(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210588230.9 (22)申请日 2022.05.27 (71)申请人 西安石油大 学 地址 710065 陕西省西安市电子二路东段 18号 (72)发明人 朱冰　马雨嫣　高炜欣　高国旺　 罗朝莉　李华　 (74)专利代理 机构 西安智大知识产权代理事务 所 61215 专利代理师 弋才富 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/25(2022.01) G06V 10/44(2022.01) G06V 10/80(2022.01)G06N 3/04(2006.01) (54)发明名称 一种焊接缺陷检测图像信息分层融合方法 (57)摘要 一种焊接缺陷检测图像信息分层融合方法， 步骤一： 采用PCNN网络对焊接缺陷区域进行提 取， 获得焊缝特征的中层信息显著图； 步骤二： 采 用基于显著性的方法， 获得焊缝缺陷的显著图并 进行阈值化处理， 获取焊缝特征的底层显著图； 步骤三： 融合中层信息显著图与底层显著图， 获 取最终的缺陷所在区域， 直观显示焊缝缺陷所在 位置； 本发明与现有的焊缝缺陷分割方法相比， 此算法简单、 对于密集体积型缺陷检测准确度 高、 检测速度快、 鲁棒 性好。 权利要求书3页 说明书7页 附图5页 CN 114972260 A 2022.08.30 CN 114972260 A 1.一种焊接缺陷检测图像信息分层融合方法， 其特 征在于， 包括如下的步骤： 步骤一： 采用PCN N网络对焊接缺陷区域进行提取， 获得焊缝 特征的中层信息 显著图； 步骤二： 采用基于显著性的方法， 获得焊缝缺陷的显著图并进行阈值化处理， 获取焊缝 特征的底层显著图； 步骤三： 融合中层信 息显著图与底层显著图， 获取最终的缺陷所在区域， 直观显示焊缝 缺陷所在位置 。 2.根据权利要求1所述的一种焊接缺陷检测图像信 息分层融合方法， 其特征在于， 所述 步骤一中采用PCN N网络获得焊缝 特征的中层信息的方法如下： 1.1、 读入缺陷检测图像I1； 1.2、 设置PCNN参数的初始值M、 W、 VF、 VL、 αL、 αF、 β、 α和b， 令每个像素点处于熄火状态； 其 中， M和W为神经元之间的连接权系数矩阵， VF和VL分别为反馈域和链接域的放大系数； αL、 αF 分别为链接域、 反馈域时间常数； β 是 连接系数； α 、 b分别为阈值调整步长、 放大系数； 1.3、 将缺陷检测图像输入PCN N网络， 依次迭代， 计算出待处 理图像的最大熵； 1.4、 取最大熵的最大值所对应的PCN N点火图作为 最终中层信息 显著图。 3.根据权利要求2所述的一种焊接缺陷检测图像信 息分层融合方法， 其特征在于， 所述 步骤1.3中的依次迭代， 每一次迭代， 依次按照下面的步骤执 行： 1.3.1、 在每个神经元的3 ×3邻域中， 计算信号当前输入Fij、 链接输入Lij和动态阈值 Tij； Tij[n]＝Tij[n‑1]‑α +bYij[n‑1] 1.3.2、 计算每 个神经元的内部活动项 Uij； Uij[n]＝Fij[n](1+β Lij[n]) 1.3.3、 将内部活动项Uij与动态阈值Tij相比较并记录神经元的状态Yij， 即点火或不点 火； 1.3.4、 计算出待处 理图像的最大熵 4.根据权利要求3所述的一种焊接缺陷检测图像信 息分层融合方法， 其特征在于， 所述 最大熵 计算方法如下： 1.3.4.1、 计算矩阵T中每 个元素tij； 对于L级灰度的缺陷检测图像图像， 其共生矩阵是一个P ×Q维的矩阵T＝[tij]P×Q， 表达 了邻近像素间的灰度平 移以及灰度空间的变化关系， 其tij被定义为： 其中δ ＝1 δ ＝0 else权　利　要　求　书 1/3 页 2 CN 114972260 A 21.3.4.2、 计算目标和背景归一 化后的取值 概率PijA和PijB； 1.3.4.3、 计算目标和背景的二次熵 和 1.3.4.4、 计算整幅图像的最大熵 5.根据权利要求1所述的一种焊接缺陷检测图像信 息分层融合方法， 其特征在于， 所述 步骤二中采用基于显著 性的方法获得焊缝缺陷的底层特征显著图的方法， 是采用谱残差视 觉显著模型去除图像冗余信息来获得图像与众不同的部分， 即显著目标， 具体方法如下： 2.1、 对缺陷检测图像I(x,y)进行傅里叶变换， 把图像转换到频域处理， 然后取对数幅 度谱， 表达式如下： A(u,v)＝|F[I(x,y)]| L(i,j)＝ ln(A(u,v) ) 其中， F为傅里叶变换； A(u,v)表示傅里叶变换能量谱； P(u,v)表示相位谱； L(i,j)为 谱； 2.2、 将局部平 滑后的对数幅度谱作为冗余部分， 表达式如下： V(i,j)＝hn(x,y)*L(i,j)， 式中符号 “*”表示卷积， hn(x,y)是一个n ×n大小的均值滤波 器； 2.3、 原对数幅度谱 减去平滑后的对数幅度谱得到谱残差模型R(i,j)， 即 R(i,j)＝ L(i,j)‑V(i,j) 2.4、 将得到的谱残差模型进行指数运 算得到谱残差指数模型T(u,v)， 即 T(u,v)＝expR(i,j) 2.5、 将谱残差指数模型T(u,v)和相位谱P(u,v)进行二维离散傅里叶逆变换， 得到最终 的底层显著性图， 表达式如下： S(x,y)＝|F‑1[exp{iP(u,v)} ×T(u,v)]|2。 6.根据权利要求1所述的一种焊接缺陷检测图像信 息分层融合方法， 其特征在于， 所述 步骤三中 融合中层信息 显著图与底层显著图的方法如下： 在进行图像融合时， 采用基于像素最小值的方法； 两幅参加融合的中底层图像分别为权　利　要　求　书 2/3 页 3 CN 114972260 A 3