[发明专利]对抗神经网络结合局部二值的金属增材制造图像检测方法及装置

权利要求书

1.一种对抗神经网络结合局部二值的金属增材制造图像检测方法，其特征在于，包括以下步骤：

S1、获取金属增材制造的熔池和溅射图像，对熔池和溅射图像进行预处理；

S2、利用训练好的生成式对抗神经网络对预处理后的熔池和溅射图像中的缺陷进行修复，获得修复后的熔池和溅射图像；

S3、利用局部二值模式算法获取熔池和溅射原图与修复后的熔池和溅射图像的LBP值，根据二者LBP值的数值差异识别熔池和溅射原图与修复后的熔池和溅射图像之间的差异，差异部分的图像即为缺陷区域的图像，根据缺陷区域的图像对缺陷区域进行精确定位与识别。

2.如权利要求1所述的对抗神经网络结合局部二值的金属增材制造图像检测方法，其特征在于，所述步骤S1中对熔池和溅射图像进行预处理具体包括：

对熔池和溅射图像进行灰度化和平滑滤波的预处理操作。

3.如权利要求1所述的对抗神经网络结合局部二值的金属增材制造图像检测方法，其特征在于，所述步骤S2中利用训练好的生成式对抗神经网络对预处理后的熔池和溅射图像中的缺陷进行修复具体包括：

生成式对抗神经网络首先将待修复的熔池和溅射图像进行尺寸变换，变换到适应缺陷特征提取网络的输入尺寸，通过缺陷特征提取网络进行缺陷特征提取，输出得到原始图像的卷积特征图，根据卷积特征图进行图像语义分割，进而将卷积特征图经过候选区域生成网络输出得到熔池区域和溅射区域；

利用训练好的生成式对抗神经网络分别对熔池区域和溅射区域中的缺陷进行修复。

4.如权利要求1所述的对抗神经网络结合局部二值的金属增材制造图像检测方法，其特征在于：所述步骤S3中根据缺陷区域的图像对缺陷区域进行精确定位与识别具体包括：

根据熔池和溅射原图与修复后的熔池和溅射图像LBP值的数值差异对缺陷区域进行定位，获得缺陷区域目标框位置；将缺陷区域的图像与图片库中已知缺陷类型的缺陷图像进行对比得到缺陷类型。

5.如权利要求1所述的对抗神经网络结合局部二值的金属增材制造图像检测方法，其特征在于，该方法还包括对熔池尺寸进行测量，具体方法如下：

对模板图像进行匹配并建立测量框ROI，对测量框中的图片特征进行处理与识别；针对待测量的熔池图像，首先，在ROI中绘制沿着长度方向上的灰度直方图并利用高斯滤波进行平滑处理，然后，通过灰度直方图上的灰度变化情况判断出熔池的边缘并建立测量边缘对，同时，根据边缘对中相邻边缘之间的像素个数计算熔池的尺寸。

6.如权利要求1所述的对抗神经网络结合局部二值的金属增材制造图像检测方法，其特征在于，该方法还包括统计溅射个数，具体方法如下：

利用生成式对抗神经网络生成待统计溅射图像所需置信密度图，对抗生成网络训练，与图片库中溅射图片进行对比，对比后读取图片库中对应图片所预存的溅射个数，即为待统计溅射图像的溅射个数。

7.一种对抗神经网络结合局部二值的金属增材制造图像处理装置，其特征在于，包括：

图像预处理模块，用于获取金属增材制造的熔池和溅射图像，对熔池和溅射图像进行预处理；

生成式对抗神经网络模块，用于利用训练好的生成式对抗神经网络对预处理后的熔池和溅射图像中的缺陷进行修复，获得修复后的熔池和溅射图像；

局部二值模式算法模块，用于利用局部二值模式算法获取熔池和溅射原图与修复后的熔池和溅射图像的LBP值，根据二者LBP值的数值差异识别熔池和溅射原图与修复后的熔池和溅射图像之间的差异，差异部分的图像即为缺陷区域的图像，根据缺陷区域的图像对缺陷区域进行精确定位与识别。

8.如权利要求7所述的对抗神经网络结合局部二值的金属增材制造图像处理装置，其特征在于，所述图像预处理模块具体用于：

对熔池和溅射图像进行灰度化和平滑滤波的预处理操作。