[發明專利]基于改進卷積神經網絡的工業CT識別復材內部缺陷方法

有效

• 申請號: 202210856814.X
• 申請日: 2022-07-20
• 公開（公告）號: CN115115610B
• 公開（公告）日: 2023-08-22
• 發明（設計）人: 汪俊;單忠德;康正水;馬曉康;曾航彬
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/40;G06N3/0464;G06N3/08
• 代理公司: 南京鐘山專利代理有限公司 32252
• 代理人: 徐燕

1.基于改進卷積神經網絡的工業CT識別復材內部缺陷方法，其特征在于，包括以下步驟：

S1：通過工業CT掃描構件，以獲取CT切片的圖像數據；

S2：對步驟S1獲取的CT切片圖像數據進行預處理，并按照訓練集、驗證集和測試集進行分組；

S3：搭建改進U-net網絡；具體為：基于現有的U-net網絡基礎上，在每組卷積層后面添加一個BN層，以提高網絡模型在訓練過程的收斂速度；在BN層后設計一個激活函數層，以增加網絡模型的擬合能力；在每個激活層函數后面引入一個融合注意力機制，以加強訓練網絡時對缺陷的識別能力，減小對不重要信息的關注，不重要信息包括構件本身、背景；

所述融合注意力機制包括有空間注意力模塊和通道注意力模塊，共同處理特征圖區域信息；同時引入強度因子β和γ調整融合注意力機制的作用強度，使得每次輸入的特征張量在分別經過空間注意力模塊和通道注意力模塊以得到對應機制輸出的特征張量后，分別作用強度因子β和γ，并將兩個模塊分別作用后的輸出特征張量進行求和得到最終的輸出特征張量；

其中，在改進U-net網絡編碼部分下采樣前經過融合注意力機制時，增大強度因子γ趨向于1，減小強度因子接β趨向于0；在改進U-net網絡解碼部分上采樣后經過融合注意力機制時，增大強度因子β趨向于1，減小強度因子γ趨向于0；

所述激活函數層的使用公式為：

式中，x是激活函數層的輸入變量，f(x)為激活函數層所輸出的非線性修正；

S4：對搭建改進的U-net網絡設計損失函數：基于二分類交叉熵損失函數和Dice相似系數損失函數的耦合設計損失函數；所述損失函數具體為：

式中，Loss表示設計的損失函數；α表示權重因子，平衡損失函數的耦合比例；N表示像素總數目；y_i表示第i個像素的真實值，表示改進網絡U-net對第i個像素的網絡預測值；

S5：結合步驟S4設計的損失函數，將步驟S2劃分的分組對步驟S3搭建好的改進U-net網絡分別進行訓練、驗證和測試；并將處理后的改進U-net網絡對復材構件的CT切片數據進行缺陷識別。

2.根據權利要求1所述的基于改進卷積神經網絡的工業CT識別復材內部缺陷方法，其特征在于，步驟S2的具體內容為：

S2.1：對步驟S1獲取的CT切片圖像數據進行預處理，包括進行圖像增強、濾波；

S2.2：將預處理完的圖像進行數據集的劃分，所述訓練集、驗證集和測試集的數據比例為8：1：1。

3.根據權利要求2所述的基于改進卷積神經網絡的工業CT識別復材內部缺陷方法，其特征在于，步驟S2.1中所述圖像增強的具體內容為：

使用直方圖均衡化方法對圖像數據進行初步圖像增強，在初步圖像增強處理完的基礎上基于線性插值的二次均衡處理以減小過暗或者過亮的情況，提高對比度；具體使用的公式為：

式中，f(N_k，P_k)表示線性插值的二次均衡處理后的圖像的灰度值和概率值，f(n_k，p_k)表示直方圖均衡化后的圖像的灰度值和概率值，n_k+1表示直方圖均衡化后圖像中灰度值為k+1的像素總數量，n_k-1表示直方圖均衡化后圖像中灰度值為k-1的像素總數量，N_k表示使用線性插值后圖像中灰度值為k的像素總數量，p_k+1表示直方圖均衡化后圖像中灰度值為k+1的像素數量占總像素數量比，p_k-1表示直方圖均衡化后圖像中灰度值為k-1的像素數量占總像素數量比，P_k表示使用線性插值后圖像中灰度值為k的像素數量占總像素數量比；k表示的是直方圖均衡化后圖像中第k個灰度級。