一种基于改进神经网络的铸件缺陷X射线图自动识别法制造技术

本发明专利技术提供了一种基于改进神经网络的铸件缺陷X射线图自动识别法，属于材料铸造和缺陷图像目标检测领域。本技术方案采用卷积生成对抗网络模型，完成数据集的图像特征增强。采用图像标注工具，完成对铸件缺陷数据集的缺陷标注。改进目标检测YOLOv5模型的网络结构，加入注意力机制，改进损失函数进行模型训练。使用训练集对模型进行训练，最终对比多种改进网络模型，以影响神经网络模型质量的准确率、召回率等因素为评价指标，获得YOLOv5

【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，且具有重复性，而生成对抗网络模型(GAN)通过一组随机噪声学习真实样本分布，大大增强图像的数据特征，提高了生成样本的质量和模型训练的稳定性。

技术实现思路

[0004]本专利技术的目的是提供一种基于改进神经网络的铸件缺陷X射线图自动识别法，能够有效地提高小目标物体的识别的精度和准度。
[0005]为了达到上述目的，本专利技术采取的技术方案为：
[0006]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：
[0007](1)输入获取的若干铸件X射线图像；
[0008](2)对所述图像进行图像预处理；
[0009](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；
[0010](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；
[0011](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)；
[0012](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)；
[0013](7)基于训练过程得到改进YOLOv5网络模型的权重文件；
[0014](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。
[0015]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。
[0016]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。
[0017]所述的铸件为汽车工业常用的铝合金铸件。
[0018]所述的缺陷类型为六类。
[0019]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。
[0020]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：
[0021](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锚框值；
[0022](4.2)在Backbone阶段增加Focus结构，构造CSP结构，经过4次切片操作和1次32个卷积核的卷积操作，得到信息完整的下采样特征图；
[0023](4.3)输出层采用CIoU_Loss，即：
[0024][0025]式中，ρ2(b，b
gt
)为预测框和真实框的中心点的欧式距离；c为同时包含预测框和真实框的最小闭包区域的对角线距离；α为权衡参数；β衡量了长宽比的一致性，其中α、β可表述如下：
[0026][0027][0028]对应的损失函数为：
[0029][0030]代替GIoU作为损失函数，增加相交尺度的衡量；
[0031](4.4)在卷积层采用ShuffleNetv2结构或MobileNetv2结构替代原模型backbone中除Focus结构以外的卷积神经网络层结构，同时选择在backbone尾端部分导入所述通道注意力机制模块SENet(Squeeze
‑
and
‑
Excitation Networks)，构造改进型YOLOv5
‑
SNv2
‑
SE和YOLOv5
‑
MNv2
‑
SE网络模型。
[0032]所述的评估模型的各项指标包括GIoU Loss(广义交并比损失)、Objectness Loss(目标检测损失)、Classification(准目标分类损失)、Precision(准确率)、Recall(召回率)、mAP@0.5(0.5广义交并比阈值下多类别平均精度值)、mAP@0.5:0.95(变化交并比阈值下多类别平均精度值)。
[0033]所述的各种对比模型包括YOLOv5原模型、所述改进型YOLOv5
‑
SNv2
‑
SE和YOLOv5
‑
MNv2
‑
SE网络模型。
[0034]所述的改进YOLOv5网络模型是所述YOLOv5
‑
MNv2
‑
SE模型。
[0035]本专利技术的有益效果是：
[0036]本专利技术提供一种基于改进神经网络的铸件缺陷X射线图自动识别法，在图像预处理阶段没有采用传统的方法，而是利用卷积生成对抗网络完成数据集的图像特征增强，同时改进神经网络结构、加入通道注意力机制、改进损失函数，与YOLOv5原模型及其他改进模型进行对比，选取最优的网络模型。相较于传统机器学习方法，本专利技术具有更强的检测精准度，优化后的模型方法，识别准确率和平均精度都有了显著的提高，具有更好的鲁棒性。
附图说明
[0037]图1是本专利技术一种基于改进神经网络的铸件缺陷X射线图自动识别法的流程图。
[0038]图2是本专利技术一种基于改进神经网络的铸件缺陷X射本文档来自技高网...

【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：