基于深度学习的复合材料板损伤图像分割方法和装置制造方法及图纸

本发明专利技术涉及图像处理技术领域，特别涉及一种基于深度学习的复合材料板损伤图像分割方法和装置。方法包括：获取待识别的X射线图像；将X射线图像分别输入至预先训练好的三个分割模型中，得到三个置信度分布图；其中，分割模型包括依次连接的主干网络、特征融合网络，主干网络包括特征提取模块、第一增强模块和第二增强模块，特征融合网络包括汉堡结构和自注意力融合模块；基于预先确定的阈值，分别确定每一个置信度分布图的权重，以基于三个置信度分布图和每一个置信度分布图的权重，确定分割结果。本方案，可以提高复合材料板损伤大小和损伤形状的识别准确率。伤形状的识别准确率。伤形状的识别准确率。

【技术实现步骤摘要】
基于深度学习的复合材料板损伤图像分割方法和装置


[0001]本专利技术实施例涉及图像处理
，特别涉及一种基于深度学习的复合材料板损伤图像分割方法和装置。

技术介绍

[0002]复合材料具有质轻、强度高、设计灵活等优越性能，在工程结构中的应用日益广泛。复合材料在服役期间面临着复杂的化学、物理环境的挑战，损伤的发生和积累可能会导致灾难性失效，使结构安全面临严峻挑战。因此，为了获得损伤容限并确保结构安全，必须精确识别损伤的类型、位置、大小和形状。
[0003]然而，传统的复合材料板损伤图像分割方法往往只关注于损伤位置的定位，对于损伤大小和形状的识别准确率较差。
[0004]因此，亟需一种新的基于深度学习的复合材料板损伤图像分割方法。

技术实现思路

[0005]为了解决传统的复合材料板损伤图像分割方法对损伤大小和形状的识别准确率较差的问题，本专利技术实施例提供了一种基于深度学习的复合材料板损伤图像分割方法和装置。
[0006]第一方面，本专利技术实施例提供了一种基于深度学习的复合材料板损伤图像分割方法，包括：
[0007]获取待识别的X射线图像；
[0008]将所述X射线图像分别输入至预先训练好的三个分割模型中，得到三个置信度分布图；其中，每一个分割模型均包括依次连接的主干网络、特征融合网络，所述主干网络包括特征提取模块、第一增强模块和第二增强模块，所述特征融合网络包括汉堡结构和自注意力融合模块；
[0009]基于预先确定的阈值，分别确定每一个置信度分布图的权重，以基于三个置信度分布图和每一个置信度分布图的权重，确定分割结果。
[0010]第二方面，本专利技术实施例还提供了一种基于深度学习的复合材料板损伤图像分割装置，包括：
[0011]获取单元，用于获取待识别的X射线图像；
[0012]分割单元，用于将所述X射线图像分别输入至预先训练好的三个分割模型中，得到三个置信度分布图；其中，每一个分割模型均包括依次连接的主干网络、特征融合网络，所述主干网络包括特征提取模块、第一增强模块和第二增强模块，所述特征融合网络包括汉堡结构和自注意力融合模块；
[0013]输出单元，用于基于预先确定的阈值，分别确定每一个置信度分布图的权重，以基于三个置信度分布图和每一个置信度分布图的权重，确定分割结果。
[0014]第三方面，本专利技术实施例还提供了一种计算设备，包括存储器和处理器，所述存储
器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本说明书任一实施例所述的方法。
[0015]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本说明书任一实施例所述的方法。
[0016]本专利技术实施例提供了一种基于深度学习的复合材料板损伤图像分割方法和装置，首先获取待识别的X射线图像，然后将X射线图像分别输入至预先训练好的三个分割模型中，得到三个置信度分布图；其中，每一个分割模型均包括依次连接的主干网络、特征融合网络，主干网络包括特征提取模块、第一增强模块和第二增强模块，特征融合网络包括汉堡结构和自注意力融合模块；最后，基于预先确定的阈值，分别确定每一个置信度分布图的权重，以基于三个置信度分布图和每一个置信度分布图的权重，确定分割结果。本方案，利用三个深度学习分割模型分别对X射线图像进行分割识别，然后将三个分割模型输出的三个置信度分布图结合阈值去整合勾画结果，得出最终复合材料板损伤图像的分割结果，以此来提高复合材料板损伤大小和损伤形状的识别准确率。
附图说明
[0017]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0018]图1是本专利技术一实施例提供的一种基于深度学习的复合材料板损伤图像分割方法的流程图；
[0019]图2是本专利技术一实施例提供的一种计算设备的硬件架构图；
[0020]图3是本专利技术一实施例提供的一种基于深度学习的复合材料板损伤图像分割装置结构图。
具体实施方式
[0021]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例，基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0022]下面描述以上构思的具体实现方式。
[0023]请参考图1，本专利技术实施例提供了一种基于深度学习的复合材料板损伤图像分割方法，该方法包括：
[0024]步骤100，获取待识别的X射线图像；
[0025]步骤102，将X射线图像分别输入至预先训练好的三个分割模型中，得到三个置信度分布图；其中，每一个分割模型均包括依次连接的主干网络、特征融合网络，主干网络包括特征提取模块、第一增强模块和第二增强模块，特征融合网络包括汉堡结构和自注意力融合模块；
[0026]步骤104，基于预先确定的阈值，分别确定每一个置信度分布图的权重，以基于三个置信度分布图和每一个置信度分布图的权重，确定分割结果。
[0027]本专利技术实施例中，首先获取待识别的X射线图像，然后将X射线图像分别输入至预先训练好的三个分割模型中，得到三个置信度分布图；其中，每一个分割模型均包括依次连接的主干网络、特征融合网络，主干网络包括特征提取模块、第一增强模块和第二增强模块，特征融合网络包括汉堡结构和自注意力融合模块；最后，基于预先确定的阈值，分别确定每一个置信度分布图的权重，以基于三个置信度分布图和每一个置信度分布图的权重，确定分割结果。本方案，利用三个深度学习分割模型分别对X射线图像进行分割识别，然后将三个分割模型输出的三个置信度分布图结合阈值去整合勾画结果，得出最终复合材料板损伤图像的分割结果，以此来提高复合材料板损伤大小和损伤形状的识别准确率。
[0028]针对步骤100：
[0029]在本专利技术实施例中，首先，需要构建数据集，获取若干张复合材料板的X射线损伤原始图像，可以理解，每一张原始图像均带有损伤区域标注标签，然后按照8：2比例划分为训练集和测试集；接着，分别对训练集和测试集进行图像预处理。
[0030]具体地，训练集的预处理方式为：首先将训练集中的原始图像随机裁剪成224
×
224大小，并以0.5的概率对原始图像进行水平反转，以减轻模型对特征出现位置的依赖性；最后，再求取数据集中图像的均值和方差，以对原始图像做标准化处理，得到样本图像，以此来扩大训练集的规模，提高分割模型的泛化能力。
[0031]而测试集的预处理方式为：将测试集中的原始图像大小放缩至256
×
256，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复合材料板损伤图像分割方法，其特征在于，包括：获取待识别的X射线图像；将所述X射线图像分别输入至预先训练好的三个分割模型中，得到三个置信度分布图；其中，每一个分割模型均包括依次连接的主干网络、特征融合网络，所述主干网络包括特征提取模块、第一增强模块和第二增强模块，所述特征融合网络包括汉堡结构和自注意力融合模块；基于预先确定的阈值，分别确定每一个置信度分布图的权重，以基于三个置信度分布图和每一个置信度分布图的权重，确定分割结果。2.根据权利要求1所述的方法，其特征在于，三个分割模型的网络结构相同，损失函数不同；所述特征提取模块包括多个串联连接的特征提取子模块；所述将所述X射线图像分别输入至预先训练好的三个分割模型中，得到三个置信度分布图，包括：针对每一个分割模型，均执行：将所述X射线图像输入至当前分割模型的所述特征提取模块中，以分别利用每一个所述特征提取子模块对所述目标SAR图像进行特征提取；将第一个特征提取子模块的输出结果输入至所述第一增强模块，以对所述X射线图像的浅层特征进行通道注意力加权和空间注意力加权，得到第一特征图像；将其余特征提取子模块的输出结果分别输入至所述第二增强模块，以对所述X射线图像的深层特征进行上下文级联融合，得到第二特征图像；将所述第一特征图像和所述第二特征图像分别输入至所述特征融合网络，以利用所述汉堡结构对所述第二特征图像进行分组卷积，得到拼接特征图，然后利用所述自注意力融合模块将所述拼接特征图和所述第一特征图像进行特征融合，得到当前分割模型的置信度分布图。3.根据权利要求2所述的方法，其特征在于，所述第一增强模块是通过如下方式对所述X射线图像的浅层特征进行通道注意力加权和空间注意力加权，得到所述第一特征图像的：分别在通道维度上和空间维度上对第一个特征提取子模块的输出结果进行下采样操作，得到第一下采样图和第二下采样图；对所述第一下采样图进行全局平均池化，得到通道权重向量；对所述第二下采样图进行卷积操作，得到用以表征第一个特征提取子模块的输出结果中每一个位置重要性的空间权重图；将所述通道权重向量和所述空间权重图相乘，得到注意力权重图；利用所述注意力权重图，对第一个特征提取子模块的输出结果进行加权操作，得到第一特征图像。4.根据权利要求2所述的方法，其特征在于，所述特征提取模块中特征提取子模块的数量为4；所述第二增强模块是通过如下方式对所述X射线图像的深层特征进行上下文级联融合，得到第二特征图像的：将第四个特征提取子模块的输出结果上采样至与第三个特征提取子模块的输出结果大小相同，得到第一上采样图；
对所述第一上采样图进行卷积操作后与第三个特征提取子模块的输出结果相乘，然后将相乘得到的特征图与卷积操作后的第一上采样图进行拼接；对拼接得到的特征图进行卷积平滑操作，得到融合图；将第四个特征提取子模块的输出结果、第三个特征提取子模块的输出结果和所述融合图分别上采样至与第二个特征提取子模块的输出结果大小相同，得到第二上采样图、第三上采样图和第四上采样图；分别对所述第二上采样图、所述第三上采样图、所述...

【专利技术属性】
技术研发人员：马济通，杨正岩，吴丹莹，武湛君，孙墨曈，许可，
申请(专利权)人：广州盖德伟科技服务有限公司，
类型：发明
国别省市：