[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

说明书

本发明提供了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及装置，该方法包括：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；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；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。本发明能够对金属增材制造过程中的熔池和溅射图像中的缺陷进行定位和识别，从而实时调节制造工艺参数，提高零件制造的良品率。

技术领域

本发明涉及金属增材制造缺图像检测领域，尤其涉及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及装置。

背景技术

金属增材制造技术在航空航天制造业、医疗器械等高端制造领域应用日益广泛，针对成型零件质量监测的无损检测技术在其精确性、实时性、易操作性等要求上越来越高。近年来已有很多增材制造缺陷检测方面的研究进展，大多是通过各类传感器实时传感和测量零件加工区域的信息，经过一系列数据处理流程获取缺陷信息，用于辅助制造零件的质量检测以剔除不合格的零件或直接反馈到增材制造系统加工中心用于调控工艺参数。当前金属增材制造产品的成品率大概为70％，目前在航空航天领域，由于器件多是大尺寸构件，耗时大致几天到几个月不等。因此，质量的可靠性尤为重要，亟需通过深度学习的方式对金属增材制造过程中的熔池、溅射等进行监测，及时发现不合格区域，进而提高增材制造成品率。因此，国内外近几年很多研究机构都对此进行了研究。目前，宾夕法尼亚州立大学机械工程系、亚琛工业大学图像与计算机视觉研究所、卡耐基梅隆大学机械工程系等对不同机器学习算法对应的金属增材制造不同缺陷尺寸偏差进行了研究。多伦多大学、弗吉尼亚大学、南弗罗里达大学等对不同机械学习算法针对同一种金属增材制造缺陷识别运行时间进行了对应研究。华中科技大学、新加坡国立大学、清华大学等对不同机械学习算法对不同金属增材制造缺陷分类进行了相关研究。但是目前的机械学习程序均很难做到兼顾金属增材制造过程中的缺陷定位，面积测算以及稳定高效的识别速度，最终影响到识别效率和识别精度。

发明内容

为解决现有技术存在的以上技术问题，本发明提供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及装置。

本发明是这样实现的：

一方面，本发明提供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，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。

进一步地，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。

进一步地，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。