检测是一项关键技术。然而，传统的射线图像检测技术往往依赖于人工评判，容易受到评判者的经验和主观因素的影响，导致检测结果的不稳定性和准确性不足。
2、随着工业自动化和数字化的发展，基于深度学习的计算机视觉技术逐渐成熟，为焊缝缺陷的自动检测和识别提供了新的解决方案。通过大数据、云计算和5g物联网等技术的支持，深度学习模型能够从焊缝图像中提取特征，并自动识别其中的缺陷，从而提高了检测的效率和准确性。
3、例如，申请号为cn202410254100.0，名称为《基于yolov5的cctv管道图像缺陷目标检测方法、设备及介质》的中国专利中，公开了基于yolov5的cctv管道图像缺陷目标检测方法，涉及目标检测领域，包括：获取管道缺陷检测图像并进行分类；使用多尺度融合算法对管道缺陷检测图像进行数据增强，构建管道缺陷检测数据集并进行标注，将标注后的管道缺陷检测数据集划分为训练集、验证集和测试集；通过部分卷积以及全局注意力机制，对算法模型进行改进；将训练集中的图像数据输入到改进后的算法模型中进行训练，获取最佳权重文件；将最佳权重文件保存到算法模型中；使用训练后的算法模型对测试集的图像数据进行缺陷检测，确定缺陷位置与检测精度，完成管道缺陷的检测。改进后的模型的精确率、召回率与平均精度有显著提高。不过，该方法在面对复杂缺陷、形状不规则缺陷等的识别时仍有一定的进步空间。
4、因此，有必要进一步改进现有的深度学习焊缝检测技术，以进一步提高焊缝缺陷检测的准确性和稳定性。
技术实现思路
1、为了解决上述技术问题，本发明公开了一种基于改进yolov5网络的管道环焊缝射线底片缺陷智能识别方法，至少包括如下步骤：
2、s1.管道环焊缝缺陷数据集构建：
3、s1.1.通过dr数字成像系统对压力管道环焊缝区域进行数字成像；
4、s1.2.通过去噪算法和对比度调整算法对原始图像进行图像增强处理；
5、s1.3.使用labelimg软件标注出图像中包括裂纹、未熔合、未焊透、条形缺陷、圆形缺陷、根部内凹和根部咬合在内的至少七种焊缝缺陷，构建数据集；
6、s2.yolov5模型改进及模型验证：
7、s2.1.采用c2f模块取代传统的yolov5模型框架的cspdarknet53模块，以增强高阶特征的提取能力并减少模型参数，以提高特征提取能力，捕捉更多的细节信息；
8、s2.2.改进yolov5模型框架的特征融合模块的neck部分，通过增加一个额外的特征图层，并通过特征金字塔网络fpn与其他层级的特征进行融合，以强化对小目标的检测能力；
9、s2.3.设计改进后的yolov5网络模型损失函数，将二元交叉熵置信度损失函数lobj，多元交叉熵分类损失函数lcls以及边框回归损失函数lbbox结合，实现目标具体类别、位置和大小的评估；
10、s2.4.将数据集按7：3的比例划分为训练集和验证集两部分，对原始yolov5n模型和改进后的yolov5模型分别进行训练；
11、s2.5.将训练好的目标检测模型，对管道环焊缝dr图像数据集的裂纹、未焊透、圆形缺陷检测进行实验验证，并评估改进后的yolov5模型的效果；
12、s3.焊缝缺陷智能识别系统设计与验证：
13、s3.1.设计管道环缝射线底片缺陷智能识别系统，通过导入图片，依次自动实现图像增强处理、焊缝缺陷类型识别、焊缝缺陷定位和数据保存操作；
14、s3.2.通过数据集图像，对图像优化系统效果进行分析。
15、优选地，s1中，受dr成像系统中成像板的结构噪声、高压射线源电噪声、漫散射效应以及成像环境影响，图像清晰度较低，其中圆形缺陷不清晰度尤为明显；采用拉普拉斯滤波和对比度有限的自适应直方图均衡化算法对原始图像进行图像增强处理，在保留重要细节特征的前提下，使图像缺陷的清晰度明显增强。
16、优选地，所述拉普拉斯滤波算法公式为：
17、
18、所述对比度有限的自适应直方图均衡化算法公式为：
19、inew(x，y)＝clahe(i(x，y))
20、s2中，所述c2f模块使用两层bottleneck层进行特征提取，通过多分支流设计和重复利用不同阶段特征，以提高特征提取能力，捕捉更多细节信息。
21、优选地，所述额外增加的特征图层是在原有的8倍、16倍、32倍下采样获得的三层特征图的基础上，增加了一层4倍下采样特征图。
22、优选地，所述额外增加的特征图层通过特征金字塔网络fpn与其他层级的特征进行融合，通过自上而下和自下而上的信息传递，确保高层语义信息与低层空间信息的有效融合。
23、优选地，优选地，所述fpn与其他层级的特征进行融合的方法为，在fpn的基础上，将4倍下采样的特征图与8倍下采样的特征图进行融合，再通过pan结构将细粒度信息向上传递，以提升特征表达能力。
24、优选地，s2中，所述改进后的yolov5网络模型损失函数由三部分构成，分别是二元交叉熵置信度损失函数lobj，多元交叉熵分类损失函数lcls以及边框回归损失函数lbbox；
25、其中，所述二元交叉熵置信度损失函数lobj表示为：
26、
27、所述多元交叉熵分类损失函数lcls表示为：
28、
29、所述多元交叉熵分类损失函数lcls用于判断检测到的目标属于某一具体类别，其中，是模型对第i行第j列的单元格预测属于类别c的概率；
30、所述边框回归损失函数lbbox表示为：
31、
32、所述边框回归损失函数lbbox用于精确预测目标的位置和大小，其中：λcoord是坐标预测的权重，wij和hij是模型预测目标的宽和高，ciou是一种改进的iou计算方法，考虑了边框的重叠面积、中心点距离和长宽比。
33、优选地，s2中，将数据集按7：3的比例划分为训练集和验证集两部分，保证模型各项训练参数不变的情况下训练改进yolov5模型与原始yolov5n模型，并通过两种模型迭代过程中的准确度p、召回率r计算出谐波平均值f进行对比验证。
34、优选地，准确度p是预测正确的样本数与总的正样本数的比值，其中，用于表征模型正确的预测能力，数值越大则缺陷检测效果越佳；
35、召回率r是预测正确的结果占所有正样本的比值，其中，用于表征模型检出缺陷的能力，数值越大则缺陷检测效果越佳；
36、p与r两者呈相互制约的关系，引入f用以表征构建预测模型同时具有良好p与r的综合能力，f的定义是p与r的谐波平均值，其中，
37、优选地，s3中，待用户输入待优化图像后，依次自动实现图像增强处理、焊缝缺陷类型识别、焊缝缺陷定位和数据保存操作，从而实现了焊缝缺陷批量智能识别。
38、本发明的基于改进yolov5网络的管道环焊缝射线底片缺陷智能识别方法，至少具有以下优点：
39、1.针对环焊缝缺陷复杂、噪声和散射等多种图像干扰问题，采用拉普拉斯滤波和clahe算法，对原始dr图像进行增强处理，有效改善了图像的信噪比，提高了缺陷识别的精度和稳定性，并构建了高质量的dr图像数据集；
40、2.引入c2f模块进行多尺度特征融合，提出了一种基于改进yolov5网络的x射线dr图像缺陷检测算法，实验结果表明，该改进模型在多种缺陷(未熔合、未焊透、圆缺和条缺等)类型上的检测准确度均达到了较高水平，平均检测准确率为95.89％，漏检率为2.1％；
41、3.本方法能够批量化进行管道环焊缝射线底片的缺陷智能识别，对于提高生产效率和确保产品质量具有重要意义。
1.一种基于改进yolov5网络的管道环焊缝射线底片缺陷智能识别方法，其特征在于，至少包括如下步骤：
2.根据权利要求1所述的基于改进yol0v5网络的管道环焊缝射线底片缺陷智能识别方法，其特征在于：s1中，受dr成像系统中成像板的结构噪声、高压射线源电噪声、漫散射效应以及成像环境影响，图像清晰度较低，其中圆形缺陷不清晰度尤为明显；采用拉普拉斯滤波和对比度有限的自适应直方图均衡化算法对原始图像进行图像增强处理，在保留重要细节特征的前提下，使图像缺陷的清晰度明显增强。
3.根据权利要求2所述的基于改进yol0v5网络的管道环焊缝射线底片缺陷智能识别方法，其特征在于：所述拉普拉斯滤波算法公式为：
4.根据权利要求1所述的基于改进yolov5网络的管道环焊缝射线底片缺陷智能识别方法，其特征在于：s2中，所述c2f模块使用两层bottleneck层进行特征提取，通过多分支流设计和重复利用不同阶段特征，以提高特征提取能力，捕捉更多细节信息。
5.根据权利要求4所述的基于改进yol0v5网络的管道环焊缝射线底片缺陷智能识别方法，其特征在于：s2中，所述额外增加的特征图层是在原有的8倍、16倍、32倍下采样获得的三层特征图的基础上，增加了一层4倍下采样特征图。
6.根据权利要求5所述的基于改进yolov5网络的管道环焊缝射线底片缺陷智能识别方法，其特征在于：所述额外增加的特征图层通过特征金字塔网络fpn与其他层级的特征进行融合，通过自上而下和自下而上的信息传递，确保高层语义信息与低层空间信息的有效融合。
7.根据权利要求6所述的基于改进yol0v5网络的管道环焊缝射线底片缺陷智能识别方法，其特征在于：所述fpn与其他层级的特征进行融合的方法为，在fpn的基础上，将4倍下采样的特征图与8倍下采样的特征图进行融合，再通过pan结构将细粒度信息向上传递，以提升特征表达能力。
8.根据权利要求1所述的基于改进yol0v5网络的管道环焊缝射线底片缺陷智能识别方法，其特征在于：s2中，所述改进后的yol0v5网络模型损失函数由三部分构成，分别是二元交叉熵置信度损失函数lobj，多元交叉熵分类损失函数lcls以及边框回归损失函数lbbox；
9.根据权利要求1所述的基于改进yolov5网络的管道环焊缝射线底片缺陷智能识别方法，其特征在于：s2中，将数据集按7：3的比例划分为训练集和验证集两部分，保证模型各项训练参数不变的情况下训练改进yolov5模型与原始yol0v5n模型，并通过两种模型迭代过程中的准确度p、召回率r计算出谐波平均值f进行对比验证。
10.根据权利要求1所述的基于改进yol0v5网络的管道环焊缝射线底片缺陷智能识别方法，其特征在于：s3中，待用户输入待优化图像后，依次自动实现图像增强处理、焊缝缺陷类型识别、焊缝缺陷定位和数据保存操作，从而实现焊缝缺陷批量智能识别。
