[發明專利]一種航天復合材料缺陷定位與識別方法及系統

在審

• 申請號: 202110887116.1
• 申請日: 2021-08-03
• 公開（公告）號: CN113724204A
• 公開（公告）日: 2021-11-30
• 發明（設計）人: 邵紅亮;董學金;陳小弟;宋文成;羅鈞;龔燕峰;李志學;曾偉
• 申請（專利權）人: 上海衛星裝備研究所
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08
• 代理公司: 上海段和段律師事務所 31334
• 代理人: 李佳俊;郭國中

1.一種航天復合材料缺陷定位與識別方法，其特征在于，包括以下步驟：

步驟S1：構建用于定位和識別航天復合材料缺陷的檢測網絡，所述檢測網絡的基礎網絡為Faster R-CNN，檢測網絡的骨干網絡為輕量卷積神經網絡，檢測網絡的特征提取網絡為特征金字塔網絡；所述檢測網絡還包括PRN網絡模塊、分類網絡分支以及位置回歸分支；所述RPN網絡模塊獲取多種尺度的特征圖中的感興趣區域；

步驟S2：將檢測網絡在ImageNet數據集上預訓練，獲取骨干網絡和特征提取網絡的預訓練權重值；

步驟S3：通過X射線成像無損檢測方法獲取航天復合材料缺陷圖像樣本，如果是單通道圖像，則復制這個通道的像素值形成三通道圖像，并使用LabelImg軟件標注圖像樣本的標簽；

步驟S4：將含有航天復合材料缺陷的圖像樣本集和標簽輸入到整個檢測網絡中訓練，得到檢測網絡的權重和缺陷位置和類別信息；

步驟S5：獲取待檢測的航天復合材料缺陷圖像，輸入至步驟S4得到的檢測網絡，計算得到待檢測圖像中的缺陷位置和缺陷類別信息。

2.根據權利要求1所述的一種航天復合材料缺陷定位與識別方法，其特征在于：所述步驟S1中的輕量卷積神經網絡模塊包括SqueezeNext block，在SqueezeNext block的基礎上融入IBN Net結構，形成SqueezeNext IBN-a block和SqueezeNext IBN-b block模塊。

3.根據權利要求1所述的一種航天復合材料缺陷定位與識別方法，其特征在于：所述步驟S1中的特征提取網絡采用4層特征金字塔結構，最底層的特征圖分辨率為輸入圖像的1/8，倒數第二層的特征圖分辨率為輸入圖像的1/16，倒數第三層的特征圖分辨率為輸入圖像的1/32，最頂層的特征圖分辨率為輸入圖像的1/64，每一層的特征圖由骨干網絡和上一層特征圖合成。

4.根據權利要求1所述的一種航天復合材料缺陷定位和識別方法，其特征在于：所述步驟S3中的缺陷圖像包括航天復合材料的高密度夾雜缺陷圖片、裂紋缺陷圖片和氣泡缺陷圖片。

5.根據權利要求1所述的一種航天復合材料缺陷定位和識別方法，其特征在于：所述步驟S4包括以下子步驟：

步驟S4.1：將圖像樣本集通過檢測網絡中的骨干網絡和特征提取網絡進行處理得到多尺度特征圖；

步驟S4.2：將多尺度特征圖輸入到RPN網絡模塊進行處理得到各種不同尺度特征圖中的感興趣區域；

步驟S4.3：將所有感興趣區域輸入到Faster R-CNN網絡的ROIPooling模塊進行處理得到固定尺寸的感興趣區域；

步驟S4.4：將固定尺寸的感興趣區域輸入到分類網絡分支中進行處理得到缺陷的類別預測結果；將固定尺寸的感興趣區域輸入到位置回歸分支中進行處理得到缺陷的位置預測結果。

6.一種航天復合材料缺陷定位與識別系統，其特征在于，包括以下模塊：

模塊M1：構建用于定位和識別航天復合材料缺陷的檢測網絡，所述檢測網絡的基礎網絡為Faster R-CNN，檢測網絡的骨干網絡為輕量卷積神經網絡，檢測網絡的特征提取網絡為特征金字塔網絡；所述檢測網絡還包括PRN網絡模塊、分類網絡分支以及位置回歸分支；所述RPN網絡模塊獲取多種尺度的特征圖中的感興趣區域；

模塊M2：將檢測網絡在ImageNet數據集上預訓練，獲取骨干網絡和特征提取網絡的預訓練權重值；

模塊M3：通過X射線成像無損檢測方法獲取航天復合材料缺陷圖像樣本，如果是單通道圖像，則復制這個通道的像素值形成三通道圖像，并使用LabelImg軟件標注圖像樣本的標簽；

模塊M4：將含有航天復合材料缺陷的圖像樣本集和標簽輸入到整個檢測網絡中訓練，得到檢測網絡的權重和缺陷位置和類別信息；

模塊M5：獲取待檢測的航天復合材料缺陷圖像，輸入至模塊M4得到的檢測網絡，計算得到待檢測圖像中的缺陷位置和缺陷類別信息。