一种基于射线图像的复合材料缺陷识别方法技术

本发明专利技术实施例公开了一种基于射线图像的复合材料缺陷识别方法，涉及机器学习领域，无需通过目测法或者直接破坏的方法识别图像中复合材料的缺陷。本发明专利技术包括：进行X线摄影，得到所述样件的DR图像；通过自适应中值滤波对所述样件的DR图像进行滤波，并对滤波后的DR图像进行特征锐化；对经过特征锐化的DR图像进行标注，得到数据集，再将所述数据集导入yolo‑v3模型中训练；通过训练的yolo‑v3模型，对待检测样件的DR图像进行网格划分，利用K－Means聚类算法对每个网格进行处理后，得到检测结果。本发明专利技术适用于复合材料缺陷检测。

A method of composite defect recognition based on ray image

【技术实现步骤摘要】
一种基于射线图像的复合材料缺陷识别方法
本专利技术涉及机器学习领域，尤其涉及一种基于射线图像的复合材料缺陷识别方法。
技术介绍
为了适应我国航空、航天、深海等领域的蓬勃发展，对于新型材料的发展需求十分迫切。复合材料作为一种新型材料，具有可设计性强、重质量轻、硬度高、耐腐蚀、抗疲劳性能好、热膨胀系数小等诸多优点，因此得到长期的重点关注和大力发展。但是在具有上述优点的同时，复合材料自身还带有一些不尽如人意的特性，如非均质性和各项异性。所以相对于传统的金属材料的成熟稳定的加工工艺，复合材料在实际制造生产过程中，会由于工艺不稳定而产生缺陷。而且在复合材料的实际应用过程中，由于疲劳累积、碰撞、腐蚀等众多物理化学因素的多重影响，也十分容易产生缺陷，并且这些缺陷往往也是很难预料或者推断的。并且在很大程度上，这些缺陷产生自复合材料的内部。无法通过目测或者其他光学的方法迅速找到缺陷。又考虑到不能损害复合材料件的性能，所以针对复合材料内部缺陷的检测，并不能通过直接破坏的方式进行检测。而由于诸多化学和物理性质上的差异，用于传统的金属材料的检测也较难直接应用于复合材料的检测。
技术实现思路
本专利技术的实施例提供一种基于射线图像的复合材料缺陷识别方法，无需通过目测法或者直接破坏的方法识别图像中复合材料的缺陷。为达到上述目的，本专利技术的实施例采用如下技术方案：本专利技术的实施例提供的方法，包括：进行X线摄影，得到所述样件的DR图像；通过自适应中值滤波对所述样件的DR图像进行滤波，并对滤波后的DR图像进行特征锐化；对经过特征锐化的DR图像进行标注，得到数据集，再将所述数据集导入yolo-v3模型中训练；通过训练的yolo-v3模型，对待检测样件的DR图像进行网格划分，利用K－Means聚类算法对每个网格进行处理后，得到检测结果。本实施例中，通过DR技术(数字化射线检测技术)采集一定量的各类复合材料缺陷的射线图像。对这些射线图像进行预处理，通过图像滤波和图像增强的方式，使得第一步所获取的图像里的缺陷特征更加明显。使用相应的程序对图像里的特征进行标注。将标注好的数据集送入到经过修改的神经网络中训练，得到最后的权重，通过调用权重识别图像。无需通过目测法或者直接破坏的方法识别图像中复合材料的缺陷。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。图1为本专利技术实施例提供的yolo-v3结构图；图2为本专利技术实施例提供的加工了平底孔的复合材料板；图3为本专利技术实施例提供的添加了特氟龙材料的复合材料板；图4为本专利技术实施例提供的复材dr图像滤波效果图；图5为本专利技术实施例提供的复材dr图像增强效果图；图6为本专利技术实施例提供的模型检测效果图；图7为本专利技术实施例提供的模型最后的损失函数图；图8为本专利技术实施例提供的方法流程的示意图具体实施方式为使本领域技术人员更好地理解本专利技术的技术方案，下面结合附图和具体实施方式对本专利技术作进一步详细描述。下文中将详细描述本专利技术的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本专利技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。本
技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本专利技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。本实施例的主要设计思路在于，利用当前性能优越的yolo-v3神经网络对标注好的复合材料缺陷数据集进行训练，最后根据训练所得到的权重计算得到相应的结果。Yolo-v3结构图是整个训练学习过程过程如图1所示。需要说明的是，yolo-v3神经网络即为本领域技术人员的通常叫法，一般无中文名。本专利技术实施例提供的基于射线图像的复合材料缺陷识别方法，如图8所示，包括：S1，对复合材料的样件进行X线摄影，得到所述样件的DR图像(DigitalRadiography,直接数字平板X线成像系统)。S2，通过自适应中值滤波对所述样件的DR图像进行滤波，并对滤波后的DR图像进行特征锐化。自适应中值滤波是在以m×n的矩形窗口Sxy定义的滤波器区域内图像内进行工作的，它以这个范围内图像的统计特性为基础的，对图像进行处理，根据某些条件改变矩形窗口Sxy的尺寸，通过输出一个单值来代替图像中某点(x，y)的像素值。相比较中值滤波而言，自适应中值滤波这一方法可以处理具有更大概率的脉冲噪声，尤其是，自适应中值滤波不仅可以处理脉冲噪声，还能在平滑非脉冲噪声时保留图像细节，这一点是传统的中值滤波所做不到的。在自适应中值滤波算法是以两个进程进行工作的，可以分别表示为进程A和进程B，如下所示：进程A：设A1＝Zmed-Zmin，A2＝Zmed-Zmax，如果A1>0且A2<0，则转到进程B，否则增大窗口尺寸，如果窗口尺寸≤Smax，则重复进程A，否则输出Zmed；进程B：设B1＝Zxy-Zmin，B2＝Zxy-Zmax，如果B1>0且B2<0，则输出Zxy，否则输出Zmed。其中，Zmin为Sxy中的最小灰度值；Zmax为Sxy中的最大灰度值；Zmed为Sxy中的灰度值的中值；Zxy为图像中某点坐标(x，y)处的灰度值；Smax为Sxy中允许的最大尺寸。S3，对经过特征锐化的DR图像进行标注，得到数据集，再将所述数据集导入yolo-v3模型中训练。S4，通过训练的yolo-v3模型，对待检测样件的DR图像进行网格划分，利用K－Means聚类算法对每个网格进行处理后，得到检测结果。需要说明的是，K-means聚类算法也称k均值聚类算法,是集简单和经典于一身的基于距离的聚类算法。本实施例所要解决的问题是：针对
技术介绍
中所涉及到的当前复合材料缺陷本文档来自技高网...

【技术保护点】
1.一种基于射线图像的复合材料缺陷识别方法，其特征在于，包括：/n对复合材料的样件进行X线摄影，得到所述样件的DR图像；/n通过自适应中值滤波对所述样件的DR图像进行滤波，并对滤波后的DR图像进行特征锐化；/n对经过特征锐化的DR图像进行标注，得到数据集，再将所述数据集导入yolo-v3模型中训练；/n通过训练的yolo-v3模型，对待检测样件的DR图像进行网格划分，利用K－Means聚类算法对每个网格进行处理后，得到检测结果。/n

【技术特征摘要】
1.一种基于射线图像的复合材料缺陷识别方法，其特征在于，包括：
对复合材料的样件进行X线摄影，得到所述样件的DR图像；
通过自适应中值滤波对所述样件的DR图像进行滤波，并对滤波后的DR图像进行特征锐化；
对经过特征锐化的DR图像进行标注，得到数据集，再将所述数据集导入yolo-v3模型中训练；
通过训练的yolo-v3模型，对待检测样件的DR图像进行网格划分，利用K－Means聚类算法对每个网格进行处理后，得到检测结果。


2.根据权利要求1所述的，其特征在于，所述预加工包括：
在复合材料的板材样件上，通过平底孔铣削制作孔缺陷；
在孔缺陷中添加特氟龙。


3.根据权利要求1所述的，其特征在于，所述通过自适应中值滤波对所述样件的DR图像进行滤波，并对滤波后的DR图像进行特征锐化，包括：
通过自适应中值滤波，过滤所述DR图像中的椒盐噪声、零均值高斯白噪声和属于泊松分布的噪声；
对所述DR图像进行自适应直方图均衡化，将所述DR图像中的特征锐化。


4.根据权利要求1所述的，其特征在于，所述对经过特征锐化的DR图像进行标注，得到数据集，包括：
通过几何变换对经过特征锐化的DR图像进行扩充，得到倍增后的DR图像；...

【专利技术属性】
技术研发人员：崔海华，田威，张逸，廖文和，程筱胜，张益华，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32