一种应用于工业CT图像缺陷检测的方法及装置制造方法及图纸

为了解决目前工业CT图像缺陷检测方法效率低、准确率低的问题，本发明专利技术提供了一种应用于工业CT图像缺陷检测的方法及装置，该方法包括：获取待检测的工业CT图像；预处理所述待检测的工业CT图像；对预处理后的所述待检测的工业CT图像进行二值化和边缘提取处理；提取所述待检测的工业CT图像目标区域的纹理特征和形状特征，将所述特征转换为目标特征向量；将所述目标特征向量输入模式识别神经网络模型，所述模式识别神经网络模型识别出所述待检测的工业CT图像中是否存在缺陷及缺陷的模式。本申请提高了工业CT图像缺陷检测的效率和准确率。

【技术实现步骤摘要】
一种应用于工业CT图像缺陷检测的方法及装置
本专利技术涉及缺陷检测领域，具体而言，涉及一种应用于工业CT图像缺陷检测的方法及装置。
技术介绍
针对工件高精度的无损检测需求，工业CT扫描成像是评价较高的一种方案，应用越来越广泛。工业CT扫描成像是一种射线检测技术，其基于X射线在材料中衰减机制的断层成像方法，以二维横向截面展现工件断层的密度分布。传统方案中，人工通过工业CT图像显示，依据经验观察识别出工件是否存在内部缺陷，该方法耗费人力效率低，且人的视觉疲劳容易造成误判，降低了准确率。
技术实现思路
为了解决目前工业CT图像缺陷检测方法效率低、准确率低的问题，本申请实施例提供了一种应用于工业CT图像缺陷检测的方法及装置，提高了工业CT图像缺陷检测的效率和准确率。第一方面，本申请实施例提供了一种应用于工业CT图像缺陷检测的方法，包括：获取待检测的工业CT图像；预处理所述待检测的工业CT图像，所述预处理包括对所述待检测的工业CT图像进行统一位图格式、滤波、特征加强处理；对预处理后的所述待检测的工业CT图像进行二值化和边缘提取处理；提取所述待检测的工业CT图像目标区域的纹理特征和形状特征，将所述特征转换为目标特征向量；将所述目标特征向量输入模式识别神经网络模型，所述模式识别神经网络模型识别出所述待检测的工业CT图像中是否存在缺陷及缺陷的模式。其中，所述模式识别神经网络模型通过以下步骤训练得到：使用训练样本集训练模式识别神经网络模型，直至训练完成得到所述模式识别神经网络模型，所述训练样本集包括有缺陷工业CT图像样本集和无缺陷工业CT图像样本集，所述有缺陷工业CT图像样本集包括不同缺陷类别及每一缺陷类别对应的纹理和形状特征向量。其中，对所述待检测的工业CT图像滤波的步骤包括：采用中值滤波联合高斯滤波的方式对所述待检测的工业CT图像进行滤波。其中，对所述待检测工业CT图像进行边缘提取前，还包括：运用伽马校正方法，对所述待检测工业CT图像进行非线性拉伸。其中，对所述待检测工业CT图像进行边缘提取，包括：运用LoG算子，将Gauss平滑滤波器和Laplacian锐化滤波器结合，先平滑掉噪声，再进行边缘检测。其中，还包括：对所述目标特征向量进行矩阵归一化处理。第二方面，本申请实施例提供了一种应用于工业CT图像缺陷检测的装置，包括：获取单元，用于获取待检测的工业CT图像；预处理单元，用于预处理所述待检测的工业CT图像，所述预处理包括对所述待检测的工业CT图像进行统一位图格式、滤波、特征加强处理；二值化单元，用于对预处理后的所述待检测的工业CT图像进行二值化和边缘提取处理；提取单元，用于提取所述待检测的工业CT图像目标区域的纹理特征和形状特征，将所述特征转换为目标特征向量；识别单元，用于将所述目标特征向量输入模式识别神经网络模型，所述模式识别神经网络模型识别出所述待检测的工业CT图像中是否存在缺陷及缺陷的模式。其中，还包括训练单元，用于：使用训练样本集训练模式识别神经网络模型，直至训练完成得到模式识别神经网络模型，所述训练样本集包括有缺陷工业CT图像样本集和无缺陷工业CT图像样本集，所述有缺陷工业CT图像样本集包括不同缺陷类别及每一缺陷类别对应的纹理和形状特征向量。第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。第四方面，本申请实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述方法的步骤。本申请实施例应用于工业CT图像缺陷检测的方法及装置具有如下有益效果：本申请应用于工业CT图像缺陷检测的方法中，预处理待检测的工业CT图像，对预处理后的待检测的工业CT图像进行二值化和边缘提取；提取待检测的工业CT图像目标区域的纹理特征和形状特征，将特征转换为目标特征向量；将目标特征向量输入模式识别神经网络模型，由模式识别神经网络模型识别出待检测的工业CT图像中是否存在缺陷及缺陷的模式，本申请使用图像模式识别技术去识别工件内部是否存在缺陷，从而提高了工业CT图像缺陷检测的效率和准确率。附图说明图1为本申请实施例应用于工业CT图像缺陷检测的方法流程示意图；图2为本申请实施例应用于工业CT图像缺陷检测的方法另一种流程示意图；图3为本申请实施例应用于工业CT图像缺陷检测的装置的结构示意图；图4为本申请实施例电子设备的结构示意图。具体实施方式下面结合附图和实施例对本申请进行进一步的介绍。在下述介绍中，术语“第一”、“第二”仅为用于描述的目的，而不能理解为指示或暗示相对重要性。下述介绍提供了本专利技术的多个实施例，不同实施例之间可以替换或者合并组合，因此本申请也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而，如果一个实施例包含特征A、B、C，另一个实施例包含特征B、D，那么本申请也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例，尽管该实施例可能并未在以下内容中有明确的文字记载。下面的描述提供了示例，并且不对权利要求书中阐述的范围、适用性或示例进行限制。可以在不脱离本申请内容的范围的情况下，对描述的元素的功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。例如所描述的方法可以以所描述的顺序不同的顺序来执行，并且可以添加、省略或组合各种步骤。此外，可以将关于一些示例描述的特征组合到其他示例中。工业CT扫描成像是一种射线检测技术，其基于X射线在材料中衰减机制的断层成像方法，以二维横向截面展现工件断层的密度分布。现有技术中人工通过工业CT图像显示，依据经验观察识别出工件是否存在内部缺陷，该方法具有以下缺点：(1)耗费人力，效率低，且人的视觉疲劳容易造成误判，降低准确率；(2)忽略了数字化图像的隐藏信息，无法对缺陷进一步挖掘特征；(3)不能实现工业CT图像实时处理需求。因此需要一种智能化的工业CT图像缺陷检测方法，对工业CT图像模式识别，高效、高准确率地判别出工件内部是否存在缺陷。工业CT图像具有以下特点：(1)工业CT系统的数据格式标准一般依据医学CTDICOM格式；(2)工业系统X射线能量高、穿透力强，图像具备高分辨率的特征，但也带来噪声放大缺点；(3)工件的扫描图像背景不均匀；(4)工件CT图像的目标区域边缘连通性较好，目标子区域对比度低。图1为本申请实施例应用于工业CT图像缺陷检测的方法流程示意图，图2为本申请实施例应用于工业CT图像缺陷检测的方法另一种流程示意图，如图1-2所示，根据工业CT图像的特点，本申请提供了一种应用于工业CT图像缺陷检测的方法，包括步骤：S101，获取待检测的工业CT图像；S103，预处理待检测的工业CT图像，预处理包括对待检测的工本文档来自技高网...

【技术保护点】
1.一种应用于工业CT图像缺陷检测的方法，其特征在于，包括：/n获取待检测的工业CT图像；/n预处理所述待检测的工业CT图像，所述预处理包括对所述待检测的工业CT图像进行统一位图格式、滤波、特征加强处理；/n对预处理后的所述待检测的工业CT图像进行二值化和边缘提取处理；/n提取所述待检测的工业CT图像目标区域的纹理特征和形状特征，将所述特征转换为目标特征向量；/n将所述目标特征向量输入模式识别神经网络模型，所述模式识别神经网络模型识别出所述待检测的工业CT图像中是否存在缺陷及缺陷的模式。/n

【技术特征摘要】
1.一种应用于工业CT图像缺陷检测的方法，其特征在于，包括：
获取待检测的工业CT图像；
预处理所述待检测的工业CT图像，所述预处理包括对所述待检测的工业CT图像进行统一位图格式、滤波、特征加强处理；
对预处理后的所述待检测的工业CT图像进行二值化和边缘提取处理；
提取所述待检测的工业CT图像目标区域的纹理特征和形状特征，将所述特征转换为目标特征向量；
将所述目标特征向量输入模式识别神经网络模型，所述模式识别神经网络模型识别出所述待检测的工业CT图像中是否存在缺陷及缺陷的模式。


2.根据权利要求1所述应用于工业CT图像缺陷检测的方法，其特征在于，所述模式识别神经网络模型通过以下步骤训练得到：
使用训练样本集训练模式识别神经网络模型，直至训练完成得到所述模式识别神经网络模型，所述训练样本集包括有缺陷工业CT图像样本集和无缺陷工业CT图像样本集，所述有缺陷工业CT图像样本集包括不同缺陷类别及每一缺陷类别对应的纹理和形状特征向量。


3.根据权利要求1或2所述应用于工业CT图像缺陷检测的方法，其特征在于，对所述待检测的工业CT图像滤波的步骤包括：
采用中值滤波联合高斯滤波的方式对所述待检测的工业CT图像进行滤波。


4.根据权利要求1或2所述应用于工业CT图像缺陷检测的方法，其特征在于，对所述待检测工业CT图像进行边缘提取前，还包括：
运用伽马校正方法，对所述待检测工业CT图像进行非线性拉伸。


5.根据权利要求1或2所述应用于工业CT图像缺陷检测的方法，其特征在于，对所述待检测工业CT图像进行边缘提取，包括：
运用LoG算子，将Gauss平滑滤波器和Lapl...

【专利技术属性】
技术研发人员：张广才，陈玖冰，陈志芸，何继荣，寇江伟，
申请(专利权)人：扬州哈工科创机器人研究院有限公司，
类型：发明
国别省市：江苏;32