[发明专利]基于深度学习的3D打印点阵结构CT图像缺陷检测方法

权利要求书

1.一种基于深度学习的3D打印点阵结构CT图像缺陷检测方法，其特征在于，其包括以下步骤：

步骤1：通过工业CT获取缺陷图像数据；

使用工业CT扫描3D打印点阵结构件，获取内部缺陷图像数据，并对缺陷图像数据进行保存；

步骤2：高斯滤波处理缺陷图像数据；

对所有图像数据都要进行高斯滤波，通过镜像、旋转、平移、扭曲、对比度调整和重复像素值操作，对缺陷图像数据进行扩展和增强；高斯滤波的表达方式如下所示：

式中：x表示输入图像横坐标方向像素点的值；y表示输入图像纵坐标方向像素点的值；G(x,y)表示高斯函数；σ代表高斯滤波函数的方差；

步骤3：构建基于深度学习网络的缺陷检测模型；

带有缺陷信息的图像数据被划分为训练集和验证集，图像数据传入基于深度学习的3D打印点阵结构缺陷检测模型进行训练，图像数据依次经过Resizer Images模块，融入双注意力机制的YOLOv4缺陷检测模块，进行缺陷检测；

步骤31：构建Resizer Model模块；

Resizer Model模块包括卷积层和BatchNorm层，所述卷积层函数的获取方式如下所示：

f_x＝ρ(w^lx_l+b^l)

式中：f_x表示卷积层函数；x_l表示输入的图像数据矩阵；w^l和b^l分别表示该层的权重和偏置；ρ表示激活函数；

所述BatchNorm层函数的获取方式如下所示：

式中：y_i表示BatchNorm层函数；γ和β分别表示第一训练参数和第二训练参数；表示第i个输入的图像数据的矩阵标准化；i表示输入图像数据的编号；

步骤32：构建基于双注意力机制的YOLOv4缺陷检测模块；

所述双注意力机制由SE注意力机制和CBAM注意力机制共同组成；

将所述SE注意力机制需融入到特征提取网络，给特征提取网络通道分配不同的权重；将所述CBAM注意力机制融入到特征提取网络，能够将图像不同位置分配不同权重，更好的突出缺陷位置；

步骤33：搭建深度学习神经网络的损失函数；

融合Resizer Model模块、双注意力模块的YOLOv4深度学习神经网络的损失函数获取方法如下所示：

式中：L_CIOU表示YOLOv4深度学习神经网络的损失函数；IOU表示真实框和检测框的交并比；A表示检测框；B表示真是框；d表示欧氏距离；A_zx和B_zx代表检测框和真实框的中心坐标；c为A和B最小包围框的对角线长度；ν和a分别代表对长宽比的第一修正系数和第二修正系数；

步骤4：判断缺陷检测检测模型训练结果是否符合要求；

当验证集在检测网络上的mAP值为95％以上代表模型训练完毕；保存模型参数，所述模型参数包括：迭代次数、优化器型号和所训练权重；所述mAP值获取方法如下所示：

式中：mAP表示平均精度均值；k表示第k个计算区域；N表示计算区域数量；p(k)代表精确率；r(k)代表召回率；

步骤5：将训练好的模型参数用于缺陷检测模型；

将训练好的模型参数嵌入缺陷检测模型，应用到3D打印点阵结构件的内部缺陷检测。

2.根据权利要求1所述的基于深度学习的3D打印点阵结构CT图像缺陷检测方法，其特征在于，所述步骤1中的通过工业CT对3D打印点阵结构件进行扫描，根据结构件的长度、宽度和高度以及缺陷的尺寸确定切片图像数量，组成图像数据。

3.根据权利要求1所述的基于深度学习的3D打印点阵结构CT图像缺陷检测方法，其特征在于，所述步骤31中的Resizer Model模块能够让网络自动学习切片图像数据信息的大小，训练出与检测网络相匹配的图像尺寸，并自动调整输入到检测网络的尺寸信息。