一种基于区域特征提取的X光图像缺陷检测方法和装置制造方法及图纸

本申请涉及数字图像处理技术领域，特别涉及一种基于区域特征提取的X光图像缺陷检测方法和装置，其中，方法包括：获取待检测目标的X光图像；将X光图像输入至预先训练的缺陷概率预测模型，预测X光图像的每个检测区域的实际缺陷概率，其中，缺陷概率预测模型基于多层神经网络训练得到；确定实际缺陷概率大于预设概率阈值的至少一个检测区域，并根据至少一个检测区域生成缺陷图像，识别缺陷图像得到待检测目标的实际缺陷类型。由此，本申请实施例可以在提高检测效率的同时，保证了涡轮叶片内部缺陷检测的高精细度与高效率，有效克服相关技术中检测慢、设备繁杂的缺点。设备繁杂的缺点。设备繁杂的缺点。

【技术实现步骤摘要】
一种基于区域特征提取的X光图像缺陷检测方法和装置


[0001]本申请涉及数字图像处理
，特别涉及一种基于区域特征提取的X光图像缺陷检测方法和装置。

技术介绍

[0002]随着时代的发展，人类在天空的舞台越来越大，这对航空发动机的要求越来越高。航空发动机的缺陷检测技术也要随着相关学科的发展而发展。航空发动机作为高精度、高准度、高难度的典型产品，它对装配效率和装配质量的要求是极高的。航空制造业对发动机的质量要求体现在方方面面，零部件的安装位置、表面的纹理、内部的结构等都会严重影响发动机的安全使用。航空发动机涡轮叶片的缺陷检测是一个关键问题。涡轮叶片作为发动机动力的制造者，恶劣工况的承担者，有必要设定最严格的检测标准，并不断开发新型的检测技术。
[0003]涡轮叶片是一种金属铸件。金属铸件的常用自动化检测技术即使用机器学习算法对产品图像处理学习，进一步对铸件内部缺陷进行定位和分类。但金属铸件的相关检测技术达不到航空制造业对涡轮叶片的严格要求。同时，涡轮叶片的特殊结晶方法和设计结构也无法采取简单的金属铸件X光检测技术。
专利技术内本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于区域特征提取的X光图像缺陷检测方法，其特征在于，包括以下步骤：获取待检测目标的X光图像；将所述X光图像输入至预先训练的缺陷概率预测模型，预测所述X光图像的每个检测区域的实际缺陷概率，其中，所述缺陷概率预测模型基于多层神经网络训练得到；以及确定所述实际缺陷概率大于预设概率阈值的至少一个检测区域，并根据所述至少一个检测区域生成缺陷图像，识别所述缺陷图像得到所述待检测目标的实际缺陷类型。2.根据权利要求1所述的方法，其特征在于，在将所述X光图像输入至预先训练的缺陷概率预测模型之前，还包括：对所述X光图像进行图像增强处理，并提取所述待检测X光图像的缺陷特征图。3.根据权利要求2所述的方法，其特征在于，所述将所述X光图像输入至预先训练的缺陷概率预测模型，预测所述X光图像的每个检测区域的实际缺陷概率，包括：将所述缺陷特征图输入所述多层神经网络的第一层神经网络，提取所述缺陷特征图的特征向量；将所述特征向量输入所述多层神经网络的第二层神经网络，对所述特征向量进行卷积运算，得到所述每个检测区域的实际缺陷概率。4.根据权利要求1
‑
3任意一项所述的方法，其特征在于，所述缺陷概率预测模型基于多层神经网络训练得到，包括：获取样本图像的样本缺陷概率值和样本缺陷标注特征图像；将所述样本缺陷标注特征图像输入所述多层神经网络的第一层神经网络，提取所述样本缺陷标注特征图像的特征向量；将所述特征向量输入所述多层神经网络的第二层神经网络，对所述特征向量进行卷积运算，得到所述样本图像的每个检测区域的预测缺陷概率；将所述样本缺陷概率值和所述预测缺陷概率输入预设损失函数，得到损失值，根据所述损失值修正所述第一层神经网络和所述第二层神经网络的网络参数，并在所述预设损失函数收敛或训练次数达到目标次数时，完成训练，并得到所述缺陷概率预测模型。5.一种基于区域特征提取的X光图像缺陷检测装置，其特征在于，包括：获取模块，用于获取待检测目标的X光图像；预测模块，用于将所述X光图像输入至预先训练的缺陷概率预测模型，预测所述X光图像的每个检测区域的实际缺陷概率，其中，所述缺陷概率预测模型基于多层神经网络训练得到；以及检测模块，用于确定所述实际缺陷概率大于预设概率阈值...

【专利技术属性】
技术研发人员：黄必清，王雅妮，徐荣阁，汪祥，
申请(专利权)人：清华大学，
类型：发明
国别省市：