[發明專利]一種基于深度學習的紅外無損檢測方法

有效

• 申請號: 201910015187.5
• 申請日: 2019-01-08
• 公開（公告）號: CN109919905B
• 公開（公告）日: 2021-04-06
• 發明（設計）人: 曹彥鵬;董亞飛;賈淑凱;楊將新;曹衍龍
• 申請（專利權）人: 浙江大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G01N25/72
• 代理公司: 杭州橙知果專利代理事務所(特殊普通合伙) 33261
• 代理人: 杜放

1.基于深度學習的紅外無損檢測方法，包括以下步驟：

S1、設計和制作樣本，設計樣本上的缺陷位置并獲得設計圖；

S2、獲取樣本，用外部熱源對樣本進行加熱，用紅外相機記錄該樣本的加熱過程中樣本的溫度變化，每一個加熱過程獲得一個圖像序列；一個加熱過程包括紅外熱激發，紅外吸收和紅外消散；

S3、對每一個圖像序列中的每一個像素點在時間序列中進行預處理去除低頻趨勢項操作，從而去除隨著加熱過程造成的溫度升高趨勢；

S4、建立深度學習模型，在時間序列中提取相位特征：

S4.1、獲取任意一個圖像序列作為當前圖像序列，獲取當前圖像序列的每一張圖像中的任意兩個像素點作為點對；

S4.2、將當前圖像與樣本的設計圖進行比對，將缺陷范圍內的像素點的標記值設為1，將缺陷范圍外的像素點的標記值設為0，將點對的標記值相減再取反獲得當前圖像的Label值；

S4.3、建立卷積神經網絡模型，以點對作為卷積神經網絡模型的輸入；卷積神經網絡模型包括卷積層和池化層，卷積層和池化層交替進行，卷積層采用空洞卷積，池化層采用Max策略，整個訓練過程包括前向傳播和反向傳播，反向傳播中用梯度下降法優化權重和偏置；最后一個池化層之后為全連接層，全連接層之后為均方差誤差函數；

S4.4、計算圖像的Label值與均方差誤差函數的輸出之間的誤差，通過優化卷積神經網絡模型的卷積、池化的權重和偏置來減小Label值與均方差誤差函數的輸出值之間的誤差；當誤差穩定后，將該卷積神經網絡模型作為深度學習模型，用于輸入圖像的相位特征提取；

S5、將每個點的相位特征在其所在圖像中顯示出來。

2.如權利要求1所述的基于深度學習的紅外無損檢測方法，其特征在于，步驟4.3中，將當前圖像各像素點的灰度值組成灰度矩陣，對灰度矩陣按行向量進行一維卷積。

3.如權利要求1所述的基于深度學習的紅外無損檢測方法，其特征在于，步驟S2中，在對樣本進行紅外加熱前，將樣本接受紅外加熱的表面涂覆一層啞光黑漆。

4.如權利要求1所述的基于深度學習的紅外無損檢測方法，其特征在于，步驟S1中，每個圖像序列采集不少于2000張圖像，每個樣本至少在4個頻率下進行紅外激發；每張圖像中隨機選取多組點對，所有圖像序列的點對形成深度學習模型的訓練數據。