【技术实现步骤摘要】
一种基于深度学习的工业CT检测缺陷的智能识别方法
本专利技术涉及缺陷的智能识别方法，具体涉及一种基于深度学习的工业CT检测缺陷的智能识别方法。
技术介绍
工业计算机断层扫描成像技术(IndustrialComputedTomography)，简称为工业CT技术，CT重建基本理论被提出后，随着科学技术的发展和进步，工业CT设备的性能逐年提高，成本逐渐下降，工业CT技术得到了迅猛发展，被认为是目前最佳的无损检测手段。工业CT技术结合了计算机、自动控制、机械、光学物理等多项技术，它可以保证被检测物体在不被物理破坏的情况下获得物体的断层图像，是目前发展国防科技、航空航天技术及大型项目必不可少的技术，已广泛应用于航天、航空、军事、核能、石油、电子、机械、新材料研究、海关及考古等多种领域。工业CT切片图像在成像过程中易受噪声、伪影等因素影响，导致缺陷图像部分区域对比度很低、灰度范围狭窄、灰度变化不明显以及缺陷边缘往往较为模糊等特点，这些特点直接影响缺陷分割与识别的可靠性，导致缺陷的识别精度以及缺陷的识别率低。目前，仍采用人工的方...
【技术保护点】
1.一种基于深度学习的工业CT检测缺陷的智能识别方法，其特征在于，包括以下步骤：/n步骤1：采集工业CT检测图像；/n步骤2：对工业CT检测图像进行处理，得到深度学习数据集；/n步骤3：搭建U-net网络；/n步骤4；利用深度学习数据集对U-net网络进行训练；/n步骤5：利用训练好的U-net网络对新的工业CT检测图像的缺陷进行自动识别。/n
【技术特征摘要】
1.一种基于深度学习的工业CT检测缺陷的智能识别方法，其特征在于，包括以下步骤：
步骤1：采集工业CT检测图像；
步骤2：对工业CT检测图像进行处理，得到深度学习数据集；
步骤3：搭建U-net网络；
步骤4；利用深度学习数据集对U-net网络进行训练；
步骤5：利用训练好的U-net网络对新的工业CT检测图像的缺陷进行自动识别。
2.根据权利要求1所述的一种基于深度学习的工业CT检测缺陷的智能识别方法，其特征在于，步骤2)的具体过程为：在工业CT检测图像中选取数量相同的正常图像、具有裂纹的图像、具有气孔的图像以及具有夹杂的图像作为图像集，然后将图像集分为测试集和训练集，测试集和训练集中均包括数量相同的正常图像、具有裂纹的图像、具有气孔的图像以及具有夹杂的图像，测试集和训练集组成深度学习数据集。
3.根据权利要求1所述的一种基于深度学习的工业CT检测缺陷的智能识别方法，其特征在于，步骤3)的具体过程如下：
一、下采样过程：
1)将CT断层图像进行2次卷积操作，得到第一卷积图像，然后将第一卷积图像进行最大池化操作，得到第一最大池化层；
2)对第一最大池化层进行2次卷积操作，得到第二卷积图像，然后将第二卷积图像进行最大池化操作，得到第二最大池化层；
3)对第二最大池化层进行2次卷积操作，得到第三卷积图像，然后将第三卷积图像进行最大池化操作，得到第三最大池化层；
4)对第三最大池化层进行2次卷积操作，得到第四卷积图像，然后将第四卷积图像进行最大池化操作，得到第四最大池化层；
5)对第四最大池化层进行2次卷积操作，得到缺陷的环境信息图像；
二、上采样过程：
a)对缺陷的环境信息图像进行反卷积操作，得到第一反卷积图像，然后将第四卷积图像进行复制和剪裁后与第一反卷积图像进行拼接，进行卷积操作；
b)将步骤a)进行卷积操作后的图像进行反卷积操作，得到第二反卷积图像，然后将第三卷积图像进行复制和剪裁后与第二反卷积图像进行拼接，进行卷积操作；
c)将步骤b)进行卷积操作后的图像进行反卷积操作，得到第三反卷积图像，然后将第二卷积图像进行复制和剪裁后与第三反卷积图像进行拼接，进行卷积操作；
d)将步骤c)进行卷积操作后的图像进行反卷积操作，得到第四反卷积图像，然后将第一卷积图像进行复制和剪裁后与第四反卷积图像进行拼接，进行卷积操作；
e)将CT断层图像进行复制和剪裁，然后与步骤d)进行卷积操作后的图像拼接，再进行三次卷积操作，得到特征图；
f)最后在特征图上增加Softmax层。
4.根据权利...
【专利技术属性】
技术研发人员：赵纪元，王军军，张周锁，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。