[发明专利]磁性材料裂纹智能检测系统及方法

权利要求书

1.一种磁性材料裂纹智能检测系统，其特征在于：包括：

数据采集模块：从显微镜设备采集图像；

深度学习训练数据模块：用于神经网络识别的基础训练库图片素材，包含基本的待识别的材料断层裂纹的素材数据库；机器学习识别过程中增加的特征库；当对材料断层裂纹的识别率提升到了一定程度后的成熟训练库；

测量模块：即测量算法，包括点测定、直线测定、圆测定、多边形面积测定、不规则面积测定；

卷积神经网络算法模块：对材料断层处包含裂纹的图像的特征提取，分类计算，卷积计算，深化学习过程，迭代检测；

训练库：包括基础数据库、深入学习库和成熟型断层裂纹特征库，训练库是该软件宝贵的学习资源，也是软件越发走向成熟的必然结果和有力保障，深度学习智能图像识别技术会将训练库迭代优化到越发精准的磁性材料裂纹数据；

以及结构输出模块：输出识别结果并输出到用户主界面，识别结果可外部保存。

2.根据权利要求1所述的一种磁性材料裂纹智能检测系统，其特征在于：还包括用户界面：可视化图像采集设备属性读取、设置界面，包括分辨率等属性；可视化测量界面，包括手动测量，划线；智能识别开启、选择图片、选择特定材料裂纹图片等人工配置选项。

3.根据权利要求2所述的一种磁性材料裂纹智能检测系统，其特征在于：还包括用户界面：还包括图像预识别模块：负责对图像采集后图像灰度化、图像边缘检测、图像切割等基本图像预处理功能。

4.一种磁性材料裂纹智能检测方法，其特征在于：其利用权利要求1所述的磁性材料裂纹智能检测系统进行磁性材料裂纹智能检测，步骤如下：

1)数据采集模块实时采集显微镜设备的图像数据；

2)用户通过用户界面模块或者手动配置用于材料裂纹图像识别的学习训练基础特征图片库；

3)提取图像特征，进行图像优化，得到特征数据；

4)对图像特征进行分类识别，对该磁性材料的各种裂纹情况(图像)分类训练；

5)运用成熟的神经网络卷积算法，对提取的特征和分类进行多层网络迭代计算，得到所有包含图像中不同裂纹的特征结果和上下文数据；

6)输出深度学习结果，并将该结果及其特征上下文数据用于壮大训练学习库，逐步提高对磁性材料裂纹问题的识别效率和准确率。

5.根据权利要求4所述的一种磁性材料裂纹智能检测方法，其特征在于：获取待检测磁性材料高清高倍率图像并进行预处理；

预处理包括如下步骤：

A1)将待检测磁性材料的高清高倍率图像进行尺寸变换至预设大小；

A2)将步骤A1)中尺寸变换后的图像进行边缘检测得到边缘图像；

A3)对边缘图像进行霍夫变换并提取检测区域得到长条形图像；

A4)将长条形图像进行倾斜校正并将校正后的长条形图像进行切割与拼接得到正方形图像。

6.根据权利要求5所述的一种磁性材料裂纹智能检测方法，其特征在于：将预处理后的图像输入至预先训练好的材料断层裂纹检测模型进行结构检测得到磁性材料上指定类型材料断层裂纹明显或可能存在的位置，并给出该位置为目标材料断层裂纹的置信度；材料指定的材料断层裂纹目标检测模型为基于深度学习的深度网络，包括依次级联而成的特征提取网络以及分类器与回归器网络，所述的特征提取网络对预处理的图像进行特征提取得到特征图像，所述的分类器与回归器网络对特征图像进行分类回归得到材料目标材料断层裂纹位置以及置信度。

7.根据权利要求6所述的一种磁性材料裂纹智能检测方法，其特征在于：目标材料断层裂纹检测模型的训练方法步骤为：

B1)建立本文所述的深度网络；

B2)采集海量或尽可能大量的该材料断层裂纹图像并进行人工标记，圈出感兴趣的目标区域，计算该目标区域的RECT(x,y,width,height)，得到数据样本；

B3)将数据样本输入至深度网络进行特征提取与分类回归得到待检测目标的位置和置信度；

B4)将步骤B3)得到的目标位置和置信度与人工标记的结果进行对比，从而调整深度网络中的各个链接权值，进而完成深度网络的训练。