[發明專利]一種基于CNN的超聲無損檢測圖像缺陷分類方法

在審

• 申請號: 202110358480.9
• 申請日: 2021-04-01
• 公開（公告）號: CN113077444A
• 公開（公告）日: 2021-07-06
• 發明（設計）人: 汪興偉
• 申請（專利權）人: 復旦大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海正旦專利代理有限公司 31200
• 代理人: 陸飛;陸尤

1.一種基于CNN的超聲無損檢測圖像缺陷分類方法，其特征在于，具體步驟為：

步驟一：采集超聲相控陣無損檢測圖像，并對檢測圖像進行分類，構造一種專用于超聲相控陣無損檢測圖像缺陷分類的數據集；并將數據集按照一定比例劃分為訓練集、測試集，訓練集用來訓練網絡模型，測試集用來測試訓練好的網絡模型的性能；

步驟二：設計專用的超聲相控陣無損檢測圖像缺陷分類的深度卷積神經網絡（CNN），該網絡具體包括：數據輸入模塊、雙尺度特征提取模塊、特征重組模塊、特征融合模塊、CA模塊和分類器；其中：

所述數據輸入模塊，主要用于缺陷圖像的預處理，包括從訓練集中隨機提取批量圖像用于訓練網絡，對提取的批量圖像進行梯度計算以生成梯度圖像，并對圖像進行下采樣以減少數據量；

所述雙尺度特征提取模塊，用于提取不同尺度下的缺陷圖像特征，通過不同大小的感受野來提取原始圖像和梯度圖像的特征；包括卷積層、BN層、激活層和池化層；

所述特征重組模塊，用于將雙尺度下的特征進行重組，并通過CA模塊重新調整各特征通道所占權重，將高維度的特征進行合理的重組；包括卷積層、BN層、激活層和池化層；

所述特征融合模塊，用于實現高維特征的降維，保留對分類結果影響重要的特征，去除對分類結果影響較小或無影響的特征，減少網絡的參數量，從而加速網絡的訓練；

所述分類器，用來實現對缺陷類型的分類，由卷積層和Softmax層組成，卷積層用于將融合后的高維特征進行降維與融合，Softmax層可以輸出缺陷屬于哪一類別；

步驟三：由數據輸入模塊生成網絡的輸入數據，對訓練集中的缺陷圖像進行批處理，隨機從訓練集中選取多張缺陷圖像作為每次輸入網絡中的批量圖像，并對批量圖像中的圖像進行下采樣減少數據量，輸入雙尺度網絡中進行特征的提取；

步驟四：通過雙尺度特征提取模塊，提取批圖像中的不同尺度下的特征，提取輸入網絡的批圖像的雙尺度特征，即原始圖像的特征和對應的梯度圖像特征，以避免單尺度下網絡的特征提取能力不足；

步驟五：通過特征重組模塊，將雙尺度下的特征進行重組，并通過CA模塊重新調整各特征通道所占權重，將高維度的特征進行合理的重組；

步驟六：將重組后的特征輸入特征融合模塊，特征融合模塊可以實現高維特征的降維，保留對分類結果影響重要的特征，去除對分類結果影響較小或無影響的特征；

步驟六：通過分類器輸出圖像中缺陷的類別，實現超聲相控陣無損檢測圖像中缺陷的自動分類；

步驟七：計算分類器輸出結果與輸入標簽之間的損失，采用交叉熵損失作為損失函數；通過梯度下降法優化損失函數，更新網絡的參數，使網絡的損失達到最小；

步驟八：重復步驟三-七，直到達到停止條件或最大訓練次數，得到訓練好的模型；

步驟九：使用測試集中的圖像，輸入到訓練好的網絡模型中，可實現對圖像中缺陷類型的分類。

2.根據權利要求1所述的基于CNN的超聲無損檢測圖像缺陷分類方法，其特征在于，所述雙尺度特征提取模塊，由不同感受野的卷積模塊組成；第一個尺度的卷積模塊為卷積核大小為3*3的卷積層，第二個尺度的卷積模塊為卷積核大小為5*5的卷積層；小的感受野側重關注圖像中的局部信息，而大的感受野側重關注到圖像中的結構信息；每個尺度的卷積模型均由卷積層、激活層、最大池化層組成；第一個尺度的卷積層輸入特征通道數為3，輸出特征通道數為256，卷積核大小為3*3，卷積步長為1，不進行補零操作；第二個尺度的卷積層輸入特征通道數為3，輸出特征通道數為256，卷積核大小為5*5，卷積步長為1，不進行補零操作。

3.根據權利要求1所述的基于CNN的超聲無損檢測圖像缺陷分類方法，其特征在于，所述特征重組模塊由依次排布的卷積層1、激活層、卷積層2、激活層、最大池化層組成；卷積層1的輸入特征通道數為576，輸出特征通道數為128，卷積核大小為3*3，卷積步長為1，不進行補零操作，實現特征降維與融合；卷積層2的輸入特征通道數為128，輸出特征通道數為64，卷積核大小為3*3，卷積步長為1，不進行補零操作，進一步實現特征降維與融合。