一种基于深度卷积神经网络的磁粉探伤检测方法技术

本发明专利技术公开一种基于深度卷积神经网络的磁粉探伤检测方法，包括如下步骤：采集待探伤检测的工件在黑光灯下的荧光磁粉裂纹图像；预处理步骤一中的荧光磁粉裂纹图像，得到荧光磁粉裂纹图像集；对荧光磁粉裂纹图像集中的每一幅图像进行图像标注，得到训练图集；利用训练图集训练YOLOv3模型，得到工件裂纹检测模型；将待测工件的荧光磁粉裂纹图像输入工件裂纹检测模型，得到工件裂纹情况。通过本发明专利技术，可以实现对工件裂纹的检测。

【技术实现步骤摘要】
一种基于深度卷积神经网络的磁粉探伤检测方法
本专利技术涉及计算机视觉领域，具体是一种基于深度卷积神经网络的磁粉探伤检测方法。
技术介绍
在汽轮机与燃气轮机的转子等这类工件锻造、焊接和加工等制造过程中，有可能产生表面制造缺陷。传统方法，没有考虑转子等工件表面制造缺陷所在部位的主应力的作用及其裂纹扩展寿命的影响。在汽轮机与燃气轮机的转子等工件的制造和加工阶段，基于裂纹扩展寿命的汽轮机与燃气轮机的转子表面制造缺陷的监控，还没有合适的方法可供使用。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于深度卷积神经网络的磁粉探伤检测方法，包括如下步骤：步骤一，采集待探伤检测的工件在黑光灯下的荧光磁粉裂纹图像；步骤二，预处理步骤一中的荧光磁粉裂纹图像，得到荧光磁粉裂纹图像集；步骤三，对荧光磁粉裂纹图像集中的每一幅图像进行图像标注，得到训练和测试图集；步骤四，利用训练图集训练YOLOv3模型，得到工件裂纹识别模型；步骤五，将待测工件的荧光磁粉裂纹图像输入工件裂纹识别模型，得到工件裂纹情况。进一步的，所述步骤一中的采集待探伤检测的工件在紫外灯下的荧光磁粉裂纹图像包括如下过程：将待检测的工件经过磁粉机上磁、喷洒磁悬液、黑光灯照射处理，得到待检测图像，通过拉普拉斯变换处理待检测图像，得到荧光磁粉裂纹图像。进一步的，所述的，其特征在于，所述的步骤二中的预处理包括：(i)对采集到的图像进行切割，使其宽度与长度方向的像素数量相同；(ii)对切割后的图片分别进行分割，得到分割图像；进行左右翻转，得到翻转图像；进行不同尺寸裁剪，得到多种尺寸的图像；进行多尺度缩放，得到多尺寸的缩放图像；所述的分割图像、翻转图像、多种尺寸的图像、多尺寸的缩放图像组成荧光磁粉裂纹图像集；进一步的，所述的图像分割方法是将图片均分成4个形状与该图片相同的小图片。进一步的，所述的标注为：对图像上的工件进行识别，并标记每个图片中工件缺陷所在的位置。进一步的，所述的数据集对YOLOv3模型的训练如下：将输入的训练图集的图像分成S*S网格；S*S网格中的每个格子预测出3个边界框、置信度及属于工件裂纹目标的概率。首先剔除对象置信度小于阈值th1的候选框，其次利用非极大值抑制选择与真实框交并比(IoU)最大的候选框进行目标预测，预测如下：预测如下：bx＝σ(tx)+cx(1)by＝σ(ty)+cy(2)bx,by,bw,bh即为网络最终预测边界框的中心坐标、宽和高。其中cx,cy是网格的坐标偏移量；pw,ph是锚框映射到特征图中的宽和高；tx,ty,tw,th是网络训练过程中需要学习的参数，tw,th表示预测框的尺度缩放程度，tx,ty表示预测框的中心坐标偏移程度，σ表示sigmoid函数。通过不断学习更新tx，ty，twth参数，使得预测框与真实框越来越接近，当网络损失小于设定阈值th或者训练次数达到最大迭代次数N停止训练；最后通过极大值抑制，筛选出自信度得分最高的预测框即为工件裂纹检测框。进一步的，所述的数据集对YOLOv3模型的训练，采用3种尺度进行3种box预测：尺度1，在特征提取网络后添加一些卷积层，降采样比例为32，输出特征图尺度为13*13，适合检测小目标；尺度2，对尺度1的倒数第二层卷积层上采样(*2)，降采样比例为16，再与尺度为26*26特征图进行串联，比尺度1增加2倍，适合检测中等尺度目标；尺度3：类比尺度2，获得52*52大小的特征图，适合检测较大目标。本专利技术的有益效果是：通过本专利技术，对工件表面裂纹的检测有较高的准确率，通过拉普拉斯变换，将图像转换成黑底的图像，能够减少环境对检测结果的干扰，能够满足工业生产中荧光磁粉缺陷检测的实际需求。附图说明图1为一种基于深度卷积神经网络的磁粉探伤检测方法的流程图；图2为管状体工件检测示意图。具体实施方式下面结合附图进一步详细描述本专利技术的技术方案，但本专利技术的保护范围不局限于以下所述。如图1所示，一种基于深度卷积神经网络的磁粉探伤检测方法，包括如下步骤：采集待探伤检测的工件在黑光灯下的荧光磁粉裂纹图像；预处理步骤一中的荧光磁粉裂纹图像，得到荧光磁粉裂纹图像集；对荧光磁粉裂纹图像集中的每一幅图像进行图像标注，得到训练图集和测试集；利用训练图集训练YOLOv3模型，得到工件裂纹检测模型；将待测工件的荧光磁粉裂纹图像输入工件裂纹检测模型，得到工件裂纹情况。采集待探伤检测的工件在紫外灯下的荧光磁粉裂纹图像包括如下过程：将待检测的工件经过磁粉机上磁、喷洒磁悬液、黑光灯照射处理，得到待检测图像，通过拉普拉斯变换处理待检测图像，得到荧光磁粉裂纹图像。预处理包括：(i)对采集到的图像进行切割，使其宽度与长度方向的像素数量相同；(ii)对切割后的图片分别进行分割，得到分割图像；进行左右翻转，得到翻转图像；进行不同尺寸裁剪，得到多种尺寸的图像；进行多尺度缩放，得到多尺寸的缩放图像；所述的分割图像、翻转图像、多种尺寸的图像、多尺寸的缩放图像组成荧光磁粉裂纹图像集。图像分割方法是将图片均分成4个形状与该图片相同的小图片。图片标注为：对图像上的工件进行识别，并标记每个图片中工件缺陷所在的的位置。数据集对YOLOv3模型的训练如下：将输入的训练图集的图像分成S*S网格；S*S网格中的每个格子预测出3个边界框、置信度及属于工件裂纹目标的概率，选择与真实框交并比(IoU)最大的边框进行目标预测，预测如下：bx＝σ(tx)+cx(1)by＝σ(ty)+cy(2)bx,by,bw,bh即为网络最终预测边界框的中心坐标、宽和高，通过上述公式求得。其中cx,cy是网格的坐标偏移量；pw,ph是锚框映射到特征图中的宽和高；tx,ty,tw,th是网络训练过程中需要学习的参数，tw,th表示预测框的尺度缩放程度，tx,ty表示预测框的中心坐标偏移程度，σ表示sigmoid函数。通过不断学习更新tx，ty，tw，th参数，使得预测框与真实框越来越接近，当网络损失小于设定阈值th或者训练次数达到最大迭代次数N停止训练。训练图集对YOLOv3模型的训练，采用3种尺度进行3种框预测：尺度1，在特征提取网络后添加一些卷积层，降采样比例为32，输出特征图尺度为13*13，适合检测小目标；尺度2，对尺度1的倒数第二层卷积层上采样(*2)，降采样比例为16，再与尺度为26*26特征图进行串联，比尺度1增加2倍，适合检测中等尺度目标；尺度3：类比尺度2，获得52*52大小的特征图，适合检测较大目标。具体实施例，随机选用45000张作为训练集，5000张作为测试集。总共训练次80000次，每训练5000次自动保存一次权重，基础学习率为0.0本文档来自技高网...

【技术保护点】
1.一种基于深度卷积神经网络的磁粉探伤检测方法，其特征在于，包括如下步骤：/n步骤一，采集待探伤检测的工件在黑光灯下的荧光磁粉裂纹图像；/n步骤二，预处理步骤一中的荧光磁粉裂纹图像，得到荧光磁粉裂纹图像集；/n步骤三，对荧光磁粉裂纹图像集中的每一幅图像进行图像标注，得到训练和测试图集；/n步骤四，利用训练图集训练YOLOv3模型，得到工件裂纹检测模型；/n步骤五，将待测工件的荧光磁粉裂纹图像输入工件裂纹检测模型，得到工件裂纹情况。/n

【技术特征摘要】
1.一种基于深度卷积神经网络的磁粉探伤检测方法，其特征在于，包括如下步骤：
步骤一，采集待探伤检测的工件在黑光灯下的荧光磁粉裂纹图像；
步骤二，预处理步骤一中的荧光磁粉裂纹图像，得到荧光磁粉裂纹图像集；
步骤三，对荧光磁粉裂纹图像集中的每一幅图像进行图像标注，得到训练和测试图集；
步骤四，利用训练图集训练YOLOv3模型，得到工件裂纹检测模型；
步骤五，将待测工件的荧光磁粉裂纹图像输入工件裂纹检测模型，得到工件裂纹情况。


2.根据权利要求1所述的一种基于深度卷积神经网络的磁粉探伤检测方法，其特征在于，所述步骤一中的采集待探伤检测的工件在紫外灯下的荧光磁粉裂纹图像包括如下过程：
将待检测的工件经过磁粉机上磁、喷洒磁悬液、黑光灯照射处理，得到待检测图像，通过拉普拉斯变换处理待检测图像，得到荧光磁粉裂纹图像。


3.根据权利要求1所述的一种基于深度卷积神经网络的磁粉探伤检测方法，其特征在于,所述的步骤二中的预处理包括：
(i)对采集到的图像进行切割，使其宽度与长度方向的像素数量相同；
(ii)对切割后的图片分别进行分割，得到分割图像；进行左右翻转，得到翻转图像；进行不同尺寸裁剪，得到多种尺寸的图像；进行多尺度缩放，得到多尺寸的缩放图像；所述的分割图像、翻转图像、多种尺寸的图像、多尺寸的缩放图像组成荧光磁粉裂纹图像集。


4.根据权利要求2所述的一种基于深度卷积神经网络的磁粉探伤检测方法，其特征在于，所述的图像分割方法是将图片均分成4个形状与该图片相同的小图片。


5.根据权利要求1所述的一种基于深度卷积神经网络的磁粉探伤检测方法，其特征在于，所述的步骤三中的标注为：对图像上的工件进行识别，并标记每个图片中工件缺陷所在的的位置。


6.根据权利要求1所述的一种基于深度卷积神经网络的磁粉探伤检测方法，其特征在于，锚框尺寸由K-means算法在VOC数据集上进行多次迭代获得，目标与预测框平均IoU达到67.2；当输入图像尺寸为416*416，YOLOv3锚框大小为{[10，13]，[16，30]，[33，23]，[30，61]，[62，45]，[59，119]，[116，90]，[156，198]，[373，326]}。


7.根据权利要求1所述的一种基于深度卷积神经网络的磁粉探伤检测方法，其特征在于，...

【专利技术属性】
技术研发人员：刘桂华，向伟，祝礼佳，龙惠民，
申请(专利权)人：西南科技大学，绵阳科瑞特机器人有限公司，
类型：发明
国别省市：四川;51