[发明专利]一种结构表面损伤图像的智能分割方法及系统

说明书

本发明公开了一种结构表面损伤图像的智能分割方法，包括：获取多张待分割的结构表面图像，对各张结构表面图像进行预处理；将预处理后的结构表面图像输入训练完成的图像分割网络，以获得结构表面的损伤情况。通过本方法，可以在结构损伤图像分割处理过程中避免背景像素造成的损伤误判，提高了损伤识别准确率。

技术领域

本发明属于无损检测和计算机视觉技术领域，具体涉及一种结构表面损伤图像的智能分割方法及系统。

背景技术

燃气轮机、汽轮机、航空发动机、核电装置等重大装备中存在大量相对独立的关键结构部件，如叶片、转子、隔热瓦等。这些结构在服役过程中常面临高温、高压、气流冲刷等复杂工况，易产生腐蚀、裂纹、凹坑、涂层剥落等表面损伤，严重影响装备服役安全。定期对关键结构进行检查与评估、提前预测潜在危险区域并进行维修或更换，是装备运行维护的重要需求。常规的结构表面损伤评估主要采用人工目视检测，这种方法严重依赖现场工人的注意力状态与工作经验，稳定性与一致性差，且效率极低。采用图像智能识别方法检测大批量结构的多种不同类别的表面损伤是大势所趋，有望替代人工目视检测，大幅提高损伤识别的准确率与效率。其中，对图像特征进行有效分割，是实现准确识别的基础。传统的图像分割方法主要利用灰度、颜色、纹理等特征的显著差别来划分不同区域，常见的方法包括：阈值分割法、边界分割法、区域分割法、分水岭分割法等。这些方法依赖人工进行特征提取和描述，难度较大，难以在复杂环境中获得好的效果；而且局限性强，鲁棒性差、稳定性不高，不具备通用性，不能达到自动分割的效果。随着计算机视觉领域的智能化技术发展，利用深度卷积神经网络对数字图像进行解析的研究取得了较突出的进展。2015年，研究人员提出了一种经典的图像分割网络FCN，实现了对图像在特定类别目标对象的像素级分割，满足了图像解析的更深层次要求。但是，这种FCN法分割出的损伤像素容易溢出结构尺寸范围，导致结构范围外的背景像素被认为是损伤特征，造成误判。在实际的数字图像采集中，许多结构由于难以拆卸，只能进行原位拍摄，其背景更复杂、误判可能性更大。有必要采取措施消除这种对结构范围外背景像素的误判，提高结构损伤图像分割的准确性和一致性。

发明内容

针对现有技术中的不足，本发明的目的在于提供一种结构表面损伤图像的智能分割方法及系统，通过将掩膜操作融入图像分割网络中，可以改善损伤分割结果溢出结构范围的问题，提高了分割结果的准确性和一致性。

为实现上述目的，本发明提供以下技术方案：

一种结构表面损伤图像的智能分割方法，包括如下步骤：

S100：获取多张待分割的结构表面图像，对各张结构表面图像进行预处理；

S200：将预处理后的各张结构表面图像输入训练完成的图像分割网络，以获得结构表面的损伤情况。

优选的，所述图像分割网络包括第一分割模块和第二分割模块，

所述第一分割模块为特征提取网络，通过卷积和池化提取预处理后的各张结构表面图像中的特征，并通过上采样和跳跃融合操作对结构表面图像进行第一次分割以获得结构区域；

所述第二分割模块将由第一分割模块获得的结构区域作为标签，通过覆盖掩膜去掉背景信息，再通过上采样和跳跃融合操作对结构区域进行二次分割以获得结构表面的损伤区域。

优选的，所述图像分割网络通过以下方式进行训练：

S1000：获取多张带有损伤的结构表面图像并进行预处理，将预处理后的各张结构表面图像形成训练集、验证集和测试集；

S2000：对训练集中各张结构表面图像进行标记，然后输入图像分割网络对网络进行训练，并将验证集中各张结构表面图像输入训练后的图像分割网络对网络进行验证，当验证集分数不再提高时，则图像分割网络完成训练；

S3000：将测试集中各张图像输入训练完成的图像分割网络中对网络进行测试，若测试通过，则获得最终的图像分割网络。