[發明專利]一種基于小樣本航空發動機葉片CT圖像的深度學習缺陷自動檢測識別方法

在審

• 申請號: 202110627897.0
• 申請日: 2021-06-05
• 公開（公告）號: CN113313695A
• 公開（公告）日: 2021-08-27
• 發明（設計）人: 王棟歡;肖洪;吳丁毅
• 申請（專利權）人: 西北工業大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06K9/62;G06N20/00
• 代理公司: 西北工業大學專利中心 61204
• 代理人: 華金

1.一種基于小樣本航空發動機葉片CT圖像的深度學習缺陷自動檢測識別方法，其特征在于，包括以下步驟：

步驟1：對航空發動機葉片CT膠片進行掃描得到數字化圖像，建立航空發動機缺陷葉片CT圖像樣本數據庫；

步驟2：依次對每個缺陷葉片數字圖像中缺陷的種類和位置進行人工標定，生成對應缺陷標簽數據文件，建立缺陷樣本標簽集；

步驟3：裁取航空發動機葉片缺陷部位圖像并進行數據擴充，構建航空發動機葉片缺陷圖像深度學習模型訓練樣本集；

步驟4：構建深度學習航空發動機葉片缺陷檢測識別網絡；

步驟5：利用缺陷葉片樣本圖像數據集訓練深度學習航空發動機葉片缺陷檢測識別網絡；

步驟6：基于步驟4、步驟5，建立深度學習航空發動機葉片缺陷自動檢測識別模型；

步驟7：將需要檢測的航空發動機葉片CT圖像輸入到深度學習航空發動機葉片缺陷自動檢測識別模型，模型自動進行檢測識別并輸出缺陷的位置、類型和置信度信息。

2.如權利要求1所述的一種基于小樣本航空發動機葉片CT圖像的深度學習缺陷自動檢測識別方法，其特征在于，所述步驟1中建立航空發動機缺陷葉片CT圖像樣本數據庫的具體操作為：在不同型號、不同批次的航空發動機葉片傳統膠片中人工挑選含有裂紋、冷隔、氣孔、夾渣、疏松、多余物、斷芯缺陷的CT膠片，采用掃描儀對傳統膠片實現黑度范圍0.5-4.5D的DS級掃描，從每個大尺寸高分辨率的掃描數字圖像中人工裁取含有缺陷的單個葉片圖像，保證同型號單葉片圖像尺寸大小相同，順次進行命名并保存。

3.如權利要求1所述的一種基于小樣本航空發動機葉片CT圖像的深度學習缺陷自動檢測識別方法，其特征在于，所述步驟2中生成對應缺陷標簽數據文件的具體操作為：利用深度學習標簽制作軟件打開缺陷葉片CT圖像，依次對每個圖像上的缺陷進行框選，確定缺陷邊界框在圖像中的位置坐標(x₁,y₁,x₂,y₂)，之后對缺陷類型進行標注，保存后輸出包含圖像大小、缺陷類型、缺陷位置坐標等信息的.xml標簽數據文件。

4.如權利要求1所述的一種基于小樣本航空發動機葉片CT圖像的深度學習缺陷自動檢測識別方法，其特征在于，所述步驟3中裁取航空發動機葉片缺陷部位圖像并進行數據擴充的具體步驟為：

步驟1：統計步驟(2)中得到的缺陷位置坐標，得到最大缺陷尺寸m；

步驟2：利用m×m(其中m＞n，且m是32的整倍數)大小的框依次在缺陷葉片圖像上對每個缺陷進行9次裁取，在對缺陷每次裁取的過程中，以m×m框的中心為坐標原點，使得缺陷中心坐標依次落在坐標(0,0)、

步驟3：針對每個缺陷，對裁取的9個m×m大小的局部缺陷圖片進行隨機左右翻轉處理；

步驟4：或/和，針對每個缺陷，對裁取的9個m×m大小的局部缺陷圖片進行隨機上下翻轉處理；

步驟5：或/和，針對每個缺陷，對裁取的9個m×m大小的局部缺陷圖片進行隨機繞中心逆時針旋轉處理；

步驟6：或/和，針對每個缺陷，對裁取的9個m×m大小的局部缺陷圖片進行隨機亮度增減處理；

步驟7：根據裁取圖片尺寸、缺陷坐標信息以及翻轉和旋轉等操作修正對應的缺陷標簽數據文件。

5.如權利要求1所述的一種基于小樣本航空發動機葉片CT圖像的深度學習缺陷自動檢測識別方法，其特征在于，所述步驟4中所述的構建深度學習航空發動機葉片缺陷檢測識別網絡的具體步驟如下：基于Yolov4目標檢測算法搭建深度學習葉片缺陷檢測的初級網絡框架，其中主干特征提取網絡采用改進的CSPDarknet53網絡，分別于第4個Resblock_body、第8個Resblock_body和第16個Resblock_body后輸出三個主特征圖，之后在CSPDarknet53網絡最后接一個SPPNet網絡結構并輸出第四個主特征圖，其中四個主特征圖的尺寸依次為原輸入圖像尺寸的1/4、1/8、1/16、1/32；給PANet網絡多加一組上采樣和下采樣；最后輸出四個Yolo Head。