复合金属片多点裂纹电磁探伤系统技术方案

本发明专利技术涉及金属探伤技术领域，具体为复合金属片多点裂纹电磁探伤系统，包括：图像采集模块，图像预处理模块，图像数据库构建模块，图像训练模块，图像检测模块。本发明专利技术通过获取金属部件的红外图像，并构建红外图像数据集，对所述红外图像数据集进行预处理，将预处理的数据构建红外图像数据库，根据所述红外图像数据库对CNN卷积神经网络进行训练，得到训练好的神经网络模型，输入待检测图像，由训练好的神经网络模型对待检测图像进行检测，判断待检测图像中是否存在瑕疵，提高检测效率。提高检测效率。提高检测效率。

【技术实现步骤摘要】
复合金属片多点裂纹电磁探伤系统


[0001]本专利技术涉及金属探伤
，具体为复合金属片多点裂纹电磁探伤系统。

技术介绍

[0002]在金属材料的整个生命周期中总会出现或大或小的缺陷，虽然明显的大范围缺陷能够及时被发现，但细微裂纹和内部空泡缺陷检测难度较大，容易被忽视，这样的缺陷会随时间积累逐渐增大，因此，需要及时对金属裂纹进行检测。
[0003]目前对金属缺陷检测方法有渗透检测、磁粉检测等，渗透检验是通过施加渗透剂，用洗净剂去除多余部分，如有必要，施加显像剂以得到零件上开口于表面的某些缺陷的指示；磁粉检测只能用于检测铁磁性材料的表面或近表面的缺陷，由于不连续的磁痕堆集于被检测表面上，所以能直观地显示出不连续的形状、位置和尺寸，并可大致确定其性质。
[0004]目前通过渗透检测、磁粉检测方法对金属缺陷的检测存在一定的缺陷，需要对金属表面进行处理，由于金属器件数量多，如果一一对金属表面进行处理，其效率较低，因此，提供一种操作便捷且稳定高效的金属探伤方案是亟待解决的技术问题。

技术实现思路

[0005]目前通过渗透检测、磁粉检测方法对金属缺陷的检测存在一定的缺陷，需要对金属表面进行处理，由于金属器件数量多，如果一一对金属表面进行处理，其效率较低，因此，提供一种操作便捷且稳定高效的金属探伤方案是亟待解决的技术问题
[0006]本专利技术提供了如下技术方案：
[0007]复合金属片多点裂纹电磁探伤系统，包括：
[0008]图像采集模块，用于获取金属部件的红外图像，并构建红外图像数据集；
[0009]图像预处理模块，用于对所述红外图像数据集进行预处理；
[0010]图像数据库构建模块，用于将预处理的数据构建红外图像数据库；
[0011]图像训练模块，用于根据所述红外图像数据库对CNN卷积神经网络进行训练，得到训练好的神经网络模型；
[0012]图像检测模块，用于输入待检测图像，由训练好的神经网络模型对待检测图像进行检测，判断待检测图像中是否存在瑕疵。
[0013]作为本专利技术的一种优选实时方案，所述红外图像数据集进行预处理为对红外图像进行融合滤波去噪，改善图像质量。
[0014]作为本专利技术的一种优选实时方案，所述预处理的数据构建红外图像数据库为对处理后的红外图像进行HOG划分处理，提取温度图像特征，统计形成红外图像数据库。
[0015]作为本专利技术的一种优选实时方案，所述根据所述红外图像数据库对CNN卷积神经网络进行训练，得到训练好的神经网络模型为：
[0016]采用CNN卷积神经网络对所述红外图像数据库进行特征提取，生成深度学习所需要的训练数据与对应的标签；设定损失函数L，以损失函数L达到最小为条件对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L达到最小为条件，得到训练好的神经网络模型。
[0017]本专利技术还公开了复合金属片多点裂纹电磁探伤系统及方法，包括以下步骤：
[0018]S1：对金属部件a进行标号，则所述金属部件a{a1...an}；
[0019]S2：采用热成像仪记录每个金属部件a的红外图像X1...XT，对图像进行处理；
[0020]S3：对红外图像进行融合滤波去噪，改善图像质量；
[0021]S4：以红外图像中心为坐标原点建立坐标系，对红外图像进行位置矫正，去除红外图像角度倾斜或畸变的问题；
[0022]S5：对处理后的红外图像进行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...gT，梯度方向按照标号为θ1...θT；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；
[0023]S6：按照每个红外图像梯度大小g1...gT、梯度方向θ1...θT统计形成金属部件红外图像据库；
[0024]S7：以红外图像的温度梯度方向和大小分布效果为条件从金属部件红外图像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每个红外图像的图像梯度大小g1...gT、梯度方向θ1...θT；数据库包含每个红外图像相对应的真实瑕疵类型；
[0025]S8：采用CNN卷积神经网络对训练数据库中的红外图像梯度大小g1...gT与梯度方向θ1...θT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；
[0026]S9：设定关于红外图像梯度大小、梯度方向、金属部件a{a1...an}相关性的损失函数L，以损失函数L达到最小为条件对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神经权网络模型，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L达到最小为条件，得到训练好的神经网络模型。
[0027]作为本专利技术的一种优选实时方案，所述对CNN卷积神经网络进行训练，其中训练算法为随机梯度下降法、优化器选择Adam算法。
[0028]作为本专利技术的一种优选实时方案，所述损失函数L为：
[0029]L＝||a*CNN(G)
‑
CNN(θ)||2，其中G＝[g1...gT]、θ＝[θ1...θT]、CNN
[0030]为卷积神经网络。
[0031]本专利技术还公开了一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时，执行根据权利要求5
‑
7任意一项所述方法的指令。
[0032]本专利技术还公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被计算机设备的处理器运行时，执行根据权利要求5
‑
7任意一项所述方法的指令。
[0033]本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
[0034]本申请实施例通过获取金属部件的红外图像，并构建红外图像数据集，对所述红外图像数据集进行预处理，将预处理的数据构建红外图像数据库，根据所述红外图像数据
库对CNN卷积神经网络进行训练，得到训练好的神经网络模型，输入待检测图像，由训练好的神经网络模型对待检测图像进行检测，判断待检测图像中是否存在瑕疵，解决目前通过渗透检测、磁粉检测方法对金属缺陷的检测存在一定的缺陷，需要对金属表面进行处理，由于金属器件数量多，如果一一对金属表面进行处理，其效率较低的技术问题。
[0035]上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
[0036]为了更清楚地说明本专利技术实施例中的技术方案，下面本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.复合金属片多点裂纹电磁探伤系统，其特征在于，包括：图像采集模块，用于获取金属部件的红外图像，并构建红外图像数据集；图像预处理模块，用于对所述红外图像数据集进行预处理；图像数据库构建模块，用于将预处理的数据构建红外图像数据库；图像训练模块，用于根据所述红外图像数据库对CNN卷积神经网络进行训练，得到训练好的神经网络模型；图像检测模块，用于输入待检测图像，由训练好的神经网络模型对待检测图像进行检测，判断待检测图像中是否存在瑕疵。2.根据权利要求1所述的复合金属片多点裂纹电磁探伤系统，其特征在于，所述红外图像数据集进行预处理为对红外图像进行融合滤波去噪，改善图像质量。3.根据权利要求2所述的复合金属片多点裂纹电磁探伤系统，其特征在于，所述预处理的数据构建红外图像数据库为对处理后的红外图像进行HOG划分处理，提取温度图像特征，统计形成红外图像数据库。4.根据权利要求3所述的复合金属片多点裂纹电磁探伤系统，其特征在于，所述根据所述红外图像数据库对CNN卷积神经网络进行训练，得到训练好的神经网络模型为：采用CNN卷积神经网络对所述红外图像数据库进行特征提取，生成深度学习所需要的训练数据与对应的标签；设定损失函数L，以损失函数L达到最小为条件对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L达到最小为条件，得到训练好的神经网络模型。5.根据权利要求4所述的复合金属片多点裂纹电磁探伤系统及方法，其特征在于，包括以下步骤：S1：对金属部件a进行标号，则所述金属部件a{a1...an}；S2：采用热成像仪记录每个金属部件a的红外图像X1...XT，对图像进行处理；S3：对红外图像进行融合滤波去噪，改善图像质量；S4：以红外图像中心为坐标原点建立坐标系，对红外图像进行位置矫正，去除红外图像角度倾斜或畸变的问题；S5：对处理后的红外图像进行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...gT，梯度方向...

【专利技术属性】
技术研发人员：陈健，陆如峰，郭亚，
申请(专利权)人：威科德金属有限公司，
类型：发明
国别省市：