本发明专利技术公开了一种损伤类复合材料裂隙特征深度学习分割方法及系统，属于图像处理技术领域。方法包括：采集损伤玄武岩复合纤维XCT图像，获得真实图像集、真实标记图像集；基于真实标记图像集获得真实标签集；基于真实标记图像集生成伪标记图像集，基于伪标记图像集获得伪标签集；构建第一网络模型，采用真实图像集和真实标签集训练第一网络模型；基于第一网络模型对伪标记图像集进行还原，得到伪图像集；基于真实图像集和真实标签集构建真实训练集，基于伪图像集和伪标签集构建伪训练集；构建第二网络模型，采用真实训练集和伪训练集对第二网络模型进行训练，基于第二网络模型对待分割图像进行分割，得到分割图像。本发明专利技术节省了大量的人工成本。
【技术实现步骤摘要】
本专利技术属于图像处理，具体涉及一种损伤类复合材料裂隙特征深度学习分割方法及系统。
技术介绍
1、玄武岩纤维复合材料是一种具有优异力学性能和抗损伤能力的新型复合材料。然而，在实际应用过程中，该复合材料的性能受到多种因素的影响，例如纤维分布、纤维取向、界面粘结、裂隙率等。因此，对于玄武岩纤维复合材料的性能影响因素进行深入研究具有重要的理论和实际意义。
2、xct(x-ray computed tomography)扫描是一种基于x射线的无损检测技术，能够提供高分辨率的材料内部结构信息。通过xct扫描，我们可以获得玄武岩纤维复合材料的微观结构，包括纤维分布、纤维取向以及存在的缺陷等。这为进一步理解材料的性能提供了重要的数据来源。
3、主要研究分析损伤玄武岩纤维复合材料xct图像中的制造缺陷和机械损伤时，xct扫描所获得的图像通常需要进行图像分割才能提取出所需的信息。传统的图像分割方法往往需要依赖人工操作，效率低下且易受主观因素的影响，并且由于玄武岩纤维对x光的低衰减率，所以成像表现出低对比度、灰度值不均匀等问题，传统的分割方法无法完整的分割出裂隙区域。为了克服这些问题，引入人工智能图像分割网络成为一种新的研究方向。该网络能够自动分割xct图像中的纤维和缺陷等目标，提高分割的准确性和效率。
4、然而，由于xct图像获取较困难，并且图像质量受自身因素、设备因素、环境因素等影响，仅仅使用原数据制作数据集用于图像分割网络训练出的模型性能很难达到应用需求，更高的精度需要大量且高质量的数据集做支撑。
<
br/>技术实现思路
1、本专利技术旨在解决现有技术的不足，提出一种损伤类复合材料裂隙特征深度学习分割方法集系统，对于xct断层扫描技术获取的损伤玄武岩复合纤维图像的数据集增强扩充，并利用混合数据集构建一个适用于xct图像的语义分割神经网络模型。
2、为实现上述目的，本专利技术提供了如下方案：一种损伤类复合材料裂隙特征深度学习分割方法，包括以下步骤：
3、s1、采集损伤玄武岩复合纤维xct图像，基于所述xct图像获得真实图像集、真实标记图像集；并基于所述真实标记图像集获得真实标签集；
4、s2、基于所述真实标记图像集生成伪标记图像集，并基于所述伪标记图像集获得伪标签集；
5、s3、构建第一网络模型，采用所述真实图像集和所述真实标签集训练所述第一网络模型；并基于训练好的所述第一网络模型对所述伪标记图像集进行还原，得到伪图像集；
6、s4、基于所述真实图像集和所述真实标签集构建真实训练集，基于所述伪图像集和所述伪标签集构建伪训练集；构建第二网络模型，采用所述真实训练集和所述伪训练集对所述第二网络模型进行训练，并基于训练好的所述第二网络模型对待分割图像进行分割，得到分割图像。
7、进一步优选地，所述s1包括：
8、s11、采集损伤玄武岩复合纤维的所述xct图像，采用随机裁剪算法将所述xct图像进行裁剪，得到裁剪图像；人工筛选出包含损伤玄武岩复合纤维的所述裁剪图像，得到所述真实图像集；
9、s12、将所述真实图像集中的损伤特征区域进行人工标记，得到真实标记图像集；
10、s13、对所述真实标记图像集进行特征提取，得到所述真实标签集。
11、进一步优选地，所述s11包括：
12、s111、将所述xct图像转换为灰度图像，基于所述灰度图像中的点(x，y)，得到(x+512，y+512)点，形成512×512的矩阵区域；
13、s112、生成一个512×512像素灰度值全部为0的矩阵，将所述矩阵区域中的像素灰度值粘贴到所述矩阵中，并转换为png图像文件输出，得到所述裁剪图像；
14、s113、人工筛选出包含损伤玄武岩复合纤维的所述裁剪图像，得到所述真实图像集。
15、进一步优选地，所述第一网络模型采用：改进palette模型；所述改进palette模型包括：在palette模型的基础上将所述真实标签集作为掩码输入。
16、本专利技术还提供一种损伤类复合材料裂隙特征深度学习分割系统，包括：采集模块、第一计算模块、还原模块以及分割模块；
17、所述采集模块用于采集损伤玄武岩复合纤维xct图像，基于所述xct图像获得真实图像集、真实标记图像集；并基于所述真实标记图像集获得真实标签集；
18、所述第一计算模块用于基于所述真实标记图像集生成伪标记图像集，并基于所述伪标记图像集获得伪标签集；
19、所述还原模块用于构建第一网络模型，采用所述真实图像集和所述真实标签集训练所述第一网络模型；并基于训练好的所述第一网络模型对所述伪标记图像集进行还原，得到伪图像集；
20、所述分割模块用于基于所述真实图像集和所述真实标签集构建真实训练集，基于所述伪图像集和所述伪标签集构建伪训练集；构建第二网络模型，采用所述真实训练集和所述伪训练集对所述第二网络模型进行训练，并基于训练好的所述第二网络模型对待分割图像进行分割，得到分割图像。
21、进一步优选地，所述采集模块包括：第一采集单元、标记单元和特征提取单元；
22、所述第一采集单元用于采集损伤玄武岩复合纤维的所述xct图像，采用随机裁剪算法将所述xct图像进行裁剪，得到裁剪图像；人工筛选出包含损伤玄武岩复合纤维的所述裁剪图像，得到所述真实图像集；
23、所述标记单元用于将所述真实图像集中的损伤特征区域进行人工标记，得到真实标记图像集；
24、所述特征提取单元用于对所述真实标记图像集进行特征提取，得到所述真实标签集。
25、进一步优选地，所述第一采集单元包括：转换子单元、裁剪子单元和筛选子单元；
26、所述转换子单元用于将所述xct图像转换为灰度图像，基于所述灰度图像中的点(x，y)，得到(x+512，y+512)点，形成512×512的矩阵区域；
27、所述裁剪子单元用于生成一个512×512像素灰度值全部为0的矩阵，将所述矩阵区域中的像素灰度值粘贴到所述矩阵中，并转换为png图像文件输出，得到所述裁剪图像；
28、所述筛选子单元用于人工筛选出包含损伤玄武岩复合纤维的所述裁剪图像，得到所述真实图像集。
29、进一步优选地，所述第一网络模型采用：改进palette模型；所述改进palette模型包括：在palette模型的基础上将所述真实标签集作为掩码输入。
30、与现有技术相比，本专利技术的有益效果为：
31、本专利技术公开地一种损伤类复合材料裂隙特征深度学习分割方法及系统，通过xct断层扫描技术获取相关损伤玄武岩纤维复合材料的图像，构造真实训练集，并将其与diffusion-projected-gan和palette:image-to-image diffusion models生成的伪训练集组成混合训练集，将其输入改进的swin-unet语义分割网络，输出是自本文档来自技高网
...
【技术保护点】
1.一种损伤类复合材料裂隙特征深度学习分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种损伤类复合材料裂隙特征深度学习分割方法，其特征在于，所述S1包括：
3.根据权利要求2所述一种损伤类复合材料裂隙特征深度学习分割方法，其特征在于，所述S11包括：
4.根据权利要求1所述一种损伤类复合材料裂隙特征深度学习分割方法，其特征在于，所述第一网络模型采用：改进Palette模型；所述改进Palette模型包括：在Palette模型的基础上将所述真实标签集作为掩码输入。
5.一种损伤类复合材料裂隙特征深度学习分割系统，用于实现权利要求1-4任一项所述分割方法，其特征在于，包括：采集模块、第一计算模块、还原模块以及分割模块；
6.根据权利要求5所述一种损伤类复合材料裂隙特征深度学习分割系统，其特征在于，所述采集模块包括：第一采集单元、标记单元和特征提取单元；
7.根据权利要求6所述一种损伤类复合材料裂隙特征深度学习分割系统，其特征在于，所述第一采集单元包括：转换子单元、裁剪子单元和筛选子单元；
>8.根据权利要求5所述一种损伤类复合材料裂隙特征深度学习分割系统，其特征在于，所述第一网络模型采用：改进Palette模型；所述改进Palette模型包括：在Palette模型的基础上将所述真实标签集作为掩码输入。...
【技术特征摘要】
1.一种损伤类复合材料裂隙特征深度学习分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种损伤类复合材料裂隙特征深度学习分割方法，其特征在于，所述s1包括：
3.根据权利要求2所述一种损伤类复合材料裂隙特征深度学习分割方法，其特征在于，所述s11包括：
4.根据权利要求1所述一种损伤类复合材料裂隙特征深度学习分割方法，其特征在于，所述第一网络模型采用：改进palette模型；所述改进palette模型包括：在palette模型的基础上将所述真实标签集作为掩码输入。
5.一种损伤类复合材料裂隙特征深度学习分割系统，用于实现权利要求1-4任一项...
【专利技术属性】
技术研发人员：郑克洪，曹虓琪，陆文判，沈仲涛，陈浩，赵书瀚，乔立正，胥金光，吴承烈，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。