基于深度学习的3D打印点阵结构CT图像缺陷检测方法技术

本发明专利技术涉及一种基于深度学习的3D打印点阵结构CT图像缺陷检测方法，其包括以下步骤，步骤一：通过工业CT获取缺陷图像数据；步骤二：高斯滤波处理缺陷图像数据；步骤三：构建基于深度学习网络的缺陷检测模型；步骤四：判断缺陷检测模型训练结果是否符合要求；步骤五：将训练好的模型参数用于缺陷检测模型。本发明专利技术通过基于双注意力机制的图像缺陷检测模块构建深度学习模型，实现对3D打印点阵结构内部缺陷进行无伤检测，准确高效地提取缺陷信息，分析该缺陷对点阵结构的力学性能影响，具有检测准确率高，实时性好，自动化程度高等优点。自动化程度高等优点。自动化程度高等优点。

【技术实现步骤摘要】
基于深度学习的3D打印点阵结构CT图像缺陷检测方法


[0001]本申请涉及属于3D打印点阵结构无伤探测
，具体地涉及一种基于深度学习的 3D打印点阵结构CT图像缺陷检测方法。

技术介绍

[0002]3D打印点阵结构件拥有体积密度小、比力学性能高、出色的减震、理想的吸振的优势，被广泛应用在航空航天、机械、潜艇等领域。通过选择性激光熔铸技术(SLM)打印点阵结构不仅打印速度快，还可设计复杂的内部结构，满足工业上的需求，创造很大的经济效益。但是由于粉末的融化、凝固以及自身的缺陷可能使得打印出的产品有很多的缺陷，降低甚至破坏点阵结构的力学性能，因此对其进行无伤检测尤为重要。
[0003]目前为止，最常用的无伤检测方法有射线检测、涡流检测、超声检测法等，射线检测法最为常见，将3D打印点阵结构件经过工业CT扫描得到断层图像，人工进行检测，检测效率低并且误差大，由于图像存在渐变性，对人的视力造成极大的伤害，因此对缺陷图像进行智能化检测十分必要，既可以提高检测效率和检测精度，还可以降低检测成本。

技术实现思路

[0004]为了克服本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的3D打印点阵结构CT图像缺陷检测方法，其特征在于，其包括以下步骤：步骤1：通过工业CT获取缺陷图像数据；使用工业CT扫描3D打印点阵结构件，获取内部缺陷图像数据，并对缺陷图像数据进行保存；步骤2：高斯滤波处理缺陷图像数据；对所有图像数据都要进行高斯滤波，通过镜像、旋转、平移、扭曲、对比度调整和重复像素值操作，对缺陷图像数据进行扩展和增强；高斯滤波的表达方式如下所示：式中：x表示输入图像横坐标方向像素点的值；y表示输入图像纵坐标方向像素点的值；G(x,y)表示高斯函数；σ代表高斯滤波函数的方差；步骤3：构建基于深度学习网络的缺陷检测模型；带有缺陷信息的图像数据被划分为训练集和验证集，图像数据传入基于深度学习的3D打印点阵结构缺陷检测模型进行训练，图像数据依次经过Resizer Images模块，融入双注意力机制的YOLOv4缺陷检测模块，进行缺陷检测；步骤31：构建Resizer Model模块；Resizer Model模块包括卷积层和BatchNorm层，所述卷积层函数的获取方式如下所示：f
x
＝ρ(w
l
x
l
+b
l
)式中：f
x
表示卷积层函数；x
l
表示输入的图像数据矩阵；w
l
和b
l
分别表示该层的权重和偏置；ρ表示激活函数；所述BatchNorm层函数的获取方式如下所示：式中：y
i
表示BatchNorm层函数；γ和β分别表示第一训练参数和第二训练参数；表示第i个输入的图像数据的矩阵标准化；i表示输入图像数据的编号；步骤32：构建基于双注意力机制的YOLOv4缺陷检测模块；所述双注意力机制由SE注意力机制和CBAM注意力机制共同组成；将所述SE注意力机制需融入到特征提取网络，给特征提取网络通道分配不同的权重；将所述CBAM注意力机制融入到特征提取网络，能够将图像不同位置分配不同权重，更好的突出缺陷位置；步骤33：搭建深度学习神经网络的损失函数；融合Resizer Model模块、双注意力模块的YOLOv4深度学习神经网络的损失函数获取方法如下所示：式中：L
CIOU
表示YOLOv4深度学习神经网络的损失函数；IOU表示真实框和检测框的交并比；A表示检测框；B表示真是框；d表示欧氏距离；A
zx
和B
zx
代表检测框和真实框的中心坐标；
c为A和B最小包围框的对角线长度；ν和a分别代表对长宽比的第一修正系...

【专利技术属性】
技术研发人员：郭保苏，张磊，吴凤和，温银堂，张玉燕，张芝威，
申请(专利权)人：燕山大学，
类型：发明
国别省市：