【技术实现步骤摘要】
本专利技术涉及人工智能，尤其涉及一种基于前景生成的机械零部件疲劳裂纹检测方法及装置。
技术介绍
1、机械零件在使用过程中会承受反复变化的载荷，也即疲劳载荷，在疲劳载荷作用下机械零件可能出现裂纹扩展甚至开裂，最后造成结构破坏；而疲劳断裂是影响机械零件可靠性的主要因素。因此，如何高效精准地进行机械零部件疲劳裂纹检测是目前亟待解决的技术问题。
2、相关技术中，通常依赖人工进行定期巡检实现机械零部件疲劳裂纹检测。而机械零件的结构复杂，且疲劳裂纹复杂多变，若依赖人工进行检测不仅检测效率低，需要消耗大量的人力物力；且检测结果受人工经验影响大，导致检测误差大。
3、因此，亟需一种基于前景生成的机械零部件疲劳裂纹检测方法及装置来解决上述技术问题。
技术实现思路
1、本专利技术提供一种基于前景生成的机械零部件疲劳裂纹检测方法及装置，用以解决现有技术中依赖人工进行定期巡检实现机械零部件疲劳裂纹检测，检测效率低、检测误差大的缺陷，实现高效精准地进行机械零部件疲劳裂纹检测。
2、本专利技术提供一种基于前景生成的机械零部件疲劳裂纹检测方法，包括：
3、获取待检测零部件的目标图像；
4、将所述目标图像分别输入至疲劳裂纹检测模型的目标检测模型和语义分割模型，得到所述目标检测模型输出的所述待检测零部件对应的疲劳裂纹框检测结果以及所述语义分割模型输出的所述待检测零部件对应的像素级疲劳裂纹分割结果；
5、对所述疲劳裂纹框检测结果和所述像素级疲劳裂
6、其中，所述疲劳裂纹检测模型是基于样本数据集中的各样本图像，以及各所述样本图像对应的像素级疲劳裂纹分割标签和疲劳裂纹框检测标签进行训练得到的；所述样本数据集是根据生成对抗模型，对各样本零部件的疲劳试验图像对应的原始前景数据和原始后景数据进行数据增强得到的；所述原始前景数据和原始后景数据是对各所述样本零部件的疲劳试验图像进行前景生成得到的。
7、根据本专利技术提供的一种基于前景生成的机械零部件疲劳裂纹检测方法，所述疲劳裂纹检测模型是基于如下步骤训练得到：
8、获取各所述样本零部件的疲劳试验图像；
9、对各所述样本零部件的疲劳试验图像进行前景生成，得到各所述样本零部件对应的原始前景数据和原始后景数据；
10、分别将各所述样本零部件对应的原始前景数据输入至所述生成对抗模型，得到所述生成对抗模型的生成器输出的各所述样本零部件对应的重构前景数据；
11、将各所述样本零部件对应的重构前景数据与多个所述样本零部件对应的原始后景数据中的至少一个原始后景数据进行随机融合，得到各所述样本零部件对应的增强图像；
12、基于各所述样本零部件对应的增强图像和各所述样本零部件对应的疲劳试验图像，获取所述样本数据集；
13、基于所述样本数据集中各样本图像，以及各所述样本图像对应的像素级疲劳裂纹分割标签和疲劳裂纹框检测标签对初始目标检测模型和初始语义分割模型进行迭代训练，得到所述疲劳裂纹检测模型。
14、根据本专利技术提供的一种基于前景生成的机械零部件疲劳裂纹检测方法，所述基于各所述样本零部件对应的增强图像和各所述样本零部件对应的疲劳试验图像，获取所述样本数据集，包括：
15、基于各所述样本零部件对应的增强图像和各所述样本零部件对应的疲劳试验图像，构建初始数据集；
16、对所述初始数据集中的各图像进行至少一种数据增强处理，得到至少一个样本图像；
17、分别对各所述样本图像进行语义分割标记，得到各所述样本图像对应的像素级疲劳裂纹分割标签；
18、基于各所述样本图像对应的像素级疲劳裂纹分割标签，对各所述样本图像进行疲劳裂纹框标记，得到各所述样本图像对应的疲劳裂纹框检测标签；
19、根据各所述样本图像对应的像素级疲劳裂纹分割标签和疲劳裂纹框检测标签，确定各所述样本图像对应的疲劳裂纹检测标签；
20、根据各所述样本图像，以及各所述样本图像对应的像素级疲劳裂纹分割标签、疲劳裂纹框检测标签和疲劳裂纹检测标签，构建所述样本数据集；
21、其中，所述至少一种数据增强处理包括镶嵌数据增强处理、随机裁剪数据增强处理和随机翻转数据增强处理中的至少一项。
22、根据本专利技术提供的一种基于前景生成的机械零部件疲劳裂纹检测方法，所述初始目标检测模型的损失函数包括回归损失函数和分类损失函数；
23、所述分类损失函数是基于可变焦损失函数构建的；所述分类损失函数是基于各所述样本图像对应的疲劳裂纹框检测结果以及疲劳裂纹框检测标签确定的距离损失成本、形状成本以及检测框重叠度损失成本构建的；
24、所述初始语义分割模型的损失函数是基于各所述样本图像对应的像素级疲劳裂纹分割结果以及像素级疲劳裂纹分割标签之间的相似性构建的。
25、根据本专利技术提供的一种基于前景生成的机械零部件疲劳裂纹检测方法，所述目标检测模型的主干网络是基于窗口式注意力机制网络构建生成的。
26、根据本专利技术提供的一种基于前景生成的机械零部件疲劳裂纹检测方法，所述语义分割模型包括多个堆叠的下采样层和多个堆叠的上采样层，以及多层空间注意力网络层；
27、其中，各所述下采样层与各所述上采样层一一对应，各所述下采样层与各所述空间注意力网络层一一对应；
28、对于除第一层下采样层之外的每一其他下采样层，所述其他下采样层的输入端，分别与上一层下采样层的输出端和所述其他下采样层对应的空间注意力网络层的输出端连接；所述对应的空间注意力网络层的输入端与所述上一层下采样层的输出端连接；
29、对于除与最后一层下采样层的输出端连接的每一其他上采样层，所述其他上采样层的输入端，分别与上一层上采样层的输出端和所述其他上采样层对应的下采样层的输出端连接。
30、根据本专利技术提供的一种基于前景生成的机械零部件疲劳裂纹检测方法，所述将所述目标图像分别输入至疲劳裂纹检测模型的目标检测模型和语义分割模型，得到所述目标检测模型输出的所述待检测零部件对应的疲劳裂纹框检测结果以及所述语义分割模型输出的所述待检测零部件对应的像素级疲劳裂纹分割结果，包括：
31、对所述目标图像进行预处理；
32、将预处理后的目标图像分别输入至所述目标检测模型和所述语义分割模型，得到所述待检测零部件对应的疲劳裂纹框检测结果以及所述待检测零部件对应的像素级疲劳裂纹分割结果；
33、其中，所述预处理包括归一化处理、直方图均衡、基于高斯滤波的降噪处理、均值滤波中的至少一项。
34、本专利技术还提供一种基于前景生成的机械零部件疲劳裂纹检测装置，包括：
35、获取单元，用于获取待检测零部件的目标图像；
36、第一检测单元，用于将所述目标图像分别输入至疲劳裂纹检测模型的目标检测模型和语义分割模型，得到所述目标检本文档来自技高网...
【技术保护点】
1.一种基于前景生成的机械零部件疲劳裂纹检测方法，其特征在于，包括：
2.根据权利要求1所述的基于前景生成的机械零部件疲劳裂纹检测方法，其特征在于，所述疲劳裂纹检测模型是基于如下步骤训练得到：
3.根据权利要求2所述的基于前景生成的机械零部件疲劳裂纹检测方法，其特征在于，所述基于各所述样本零部件对应的增强图像和各所述样本零部件对应的疲劳试验图像，获取所述样本数据集，包括：
4.根据权利要求2所述的基于前景生成的机械零部件疲劳裂纹检测方法，其特征在于，所述初始目标检测模型的损失函数包括回归损失函数和分类损失函数；
5.根据权利要求1-4任一项所述的基于前景生成的机械零部件疲劳裂纹检测方法，其特征在于，所述目标检测模型的主干网络是基于窗口式注意力机制网络构建生成的。
6.根据权利要求1-4任一项所述的基于前景生成的机械零部件疲劳裂纹检测方法，其特征在于，所述语义分割模型包括多个堆叠的下采样层和多个堆叠的上采样层，以及多层空间注意力网络层；
7.根据权利要求1-4任一项所述的基于前景生成的机械零部件疲劳裂纹检测方法
8.一种基于前景生成的机械零部件疲劳裂纹检测装置，其特征在于，包括：
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于前景生成的机械零部件疲劳裂纹检测方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于前景生成的机械零部件疲劳裂纹检测方法。
...【技术特征摘要】
1.一种基于前景生成的机械零部件疲劳裂纹检测方法，其特征在于，包括：
2.根据权利要求1所述的基于前景生成的机械零部件疲劳裂纹检测方法，其特征在于，所述疲劳裂纹检测模型是基于如下步骤训练得到：
3.根据权利要求2所述的基于前景生成的机械零部件疲劳裂纹检测方法，其特征在于，所述基于各所述样本零部件对应的增强图像和各所述样本零部件对应的疲劳试验图像，获取所述样本数据集，包括：
4.根据权利要求2所述的基于前景生成的机械零部件疲劳裂纹检测方法，其特征在于，所述初始目标检测模型的损失函数包括回归损失函数和分类损失函数；
5.根据权利要求1-4任一项所述的基于前景生成的机械零部件疲劳裂纹检测方法，其特征在于，所述目标检测模型的主干网络是基于窗口式注意力机制网络构建生成的。
6.根据权利要求1-4任一项所述的基于前景生成的机械零部件疲劳裂纹检测方法，其特征在于，所述语义分割模型包括多个堆叠的下采...
【专利技术属性】
技术研发人员：袁烨，张永，兰儒凯，周晨，金骏阳，王茂霖，
申请(专利权)人：元始智能科技南通有限公司，
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。