本發(fā)明涉及一種缺陷分割方法及其分割系統(tǒng)，尤其涉及一種X射線焊接接頭缺陷分割方法及其分割系統(tǒng)。

背景技術(shù)：

焊接接頭的缺陷直接影響著焊接產(chǎn)品的壽命，利用X射線對焊接接頭進行檢測是保證焊接質(zhì)量的重要手段。目前工業(yè)應(yīng)用的X射線圖像分析主要還是人工完成的。在某些情況下以及工作環(huán)境下，缺陷鑒定的結(jié)果具有一定的主觀性。隨著成像技術(shù)的發(fā)展，將放射性圖片，采用圖像分割技術(shù)，實現(xiàn)焊接接頭缺陷的完整分割，為焊接接頭缺陷自動檢測奠定了基礎(chǔ)。

焊接接頭的X射線圖像中焊接接頭缺陷的輪廓提取是焊接接頭無損檢測的重要方面，由于焊接接頭中缺陷出現(xiàn)的復(fù)雜性，一直未能取得很好的效果。目前較為通用的輪廓曲線提取算法主要是活動輪廓模型。但經(jīng)典活動輪廓模型對初始輪廓有一定的要求，對凹型邊界處理效果不佳，易受噪聲干擾等。

技術(shù)實現(xiàn)要素：

為避免上述已有技術(shù)中存在的不足之處，本發(fā)明提供一種X射線焊接接頭缺陷分割方法及其分割系統(tǒng)，通過優(yōu)化活動輪廓模型中梯度力權(quán)值和約束力的法向力權(quán)值來優(yōu)化焊接接頭缺陷的分割，適合于焊接接頭缺陷的射線圖像中邊界很難提取的情況。

本發(fā)明是通過以下技術(shù)方案實現(xiàn)的：一種X射線焊接接頭缺陷分割方法，其包括以下步驟：

獲取焊接接頭的X射線圖像；

在所述X射線圖像的目標(biāo)特征外部設(shè)置一個輪廓；

對所述輪廓的活動輪廓模型引入梯度力和約束力進行多次迭代輪廓演變，最終迭代獲得的輪廓即為焊接接頭缺陷的分割結(jié)果；

其中：優(yōu)化梯度力權(quán)值k_G和約束力的法向力權(quán)值k，得到最優(yōu)的梯度力和約束力，從而得到最優(yōu)的輪廓；所述活動輪廓模型中梯度力權(quán)值k_G和約束力的法向力權(quán)值k的優(yōu)化方法包括以下步驟：

步驟一、將法向力權(quán)值k和梯度力權(quán)值k_G組合在一起進行二進制編碼并作為抗體，編碼長度為L；

步驟二、根據(jù)二進制編碼的0、1特征，隨機產(chǎn)生編碼長度均為L的r個抗體作為初始抗體種群，從中隨機選擇m個抗體作為記憶庫，r、m均為正整數(shù)，且r＞m；

步驟三、計算每個抗體和相應(yīng)抗原的親和度，抗原指與相應(yīng)抗體相對應(yīng)的能量泛函；

步驟四、按照親和度的大小降序排列，選出親和度最高的前m個抗體并更新所述記憶庫；

步驟五、判斷記憶庫的更新次數(shù)是否等于預(yù)定的次數(shù)；如果等于，則將所述記憶庫中親和度最高的抗體作為最優(yōu)抗體，由此獲得最優(yōu)化的法向力權(quán)值k和梯度力權(quán)值k_G；否則，進入步驟六；

步驟六、利用給定的交叉概率P_c，使所述記憶庫中親和度最高的抗體同所述記憶庫中的其他抗體進行交叉，得到更新后的抗體種群；

步驟七、對更新后的抗體種群中的抗體，根據(jù)周期變異率P_m進行抗體變異，返回步驟三，且在步驟三中只計算抗體變異后的抗體種群中的每個抗體和相應(yīng)抗原的親和度。

作為上述方案的進一步改進，步驟一中，對獲得的X射線圖像采用高斯濾波，降低圖像噪聲，最后得到經(jīng)過預(yù)處理后的目標(biāo)特征更加清晰的具有缺陷的焊接接頭X射線圖像。

作為上述方案的進一步改進，在步驟五之后判斷所述記憶庫中最高親和度值是否滿足連續(xù)q次更新都不改變，如果是，則將所述記憶庫中親和度最高的抗體作為最優(yōu)抗體，由此獲得最優(yōu)化的法向力權(quán)值k和梯度力權(quán)值k_G；否則，才進入步驟六。

作為上述方案的進一步改進，親和度的計算公式為其中，B為大于零的常量。

進一步地，親和度計算公式中的能量泛函表征X射線圖像中需要焊接接頭缺陷分割的活動輪廓模型v(s)的能量函數(shù)，采用活動輪廓模型的能量函數(shù)E_snake表示：其中，E_int(v(s))代表X射線圖像中活動輪廓模型的內(nèi)部能量，決定所述活動輪廓模型的自然變化；E_image(v(s))表示所述X射線圖像中得到的力，引導(dǎo)所述活動輪廓模型選擇低層次的特征；E_con(v(s))代表外部的約束力，給出高層次信息控制所述活動輪廓模型的演變；v(s)＝[x(s),y(s)]，s∈[0,1]，x(s)為輪廓v(s)的x軸坐標(biāo)的集合，y(s)為輪廓v(s)的y軸坐標(biāo)的集合。

進一步地，引入梯度力和約束力后的輪廓v(s)的迭代求解公式為其中，如果初始輪廓v₀(s)是由N個點構(gòu)成，那么A是一個N×N的系數(shù)矩陣，I_d是N×N的單位矩陣；γ是控制收斂的標(biāo)量；x_t，y_t是迭代次數(shù)t時N個點中相應(yīng)點的坐標(biāo)，P(x,y)是邊緣圖，是梯度算子；和分別表示x軸和y軸方向上邊緣強度的一階微分；在x軸和y軸方向的法向量模型N_x和N_y分別由下面公式給出：

本發(fā)明還提供一種X射線焊接接頭缺陷分割系統(tǒng)，其包括：X射線圖像獲取模塊，其用于獲取焊接接頭的X射線圖像；輪廓設(shè)置模塊，其用于在所述X射線圖像的目標(biāo)特征外部設(shè)置一個輪廓；焊接接頭缺陷分割模塊，其用于對所述輪廓的活動輪廓模型引入約束力和梯度力進行多次迭代輪廓演變，最終迭代獲得的輪廓即為焊接接頭缺陷的分割結(jié)果；其中：所述X射線焊接接頭缺陷分割系統(tǒng)還包括免疫優(yōu)化的活動輪廓圖像分割裝置，所述免疫優(yōu)化的活動輪廓圖像分割裝置用于在采用活動輪廓模型對X射線圖像進行焊接接頭缺陷分割時，對梯度力權(quán)值和約束力的法向力權(quán)值進行優(yōu)化；

所述免疫優(yōu)化的活動輪廓圖像分割裝置包括：

編碼模塊，其用于將法向力權(quán)值k和梯度力權(quán)值k_G組合在一起進行二進制編碼并作為抗體，編碼長度為L；

初始抗體種群生成模塊，其用于根據(jù)二進制編碼的0、1特征，隨機產(chǎn)生編碼長度均為L的r個抗體作為初始抗體種群，從中隨機選擇m個抗體作為記憶庫，r、m均為正整數(shù)，且r＞m；

親和度計算模塊，其用于計算每個抗體和相應(yīng)抗原的親和度，抗原指與相應(yīng)抗體相對應(yīng)的能量泛函；

選擇模塊，其用于按照親和度的大小降序排列，選出親和度最高的前m個抗體并更新所述記憶庫；

更新次數(shù)判斷模塊，其用于判斷記憶庫的更新次數(shù)是否等于預(yù)定的次數(shù)；

最優(yōu)抗體選取模塊，其用于在記憶庫的更新次數(shù)等于預(yù)定的次數(shù)時，將所述記憶庫中親和度最高的抗體作為最優(yōu)抗體，由此獲得最優(yōu)化的法向力權(quán)值k和梯度力權(quán)值k_G；

抗體交叉模塊，其用于利用給定的交叉概率P_c，使所述記憶庫中親和度最高的抗體同所述記憶庫中的其他抗體進行交叉，得到更新后的抗體種群；

抗體變異模塊，其用于對更新后的抗體種群中的抗體，根據(jù)周期變異率P_m進行抗體變異，并啟動所述親和度計算模塊，所述親和度計算模塊此時只計算抗體變異后的抗體種群中的每個抗體和相應(yīng)抗原的親和度。

作為上述方案的進一步改進，所述免疫優(yōu)化的活動輪廓圖像分割裝置還包括最高親和度值恒定判斷模塊，其用于在記憶庫的更新次數(shù)不等于預(yù)定的次數(shù)時，判斷所述記憶庫中最高親和度值是否滿足連續(xù)q次更新都不改變；如果所述記憶庫中最高親和度值滿足連續(xù)q次更新都不改變，則所述最優(yōu)抗體選取模塊在將所述記憶庫中親和度最高的抗體作為最優(yōu)抗體，由此獲得最優(yōu)化的法向力權(quán)值k和梯度力權(quán)值k_G，否則啟動抗體交叉模塊。

作為上述方案的進一步改進，親和度的計算公式為其中，B為大于零的常量。

進一步地，所述能量泛函表征X射線圖像中需要焊接接頭缺陷分割的活動輪廓模型v(s)的能量函數(shù)，采用活動輪廓模型的能量函數(shù)E_snake表示：其中，E_int(v(s))代表X射線圖像中活動輪廓模型的內(nèi)部能量，決定所述活動輪廓模型的自然變化；E_image(v(s))表示所述X射線圖像中得到的力，引導(dǎo)所述活動輪廓模型選擇低層次的特征；E_con(v(s))代表外部的約束力，給出高層次信息控制所述活動輪廓模型的演變；v(s)＝[x(s),y(s)]，s∈[0,1]，x(s)為輪廓v(s)的x軸坐標(biāo)的集合，y(s)為輪廓v(s)的y軸坐標(biāo)的集合。

本發(fā)明的有益效果為：基于本發(fā)明的免疫算法優(yōu)化的活動輪廓模型，通過引入外部力，并通過免疫算法結(jié)合能量最小的概念，優(yōu)化約束力權(quán)重和梯度力權(quán)重，能夠使活動輪廓模型的初始化更加自由；免疫算法對約束力權(quán)重和梯度力權(quán)重的改善，擴大活動輪廓模型計算的范圍，避免活動輪廓模型陷入局部極小值，改進了對噪聲敏感的現(xiàn)象，提高了魯棒性；由于外力的引入，將活動輪廓模型推向了凹形目標(biāo)的凹處，對象的分割更加準(zhǔn)確。本發(fā)明可以較為準(zhǔn)確的提取焊接接頭中的缺陷，為焊接接頭缺陷的X射線檢測提供了有效的輔助，將這種方法運用于焊接接頭的自動X射線檢測，在檢測效率、經(jīng)濟性、客觀性等方面具有一定的優(yōu)越性。

附圖說明

圖1為本發(fā)明實施例1的X射線焊接接頭缺陷分割方法的流程圖。

圖2為本發(fā)明實施例2的X射線焊接接頭缺陷分割方法的流程圖。

圖3a為焊接接頭的氣泡缺陷的X射線圖。

圖3b為基于免疫優(yōu)化的活動輪廓模型算法對氣泡缺陷的分割圖。

圖4a為焊接接頭的夾渣缺陷的X射線圖。

圖4b為基于免疫優(yōu)化的活動輪廓模型算法對夾渣缺陷的分割圖。

圖5a為焊接接頭的未熔合缺陷的X射線圖。

圖5b為基于免疫優(yōu)化的活動輪廓模型算法對未熔合缺陷的分割圖。

圖6a為焊接接頭的未焊透缺陷的X射線圖。

圖6b為基于免疫優(yōu)化的活動輪廓模型算法對未焊透缺陷的分割圖。

具體實施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合實施實例，對本發(fā)明進行進一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

傳統(tǒng)焊接接頭缺陷的分割方法包括以下步驟：獲取焊接接頭的X射線圖像；在所述X射線圖像的目標(biāo)特征外部設(shè)置一個輪廓；對所述輪廓的活動輪廓模型引入梯度力和約束力進行多次迭代輪廓演變，最終迭代獲得的輪廓即為焊接接頭缺陷的分割結(jié)果。而本發(fā)明的X射線焊接接頭缺陷分割方法，優(yōu)化梯度力權(quán)值k_G和約束力的法向力權(quán)值k從而得到最優(yōu)的輪廓，更適合于焊接接頭缺陷的射線圖像中邊界很難提取的情況。

實施例1

本發(fā)明的X射線焊接接頭缺陷分割方法可以設(shè)置成X射線焊接接頭缺陷分割系統(tǒng)，所述系統(tǒng)包括X射線圖像獲取模塊、輪廓設(shè)置模塊、焊接接頭缺陷分割模塊、免疫優(yōu)化的活動輪廓圖像分割裝置。其中，免疫優(yōu)化的活動輪廓圖像分割裝置包括編碼模塊、初始抗體種群生成模塊、親和度計算模塊、選擇模塊、更新次數(shù)判斷模塊、最優(yōu)抗體選取模塊、抗體交叉模塊、抗體變異模塊、最高親和度值恒定判斷模塊。

請參閱圖1，X射線焊接接頭缺陷分割方法包括以下步驟。

1、獲取焊接接頭的X射線圖像。此步驟由X射線圖像獲取模塊執(zhí)行，另外，對獲得的X射線圖像可采用高斯濾波，降低圖像噪聲，最后得到經(jīng)過預(yù)處理后的目標(biāo)特征更加清晰的具有缺陷的焊接接頭X射線圖像。

2、在所述X射線圖像的目標(biāo)特征外部設(shè)置一個輪廓。此步驟由輪廓設(shè)置模塊執(zhí)行。

3、對所述輪廓的活動輪廓模型引入約束力和梯度力進行多次迭代輪廓演變，最終迭代獲得的輪廓即為焊接接頭缺陷的分割結(jié)果。此步驟由焊接接頭缺陷分割模塊執(zhí)行。

4、在采用活動輪廓模型對X射線圖像進行焊接接頭缺陷分割時，對梯度力權(quán)值和約束力的法向力權(quán)值進行優(yōu)化。此步驟由免疫優(yōu)化的活動輪廓圖像分割裝置執(zhí)行。

其中，所述活動輪廓模型中梯度力權(quán)值k_G和約束力的法向力權(quán)值k的優(yōu)化方法包括以下步驟。

步驟一、將法向力權(quán)值k和梯度力權(quán)值k_G組合在一起進行二進制編碼并作為抗體，編碼長度為L。此步驟由編碼模塊執(zhí)行。

步驟二、根據(jù)二進制編碼的0、1特征，隨機產(chǎn)生編碼長度均為L的r個抗體作為初始抗體種群，從中隨機選擇m個抗體作為記憶庫，r、m均為正整數(shù)，且r＞m。此步驟由初始抗體種群生成模塊執(zhí)行。

步驟三、計算每個抗體和相應(yīng)抗原的親和度，抗原指與相應(yīng)抗體相對應(yīng)的能量泛函。此步驟由親和度計算模塊執(zhí)行。所述能量泛函表征X射線圖像中需要焊接接頭缺陷分割的活動輪廓模型v(s)的能量函數(shù)，采用活動輪廓模型的能量函數(shù)E_snake表示：其中，E_int(v(s))代表X射線圖像中活動輪廓模型的內(nèi)部能量，決定所述活動輪廓模型的自然變化；E_image(v(s))表示所述X射線圖像中得到的力，引導(dǎo)所述活動輪廓模型選擇低層次的特征；E_con(v(s))代表外部的約束力，給出高層次信息控制所述活動輪廓模型的演變；v(s)＝[x(s),y(s)]，s∈[0,1]，x(s)為輪廓v(s)的x軸坐標(biāo)的集合，y(s)為輪廓v(s)的y軸坐標(biāo)的集合。親和度的計算公式為其中，B為大于零的常量。

步驟四、按照親和度的大小降序排列，選出親和度最高的前m個抗體并更新所述記憶庫。此步驟由選擇模塊執(zhí)行。

步驟五、判斷記憶庫的更新次數(shù)是否等于預(yù)定的次數(shù)；此步驟由更新次數(shù)判斷模塊執(zhí)行。

如果等于，則將所述記憶庫中親和度最高的抗體作為最優(yōu)抗體，由此獲得最優(yōu)化的法向力權(quán)值k和梯度力權(quán)值k_G。此步驟由最優(yōu)抗體選取模塊執(zhí)行，否則，進入步驟六。

步驟六、利用給定的交叉概率P_c，使所述記憶庫中親和度最高的抗體同所述記憶庫中的其他抗體進行交叉，得到更新后的抗體種群。此步驟由抗體交叉模塊執(zhí)行。

步驟七、對更新后的抗體種群中的抗體，根據(jù)周期變異率P_m進行抗體變異，返回步驟三，且在步驟三中只計算抗體變異后的抗體種群中的每個抗體和相應(yīng)抗原的親和度。此步驟由抗體變異模塊執(zhí)行，抗體變異模塊用于對更新后的抗體種群中的抗體，根據(jù)周期變異率P_m進行抗體變異，并啟動所述親和度計算模塊，所述親和度計算模塊此時只計算抗體變異后的抗體種群中的每個抗體和相應(yīng)抗原的親和度。

需要指出的是，在步驟五之后判斷所述記憶庫中最高親和度值是否滿足連續(xù)q次更新都不改變，如果是，則將所述記憶庫中親和度最高的抗體作為最優(yōu)抗體，由此獲得最優(yōu)化的法向力權(quán)值k和梯度力權(quán)值k_G；否則，才進入步驟六。對此，可由最高親和度值恒定判斷模塊執(zhí)行，最高親和度值恒定判斷模塊用于在記憶庫的更新次數(shù)不等于預(yù)定的次數(shù)時，判斷所述記憶庫中最高親和度值是否滿足連續(xù)q次更新都不改變；如果所述記憶庫中最高親和度值滿足連續(xù)q次更新都不改變，則所述最優(yōu)抗體選取模塊在將所述記憶庫中親和度最高的抗體作為最優(yōu)抗體，由此獲得最優(yōu)化的法向力權(quán)值k和梯度力權(quán)值k_G，否則啟動抗體交叉模塊。

實施例2

請參閱圖2，本實施例的焊接接頭缺陷分割方法包括以下步驟

一、獲取焊接接頭的X射線圖像。

獲取焊接接頭的X射線圖像后，可以對獲得的X射線圖像采用高斯濾波，降低圖像噪聲，最后得到經(jīng)過預(yù)處理后的目標(biāo)特征更加清晰的具有缺陷的焊接接頭X射線圖像，準(zhǔn)備進行后續(xù)的焊接接頭缺陷的分割。

二、在所述X射線圖像中目標(biāo)特征外部設(shè)置一個初始輪廓v₀(s)，v₀(s)＝[x₀(s),y₀(s)]，s∈[0,1]，x₀(s)為輪廓v₀(s)的x軸坐標(biāo)的集合，y₀(s)為輪廓v₀(s)的y軸坐標(biāo)的集合。

三、對初始輪廓v₀(s)利用活動輪廓模型能量最小化原理引入約束力和梯度力進行多次迭代輪廓演變，最終迭代獲得的輪廓即為焊接接頭缺陷的分割結(jié)果。此時，優(yōu)化梯度力權(quán)值k_G和約束力的法向力權(quán)值k，得到最優(yōu)的約束力和梯度力，從而得到最優(yōu)的輪廓。

求取初始輪廓v₀(s)邊界處的能量泛函，能量泛函E_snake表征X射線圖像中需要焊接接頭缺陷分割的輪廓v₀(s)的能量函數(shù)，采用活動輪廓模型的能量函數(shù)表示。表示為：其中，E_int(v(s))代表X射線圖像中活動輪廓模型的內(nèi)部能量，決定所述活動輪廓模型的自然變化；E_image(v(s))表示所述X射線圖像中得到的力，引導(dǎo)所述活動輪廓模型選擇低層次的特征；E_con(v(s))代表外部的約束力，給出高層次信息控制所述活動輪廓模型的演變；v(s)＝[x(s),y(s)]，s∈[0,1]，x(s)為輪廓v(s)的x軸坐標(biāo)的集合，y(s)為輪廓v(s)的y軸坐標(biāo)的集合。。

求上式(1)的最小化能量函數(shù)，迭代求解公式為：

如果輪廓是由N個點構(gòu)成的，那么A是一個N×N的系數(shù)矩陣，I_d是N×N的單位矩陣，γ是控制收斂的標(biāo)量。；(x_t，y_t)是迭代次數(shù)t時的模型點坐標(biāo)，(x_t-1，y_t-1)是迭代次數(shù)t-1時的模型點坐標(biāo)，P(x,y)是最簡單的邊緣圖，是梯度算子。和分別表示x軸和y軸方向上邊緣強度的一階微分。

給活動輪廓模型加一個外部的力，推動活動輪廓模型曲線擴大或者縮小。這樣曲線被認(rèn)為是充氣或者放氣的氣球。公式3表示這個力，其中表示單位法向力，k表示權(quán)值。

引入外部力后，改進活動輪廓模型的解為：

其中，在x和y方向的法向量模型N_x和N_y分別由下面公式給出。k_G是梯度力的權(quán)重，受約束力的影響。

上式對法向力的強度非常敏感，法向力太大會導(dǎo)致輪廓過度膨脹或者縮小，忽視目標(biāo)特征。需要恰當(dāng)?shù)倪x取法向力的權(quán)值k以及梯度力的權(quán)值k_G。

判斷當(dāng)前輪廓v(s)是否滿足最小化的能量E_snake。

如果當(dāng)前輪廓v(s)滿足最小化的能量E_snake，則進行焊接接頭缺陷的分割。

本發(fā)明的目的在于，利用活動輪廓模型能量最小化的原理，分割的結(jié)果不能滿足分割要求時，利用免疫算法優(yōu)化活動輪廓模型中約束力權(quán)重和梯度力權(quán)重，借助能量最小化的原則，獲得約束力權(quán)重和梯度力權(quán)重的最優(yōu)值，從而獲得最佳的活動輪廓模型曲線，將最佳的活動輪廓模型曲線作為輪廓v(s)。

引入免疫算法優(yōu)化，其關(guān)于法向力權(quán)值k和梯度力權(quán)值k_G的初始權(quán)值，采用隨機的方法獲得，權(quán)值在學(xué)習(xí)的過程中容易陷入局部最優(yōu)值，這里選用免疫算法優(yōu)化活動輪廓模型中的控制法向力的權(quán)值k和梯度力的權(quán)值k_G。

(1)采用二進制編碼的方式，將法向力權(quán)值k和梯度力權(quán)值k_G組合在一起，編碼長度為L。隨機產(chǎn)生r個抗體作為初始種群，并從中隨機選擇N個抗體作為記憶庫。

(2)抗體和抗原親和度的計算：這里親和度的計算公式為式中，E_snake為活動輪廓模型的能量函數(shù)，B為大于零的常量。親和度體現(xiàn)的是抗體和抗原之間的關(guān)系，親和度值高，表明抗體較接近抗原，即同求解的結(jié)果越接近。

(3)利用給定的交叉概率P_c，使所述記憶庫中親和度最高的抗體同所述記憶庫中的其他抗體進行交叉，得到更新后的抗體種群。

(4)根據(jù)周期變異率P_m進行抗體變異，采用抗體變異這一步驟，有利于增加抗體的多樣性，從而增大搜索的規(guī)模，增加了搜索更優(yōu)抗體的概率。

(5)按照抗體的親和度值進行抗體的選擇，將抗體群中的抗體依次進行親和度計算，并按照親和度大小降序排列后，選出親和度最高的前N個抗體更新記憶庫，求出最優(yōu)參數(shù)組合。重復(fù)(2)到(5)的過程，直至選出最優(yōu)的權(quán)值。迭代終止條件，最優(yōu)解在連續(xù)q次迭代中不再變化或達(dá)到最大迭代次數(shù)。

最終，將得到的最優(yōu)法向力權(quán)值k以及梯度力權(quán)值k_G帶入到公式(4)中，求得最后改進活動輪廓模型的最終輪廓。

請一并參閱圖3a、圖3b、圖4a、圖4b、圖5a、圖5b、圖6a、圖6b，其中，圖3a為焊接接頭的氣泡缺陷的X射線圖；圖3b為基于免疫優(yōu)化的活動輪廓模型算法對氣泡缺陷的分割圖；圖4a為焊接接頭的夾渣缺陷的X射線圖；圖4b為基于免疫優(yōu)化的活動輪廓模型算法對夾渣缺陷的分割圖；圖5a為焊接接頭的未熔合缺陷的X射線圖；圖5b為基于免疫優(yōu)化的活動輪廓模型算法對未熔合缺陷的分割圖；圖6a為焊接接頭的未焊透缺陷的X射線圖；圖6b為基于免疫優(yōu)化的活動輪廓模型算法對未焊透缺陷的分割圖。

從分割結(jié)果可以看到，由于焊接接頭的射線圖像存在光照不均、對比度低、邊緣模糊等特點，而本發(fā)明提出的方法采用免疫算法優(yōu)化梯度力和約束力的權(quán)值，很好的調(diào)整了梯度力和約束力的影響。因此免疫優(yōu)化的活動輪廓模型的分割結(jié)果，克服了傳統(tǒng)活動輪廓在分割過程中約束力不足而產(chǎn)生分割不準(zhǔn)確的結(jié)果，試驗表明：圖中的缺陷都得到了準(zhǔn)確的分割，得到了滿意的結(jié)果。

利用下面的公式對焊接接頭缺陷的分割進行定量分析。分割相似指數(shù)公式為：

式中，I、G分別為專業(yè)技術(shù)人員分割圖和提出算法的分割圖。計算結(jié)果越大說明兩者之間的分割相似度越高，分割結(jié)果越好。DSI是一種非常有效的定量評價分割效果的衡量指標(biāo)，通常認(rèn)為DSI>80％為有效分割。分別選取50個氣泡.夾渣.未熔合和未焊透缺陷的射線圖，根據(jù)以上的分割結(jié)果計算氣泡、未焊透、夾渣和未熔合的免疫優(yōu)化活動輪廓分割的平均DSI值分別為：93.93％、88.02％、93.81％和93.83％，平均為92.39％，達(dá)到了80％以上。

因此，本發(fā)明的基于免疫優(yōu)化的活動輪廓模型對焊接接頭X射線的缺陷檢測的仿真實驗表明：本發(fā)明可以較為準(zhǔn)確完整的提取焊接接頭中的常見缺陷，為實現(xiàn)自動X射線對焊接接頭的無損檢測提供了一定的指導(dǎo)意義。

以上內(nèi)容是結(jié)合具體的實施例對本發(fā)明所作的詳細(xì)說明，不能認(rèn)定本發(fā)明具體實施僅限于這些說明。對于本發(fā)明所屬技術(shù)領(lǐng)域的技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干簡單替換和變更，都應(yīng)當(dāng)視為屬于本發(fā)明由所提交的權(quán)利要求書確定的發(fā)明保護范圍。