[发明专利]基于深度学习的铸件内部缺陷分级评估系统及方法

权利要求书

1.基于深度学习的铸件内部缺陷分级评估系统，其特征在于，包括深度学习网络；所述深度学习网络包括依次连接的第一卷积层、最大池化层、m个残差模块-双流通道注意力模块组合、平均池化层、全连接层和softmax分类层；各所述残差模块-双流通道注意力模块组合包括相串联的残差模块和双流通道注意力模块；铸件内部缺陷区域图像经所述深度学习网络训练后得到1×X的概率向量，所述概率向量中数值最大的元素所处的位置即为铸件内部缺陷的评估等级；其中，m＞1，X＞1，X为缺陷的等级个数。

2.根据权利要求1所述的基于深度学习的铸件内部缺陷分级评估系统，其特征在于，m＝4。

3.根据权利要求2所述的基于深度学习的铸件内部缺陷分级评估系统，其特征在于，各所述残差模块包括尺寸均为3×3×n的卷积层一、卷积层二、卷积层三和卷积层四，其中，所述卷积层三的步长为2；所述卷积层一的输出端连接至所述卷积层二的输入端，所述卷积层三的输出端连接至所述卷积层四的输入端；输入特征图依次经过所述卷积层一和卷积层二后的第一输出值与所述输入特征图相加得到第一和值，所述第一和值依次经过所述卷积层三和卷积层四后的第二输出值与所述第一和值相加得到第二和值；其中，各所述残差模块中的n值随所述深度学习网络的深度的增加而增大。

4.根据权利要求3所述的基于深度学习的铸件内部缺陷分级评估系统，其特征在于，四个所述残差模块中的n值分别为64、128、256和512。

5.根据权利要求3或4所述的基于深度学习的铸件内部缺陷分级评估系统，其特征在于，各所述双流通道注意力模块包括第一注意力通道和第二注意力通道；所述第一注意力通道包括依次连接的全局平均池化层、全连接层一、全连接层二和sigmoid激活函数一，所述第二注意力通道包括依次连接的全局最大池化层、全连接层三、全连接层四和sigmoid激活函数二；原始特征图经所述第一注意力通道后得到第一权重向量，原始特征图经所述第二注意力通道后得到第二权重向量；所述第一权重向量与原始特征图相乘得到第一权重特征图，所述第二权重向量与原始特征图相乘得到第二权重特征图；所述第一权重特征图与第二权重特征图相加得到加权特征图。

6.基于深度学习的铸件内部缺陷分级评估方法，其特征在于，包括如下步骤：建立铸件内部缺陷数据集，确定缺陷的等级为1至X；将所述数据集内的样本依次输入深度学习网络进行训练得到1×X的概率向量；取所述概率向量中数值最大的元素所处的位置作为铸件内部缺陷的评估等级；所述深度学习网络包括依次连接的第一卷积层、最大池化层、m个残差模块-双流通道注意力模块组合、平均池化层、全连接层和softmax分类层；各所述残差模块-双流通道注意力模块组合包括相串联的残差模块和双流通道注意力模块；其中，m＞1，X＞1，X为缺陷的等级个数。

7.根据权利要求6所述的基于深度学习的铸件内部缺陷分级评估方法，其特征在于，m＝4。

8.根据权利要求7所述的基于深度学习的铸件内部缺陷分级评估方法，其特征在于，各所述残差模块包括尺寸均为3×3×n的卷积层一、卷积层二、卷积层三和卷积层四，其中，所述卷积层三的步长为2；将所述卷积层一的输出端连接至所述卷积层二的输入端，将所述卷积层三的输出端连接至所述卷积层四的输入端；将输入特征图依次经过所述卷积层一和卷积层二后的第一输出值与所述输入特征图相加得到第一和值，将所述第一和值依次经过所述卷积层三和卷积层四后的第二输出值与所述第一和值相加得到第二和值；其中，各所述残差模块中的n值随所述深度学习网络的深度的增加而增大。

9.根据权利要求8所述的基于深度学习的铸件内部缺陷分级评估系统及方法，其特征在于，四个所述残差模块中的n值分别为64、128、256和512。

10.根据权利要求8或9所述的基于深度学习的铸件内部缺陷分级评估方法，其特征在于，各所述双流通道注意力模块包括第一注意力通道和第二注意力通道；所述第一注意力通道包括依次连接的全局平均池化层、全连接层一、全连接层二和sigmoid激活函数一，所述第二注意力通道包括依次连接的全局最大池化层、全连接层三、全连接层四和sigmoid激活函数二；将原始特征图输入所述第一注意力通道后得到第一权重向量，将原始特征图输入所述第二注意力通道后得到第二权重向量；将所述第一权重向量与原始特征图相乘得到第一权重特征图，将所述第二权重向量与原始特征图相乘得到第二权重特征图；将所述第一权重特征图与第二权重特征图相加得到加权特征图。