一种基于神经网络的锻造缺陷快速目标检测方法技术

本发明专利技术公开了一种基于神经网络的锻造缺陷快速目标检测方法。通过引入卷积神经网络(CNN)与深度学习的方式，对金属合金锻造成形中出现的表面裂缝、划痕和夹杂物等缺陷的热成像图数据进行特征提取，使得锻造过程中出现的缺陷由图像形式改变为数学矩阵形式，扩展了CNN诊断模型，用于更好地分析图像中的局部缺陷区域，以便支持实时视觉决策过程。本发明专利技术通过CNN神经网络分析确定锻造过程中出现的各种缺陷来实现快速的目标检测，相比于传统检测手段如探伤等来判断缺陷，在实际生产中本发明专利技术的方法实现了科学的控制产品质量的目的，更可以达到优化材料成分及锻造工艺，提高工作效率，减少生产损耗的目标。减少生产损耗的目标。减少生产损耗的目标。

【技术实现步骤摘要】
一种基于神经网络的锻造缺陷快速目标检测方法


[0001]本专利技术涉及金属合金锻造缺陷的识别分类及目标检测领域，具体涉及一种基于神经网络的锻造缺陷快速目标检测方法。

技术介绍

[0002]锻造是一种利用锻压机械对金属合金坯料施加压力，使其产生塑性变形以获得具有一定机械性能、一定形状和尺寸锻件的加工方法，通过锻造能消除金属在冶炼过程中产生的铸态疏松等缺陷，优化微观组织结构。而在锻造过程中出现的表面裂缝、划痕和夹杂物等缺陷，会严重影响到材料的使用性能，造成工件的变形、断裂等失效隐患。
[0003]目前，国内实际生产应用过程中对于锻造缺陷的产生及确认主要根据各种生产完成后的检测手段如探伤等来判断，对于大批量生产及锻造工艺而言，成本较大，周期长，自动化落后的缺点；对于表面缺陷的产生因素，缺少即时在线监测研究。

技术实现思路

[0004]本专利技术的目的是提供一种基于神经网络的锻造缺陷快速目标检测方法，可以解决上述技术问题中的一个或是多个。
[0005]为了达到上述目的，本专利技术提出的技术方案如下：
[0006]一种基于神经网络的锻造缺陷快速目标检测方法，具体包括以下步骤：
[0007](1)对锻造系统中的工件进行标号，分别为工件1号
‑
工件N号；设定每一个工件的锻造次数为a1...a
N
、每一个工件的保温时间为b1...b
N
。
[0008](2)建立CNN卷积神经网络训练数据库。
[0009]2.1随机执行T次锻造系统工作，每次锻造系统按照不同的锻造次数和保温时间，则锻造次数为保温时间为
[0010]2.2采用热成像仪记录每次锻造系统的温度图像X1...X
T
，对图像进行处理。
[0011]2.21对温度图像进行融合滤波去噪，改善图像质量。
[0012]2.22以温度图像中心为坐标原点建立坐标系，对温度图像进行位置矫正，去除温度图像角度倾斜或畸变的问题。
[0013]2.23对处理后的温度图像进行HOG划分处理，提取图像特征，梯度的大小和方向可以通过温度图像中的像素值来计算，梯度大小按照标号为g1...g
T
，梯度方向按照标号为θ1...θ
T
；其中，以g
x
为温度图像坐标系内x方向的像素值大小，g
y
为y方向的像素值大小。
[0014]2.3按照每次锻造系统的工作将对应的锻造次数保温时间温度图像梯度大小g1...g
T
、梯度方向θ1...θ
T
统计形成锻件热成像图数据库。
[0015]2.4以温度图像的温度梯度方向和大小分布效果为条件从步骤2.3锻件热成像图数据库中筛选训练数据以形成训练数据库及测试数据库，训练数据数据库包括彼此对应的锻造次数保温时间温度图像梯度大小g1...g
T
、梯度方向θ1...θ
T
；数据库包含每个温度图像相对应的真实缺陷类型。
[0016](3)对CNN卷积神经网络进行训练。
[0017]3.1采用CNN卷积神经网络对步骤2.4训练数据库中的温度图像梯度大小g1...g
T
与梯度方向θ1...θ
T
进行梯度特征提取，生成深度学习所需要的训练数据与对应的标签。
[0018]3.2设定关于温度图像梯度大小、梯度方向、锻造次数、保温时间相关性的损失函数
‘
Loss
’
，以损失函数
‘
Loss
’
达到最小为条件对步骤3.1中的CNN卷积神经网络进行迭代训练得到CNN的权重与偏差；以得到CNN卷积神经网络，采用测试数据库，输入优化后的CNN神经网络模型，直至神经网络模型的输出值与真实值之差满足设定的损失函数
‘
Loss
’
达到最小为条件，得到训练好的神经网络模型。
[0019](4)通过CNN卷积神经网络配合热成像仪采集的温度图像，即时对批次工件进行检测，实现快速分类的目的。
[0020]进一步的：本专利技术步骤3.2中的损失函数为：Loss＝||A*CNN(G)
‑
B
‑
CNN(θ)||2，其中G＝[g1...g
T
]、θ＝[θ1...θ
T
]、CNN为卷积神经网络。
[0021]本专利技术的技术效果是：
[0022]本专利技术中通过CNN神经网络对金属合金锻造成形中出现的表面裂缝、划痕和夹杂物缺陷等的热成像图数据进行特征提取转变为数学矩阵形式，用于更好地分析图像中的局部缺陷区域，以便支持实时视觉决策过程。相比于传统检测手段如探伤等来判断缺陷，在实际生产中本专利技术的方法在即时实施的过程中更灵活；实现了科学的控制产品质量的目的，更可以达到优化材料成分及锻造工艺，提高工作效率，减少生产损耗的目标。
附图说明
[0023]构成本申请的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示
意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0024]图1是本专利技术的总体结构示意图；
[0025]图2是本专利技术工作方法的流程图；
[0026]图3是本专利技术工作流程的流程图。
具体实施方式
[0027]下面将结合附图以及具体实施例来详细说明本专利技术，其中的示意性实施例以及说明仅用来解释本专利技术，但并不作为对本专利技术的不当限定。
[0028]实施例1
[0029]一种基于神经网络的锻造缺陷快速目标检测方法，如图2～3所示，具体包括以下步骤：
[0030](1)对锻造系统中的工件进行标号，分别为工件1号
‑
工件N号；设定每一个工件的锻造次数为a1...a
N
、每一个工件的保温时间为b1...b
N
。
[0031](2)建立CNN卷积神经网络训练数据库。
[0032]2.1随机执行T次锻造系统工作，每次锻造系统工作按照不同的锻造次数和保温时间，则锻造次数为保温时间为
[0033]2.2采用热成像仪记录每次锻造系统工作的温度图像X1...X
T
，对图像进行处理。
[0034]2.21对温度图像进行融合滤波去噪，改善图像质量。
[0035]2.22对温度图像进行位置矫正，去除图像角度倾斜或畸变的问题。
[0036]2.23对处理后的温度图像进行HOG划分处理，提取温度图像特征，梯度的大小和方向可以通过温度图像中的像素值来计算，梯度大小按照标号为g1...g
T
，梯度方向按照标号为θ1...θ
T
。
[0037]2.3按照每次锻造系统工作将对应的锻造次数保温时间温度图像梯度大小g1...g
T
、梯度方向θ1...θ...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的锻造缺陷快速目标检测方法，其特征在于：具体包括以下步骤：(1)对锻造系统中的工件进行标号，分别为工件1号
‑
工件N号；设定每一个工件的锻造次数为a1...a
N
、每一个工件的保温时间为b1...b
N
；(2)建立CNN卷积神经网络训练数据库；2.1随机执行T次锻造系统工作，每次锻造系统工作按照不同的锻造次数和保温时间，则锻造次数为保温时间为2.2采用热成像仪记录每次锻造系统工作的温度图像X1...X
T
，对图像进行处理；2.21对温度图像进行融合滤波去噪，改善图像质量；2.22以温度图像中心为坐标原点建立坐标系，对温度图像进行位置矫正，去除温度图像角度倾斜或畸变的问题；2.23对处理后的温度图像进行HOG划分处理，提取温度图像特征，梯度的大小和方向可以通过温度图像中的像素值来计算，梯度大小按照标号为g1...g
T
，梯度方向按照标号为θ1...θ
T
；其中，以g
x
为温度图像坐标系内x方向的像素值大小，g
y
为y方向的像素值大小；2.3按照每次锻造系统工作将对应的锻造次数保温时间温度图像梯度大小g1...g
T
、梯度方向θ1...θ
T
统计形成锻件热成像图数据库；2.4以温度图像的温度梯度方向和大小分布效果为条件从步骤2.3锻件热成像图数据库中筛选训练数据以形成训练数据库及测试数据库，训练数据数据库包括彼此对应的锻造次数保温时间温度图像梯度大小g1...g
T
、梯度方向θ1...θ
T
；数据...

【专利技术属性】
技术研发人员：李祖来，吴迪，山泉，张飞，苟浩杰，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：