[发明专利]一种基于CNN的超声无损检测图像缺陷分类方法

权利要求书

1.一种基于CNN的超声无损检测图像缺陷分类方法，其特征在于，具体步骤为：

步骤一：采集超声相控阵无损检测图像，并对检测图像进行分类，构造一种专用于超声相控阵无损检测图像缺陷分类的数据集；并将数据集按照一定比例划分为训练集、测试集，训练集用来训练网络模型，测试集用来测试训练好的网络模型的性能；

步骤二：设计专用的超声相控阵无损检测图像缺陷分类的深度卷积神经网络（CNN），该网络具体包括：数据输入模块、双尺度特征提取模块、特征重组模块、特征融合模块、CA模块和分类器；其中：

所述数据输入模块，主要用于缺陷图像的预处理，包括从训练集中随机提取批量图像用于训练网络，对提取的批量图像进行梯度计算以生成梯度图像，并对图像进行下采样以减少数据量；

所述双尺度特征提取模块，用于提取不同尺度下的缺陷图像特征，通过不同大小的感受野来提取原始图像和梯度图像的特征；包括卷积层、BN层、激活层和池化层；

所述特征重组模块，用于将双尺度下的特征进行重组，并通过CA模块重新调整各特征通道所占权重，将高维度的特征进行合理的重组；包括卷积层、BN层、激活层和池化层；

所述特征融合模块，用于实现高维特征的降维，保留对分类结果影响重要的特征，去除对分类结果影响较小或无影响的特征，减少网络的参数量，从而加速网络的训练；

所述分类器，用来实现对缺陷类型的分类，由卷积层和Softmax层组成，卷积层用于将融合后的高维特征进行降维与融合，Softmax层可以输出缺陷属于哪一类别；

步骤三：由数据输入模块生成网络的输入数据，对训练集中的缺陷图像进行批处理，随机从训练集中选取多张缺陷图像作为每次输入网络中的批量图像，并对批量图像中的图像进行下采样减少数据量，输入双尺度网络中进行特征的提取；

步骤四：通过双尺度特征提取模块，提取批图像中的不同尺度下的特征，提取输入网络的批图像的双尺度特征，即原始图像的特征和对应的梯度图像特征，以避免单尺度下网络的特征提取能力不足；

步骤五：通过特征重组模块，将双尺度下的特征进行重组，并通过CA模块重新调整各特征通道所占权重，将高维度的特征进行合理的重组；

步骤六：将重组后的特征输入特征融合模块，特征融合模块可以实现高维特征的降维，保留对分类结果影响重要的特征，去除对分类结果影响较小或无影响的特征；

步骤六：通过分类器输出图像中缺陷的类别，实现超声相控阵无损检测图像中缺陷的自动分类；

步骤七：计算分类器输出结果与输入标签之间的损失，采用交叉熵损失作为损失函数；通过梯度下降法优化损失函数，更新网络的参数，使网络的损失达到最小；

步骤八：重复步骤三-七，直到达到停止条件或最大训练次数，得到训练好的模型；

步骤九：使用测试集中的图像，输入到训练好的网络模型中，可实现对图像中缺陷类型的分类。

2.根据权利要求1所述的基于CNN的超声无损检测图像缺陷分类方法，其特征在于，所述双尺度特征提取模块，由不同感受野的卷积模块组成；第一个尺度的卷积模块为卷积核大小为3*3的卷积层，第二个尺度的卷积模块为卷积核大小为5*5的卷积层；小的感受野侧重关注图像中的局部信息，而大的感受野侧重关注到图像中的结构信息；每个尺度的卷积模型均由卷积层、激活层、最大池化层组成；第一个尺度的卷积层输入特征通道数为3，输出特征通道数为256，卷积核大小为3*3，卷积步长为1，不进行补零操作；第二个尺度的卷积层输入特征通道数为3，输出特征通道数为256，卷积核大小为5*5，卷积步长为1，不进行补零操作。

3.根据权利要求1所述的基于CNN的超声无损检测图像缺陷分类方法，其特征在于，所述特征重组模块由依次排布的卷积层1、激活层、卷积层2、激活层、最大池化层组成；卷积层1的输入特征通道数为576，输出特征通道数为128，卷积核大小为3*3，卷积步长为1，不进行补零操作，实现特征降维与融合；卷积层2的输入特征通道数为128，输出特征通道数为64，卷积核大小为3*3，卷积步长为1，不进行补零操作，进一步实现特征降维与融合。