[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

说明书

本发明涉及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，其包括以下步骤，步骤一：通过工业CT获取缺陷图像数据；步骤二：高斯滤波处理缺陷图像数据；步骤三：构建基于深度学习网络的缺陷检测模型；步骤四：判断缺陷检测模型训练结果是否符合要求；步骤五：将训练好的模型参数用于缺陷检测模型。本发明通过基于双注意力机制的图像缺陷检测模块构建深度学习模型，实现对3D打印点阵结构内部缺陷进行无伤检测，准确高效地提取缺陷信息，分析该缺陷对点阵结构的力学性能影响，具有检测准确率高，实时性好，自动化程度高等优点。

技术领域

本申请涉及属于3D打印点阵结构无伤探测技术领域，具体地涉及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。

背景技术

3D打印点阵结构件拥有体积密度小、比力学性能高、出色的减震、理想的吸振的优势，被广泛应用在航空航天、机械、潜艇等领域。通过选择性激光熔铸技术(SLM)打印点阵结构不仅打印速度快，还可设计复杂的内部结构，满足工业上的需求，创造很大的经济效益。但是由于粉末的融化、凝固以及自身的缺陷可能使得打印出的产品有很多的缺陷，降低甚至破坏点阵结构的力学性能，因此对其进行无伤检测尤为重要。

目前为止，最常用的无伤检测方法有射线检测、涡流检测、超声检测法等，射线检测法最为常见，将3D打印点阵结构件经过工业CT扫描得到断层图像，人工进行检测，检测效率低并且误差大，由于图像存在渐变性，对人的视力造成极大的伤害，因此对缺陷图像进行智能化检测十分必要，既可以提高检测效率和检测精度，还可以降低检测成本。

发明内容

为了克服现有技术的不足，本发明通过基于双注意力机制的图像缺陷检测模块构建深度学习模型识别图像数据，实现对3D打印点阵结构内部缺陷进行无伤检测，准确高效地提取图像缺陷信息。

为实现上述目的，本发明所采用的解决方案为：

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；

所述的Resizer Model模块主要由卷积层和BatchNorm层共同组成，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：