基于金属材料缺陷的图像检测方法技术

本申请的实施例提供了一种基于金属材料缺陷的图像检测方法

【技术实现步骤摘要】
基于金属材料缺陷的图像检测方法、系统


[0001]本申请涉及图像检测
，具体而言，涉及一种基于金属材料缺陷的图像检测方法
、
系统
。

技术介绍

[0002]随着工业制造和生产信息化程度的不断提高，金属材料的缺陷一般在肉眼是看不见，需要采用超声
C
扫成像检测设备进行检测，在现有技术中，金属材料经过超声
C
扫成像检测设备，并且根据金属材料的扫描图像进行人为式判断，此时，人为对金属材料的扫描图像与预设的缺陷图像进行比对，导致现有的金属材料缺陷的图像检测的检测精度较低
。

技术实现思路

[0003]本申请的实施例提供了一种基于金属材料缺陷的图像检测方法
、
系统，进而至少在一定程度上实现了通过构建基于小样本学习模型框架进行训练，利用训练后的小样本学习模型对金属材料缺陷图像进行检测，输出检测结果，以便于小样本学习模型对各种金属材料进行对应的缺陷检测，从而分析金属材料的内部缺陷，提高了金属材料缺陷的图像检测的检测精度
。
[0004]本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得
。
[0005]根据本申请实施例的一个方面，提供了一种基于金属材料缺陷的图像检测方法，包括：
[0006]利用水浸式超声
C
扫成像检测设备，对金属材料进行扫描，得到金属材料缺陷图像；
[0007]构建基于小样本学习模型框架进行训练，利用训练后的小样本学习模型对金属材料缺陷图像进行检测，输出检测结果
。
[0008]在本申请的一些实施例中，所述利用水浸式超声
C
扫成像检测设备，对金属材料进行扫描，得到金属材料缺陷图像，包括：
[0009]基于水浸式超声
C
扫成像检测设备，并将金属材料在水浸式超声
C
扫成像检测设备的作用下进行扫描；
[0010]根据金属材料的位置调整水浸式超声
C
扫成像检测设备的探头；
[0011]在水浸式超声
C
扫成像检测设备的探头对金属材料的检测过程中，提取金属材料的缺陷信息；
[0012]根据金属材料的缺陷信息进行成像处理，并经过水浸式超声
C
扫成像检测设备输出金属材料缺陷图像
。
[0013]在本申请的一些实施例中，所述方法还包括：
[0014]水浸式超声
C
扫成像检测设备通过检测主程序发送各功能型号的控制命令，基于控制命令配合探头运动
、
传感器脉冲激励
、
信号采集
、
处理和存储功能
。
[0015]在本申请的一些实施例中，所述构建基于小样本学习模型框架进行训练，利用训练后的小样本学习模型对金属材料缺陷图像进行检测，输出检测结果，包括：
[0016]依次构建图像特征提取与仿射模块
、
布朗距离协方差计算模块和距离度量模块；
[0017]根据图像特征提取与仿射模块
、
布朗距离协方差计算模块和距离度量模块依次形成小样本学习模型，其中，小样本学习模型基于小样本学习模型框架进行训练，并且基于以往金属材料缺陷图像和检测结果训练而成；
[0018]利用训练后的小样本学习模型对金属材料缺陷图像进行检测，输出检测结果
。
[0019]在本申请的一些实施例中，所述构建图像特征提取与仿射模块包括：
[0020]对金属材料缺陷图像进行预处理，并将其划分为查询集
(Q)
和支持集
(S)
；
[0021]将支持集样本数据输入至卷积神经网络
ResNet18
模块，将输入图像转化为特征向量
R1
；
[0022]将特征向量
R1
通过归一化
BN
层后的特征仿射层
(Feature
‑
affine Layer)
，仿射生成特征向量
R2
，使用特征仿射层后能有效扩充样本数量和多样性；其中，特征仿射层模块通常位于特征编码器中
BN
层之后，对
BN
层的输出进行线性仿射处理，以此扩充低分辨率图像特征的多样性
。
设定支持集
(S)
中某个子任务在经过
BN
层的输出为
R2
，则通过特征仿射层后的输出可以表示为
R5
；
[0023]计算公式如下：
[0024]R5
＝
α
i
×
R2+
β
i
[0025]其中
α
和
β
分别为特征仿射层中代表权重和偏置的可变超参数，并预先使用高斯分布对两者进行初始化，高斯分布均值项分别为1和0，高斯分布方差项分别为
relu(
θ
α
)
和
relu(
θ
β
)
；
[0026]将查询集
(Q)
输入至卷积神经网络
ResNet18
模块，将输入图像转化为特征向量
R3
，并且不通过特征仿射层模块处理
。
[0027]在本申请的一些实施例中，所述构建布朗距离协方差计算模块包括：
[0028]将特征向量
R2
和
R3
输入至布朗距离协方差计算模块，计算对应的布朗距离协方差矩阵向量
R4
和
R5
；
[0029]将布朗距离协方差矩阵向量
R4
和
R5
输入至原型中心计算模块，计算每类样本类别对应的原型中心
C1
和
C2。
[0030]在本申请的一些实施例中，所述构建距离度量模块包括：
[0031]将原型中心
C1
和
C2
作为每类样本类别基准，计算未知类别对应布朗距离协方差矩阵向量
R
和已知原型中心的度量距离
L
；
[0032]将度量距离
L
经过全连接层和
softmax
，得到输出预测类别
O
，输出
O
的具体公式为：
[0033][0034][0035][0036][0037][0038]根据步骤
S8
中得到的最终结果构建损失函数，用于模型收敛和更新特征仿射层
。
[0039]在本申请的一些实施例中，所方法还包括：
[0040]通过计算支持集
(S)
原型中心
C1
和已知标签
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于金属材料缺陷的图像检测方法，其特征在于，包括：利用水浸式超声
C
扫成像检测设备，对金属材料进行扫描，得到金属材料缺陷图像；构建基于小样本学习模型框架进行训练，利用训练后的小样本学习模型对金属材料缺陷图像进行检测，输出检测结果
。2.
根据权利要求1所述的方法，其特征在于，所述利用水浸式超声
C
扫成像检测设备，对金属材料进行扫描，得到金属材料缺陷图像，包括：基于水浸式超声
C
扫成像检测设备，并将金属材料在水浸式超声
C
扫成像检测设备的作用下进行扫描；根据金属材料的位置调整水浸式超声
C
扫成像检测设备的探头；在水浸式超声
C
扫成像检测设备的探头对金属材料的检测过程中，提取金属材料的缺陷信息；根据金属材料的缺陷信息进行成像处理，并经过水浸式超声
C
扫成像检测设备输出金属材料缺陷图像
。3.
根据权利要求2所述的方法，其特征在于，所述方法还包括：水浸式超声
C
扫成像检测设备通过检测主程序发送各功能型号的控制命令，基于控制命令配合探头运动
、
传感器脉冲激励
、
信号采集
、
处理和存储功能
。4.
根据权利要求1所述的方法，其特征在于，所述构建基于小样本学习模型框架进行训练，利用训练后的小样本学习模型对金属材料缺陷图像进行检测，输出检测结果，包括：依次构建图像特征提取与仿射模块
、
布朗距离协方差计算模块和距离度量模块；根据图像特征提取与仿射模块
、
布朗距离协方差计算模块和距离度量模块依次形成小样本学习模型，其中，小样本学习模型基于小样本学习模型框架进行训练，并且基于以往金属材料缺陷图像和检测结果训练而成；利用训练后的小样本学习模型对金属材料缺陷图像进行检测，输出检测结果
。5.
根据权利要求4所述的方法，其特征在于，所述构建图像特征提取与仿射模块包括：对金属材料缺陷图像进行预处理，并将其划分为查询集
(Q)
和支持集
(S)
；将支持集样本数据输入至卷积神经网络
ResNet18
模块，将输入图像转化为特征向量
R1
；将特征向量
R1
通过归一化
BN
层后的特征仿射层
(Feature
‑
affine Layer)
，仿射生成特征向量
R2
，使用特征仿射层后能有效扩充样本数量和多样性；其中，特征仿射层模块通常位于特征编码器中
BN
层之后，对
BN
层的输出进行线性仿射处理，以此扩充低分辨率图像特征的多样性
。
设定支持集
(S)
中某个子任务在经过
BN
层的输出为
R2
，则通过特征仿射层后的输出可以表示为
R5
；计算公式如下：
R5
＝
α
i
×
R2+
β
i
其中
α
和
β
分别为特征仿射层中代表权重和偏置的可变超参数，...

【专利技术属性】
技术研发人员：陈雄，袁奕杰，
申请(专利权)人：复旦大学，
类型：发明
国别省市：