[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

本發明公開了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，步驟為：對葉片CT膠片進行數字化處理；對每個缺陷的種類和位置進行人工標定以建立缺陷樣本標簽集；裁取葉片局部缺陷區域圖像并進行數據擴充及對應標簽的修正擴充以建立深度學習模型訓練樣本集；構建深度學習航空發動機葉片缺陷檢測識別網絡；訓練深度學習航空發動機葉片缺陷檢測識別網絡；根據缺陷檢測識別網絡和訓練最終參數建立自動檢測識別模型；將CT圖像輸入缺陷檢測識別模型自動進行葉片缺陷檢測識別定位。該方法解決缺陷葉片樣本量少的問題，克服由于人為因素影響，使航空發動機葉片射線檢測效率和對微小缺陷的檢測精度得到了大幅提升。

技術領域

本發明屬于航空發動機葉片加工制造及質檢領域，特別涉及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。

背景技術

航空發動機葉片是發動機工作過程中主要的承力部件，葉片質量的好壞與航空發動機的安全運行息息相關。目前的無損檢測技術(射線檢測、渦流檢測、磁粉檢測、滲透檢測等)在航空發動機葉片檢測領域被廣泛應用。隨著航空工業的不斷發展，飛機性能在不斷提升的同時對航空發動機葉片可靠性提出了更高的要求，其質檢要求也愈加苛刻。

受限于鑄造加工工藝，發動機葉片在鑄造加工過程中難免產生裂紋、冷隔、氣孔、夾渣、疏松、斷芯、多余物等缺陷。對上述缺陷的檢測，目前的常用方法之一是通過計算機斷層掃描技術(CT)對葉片進行CT掃描，隨后對掃描產生的葉片CT圖像進行人工評定。由于存在經驗差異、標準理解、眼睛疲勞等人為因素影響，使得葉片缺陷檢測過程中容易出現漏檢、誤檢的情況，一個很小的檢測疏忽可能引起巨大的經濟損失，甚至造成空難事故。近年來，雖然已有渦輪葉片缺陷自動識別的相關研究，但都是基于圖像分割、形態學計算等傳統的圖像特征提取方法。這些傳統的缺陷檢測方法漏檢率和誤檢率仍較高，無法有效提升渦輪葉片出廠質量。

隨著人工智能時代的到來，深度學習技術已逐漸應用于缺陷檢測，并且在焊縫、孔洞等形態特征較為明顯的缺陷識別中有所應用，然而對于大多數的缺陷檢測而言，仍舊采用傳統的無損檢測技術。渦輪葉片鑄造工藝復雜，典型缺陷種類多，長期以來，針對渦輪葉片的缺陷檢測都是依靠人工經驗進行評定。因此，將深度學習技術應用于航空發動機缺陷檢測。最大限度的發揮深度學習的優勢，尋求一種高效智能化的葉片缺陷檢測手段意義重大。

發明內容

本發明解決的技術問題是：針對現有技術存在的問題和不足，本發明的目的是提供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。

本發明的技術方案是：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，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。