本文是一篇软件工程硕士论文，论文的主要工作成果总结如下： （1）融合圆形或者椭圆形焊缝轮廓的先验知识，综合考虑环形焊缝的图像特征，对被卷积对象即圆柱管道内壁焊缝图像设计了环形块划分的方法，使得对整个图像的焊缝检测变为更小尺度的环形块图像的焊缝检测。 （2）提出了一种基于卷积神经网络的图像自编码深度学习环形焊缝初分割网络，采用改进的 ReLU 激活函数，同时为了使得网络中数据的前向和反向传播是一按照统一的方式的进行计算，本文引入了稀疏矩阵 S 和 M，同时对环图像数据以及卷积核数据实现矩阵表示。同时，本网络的各个操作包括卷积操作、池化操作、非线性操作以及全连接操作都实现了矩阵相乘的形式。
第1章 绪论
1.1 选题意义与背景
随着社会的不断进步，科学与技术的迅猛提升，工业化、城市化的快速推进，产业结构得到了很大的提升，但同时，经济的发展、生活水平的提高和工业的发展都离不开能源的运输，甚至对它的需求日益增加。可以说，能源输送等问题关乎我国目前以及未来发展的热点与难题，能源运输问题解决的好不好，直接影响到国民经济和社会发展的可持续性[1]。我国作为世界上最大的发展中国家，同时也是能源生产和消费的大国。虽然我国有各种丰富的能源，但是由于我国是世界上人口最多的国家，所以我国能源的基本情况是：总量大、人均少、效率低。在缺乏能源的情况下，必定会影响整个国民经济和社会发展。所以进口能源就变得尤为重要，特别是石油和天然气等工业能源。这种长距离的输送液体以及气体物资的运输方式，运输效率、安全性和可靠性就十分必要[2]。在生活中，常见的输送方式有公路、水路、铁路以及管道等四种方式。和其他几种相比，管道输送由其运量大、占地少、建设周期短、费用低、运输安全可靠、连续性强等独特的性质[3]，逐渐发展成为了长距离运输石油、天然气等化学产品的方式。
由于管道运送的物体大都为液体和气体，比如天然气、石油等，这几类物体属于危险化学品，它们具有燃烧性、爆炸性、腐蚀性和毒性等固有的危险特性[4]，一旦发生泄露，将会产生严重的环境污染等问题。相较其他各类管道系统经验丰富的国家，我国安全事故时有发生。据统计，2005 年至 2014 年期间，国内公开报道的管道事故累计超 100 起[5]。2017 年，全国一共有超过 30 个省市发生超过 270 起管道事故。2018 年，全国同样也有一共超过 30 个省市发生 274 起管道事故。2019 年全国一共有 29 个省市发生地燃气管道事故。如此多的事故发生，直接对人的生命安全、财产的损失、环境的破坏都造成了不可估量的损失[6]；国外的管道事故发生的数字更是触目惊心。所以避免管道事故的发生，对于管道的安全建设以及后期的维护都十分必要，包括预防、识别以及修理每一个的环节都至关重要。
图 2.2 全连接神经网络
...........................
1.2 国内外研究现状
关于焊缝图像的研究一直受到国内外研究人员的广泛关注，并对焊缝图像的自动检测技术进行了研究，同时也取得了众多的研究成果。这些方法可分为两大类，一类是基于传统数字图像处理方法，另一类是基于深度学习方法。基于传统数字图像处理的方法中，王秀媛等提出了一种改进的焊缝边缘识别方法[14]，该方法采用多尺度小波变换进行焊缝跟踪图像处理，将多尺度的小波信息与焊缝边缘的特征信息结合起来，取得了较为满意的识别效果，但是此方法若是尺度范围取值过大，则计算时间就会过长，影响焊缝实时的跟踪精度。陈希章等提出了一种基于数字图像处理的宏观焊缝识别方法[15]。由于焊接环境中存在的各种噪声污染，同时根据不同的焊缝边缘，该方法首先通过期望灰度值减少局部反光对识别结果造成的不良影响，并通过中值滤波，ARFIE 增强，Canny边缘检测等实现宏观环境下焊缝的轮廓检测。但是由于微分算子抗干扰性较差，对于复杂的焊接环境来讲，并不能直接拿来应用，要考虑焊接本身的特点。王胜华等学者提出了一种基于纹理特征的焊缝自主识别方法[16]，利用待焊区与母材区之间明显的纹理特征差异，来解决焊后多层焊缝引起的不易识别问题。在该方法中，先根据焊缝识别精度及特征值计算的要求，对获得的待识别图像进行划分，得到一系列特定尺寸的子区域。随后根据焊缝区域和木材区域图像纹理特征值的特点，选用一个在两个区域差异较大的特征值，对各个子图像计算该纹理特征值。同时，利用一个阈值，对所计算得到的特征值进行区分，并将对应的子图像进行分类标记，即分别标记出焊缝区域和母材区域进行图像分割，确定焊缝区域位置以及焊缝中心。此方法的实现涉及子图像的大小划分和选取，在此方法中，如果子图像尺寸越大，尤其是垂直焊缝方法，最终的识别结果误差可能会越大，因此在选取子图像尺寸的时候应尽可能小，那么如何确定一个合适大小的子图像就十分重要，否则会影响焊缝识别的精度。江南春等基于激光视觉搭接焊缝的图像识别方法提出了一种改进的滤波方法[17]。该方法主要针对焊缝图像中的噪声，比较了均值滤波和中值滤波去噪方法。改进的滤波方法先是选取一个阈值，由此阈值和在 1*5 的水平窗口内的像素值进行比较，判断是否为噪声。随后，采用自适应阈值调整的最大方差法计算滤波图像的二值化阈值，实现了对图像的分割。
...............................
第2章 图像分割基础理论
2.1 图像分割
图像分割是指根据灰度、几何形状、空间纹理等相关特征把图像分成若干个互不相交的区域，使得这些特征可以在自己的区域内，展现出相关性或者一致性，在其他的不同区域之间展现出明显的不同[41]，换句话说，就是把一幅图像，使得背景和目标分离，可以进行下一步的处理。图像分割可以说是图像处理到图像分析的一个关键步骤，它是一种重要的数字图像处理技术，也是计算机视觉技术中的基本和重要环节。为了获得目标特征的相关参数的测量，使得更加高层的图像分析和理解成为可能，必须进行正确的图像分割。可以说，没有正确的分割就不可能有正确的识别。根据图像分割的处理对象的不同，分割算法也往往都不同。目前，图像分割的方法正朝着多元化、自动化和智能化的趋势发展。与此同时，不同应用领域对分割方法的选择也有不同程度的亲和度。所以，图像分割方法的选择，在很大程度上依赖于图像各自特定的特征、它的成像方式以及比如噪声、纹理等某些因素的形成。因此，虽然经过数十年的研究与发展，至今依然没有适合所有图像分割的通用方式。但是可以看出来，图像分割的研究一直都在朝着更高精确度、更快分割速度的方向不断前进，取得越来越好的进展和突破。
目前存在的分割方法包括传统的分割方法和基于深度学习的分割方法，其中传统方法包括基于阈值的分割[42]、基于区域的分割[43]和基于边缘的分割[44]等。由于阈值分割方法具有处理起来快速简单的性能优点，从而成为图像分割中应用最广泛的一种图像分割技术，图像分割的实时性对智能检测探伤检测机器人来说是非常重要的要求。阈值分割[42]的基本原理就是按照灰度级，通过设定不同的灰度阈值，把图像像素点分成若干类，将划分得到的空间位置连续的同一类像素对应现实场景中的一个物体或者是一个物体的一部分。同一个区域内，像素的灰度级呈现一致性；不同区域内，像素的灰度级不一样，两者呈现明显的差异性。
..........................
2.2 卷积神经网络
近几年来，随着卷积神经网络（CNN）的迅速发展，它作为人工智能领域的一部分，在学术界和工业界都获得了很大的成功。卷积神经网络它是一种深度学习的模型，是多层感知器（MLP）的一个变种模型，可以用来分析图像，是计算机视觉的一种新的重要方法，能有效提取图像的特征。本论文是基于深度学习卷积神经网络来研究图像中的焊缝分割方法，所以本节对深度学习卷积神经网络进行介绍。
2.2.1 卷积神经网络的特点
在早期，构建深度学习网络标准方式就是通过构建如图 2.2 所示的多层全连接神经网络[47]，在全连接层神经网络结构中，设某个层具有 n 个输入和 m 个输出，则该层就具有 n×m 个参数，若 n 值和 m 值较大时，那么该模型包含的参数就很多，在含有多层隐含层的情况下，全连接神经网络模型含有的参数会呈现出爆发式的增长，大量的参数导致模型在空间占用、迭代计算和收敛速度方面产生不利影响。同时，由于全连接神经网络利用梯度下降法训练，它的梯度很难传递超过 3 层，所以没有办法得到一个很深的全连接神经网络，也就限制了全连接神经网络的能力。深度学习卷积神经网络的出现较大的克服了全连接神经网络的上述缺陷，卷积神经网络通过局部连接、权重共享以及下采样大幅度的减少了模型中的参数个数，提高模型的训练速度，为完成更为复杂的任务而提供可能。从 21 世纪开始，卷积神经网络就成功的被大量用于物体检测、分割和识别等计算机视觉的各个领域。可以说，卷积神经网络是目前最成功的图像分析方法，LeCun 等提出了深度学习卷积神经网络 LeNet-5[47]，并将其成功的应用于数字手写体的识别当中，是该领域中第一个成功的实际应用。2012 年，Krizhevsky 等[48]人构建出了扩展的深度学习 CNN 网络结构，在 ImageNet 上所进行的大规模视觉识别挑战竞赛中取得了当时最佳的分类效果，使得 CNN 受到研究者们的重视。随后在计算机视觉中各个任务领域，使用更深的网络架构取得了进一步的进展，深度卷积神经网络现在已经成为首要选择的技术。
...................................
第 3 章 基于深度学习的圆柱管道内壁环形焊缝图像分割.............................33
3.1 圆柱管道内壁环形焊缝图像的环形块划分...
