一种基于CNN的超声无损检测图像缺陷分类方法技术

本发明专利技术属于数字图像处理技术领域，具体为一种基于CNN的超声无损检测图像缺陷分类方法。本发明专利技术方法包括采集超声相控阵无损检测图像，并对检测图像进行分类，构造专用于超声相控阵无损检测图像缺陷分类的数据集；并将数据集按照一定比例划分为训练集、测试集，训练集用来训练网络模型，测试集用来测试训练好的网络模型的性能；设计专用的超声相控阵无损检测图像缺陷分类的深度卷积神经网络，该网络包括：数据输入模块、双尺度特征提取模块、特征重组模块、特征融合模块、CA模块和分类器。本发明专利技术可以提高超声相控阵无损检测图像中缺陷的分类效率，减轻相关制造企业再缺陷数据分析过程中的成本。

【技术实现步骤摘要】
一种基于CNN的超声无损检测图像缺陷分类方法
本专利技术属于数字图像处理
，具体涉及一种超声相控阵无损检测图像缺陷分类方法。
技术介绍
目前，无损检测是保证机械结构安全的中要手段，是对重要零部件内部是否含有缺陷的重要检测方法。无损检测主要有射线检测、磁粉检测、红外检测、涡流检测和超声检测等。由于超声无损检测的安全性、设备便携性、可以直接成像等特点，其应用相当广泛。但受超声成像机制与检测环境的影响，其图像中往往含有特殊噪声，且检测结果需要专业人员进行分析，才能判断物体内部的缺陷类别。因此，如何实现对检测图像中缺陷的自动识别与分类，是当前的一个研究热点。
技术实现思路
本专利技术的目的在于提供一种准确性和效率高的超声相控阵无损检测图像中缺陷的自动分类方法。本专利技术提供的超声相控阵无损检测图像缺陷分类方法，是基于CNN技术的，具体步骤为：步骤一：采集超声相控阵无损检测图像，并对检测图像进行分类(一般由专业人员完成)，构造一种专用于超声相控阵无损检测图像缺陷分类的数据集；并将数据集按照一定比例(如4：1)划分为训练集、测试集，训练集用来训练网络模型，测试集用来测试训练好的网络模型的性能；步骤二：设计专用的超声相控阵无损检测图像缺陷分类的深度卷积神经网络(CNN)，该网络具体包括：数据输入模块、双尺度特征提取模块、特征重组模块、特征融合模块、CA模块和分类器；其中：所述数据输入模块，主要用于缺陷图像的预处理，包括从训练集中随机提取批量图像用于训练网络，对提取的批量图像进行梯度计算以生成梯度图像，并对图像进行下采样以减少数据量，提升网络训练效率；所述双尺度特征提取模块，由卷积层、BN层、激活层和池化层组成，用于提取不同尺度下的缺陷图像特征，通过不同大小的感受野来提取原始图像和梯度图像的特征；所述特征重组模块，用于将双尺度下的特征进行重组，并通过CA模块重新调整各特征通道所占权重，将高维度的特征进行合理的重组；所述特征重组模块包括卷积层、BN层、激活层和池化层；所述特征融合模块，用于实现高维特征的降维，保留对分类结果影响重要的特征，去除对分类结果影响较小或无影响的特征，减少网络的参数量，从而加速网络的训练；所述分类器，用来实现对缺陷类型的分类，由卷积层和Softmax层组成，卷积层用于将融合后的高维特征进行降维与融合，Softmax层可以输出缺陷属于哪一类别。步骤三：由数据输入模块生成网络的输入数据，对训练集中的缺陷图像进行批处理，随机从训练集中选取多张缺陷图像作为每次输入网络中的批量图像，并对批量图像中的图像进行下采样减少数据量，输入双尺度网络中进行特征的提取；步骤四：通过双尺度特征提取模块，提取批图像中的不同尺度下的特征，提取输入网络的批图像的双尺度特征，即原始图像的特征和对应的梯度图像特征，避免单尺度下网络的特征提取能力不足；步骤五：通过特征重组模块，将双尺度下的特征进行重组，并通过CA模块重新调整各特征通道所占权重，将高维度的特征进行合理的重组。步骤六：将重组后的特征输入特征融合模块，特征融合模块可以实现高维特征的降维，保留对分类结果影响重要的特征，去除对分类结果影响较小或无影响的特征。步骤六：通过分类器输出图像中缺陷的类别，实现超声相控阵无损检测图像中缺陷的自动分类。步骤七：计算分类器输出结果与输入标签之间的损失，本专利技术中采用交叉熵损失作为损失函数。通过梯度下降法优化损失函数，更新网络的参数，使网络的损失达到最小。步骤八：完成本次训练后，重复步骤三-七，直到达到停止条件或最大训练次数，得到训练好的模型，保存。步骤九：使用测试集中的图像，输入到训练好的网络模型中，网络模型即可实现对图像中缺陷类型的分类。若测试发现模型准确度不足，则可以重新调整网络中的超参数，以进一步提升网络性能。训练好后的网络模型，可以实现对数据集以外的图像中缺陷类型进行准确分类。本专利技术是基于深度学习的图像分类算法，目前大多模型只从原始图像中提取图像特征，而忽略了图像的梯度特征。本专利技术涉及了双尺度网络，不仅可以提取原始图像中的特征，亦可以提取梯度图像中的边缘特征，而缺陷的分类不仅仅依赖于原始图像，很大程度上由缺陷的边缘信息来确定，故本专利技术提出的方法，强调了梯度图像中边缘信息的利用，可以更加准确的实现缺陷类型的分类。通过本专利技术提出的方法，可以实现对图像中缺陷的自动分类，从而不需要专业人员花费大量人力进行对缺陷的判读。附图说明图1为本专利技术设计CNN结构图示。图2为ECANet结构示意图。具体实施方式下面结合实施例和附图，对本专利技术技术方案作进一步描述。显然，所描述的实施例仅是一部分，而不是全部的实施例。步骤一：采集超声相控阵无损检测图像，并由专业人员对检测图像进行分类，构造一种专用于超声相控阵无损检测图像缺陷分类的数据集。本实例中，共采集了3000张超声相控阵无损检测图像，其中的缺陷类别分为四类，分别为平底孔、平底槽、半通孔和无缺陷，对应的标签分别为[1,0,0,0],[0,1,0,0],[0,0,1,0],[0,0,0,1]。表1缺陷类型与编码步骤二：设计超声相控阵无损检测图像缺陷分类网络。具体包括：数据输入模块，双尺度特征提取模块，特征重组模块，特征融合模块、CA模块和分类器，网络的架构如图1所示，具体参数和说明如下：数据输入模块：用来从训练集中提取批量图像训练网络，并对原始图像进行下采样操作，即减少图像数据量，对下采样后的图像就行梯度计算，生成梯度图像。双尺度特征提取模块：主要由不同感受野的卷积模块组成。第一个尺度的卷积模块为卷积核大小为3*3的卷积层，第二个尺度的卷积模块为卷积核大小为5*5的卷积层。小的感受野可以更加关注图像中的局部信息，而大的感受野可以更加关注到图像中的结构信息。每个尺度的卷积模型均由卷积层、激活层、最大池化层组成。第一个尺度的卷积层输入特征通道数为3，输出特征通道数为256，卷积核大小为3*3，卷积步长为1，不进行补零操作。第二个尺度的卷积层输入特征通道数为3，输出特征通道数为256，卷积核大小为5*5，卷积步长为1，不进行补零操作。特征重组模块：由卷积层1，激活层，卷积层2，激活层，最大池化层组成。卷积层1的输入特征通道数为576，输出特征通道数为128，卷积核大小为3*3，卷积步长为1，不进行补零操作，实现了特征降维与融合。卷积层2的输入特征通道数为128，输出特征通道数为64，卷积核大小为3*3，卷积步长为1，不进行补零操作，进一步实现了特征降维与融合。CA模块：由全局平均池化层、卷积层、一维卷积层和激活层组成。全局平均池化层用于实现对每个通道的特征图进行求全局平均，高度概括每个特征通道。卷积层用于调整全局平均池化后的通道数，卷积核大小为1*1，一维卷积层可以实现相邻通道间的信息交互，一维卷积核大小为5，激活层为Sigmoid函数，将通道特征进行归一化。分类模块：由Droupout函本文档来自技高网...

【技术保护点】
1.一种基于CNN的超声无损检测图像缺陷分类方法，其特征在于，具体步骤为：/n步骤一：采集超声相控阵无损检测图像，并对检测图像进行分类，构造一种专用于超声相控阵无损检测图像缺陷分类的数据集；并将数据集按照一定比例划分为训练集、测试集，训练集用来训练网络模型，测试集用来测试训练好的网络模型的性能；/n步骤二：设计专用的超声相控阵无损检测图像缺陷分类的深度卷积神经网络（CNN），该网络具体包括：数据输入模块、双尺度特征提取模块、特征重组模块、特征融合模块、CA模块和分类器；其中：/n所述数据输入模块，主要用于缺陷图像的预处理，包括从训练集中随机提取批量图像用于训练网络，对提取的批量图像进行梯度计算以生成梯度图像，并对图像进行下采样以减少数据量；/n所述双尺度特征提取模块，用于提取不同尺度下的缺陷图像特征，通过不同大小的感受野来提取原始图像和梯度图像的特征；包括卷积层、BN层、激活层和池化层；/n所述特征重组模块，用于将双尺度下的特征进行重组，并通过CA模块重新调整各特征通道所占权重，将高维度的特征进行合理的重组；包括卷积层、BN层、激活层和池化层；/n所述特征融合模块，用于实现高维特征的降维，保留对分类结果影响重要的特征，去除对分类结果影响较小或无影响的特征，减少网络的参数量，从而加速网络的训练；/n所述分类器，用来实现对缺陷类型的分类，由卷积层和Softmax层组成，卷积层用于将融合后的高维特征进行降维与融合，Softmax层可以输出缺陷属于哪一类别；/n步骤三：由数据输入模块生成网络的输入数据，对训练集中的缺陷图像进行批处理，随机从训练集中选取多张缺陷图像作为每次输入网络中的批量图像，并对批量图像中的图像进行下采样减少数据量，输入双尺度网络中进行特征的提取；/n步骤四：通过双尺度特征提取模块，提取批图像中的不同尺度下的特征，提取输入网络的批图像的双尺度特征，即原始图像的特征和对应的梯度图像特征，以避免单尺度下网络的特征提取能力不足；/n步骤五：通过特征重组模块，将双尺度下的特征进行重组，并通过CA模块重新调整各特征通道所占权重，将高维度的特征进行合理的重组；/n步骤六：将重组后的特征输入特征融合模块，特征融合模块可以实现高维特征的降维，保留对分类结果影响重要的特征，去除对分类结果影响较小或无影响的特征；/n步骤六：通过分类器输出图像中缺陷的类别，实现超声相控阵无损检测图像中缺陷的自动分类；/n步骤七：计算分类器输出结果与输入标签之间的损失，采用交叉熵损失作为损失函数；通过梯度下降法优化损失函数，更新网络的参数，使网络的损失达到最小；/n步骤八：重复步骤三-七，直到达到停止条件或最大训练次数，得到训练好的模型；/n步骤九：使用测试集中的图像，输入到训练好的网络模型中，可实现对图像中缺陷类型的分类。/n...

【技术特征摘要】
1.一种基于CNN的超声无损检测图像缺陷分类方法，其特征在于，具体步骤为：
步骤一：采集超声相控阵无损检测图像，并对检测图像进行分类，构造一种专用于超声相控阵无损检测图像缺陷分类的数据集；并将数据集按照一定比例划分为训练集、测试集，训练集用来训练网络模型，测试集用来测试训练好的网络模型的性能；
步骤二：设计专用的超声相控阵无损检测图像缺陷分类的深度卷积神经网络（CNN），该网络具体包括：数据输入模块、双尺度特征提取模块、特征重组模块、特征融合模块、CA模块和分类器；其中：
所述数据输入模块，主要用于缺陷图像的预处理，包括从训练集中随机提取批量图像用于训练网络，对提取的批量图像进行梯度计算以生成梯度图像，并对图像进行下采样以减少数据量；
所述双尺度特征提取模块，用于提取不同尺度下的缺陷图像特征，通过不同大小的感受野来提取原始图像和梯度图像的特征；包括卷积层、BN层、激活层和池化层；
所述特征重组模块，用于将双尺度下的特征进行重组，并通过CA模块重新调整各特征通道所占权重，将高维度的特征进行合理的重组；包括卷积层、BN层、激活层和池化层；
所述特征融合模块，用于实现高维特征的降维，保留对分类结果影响重要的特征，去除对分类结果影响较小或无影响的特征，减少网络的参数量，从而加速网络的训练；
所述分类器，用来实现对缺陷类型的分类，由卷积层和Softmax层组成，卷积层用于将融合后的高维特征进行降维与融合，Softmax层可以输出缺陷属于哪一类别；
步骤三：由数据输入模块生成网络的输入数据，对训练集中的缺陷图像进行批处理，随机从训练集中选取多张缺陷图像作为每次输入网络中的批量图像，并对批量图像中的图像进行下采样减少数据量，输入双尺度网络中进行特征的提取；
步骤四：通过双尺度特征提取模块，提取批图像中的不同尺度下的特征，提取输入网络的批图像的双尺度特征，即原始图像的特征和对应的梯度图像特征，以避免单尺度下网络的特征提取能力不足；
步骤五：通过特征重组模块，将双尺度下的特征进行重组，并通过CA模块重新调整各特征通道所占权重，将高维度的特征进行合理的重组；
步骤六：将重组后的特征输入特征融合模块，特征融合模块可以实现高维特征的降维，保留对分类结果影响重要的特征，去除对分类结果影响较小或无影响的特征；
步骤六：通过分类器输出图像中缺陷的类别，实现超声相控阵无损检测图像中缺陷的自动分类；
步骤七：计算分类器输出结果与输入标签之间的损失，采用交叉熵损失作为损失函...

【专利技术属性】
技术研发人员：汪兴伟，
申请(专利权)人：复旦大学，
类型：发明
国别省市：上海;31