The invention belongs to the related technical field of casting manufacturing matching process, and discloses a method of casting X-ray image defect recognition based on selective search and CNN, which includes: taking X-ray image for each casting to be inspected for quality and preprocessing the image; selecting all suspicious defects in the image frame by selective search algorithm; and establishing the number of model images. In database, defect classification model is constructed based on convolution neural network, and trained to meet the prediction accuracy requirements; defect classification model is constructed based on the above to predict each defect category and mark, and defect relative size and location are calculated according to image pixel information, and defect detection report of casting X-ray image is obtained. The invention can automatically detect various defects in X-ray image of castings more accurately and conveniently, and automatically determine the types of defects, so as to reduce manual workload, and some test results can be directly linked with production, thus providing data feedback for optimizing casting process.
【技术实现步骤摘要】
一种基于选择性搜索与CNN的铸件X光图像缺陷识别方法
本专利技术属于铸件制造配套工艺相关
,更具体地,涉及一种基于选择性搜索与CNN(卷积神经网络)的铸件X光图像缺陷识别方法。
技术介绍
铸造是现代制造工业的基础工艺之一。铸件各类缺陷严重影响铸造产品的安全使用,因此实现铸件缺陷检测是控制铸件质量的重要环节。随着无损检测技术的高速发展,各类检测技术在工业检测领域获得了广泛应用,如超声检测、红外检测和射线检测等,这些检测结果为提升产品的质量安全提供了数据支持;其中X射线成像检测通过透射试件内部,可高效获得其内部缺陷数量、各缺陷形态和位置分布等信息,因此越来越多地获得了本领域的重视和关注。然而,进一步的研究表明,现有的铸件X射线图像检测方案仍具备以下的缺陷或不足:首先,目前常规的做法是,当铸件经过X射线实时扫描和成像后,将对应底片物理打印出来,专业人员再对成像胶片进行人工检测,从而判定缺陷的类型、量化尺寸并记录位置信息等;该种手工检测方法存在人员主观依赖性强、缺陷存在误检漏检等问题,且过程步骤较为繁琐,缺陷检测效率不高,信息保存和查询极为不便,不能实时反馈被检铸件的质量情况。其次,对于造型浇注的整体生产线而言,其涉及到的环节和数据信息较多,质量检测环节作为检验铸件工艺成果的主要环节之一,保持检测结果与整体生产流程信息的及时关联性尤为重要,从而能及时为工艺优化提供准确的数据反馈。相应地,本领域亟需寻找针对性的解决方案,以便更好地满足实际生产实践中面临的以上技术需求。
技术实现思路
针对现有技术的以上不足或改进需求,本专利技术提供了一种基于选择性搜索与CNN的铸件 ...
【技术保护点】
1.一种基于选择性搜索与CNN的铸件X光图像缺陷识别方法,其特征在于,该方法包括下列步骤:(S1)针对待进行质量检测的每个铸件拍摄X射线图像,并对其执行图像滤波和增强处理;(S2)采用选择性搜索算法将图像内的所有可疑缺陷全部框选出来候选并给予编号,其中所述可疑缺陷既包含真实缺陷区域、又包含铸件结构设计所导致的灰度突变区域;(S3)将铸件质量缺陷划分为高密度夹杂、低密度夹杂、气孔、缩孔、未熔合、裂纹、缩松缺陷和铸件结构背景共8个类别,然后处理图像内缺陷区域,给定缺陷标签并剪切下来,建立图像数据集,进一步根据特定比例将数据集分成训练集和验证集;接着,基于卷积神经网络来构建缺陷分类预测模型,再将图像训练集送入模型中进行训练和优化,然后验证集验证模型精度直至满足要求;(S4)将上述步骤(S2)框选出来的候选区域输入至通过上述步骤(S3)优化后的预测模型,相应得出铸件质量缺陷的所属类别,并给予位置标定,由此完成整体的铸件X光图像缺陷识别过程。
【技术特征摘要】
1.一种基于选择性搜索与CNN的铸件X光图像缺陷识别方法,其特征在于,该方法包括下列步骤:(S1)针对待进行质量检测的每个铸件拍摄X射线图像,并对其执行图像滤波和增强处理;(S2)采用选择性搜索算法将图像内的所有可疑缺陷全部框选出来候选并给予编号,其中所述可疑缺陷既包含真实缺陷区域、又包含铸件结构设计所导致的灰度突变区域;(S3)将铸件质量缺陷划分为高密度夹杂、低密度夹杂、气孔、缩孔、未熔合、裂纹、缩松缺陷和铸件结构背景共8个类别,然后处理图像内缺陷区域,给定缺陷标签并剪切下来,建立图像数据集,进一步根据特定比例将数据集分成训练集和验证集;接着,基于卷积神经网络来构建缺陷分类预测模型,再将图像训练集送入模型中进行训练和优化,然后验证集验证模型精度直至满足要求;(S4)将上述步骤(S2)框选出来的候选区域输入至通过上述步骤(S3)优化后的预测模型,相应得出铸件质量缺陷的所属类别,并给予位置...
【专利技术属性】
技术研发人员:计效园,颜秋余,周建新,殷亚军,沈旭,武博,
申请(专利权)人:华中科技大学,
类型:发明
国别省市:湖北,42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。