[发明专利]一种基于CNN的超声无损检测图像缺陷分类方法

说明书

本发明属于数字图像处理技术领域，具体为一种基于CNN的超声无损检测图像缺陷分类方法。本发明方法包括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；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，该网络包括：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。本发明可以提高超声相控阵无损检测图像中缺陷的分类效率，减轻相关制造企业再缺陷数据分析过程中的成本。

技术领域

本发明属于数字图像处理技术领域，具体涉及一种超声相控阵无损检测图像缺陷分类方法。

背景技术

目前，无损检测是保证机械结构安全的中要手段，是对重要零部件内部是否含有缺陷的重要检测方法。无损检测主要有射线检测、磁粉检测、红外检测、涡流检测和超声检测等。由于超声无损检测的安全性、设备便携性、可以直接成像等特点，其应用相当广泛。但受超声成像机制与检测环境的影响，其图像中往往含有特殊噪声，且检测结果需要专业人员进行分析，才能判断物体内部的缺陷类别。因此，如何实现对检测图像中缺陷的自动识别与分类，是当前的一个研究热点。

发明内容

本发明的目的在于提供一种准确性和效率高的超声相控阵无损检测图像中缺陷的自动分类方法。

本发明提供的超声相控阵无损检测图像缺陷分类方法，是基于CNN技术的，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(一般由专业人员完成)，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(如4：1)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，提升网络训练效率；

所述双尺度特征提取模块，由卷积层、BN层、激活层和池化层组成，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；

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；所述特征重组模块包括卷积层、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，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。