【技术实现步骤摘要】
一种基于改进神经网络的铸件缺陷X射线图自动识别法
[0001]本专利技术涉及材料铸造和缺陷图像目标检测领域,具体涉及一种基于改进神经网络的铸件缺陷X射线图自动识别法。
技术介绍
[0002]随着汽车轻量化技术的发展,铝合金铸件的需求迅速增长,其质量直接影响到汽车零部件的安全性能。因此,铸件的品质保证极为重要。在铸件的生成过程中,由于不同制造工艺的限制,不可避免地产生各种缺陷,如孔洞、裂纹等。这些缺陷区域的存在将会严重影响到铸件的性能,一旦继续生产使用将会对整个机械部件带来难以想象的不良后果。为了保证铸件的质量,目前基于传统机器视觉和深度学习的检测法已经得到了广泛应用,大大解决了过去人工检测存在的效率低、准确度差、误检率高等问题,提高了铸件缺陷的识别精度,大大节省了检测成本。
[0003]传统的机器视觉检测法通常先进行图片的采集,然后需要设计特征和基于机器学习算法的模型完成图像处理,最终获得检测结果。随着深度学习技术的应用发展,卷积神经网络(CNN)被用来解决困难的图像驱动识别任务,它可以有效地提取关键特征并自主学习,大大节省人工设计特征的时间和成本。基于深度学习的检测方法作为一种数据驱动的检测技术,在样本充足的情况下能够取得较好的训练效果。实际研究中往往需要对小样本数据进行处理,而使用X射线检测仪获得X射线图像是重要的样本数据来源。但识别X射线图像中的铸件缺陷仍然是一项具有挑战性的任务。同时对于背景比较复杂、对比度不明显的缺陷图像,传统的切割、改变对比度、降噪等图像处理手段虽然能实现数据增强但效果有限,且具有 ...
【技术保护点】
【技术特征摘要】
1.一种基于改进神经网络的铸件缺陷X射线图自动识别法,其特征在于,基于卷积对抗网络和改进YOLOv5网络模型,主要包括以下步骤:(1)输入获取的若干铸件X射线图像;(2)对所述图像进行图像预处理;(3)对预处理后的每一幅图像中的缺陷进行标注,并按照9:1的比例随机选取构成训练集和验证集;(4)构建基于YOLOv5的改进卷积神经网络模型,包括加入通道注意力机制模块SENet,优化损失函数;使用所述训练集对所述基于YOLOv5的改进卷积神经网络模型进行训练;(5)迭代N次后,利用训练好的模型完成所述验证集中X射线图像的缺陷识别,将各种对比模型的识别结果进行对比,若评估模型的各项指标综合更优则进入步骤(7),否则进入步骤(6);(6)利用所述训练集,判断模型参数收敛情况,不断改进网络模型的参数,并返回步骤(4);(7)基于训练过程得到改进YOLOv5网络模型的权重文件;(8)将铸件X射线图像输入到所述改进YOLOv5网络模型的权重文件中,检测并识别铸件的缺陷类型及其位置坐标。2.根据权利要求1所述的一种基于改进神经网络的铸件缺陷X射线图自动识别法,其特征在于,所述的图像预处理是利用卷积生成对抗网络,通过一组随机噪声学习真实样本分布,进行了缺陷图像的特征增强,生成新的样本数据。3.根据权利要求1所述的一种基于改进神经网络的铸件缺陷X射线图自动识别法,其特征在于,所述的缺陷进行标注是使用图形图像注释工具labeling对预处理后的每一个图像中的缺陷进行标注。4.根据权利要求1所述的一种基于改进神经网络的铸件缺陷X射线图自动识别法,其特征在于,所述的铸件为汽车工业常用的铝合金铸件。5.根据权利要求1所述的一种基于改进神经网络的铸件缺陷X射线图自动识别法,其特征在于,所述的缺陷类型为六类。6.根据权利要求1所述的一种基于改进神经网络的铸件缺陷X射线图自动识别法,其特征在于,所述的基于YOLOv5的改进卷积神经网络模型,采用的是体积和权重都较小的YOLOv5s作为铸件缺陷检测与识别的模型,并在此模型基础上进行改进。7.根据权利要求1所述的一种基于改进神经网络的铸件缺陷X射线图自动识别法,其特征在于,所述的基于YOLOv5的改进卷积神经网络模型训练的主要方法如下:(4.1)输入层自适应缩放图片,采用Mosaic数据增强方式,随机调用图片,同时自动计算数据集的最佳...
【专利技术属性】
技术研发人员:闫学顺,吴文云,汪东红,疏达,余童,弓成美琪,周乐尧,
申请(专利权)人:上海工程技术大学,
类型:发明
国别省市:
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。