[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

本發明屬于數字圖像處理技術領域，具體為一種基于CNN的超聲無損檢測圖像缺陷分類方法。本發明方法包括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；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，該網絡包括：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。本發明可以提高超聲相控陣無損檢測圖像中缺陷的分類效率，減輕相關制造企業再缺陷數據分析過程中的成本。

技術領域

本發明屬于數字圖像處理技術領域，具體涉及一種超聲相控陣無損檢測圖像缺陷分類方法。

背景技術

目前，無損檢測是保證機械結構安全的中要手段，是對重要零部件內部是否含有缺陷的重要檢測方法。無損檢測主要有射線檢測、磁粉檢測、紅外檢測、渦流檢測和超聲檢測等。由于超聲無損檢測的安全性、設備便攜性、可以直接成像等特點，其應用相當廣泛。但受超聲成像機制與檢測環境的影響，其圖像中往往含有特殊噪聲，且檢測結果需要專業人員進行分析，才能判斷物體內部的缺陷類別。因此，如何實現對檢測圖像中缺陷的自動識別與分類，是當前的一個研究熱點。

發明內容

本發明的目的在于提供一種準確性和效率高的超聲相控陣無損檢測圖像中缺陷的自動分類方法。

本發明提供的超聲相控陣無損檢測圖像缺陷分類方法，是基于CNN技術的，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(一般由專業人員完成)，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(如4：1)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，提升網絡訓練效率；

所述雙尺度特征提取模塊，由卷積層、BN層、激活層和池化層組成，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；

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；所述特征重組模塊包括卷積層、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??；

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，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。