[发明专利]一种基于卷积神经网络的铸件缺陷识别方法

权利要求书

1.一种基于卷积神经网络的铸件缺陷识别方法，其特征在于，该方法包括下列步骤：

(a)采集多张缺陷铸件的X射线图像，采用最小矩形包络法框选出每张所述X射线图像中的缺陷，设定铸件的缺陷类型，并对每个缺陷类型赋予一个类型编号，根据所述X射线图像中的缺陷进行分类，以此获得每个缺陷对应的缺陷类型编号，建立关于框选出缺陷的X射线图像和缺陷类型编号一一对应的数据集；

(b)选取所述数据集中的部分数据作为训练数据，利用该训练数据对卷积神经网络进行训练，以此获得预测缺陷类型预测网络模型，该预测网络模型中框选出缺陷的X射线图像作为输入，该X射线图像上每个缺陷对应的缺陷类型编号作为输出，将所述数据集中选余下的数据作为验证数据，将该数据输入所述预测网络模型中对其进行修正，直至该预测网络模型的预测精度满足预测精度阈值，由此获得最终预测网络模型；

(c)对于待检测铸件的X射线图像，框选出该X射线图像中的缺陷，采用步骤(b)中获得的最终预测网络模型对框选出的缺陷对应的类型进行预测，以此获得每个缺陷对应的缺陷类型编号，从而完成待检测铸件缺陷类型的识别。

2.如权利要求1所述的一种基于卷积神经网络的铸件缺陷识别方法，其特征在于，在步骤(b)中，所述卷积神经网络包括5个均匀分布的特征学习阶段，每个阶段包括3个卷积层和1个池化层，其中，5个特征学习阶段采用相同层数的相同结构。

3.如权利要求2所述的一种基于卷积神经网络的铸件缺陷识别方法，其特征在于，所述特征学习阶段后设置有flatten层和全连接层，所述flatten层用于将从所述特征阶段学习层输出的图像一维化，便于所述全连接层计算分类。

4.如权利要求3所述的一种基于卷积神经网络的铸件缺陷识别方法，其特征在于，所述全连接层的前两层的后面设置有dropout层，用于减少中间特征的数量，减少冗余，增加各层特征之间的正交性。

5.如权利要求1所述的一种基于卷积神经网络的铸件缺陷识别方法，其特征在于，在步骤(b)中，所述卷积神经网络的初始权值优选采用Xavier算法进行初始化。

6.如权利要求1所述的一种基于卷积神经网络的铸件缺陷识别方法，其特征在于，在步骤(a)中，所述缺陷类型包括裂纹、气孔、高密度夹杂、低密度夹杂、缩松、缩孔、未熔合和其它。

7.如权利要求1所述的一种基于卷积神经网络的铸件缺陷识别方法，其特征在于，在步骤(b)中，所述预测网络模型中输入的X射线图像优选为224×224×3像素的图像。