[发明专利]一种基于深度学习的红外无损检测方法

权利要求书

1.基于深度学习的红外无损检测方法，包括以下步骤：

S1、设计和制作样本，设计样本上的缺陷位置并获得设计图；

S2、获取样本，用外部热源对样本进行加热，用红外相机记录该样本的加热过程中样本的温度变化，每一个加热过程获得一个图像序列；一个加热过程包括红外热激发，红外吸收和红外消散；

S3、对每一个图像序列中的每一个像素点在时间序列中进行预处理去除低频趋势项操作，从而去除随着加热过程造成的温度升高趋势；

S4、建立深度学习模型，在时间序列中提取相位特征：

S4.1、获取任意一个图像序列作为当前图像序列，获取当前图像序列的每一张图像中的任意两个像素点作为点对；

S4.2、将当前图像与样本的设计图进行比对，将缺陷范围内的像素点的标记值设为1，将缺陷范围外的像素点的标记值设为0，将点对的标记值相减再取反获得当前图像的Label值；

S4.3、建立卷积神经网络模型，以点对作为卷积神经网络模型的输入；卷积神经网络模型包括卷积层和池化层，卷积层和池化层交替进行，卷积层采用空洞卷积，池化层采用Max策略，整个训练过程包括前向传播和反向传播，反向传播中用梯度下降法优化权重和偏置；最后一个池化层之后为全连接层，全连接层之后为均方差误差函数；

S4.4、计算图像的Label值与均方差误差函数的输出之间的误差，通过优化卷积神经网络模型的卷积、池化的权重和偏置来减小Label值与均方差误差函数的输出值之间的误差；当误差稳定后，将该卷积神经网络模型作为深度学习模型，用于输入图像的相位特征提取；

S5、将每个点的相位特征在其所在图像中显示出来。

2.如权利要求1所述的基于深度学习的红外无损检测方法，其特征在于，步骤4.3中，将当前图像各像素点的灰度值组成灰度矩阵，对灰度矩阵按行向量进行一维卷积。

3.如权利要求1所述的基于深度学习的红外无损检测方法，其特征在于，步骤S2中，在对样本进行红外加热前，将样本接受红外加热的表面涂覆一层哑光黑漆。

4.如权利要求1所述的基于深度学习的红外无损检测方法，其特征在于，步骤S1中，每个图像序列采集不少于2000张图像，每个样本至少在4个频率下进行红外激发；每张图像中随机选取多组点对，所有图像序列的点对形成深度学习模型的训练数据。