[发明专利]一种基于卷积神经网络的铸件缺陷识别方法

说明书

本发明属于铸件缺陷检测领域，并公开了一种基于卷积神经网络的铸件缺陷识别方法。该方法包括：(a)采集多张缺陷铸件的X射线图像，标记铸件的缺陷类型，并对每个缺陷类型赋予一个类型编号，建立关于铸件X射线图像和缺陷类型编号对应的数据集；(b)构建并训练卷积神经网络获得预测缺陷类型的预测网络模型，对预测网络模型进行修正，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，框选出图像中的缺陷，采用最终预测网络模型预测，获得每个缺陷的缺陷类型编号，从而完成待检测铸件缺陷类型的识别。通过本发明，提升缺陷的识别效率和准确度，为铸件质量反馈提供数字化数据支持。

技术领域

本发明属于铸件缺陷检测领域，更具体地，涉及一种基于卷积神经网络的铸件缺陷识别方法。

背景技术

随着现代制造业的蓬勃发展，铸造生产领域的工艺和技术持续升级，行业规模也随之迈向新的台阶。同时，人们也越来越注重的是在铸件性能上的体验与安全上的要求。但是由于现实中原材料的影响以及铸造过程中一些人为的或不可控的因素，使得铸件的不合格率难以大幅度降低，长期发展还有可能会导致不合格品甚至残次品的大量生产堆积。这样影响的不仅仅是铸件性能上的美观度和厂商生产成本的损失，还会造成大量钢铁等原材料的浪费以及废弃后的污染，所以在铸件生产过程中对其进行缺陷检测是对铸件质量的有力保障。

目前，仍有较多铸造企业使用较为传统的检测方式，即铸件经过X射线实时扫描和成像后，将相应的底片物理打印出来，专业的工作人员再对成像胶片进行人工检测，对缺陷的类型进行判定等。人工检测的特点众所周知：1)带人为主观性，不同的检测者由于其不同的检测标准可能会导致检测的偏差；2)人易疲劳，容易发生对缺陷误检漏检的情况，从而造成检测效率低下；3)过程步骤较为繁琐，信息保存和查询极为不便，对被检铸件的质量情况的记录缺少实时性。因此，一种用于铸件X光图像缺陷识别的均布式卷积神经网络方法可用来研究铸件X射线图像缺陷识别问题，通过该方法及时记录、归档被检铸件的缺陷类别详细情况，对改善铸件质量有积极意义，同时检测报告的数据会为优化生产工艺提供参考。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于卷积神经网络的铸件缺陷识别方法，通过将卷积神经网络算法与铸件的缺陷识别相结合，实现了铸件缺陷的自动识别，同时通过在卷积神经网络层中采用5个均匀分布的特征学习阶段，提高了计算速度和精度，由此解决铸件缺陷识别速度慢、人工检测效率低及对于检测结果的记录、存储和查询过程复杂繁琐等技术问题。

为实现上述目的，按照本发明，提供了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。

进一步优选地，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。