[發明專利]一種全卷積神經網絡的激光定向能量沉積濺射計數方法

在審

• 申請號: 202110307531.5
• 申請日: 2021-03-23
• 公開（公告）號: CN112967267A
• 公開（公告）日: 2021-06-15
• 發明（設計）人: 李輝;米紀千;申勝男;胡雅馨;李正雄;劉勝
• 申請（專利權）人: 武漢大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/12;G06T7/13;G06T5/00;G06T5/30;G06N3/04;G06N3/08
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 許蓮英

1.一種全卷積神經網絡的激光定向能量沉積濺射計數方法，其特征在于，包括以下步驟：

步驟1：采集多幅激光定向能量沉積區域圖像，將每幅激光定向能量沉積區域圖像利用圖像拓撲結構分析方法找到每幅激光定向能量沉積區域圖像內的所有輪廓，對找到的輪廓建立最小矩形框，分割出每幅激光定向能量沉積區域圖像內最小矩形框內的圖像，人工標注每幅激光定向能量沉積區域圖像內最小矩形框內的圖像的標簽，進一步構建全卷積神經網絡訓練集；

步驟2：搭建全卷積神經網絡，將每幅激光定向能量沉積區域圖像內最小矩形框內的圖像以及對應的標簽作為訓練樣本依次輸入到全卷積神經網絡中，得到神經網絡的預測樣本的分屬類別的概率預測值，進一步結合人工標注的每幅激光定向能量沉積區域圖像內最小矩形框內的圖像的標簽構建損失函數，通過調整網絡學習參數至損失函數達到納什均衡狀態，得到優化后的全卷積神經網絡；

步驟3：采集應用激光定向能量沉積技術進行增材制造過程中的待檢測激光定向能量沉積圖像，進行形態學處理得到形態學處理后待檢測激光定向能量沉積圖像；將形態學處理后待檢測激光定向能量沉積圖像采用圖像拓撲結構分析方法，找到每幅形態學處理后待檢測激光定向能量沉積圖像內的所有輪廓，對找到的輪廓建立最小矩形框，分割出每幅形態學處理后待檢測激光定向能量沉積圖像內最小矩形框內的圖像；將形態學處理后待檢測激光定向能量沉積圖像內最小矩形框內的圖像依次輸入優化后的全卷積神經網絡進行預測，若形態學處理后待檢測激光定向能量沉積圖像內最小矩形框內的圖像的預測類別為濺射，則保留最小矩形框內像素；否則將形態學處理后待檢測激光定向能量沉積圖像內最小矩形框內的圖像的像素置為黑色像素；進一步得到像素處理后待檢測激光定向能量沉積圖像；

步驟4：對像素處理后待檢測激光定向能量沉積圖像進行灰度化處理，得到灰度待檢測激光定向能量沉積圖像；對灰度待檢測激光定向能量沉積圖像梯度化后，進一步采用分水嶺算法進行處理，找到灰度待檢測激光定向能量沉積圖像中存在的輪廓，對灰度待檢測激光定向能量沉積圖像中存在的輪廓數量計數得到待檢測激光定向能量沉積圖像中濺射的數量。

2.根據權利要求1所述的全卷積神經網絡的激光定向能量沉積濺射計數方法，其特征在于：

步驟1所述多幅激光定向能量沉積區域圖像為：

origin_a(m，n)

a∈[1，A]，m∈[1，M]，n∈[1，N]

其中，origin_a為第a幅激光定向能量沉積區域圖像，origin_a(m，n)為第a幅激光定向能量沉積區域圖像上第m行第n列的像素，A為激光定向能量沉積區域圖像的總數量，M為圖像行的數量，N為圖像列的數量；

步驟1所述每幅激光定向能量沉積區域圖像內最小矩形框內的圖像為：

其中，l表示激光定向能量沉積區域圖像內的左，t表示激光定向能量沉積區域圖像內的上，r表示激光定向能量沉積區域圖像內的右，b表示激光定向能量沉積區域圖像內的下；A表示激光定向能量沉積區域圖像的數量，K_a表示第a幅激光定向能量沉積區域圖像中建立的最小矩形框的總數；loc_a，k表示第a幅激光定向能量沉積區域圖像中第k個最小矩形框內圖像的坐標，表示第a幅激光定向能量沉積區域圖像中第k個最小矩形框內圖像左上角的坐標，表示第a幅激光定向能量沉積區域圖像中第k個最小矩形框內圖像左上角的橫坐標，表示第a幅激光定向能量沉積區域圖像中第k個最小矩形框內圖像左上角的縱坐標；表示第a幅激光定向能量沉積區域圖像中第k個最小矩形框內圖像右下角的坐標，表示第a幅激光定向能量沉積區域圖像中第k個最小矩形框內圖像右下角的橫坐標，表示第a幅激光定向能量沉積區域圖像中第k個最小矩形框內圖像右下角的縱坐標；

步驟1所述人工標注每幅激光定向能量沉積區域圖像內最小矩形框內的圖像的標簽為：

label_a，k

a∈[1，A]，k∈[1，K_a]

其中，label_a，k為第a幅激光定向能量沉積區域圖像內第k個最小矩形框內圖像的標簽，label_a，k＝0表示第a幅激光定向能量沉積區域圖像內第k個最小矩形框內圖像不是濺射區域，label_a，k＝1表示第a幅激光定向能量沉積區域圖像內第k個最小矩形框內圖像是濺射區域；

步驟1所述全卷積神經網絡訓練集為：

{origin_a(m，n)，(loc_a，k，label_a，k)}

a∈[1，A]，m∈[1，M]，n∈[1，N]，k∈[1，K_a]

其中，origin_a為第a幅激光定向能量沉積區域圖像，origin_a(m，n)為第a幅激光定向能量沉積區域圖像上第m行第n列的像素，loc_a，k表示第a幅激光定向能量沉積區域圖像中第k個最小矩形框內圖像的坐標，label_a，k為第a幅激光定向能量沉積區域圖像內第k個最小矩形框內圖像的標簽，A為激光定向能量沉積區域圖像數據集中圖像的總數量，M為圖像行的數量，N為圖像列的數量，K_a表示第a幅激光定向能量沉積區域圖像中建立的最小矩形框的總數。