一种基于卷积神经网络的铸件缺陷识别方法技术

本发明专利技术属于铸件缺陷检测领域，并公开了一种基于卷积神经网络的铸件缺陷识别方法。该方法包括：(a)采集多张缺陷铸件的X射线图像，标记铸件的缺陷类型，并对每个缺陷类型赋予一个类型编号，建立关于铸件X射线图像和缺陷类型编号对应的数据集；(b)构建并训练卷积神经网络获得预测缺陷类型的预测网络模型，对预测网络模型进行修正，直至该预测网络模型的预测精度满足预测精度阈值，由此获得最终预测网络模型；(c)对于待检测铸件的X射线图像，框选出图像中的缺陷，采用最终预测网络模型预测，获得每个缺陷的缺陷类型编号，从而完成待检测铸件缺陷类型的识别。通过本发明专利技术，提升缺陷的识别效率和准确度，为铸件质量反馈提供数字化数据支持。

A Method of Casting Defect Recognition Based on Convolutional Neural Network

【技术实现步骤摘要】
一种基于卷积神经网络的铸件缺陷识别方法
本专利技术属于铸件缺陷检测领域，更具体地，涉及一种基于卷积神经网络的铸件缺陷识别方法。
技术介绍
随着现代制造业的蓬勃发展，铸造生产领域的工艺和技术持续升级，行业规模也随之迈向新的台阶。同时，人们也越来越注重的是在铸件性能上的体验与安全上的要求。但是由于现实中原材料的影响以及铸造过程中一些人为的或不可控的因素，使得铸件的不合格率难以大幅度降低，长期发展还有可能会导致不合格品甚至残次品的大量生产堆积。这样影响的不仅仅是铸件性能上的美观度和厂商生产成本的损失，还会造成大量钢铁等原材料的浪费以及废弃后的污染，所以在铸件生产过程中对其进行缺陷检测是对铸件质量的有力保障。目前，仍有较多铸造企业使用较为传统的检测方式，即铸件经过X射线实时扫描和成像后，将相应的底片物理打印出来，专业的工作人员再对成像胶片进行人工检测，对缺陷的类型进行判定等。人工检测的特点众所周知：1)带人为主观性，不同的检测者由于其不同的检测标准可能会导致检测的偏差；2)人易疲劳，容易发生对缺陷误检漏检的情况，从而造成检测效率低下；3)过程步骤较为繁琐，信息保存和查询极为不便，对被检铸件的本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的铸件缺陷识别方法，其特征在于，该方法包括下列步骤：(a)采集多张缺陷铸件的X射线图像，采用最小矩形包络法框选出每张所述X射线图像中的缺陷，设定铸件的缺陷类型，并对每个缺陷类型赋予一个类型编号，根据所述X射线图像中的缺陷进行分类，以此获得每个缺陷对应的缺陷类型编号，建立关于框选出缺陷的X射线图像和缺陷类型编号一一对应的数据集；(b)选取所述数据集中的部分数据作为训练数据，利用该训练数据对卷积神经网络进行训练，以此获得预测缺陷类型预测网络模型，该预测网络模型中框选出缺陷的X射线图像作为输入，该X射线图像上每个缺陷对应的缺陷类型编号作为输出，将所述数据集中选余下的数据作为验...

【技术特征摘要】
1.一种基于卷积神经网络的铸件缺陷识别方法，其特征在于，该方法包括下列步骤：(a)采集多张缺陷铸件的X射线图像，采用最小矩形包络法框选出每张所述X射线图像中的缺陷，设定铸件的缺陷类型，并对每个缺陷类型赋予一个类型编号，根据所述X射线图像中的缺陷进行分类，以此获得每个缺陷对应的缺陷类型编号，建立关于框选出缺陷的X射线图像和缺陷类型编号一一对应的数据集；(b)选取所述数据集中的部分数据作为训练数据，利用该训练数据对卷积神经网络进行训练，以此获得预测缺陷类型预测网络模型，该预测网络模型中框选出缺陷的X射线图像作为输入，该X射线图像上每个缺陷对应的缺陷类型编号作为输出，将所述数据集中选余下的数据作为验证数据，将该数据输入所述预测网络模型中对其进行修正，直至该预测网络模型的预测精度满足预测精度阈值，由此获得最终预测网络模型；(c)对于待检测铸件的X射线图像，框选出该X射线图像中的缺陷，采用步骤(b)中获得的最终预测网络模型对框选出的缺陷对应的类型进行预测，以此获得每个缺陷对应的缺陷类型编号，从而完成待检测铸件缺陷类型的识别。2.如权利要求1所述的一种基于卷积神经网络的铸件缺陷识别方法，其特征在于，在步骤(b)...

【专利技术属性】
技术研发人员：计效园，颜秋余，周建新，谭云骧，殷亚军，沈旭，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北,42