[发明专利]一种基于深度学习算法的复合材料缺陷无损探伤方法

说明书

本发明公开了一种基于深度学习算法的复合材料缺陷无损探伤方法，首先对原始图像进行预处理，每张预处理图像对应一张标签图片；以预处理图像作为U‑net网络的输入，标签图像作为标签，通过梯度下降法对U‑net网络进行迭代训练，训练完成的U‑net网络构成处理网络；处理网络的输出为输入图像的特征图；将待处理图像输入处理网络后输出特征图，通过阈值分割算法对特征图进行处理，得到标记缺陷的二值图像，再通过矩形框定位算法在二值图像中定位缺陷位置；最终将二值图像和待处理图像融合，在待处理图像中定位缺陷。本发明通过神经网络学习特征的快捷性和高准确性，解决传统算法的局限性，为复合材料的缺陷检测提供新的思路。

技术领域

本发明属于材料缺陷检测技术领域，具体涉及一种防复合材料缺陷无损探伤方法。

背景技术

在工业中，复合材料的缺陷主要在视觉上表征为一个与其他部分不同的区域，由于这些缺陷的特征是在像素上的表达，因此语义分割任务在缺陷检测上具有可应用性。通过语义分割将属于缺陷部分的像素分割出来，从而实现缺陷检测的目的。

现有的技术方案主要通过传统计算机视觉算法对缺陷部分进行检测。在复合材料中，缺陷一般表示为线型和区域型，这些缺陷主要由边缘信息来进行检测，该算法主要通过梯度算子计算一副图像中不同位置的像素在各个方向上的梯度值，这些梯度值代表像素之间的像素值变化信息，通过对梯度的判断来确定图像中的边缘位置，从而实现对缺陷的检测和定位。

现有技术存在以下不足：1.过程繁琐、误判率较高。通过边缘检测得到的边缘信息只能说明图像梯度变化较大的位置，需要通过设定阈值来确定图像是否存在边缘信息，然后对得到的边缘信息判断其是否为缺陷，这个过程需要较多的步骤进行，比较繁琐，而且容易被图像中其他噪音干扰，误判率较高。2.不够灵活，可扩展性低。在缺陷检测过程中，现有方法需要根据缺陷特征的表现不同，在判断过程中调整不同的判断标准(阈值等因素)，只能对一种特定情况类型下的缺陷进行判断，一旦符合材料拍摄的场景等因素变化，需要重新调整各个参数。

深度学习技术在图像的处理方面有着很大的发展前景，目前深度学习算法在图像的应用主要有三大类型，分别是目标检测、语义分割、图像分类。其中，语义分割任务的主要目标是完成对一幅图像中每一个像素进行分类，将属于不同区域的像素分割出来。

U-net网络是FCN网络的改进，U-net在图像的语义分割任务中具有较高的准确率。U-net主要由两个部分组成。第一部分为特征提取部分(收缩路径)，第二部分为上采样部分(扩展路径)，由于网络结构类似U形，所以也叫做U-net。目前U-net用于医学图像的细胞分割，但是从特征上而言细胞与复合材料中裂缝、密度不均等缺陷有很大相似之处。

发明内容

为了克服现有技术的不足，本发明提供了一种基于深度学习算法的复合材料缺陷无损探伤方法，首先对原始图像进行预处理，每张预处理图像对应一张标签图片；以预处理图像作为U-net网络的输入，标签图像作为标签，通过梯度下降法对U-net网络进行迭代训练，训练完成的U-net网络构成处理网络；处理网络的输出为输入图像的特征图；将待处理图像输入处理网络后输出特征图，通过阈值分割算法对特征图进行处理，得到标记缺陷的二值图像，再通过矩形框定位算法在二值图像中定位缺陷位置；最终将二值图像和待处理图像融合，在待处理图像中定位缺陷。本发明通过神经网络学习特征的快捷性和高准确性，解决传统算法的局限性，为复合材料的缺陷检测提供新的思路。

本发明解决其技术问题所采用的技术方案包括如下步骤：

步骤1：对包含不同类型缺陷的原始图像进行预处理，形成预处理图像集；

步骤2：每张预处理图像对应一张标签图片，在标签图片中，无缺陷的位置处像素值标记为0，有缺陷的位置处像素值标记为255；形成标签图像集；

步骤3：训练U-net网络；