一种金属三维点阵结构的缺陷检测方法及系统技术方案

本发明专利技术涉及一种金属三维点阵结构的缺陷检测方法及系统。该方法包括：获取金属三维点阵结构的断层图像；采用darknet‑53网络模型中的特征提取网络对断层图像进行特征提取，得到断层图像对应的多尺度预测信息；根据所述预测信息确定每个预测框对应的缺陷类别；根据darknet‑53网络模型中的聚类中心，利用yolo层对每个预测框的位置信息进行修正，得到每个预测框的实际位置；根据预测框的实际位置，采用NMS算法确定最终预测框；根据最终预测框确定金属三维点阵结构中缺陷的位置和缺陷类别。本发明专利技术可以适用于金属三维点阵结构，进而提高缺陷检测的准确度。

A defect detection method and system for metal 3D lattice structure

【技术实现步骤摘要】
一种金属三维点阵结构的缺陷检测方法及系统
本专利技术涉及缺陷检测领域，特别是涉及一种金属三维点阵结构的缺陷检测方法及系统。
技术介绍
金属三维点阵材料不仅有着高孔隙率的特点，还具有轻质高强、抗爆炸抗冲击、高效散热隔热、吸收电磁波及声音等优异的性能。经常通过增材制造的方式将这种材料应用于航空航天和工业装备制造领域。增材制造时将材料加热至熔融状态再进行逐层堆积冷却成型，然而材料由熔融状态快速凝固会产生大量的残余应力，因此会造成结构翘曲、裂纹、断层等缺陷。这些缺陷影响了构件的安全性和可靠性，缺陷识别是构件质量评价工作中重要的一个环节。然而针对金属三维点阵结构的内部缺陷识别问题，目前没有一种高效的自动识别缺陷的方法。缺陷特征提取是缺陷识别中的重要一环，SIFT是一种传统的特征提取方法。它用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，此算法由DavidLowe在1999年发表，2004年完善总结，可应用于物体识别。局部影像特征的描述与侦测可以帮助辨识物体，SIFT特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关。对于光线、噪声、些微视角改变的容忍度也相当高。基于这些特性，它们是高度显著而且相对容易撷取，在母数庞大的特征数据库中，很容易辨识物体而且鲜有误认。使用SIFT特征描述对于部分物体遮蔽的侦测率也相当高，甚至只需要3个以上的SIFT物体特征就足以计算出位置与方位。在现今的电脑硬件速度下和小型的特征数据库条件下，辨识速度可接近即时运算。SIFT特征的信息量大，适合在海量数据库中快速准匹配。但是传统的算法对规则缺陷以及场景比较简单的场合，能够很好工作，但是对特征不明显的、缺陷与背景相似的金属三维点阵结构，则不再适用。
技术实现思路
本专利技术的目的是提供一种金属三维点阵结构的缺陷检测方法及系统，以适用于金属三维点阵结构，进而提高缺陷检测的准确度。为实现上述目的，本专利技术提供了如下方案：一种金属三维点阵结构的缺陷检测方法，包括：获取金属三维点阵结构的断层图像；采用darknet-53网络模型中的特征提取网络对所述断层图像进行特征提取，得到所述断层图像对应的多尺度的预测信息；所述预测信息包括预测框的位置信息、所述预测框是否存在的概率和所述预测框属于每个缺陷类别的概率；所述预测框用于预测所述断层图像中缺陷的位置；根据所述预测信息确定每个预测框对应的缺陷类别；根据所述darknet-53网络模型中的聚类中心，利用所述darknet-53网络模型的yolo层对每个预测框的位置信息进行修正，得到每个预测框的实际位置；根据所有预测框的实际位置，采用NMS算法确定最终预测框；根据所述最终预测框确定所述金属三维点阵结构中缺陷的位置和缺陷类别；所述缺陷的位置为所述最终预测框框选的位置，所述缺陷的缺陷类别为所述最终预测框对应的缺陷类别。可选的，所述获取金属三维点阵结构的断层图像，具体包括：获取所述金属三维点阵结构的CT扫描三维图像；对所述CT扫描三维图像进行断层处理，得到所述金属三维点阵结构的断层图像。可选的，所述采用darknet-53网络模型中的特征提取网络对所述断层图像进行特征提取，得到每个断层图像对应的多尺度的预测信息，之前还包括：获取样件的CT扫描三维图像；对所述样件的CT扫描三维图像进行断层处理，得到所述样件的初始断层图像；对所述样件的初始断层图像进行数据增强处理，得到所述样件的断层图像集；对所述样件的断层图像集中每个断层图像进行标注，得到每个断层图像对应的标注信息；所述标注信息包括缺陷的位置信息和缺陷类别；所述缺陷的位置信息包括缺陷所在矩形框的中心坐标、所述矩形框的宽度和所述矩形框的高度；采用k均值聚类算法对所有标注信息进行聚类，得到多个聚类中心；所述聚类中心的个数与所述特征图的尺度个数相等；根据所述聚类中心，利用所述样件的断层图像集对所述darknet-53网络模型进行训练。可选的，所述采用darknet-53网络模型中的特征提取网络对所述断层图像进行特征提取，得到所述断层图像对应的多尺度的预测信息，具体包括：采用darknet-53网络模型中的特征提取网络对所述断层图像进行特征提取，得到3个尺寸的特征图，每个尺寸包括3个尺度，3个尺寸的特征图的维度分别为：(b,13,13,3n)、(b,26,26,3n)和(b,52,52,3n)，其中，b为批次大小，n＝m+5，m为缺陷类别数量。可选的，所述根据所述darknet-53网络模型中的聚类中心，利用所述darknet-53网络模型的yolo层对每个预测框的位置信息进行修正，得到每个预测框的实际位置，具体包括：根据公式利用所述darknet-53网络模型的yolo层对每个预测框的位置信息进行修正，得到每个预测框的实际位置；其中，σ(·)为sigmoid函数，(tx,ty,tw,th)为预测框的位置信息，(tx,ty)为预测框的中心位置所在单元格相对于所在格子左上角的偏移量，tw为预测的预测框宽度，th为预测的预测框高度，(cx,cy)为预测框的中心位置所在格子的坐标，(bx,by,bw,bh)为预测框的实际位置，(bx,by)为预测框的中心位置的实际坐标，bw为预测框的实际宽度，bh为预测框的实际高度，pw为所述特征图对应的聚类中心缩放后的宽度，ph为所述特征图对应的聚类中心缩放后的高度。可选的，所述根据所述预测信息确定每个预测框对应的缺陷类别，具体包括：将所述预测信息中所述预测框属于每个缺陷类别的概率进行比较，将概率最大值对应的缺陷类别确定为所述预测框对应的缺陷类别。本专利技术还提供一种金属三维点阵结构的缺陷检测系统，包括：断层图像获取模块，用于获取金属三维点阵结构的断层图像；特征提取模块，用于采用darknet-53网络模型中的特征提取网络对所述断层图像进行特征提取，得到断层图像对应的多尺度的预测信息；所述预测信息包括预测框的位置信息、所述预测框是否存在的概率和所述预测框属于每个缺陷类别的概率；所述预测框用于标注所述金属三维点阵结构中缺陷的位置；缺陷类别确定模块，用于根据所述预测信息确定每个预测框对应的缺陷类别；修正模块，用于根据所述darknet-53网络模型中的聚类中心，利用所述darknet-53网络模型的yolo层对每个预测框的位置信息进行修正，得到每个预测框的实际位置；最终预测框确定模块，用于将所有预测框采用NMS算法消除多余的预测框，确定最终预测框；缺陷确定模块，用于根据所述最终预测框确定所述金属三维点阵结构中缺陷的位置和缺陷类别；所述缺陷的位置为所述最终预测框框选的位置，所述缺陷的缺陷类别为所述最终预测框对应的缺陷类别。可选的，所述断层图像获取模块具体包括：CT扫描三维图像获取单元，用于获取所述金属三维点阵结构的CT扫描三维图像；断层处理单元，用于对本文档来自技高网...

【技术保护点】
1.一种金属三维点阵结构的缺陷检测方法，其特征在于，包括：/n获取金属三维点阵结构的断层图像；/n采用darknet-53网络模型中的特征提取网络对所述断层图像进行特征提取，得到所述断层图像对应的多尺度的预测信息；所述预测信息包括预测框的位置信息、所述预测框是否存在的概率和所述预测框属于每个缺陷类别的概率；所述预测框用于预测所述断层图像中缺陷的位置；/n根据所述预测信息确定每个预测框对应的缺陷类别；/n根据所述darknet-53网络模型中的聚类中心，利用所述darknet-53网络模型的yolo层对预测框的位置信息进行修正，得到预测框的实际位置；/n根据所有预测框的实际位置，采用NMS算法确定最终预测框；/n根据所述最终预测框确定所述金属三维点阵结构中缺陷的位置和缺陷类别；所述缺陷的位置为所述最终预测框框选的位置，所述缺陷的缺陷类别为所述最终预测框对应的缺陷类别。/n

【技术特征摘要】
1.一种金属三维点阵结构的缺陷检测方法，其特征在于，包括：
获取金属三维点阵结构的断层图像；
采用darknet-53网络模型中的特征提取网络对所述断层图像进行特征提取，得到所述断层图像对应的多尺度的预测信息；所述预测信息包括预测框的位置信息、所述预测框是否存在的概率和所述预测框属于每个缺陷类别的概率；所述预测框用于预测所述断层图像中缺陷的位置；
根据所述预测信息确定每个预测框对应的缺陷类别；
根据所述darknet-53网络模型中的聚类中心，利用所述darknet-53网络模型的yolo层对预测框的位置信息进行修正，得到预测框的实际位置；
根据所有预测框的实际位置，采用NMS算法确定最终预测框；
根据所述最终预测框确定所述金属三维点阵结构中缺陷的位置和缺陷类别；所述缺陷的位置为所述最终预测框框选的位置，所述缺陷的缺陷类别为所述最终预测框对应的缺陷类别。


2.根据权利要求1所述的金属三维点阵结构的缺陷检测方法，其特征在于，所述获取金属三维点阵结构的断层图像，具体包括：
获取所述金属三维点阵结构的CT扫描三维图像；
对所述CT扫描三维图像进行断层处理，得到所述金属三维点阵结构的断层图像。


3.根据权利要求1所述的金属三维点阵结构的缺陷检测方法，其特征在于，所述采用darknet-53网络模型中的特征提取网络对所述断层图像进行特征提取，得到所述断层图像对应的多尺度的预测信息，之前还包括：
获取样件的CT扫描三维图像；
对所述样件的CT扫描三维图像进行断层处理，得到所述样件的初始断层图像；
对所述样件的初始断层图像进行数据增强处理，得到所述样件的断层图像数据集；
对所述样件的断层图像数据集中每个断层图像进行标注，得到每个断层图像对应的标注信息；所述标注信息包括缺陷的位置信息和缺陷类别；所述缺陷的位置信息包括缺陷所在矩形框的中心坐标、所述矩形框的宽度和所述矩形框的高度；
采用k均值聚类算法对所有缺陷大小进行聚类分析，得到多个聚类中心；所述聚类中心的个数与所述特征图的尺度个数相等；
根据所述聚类中心，利用所述样件的断层图像集对所述darknet-53网络模型进行训练。


4.根据权利要求1所述的金属三维点阵结构的缺陷检测方法，其特征在于，所述采用darknet-53网络模型中的特征提取网络对所述断层图像进行特征提取，得到断层图像对应的多尺度的预测信息，具体包括：
采用darknet-53网络模型中的特征提取网络对所述断层图像进行特征提取，得到3个尺寸的特征图，每个尺寸包括3个尺度，3个尺寸的特征图的维度分别为：(b,13,13,3n)、(b,26,26,3n)和(b,52,52,3n)，其中，b为批次大小，n＝m+5，m为缺陷类别数量。


5.根据权利要求1所述的金属三维点阵结构的缺陷检测方法，其特征在于，所述根据所述darknet-53网络模型中的聚类中心，利用所述darknet-53网络模型的yolo层对预测框的位置信息进行修正，得到预测框的实际位置，具体包括：
根据公式利用所述darknet-53网络模型的yolo层对预测框的位置信息进行修正，得到预测框的实际位置；其中，σ(·)为sigmoid函数，(tx,ty,tw,th)为预测框的位置信息，(tx,ty)为预测框的中心位置所在单元格相对于所在格子左上角的偏移量，tw为预测的预测框宽度，...

【专利技术属性】
技术研发人员：张玉燕，任腾飞，温银堂，张芝威，
申请(专利权)人：燕山大学，
类型：发明
国别省市：河北;13