[發明專利]一種DD6單晶高溫合金共晶缺陷檢測和分割方法

在審

• 申請號: 202110058769.9
• 申請日: 2021-01-16
• 公開（公告）號: CN112767345A
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 嚴海蓉;齊帥
• 申請（專利權）人: 北京工業大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06N3/04;G06N3/08
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 沈波

本發明公開了一種DD6單晶高溫合金共晶缺陷檢測和分割方法，DD6單晶高溫合金顯微圖像的采集和共晶缺陷輪廓的人工標注，通過標注工具獲取DD6單晶高溫合金共晶缺陷的類別標簽、缺陷輪廓的坐標和缺陷外接矩形框的左上角坐標以及長寬值；計算圖像中共晶缺陷灰度值的均值和標準差，得到不包含共晶缺陷的背景圖片；將待檢測的DD6單晶高溫合金顯微圖像輸入到模型當中，檢測出圖像中共晶缺陷的個數、位置和大小。本發明節省人工檢測DD6單晶高溫合金共晶缺陷的時間，提升工作效率。這種方法相比不使用偽樣本最終在真實樣本組成的測試集上表現更好。

技術領域

本發明涉及一種DD6單晶高溫合金共晶缺陷的檢測方法，尤其涉及一種基于少量顯微圖像的偽樣本生成方法輔助深度學習模型的訓練。

背景技術

DD6是中國第二代單晶高溫合金，該合金適合于制作具有復雜內腔的燃氣渦輪工作葉片和在高溫、高應力、氧化及腐蝕條件下工作的高溫零件。而共晶缺陷會影響材料的性能和壽命，因此材料研究者一直在研究DD6單晶高溫合金共晶缺陷和材料性能之間的關系，這也就需要缺陷的位置、大小的數據。

目前檢測這種缺陷的方法可分為三種，一是由材料研究人員人工識別共晶缺陷并且測量缺陷的大小，這種方法人員成本較高，耗時較長。二是采用傳統圖像處理方法去識別，但是這種方法設計復雜，在缺陷種類和背景都較復雜的情況下檢測準確率較低，適用性差。第三種是采用深度學習方法，此方法魯棒性強，識別準確率高，但需用大量經過人工標注的帶有共晶缺陷的顯微圖像作為訓練集去訓練檢測缺陷位置和大小的實例分割模型。而這種圖像的采集和缺陷輪廓的人工標注需要較高的經濟成本和時間成本，這導致可采集到的圖像樣本數少，難以達到幾千甚至上萬張圖像供模型訓練。此外，一張顯微圖像中的缺陷可能較少且面積小，這會造成訓練時正負樣本不均衡的問題，影像訓練效果。

發明內容

為了解決上述技術難題，本發明提供了一種DD6單晶高溫合金共晶缺陷檢測和分割方法，通過一個偽圖像生成方法生成大量偽圖像輔助深度學習訓練，實現了對共晶缺陷的檢測和分割，能夠有效解決訓練樣本少，正負樣本不均衡問題。

本發明具體的技術方案為一種DD6單晶高溫合金共晶缺陷檢測和分割方法，該方法包括如下步驟：

步驟1：DD6單晶高溫合金顯微圖像的采集和共晶缺陷輪廓的人工標注，通過標注工具獲取DD6單晶高溫合金共晶缺陷的類別標簽、缺陷輪廓的坐標和缺陷外接矩形框的左上角坐標以及長寬值；

步驟2：若采集到DD6單晶高溫合金顯微圖像的樣本數為n，按照3:1的比例將其分為m張訓練集和p張測試集。對m張訓練集每一張都做如下操作：統計這張圖像中所有共晶缺陷的外接矩形框的長寬信息Sizes,即由多對長寬值組成的列表；提取出DD6單晶高溫合金顯微圖像中共晶缺陷輪廓內部的所有像素的灰度值；若圖像中共晶缺陷區域的像素個數為c,每個像素的灰度值記為x_i(i＝1，2，...，c),則計算圖像中共晶缺陷灰度值的均值μ和標準差σ，計算公式如下：

步驟3：將m張訓練集中的每一張圖像中的共晶缺陷區域用非缺陷區域的像素填充，具體是采用鏡像對稱填充的方式，得到m張不包含共晶缺陷的背景圖片；

步驟4：偽樣本中偽背景的生成。首先將背景圖片沿水平方向切割為上下兩部分，切割位置在(0，h)區間上隨機選取，然后將上下兩部分各自沿垂直方向切割為左右兩部分，切割位置都在(0，w)區間上隨機選取，以0.5的概率交換左右兩部分，最后以0.5的概率交換上下兩部分。為了加強模型準確識別共晶缺陷的能力，減小將其他類缺陷識別為共晶缺陷的誤檢率，在經過隨機切割和交換的背景圖片基礎上生成一些噪聲缺陷。噪聲缺陷的生成是從背景圖像左上角開始生成，從上到下，從左到右，步驟包括每個噪聲缺陷外接矩形框大小的選擇、缺陷之間間隔的選擇、矩形框內缺陷輪廓的生成和噪聲缺陷內部灰度值的生成。