[发明专利]一种基于深度学习的工业CT检测缺陷的智能识别方法

权利要求书

1.一种基于深度学习的工业CT检测缺陷的智能识别方法，其特征在于，包括以下步骤：

步骤1：采集工业CT检测图像；

步骤2：对工业CT检测图像进行处理，得到深度学习数据集；

步骤3：搭建U-net网络；

步骤4；利用深度学习数据集对U-net网络进行训练；

步骤5：利用训练好的U-net网络对新的工业CT检测图像的缺陷进行自动识别。

2.根据权利要求1所述的一种基于深度学习的工业CT检测缺陷的智能识别方法，其特征在于，步骤2)的具体过程为：在工业CT检测图像中选取数量相同的正常图像、具有裂纹的图像、具有气孔的图像以及具有夹杂的图像作为图像集，然后将图像集分为测试集和训练集，测试集和训练集中均包括数量相同的正常图像、具有裂纹的图像、具有气孔的图像以及具有夹杂的图像，测试集和训练集组成深度学习数据集。

3.根据权利要求1所述的一种基于深度学习的工业CT检测缺陷的智能识别方法，其特征在于，步骤3)的具体过程如下：

一、下采样过程：

1)将CT断层图像进行2次卷积操作，得到第一卷积图像，然后将第一卷积图像进行最大池化操作，得到第一最大池化层；

2)对第一最大池化层进行2次卷积操作，得到第二卷积图像，然后将第二卷积图像进行最大池化操作，得到第二最大池化层；

3)对第二最大池化层进行2次卷积操作，得到第三卷积图像，然后将第三卷积图像进行最大池化操作，得到第三最大池化层；

4)对第三最大池化层进行2次卷积操作，得到第四卷积图像，然后将第四卷积图像进行最大池化操作，得到第四最大池化层；

5)对第四最大池化层进行2次卷积操作，得到缺陷的环境信息图像；

二、上采样过程：

a)对缺陷的环境信息图像进行反卷积操作，得到第一反卷积图像，然后将第四卷积图像进行复制和剪裁后与第一反卷积图像进行拼接，进行卷积操作；

b)将步骤a)进行卷积操作后的图像进行反卷积操作，得到第二反卷积图像，然后将第三卷积图像进行复制和剪裁后与第二反卷积图像进行拼接，进行卷积操作；

c)将步骤b)进行卷积操作后的图像进行反卷积操作，得到第三反卷积图像，然后将第二卷积图像进行复制和剪裁后与第三反卷积图像进行拼接，进行卷积操作；

d)将步骤c)进行卷积操作后的图像进行反卷积操作，得到第四反卷积图像，然后将第一卷积图像进行复制和剪裁后与第四反卷积图像进行拼接，进行卷积操作；

e)将CT断层图像进行复制和剪裁，然后与步骤d)进行卷积操作后的图像拼接，再进行三次卷积操作，得到特征图；

f)最后在特征图上增加Softmax层。

4.根据权利要求3所述的一种基于深度学习的工业CT检测缺陷的智能识别方法，其特征在于，上采样和下采样中的每次卷积操作采用下式进行：

式中：为卷积层l的输出张量；l为卷积层的标号；

为卷积层l的输入张量；

f_m，n为尺寸为H×W的卷积核；H为高度，W为宽度；

i为张量的横坐标，j为张量的纵坐标；

m为卷积核的横坐标，n为卷积核的纵坐标。

5.根据权利要求3所述的一种基于深度学习的工业CT检测缺陷的智能识别方法，其特征在于，上采样和下采样中的每次最大池化操作采用下式进行：

x_i，j＝Max{x_{i×s+k，j×s+k}}，k＝0，1，...，K

式中：x_i，j为图像坐标(i，j)最大池化后的结果；s为滑动步长，K为局部区域边长。

6.根据权利要求3所述的一种基于深度学习的工业CT检测缺陷的智能识别方法，其特征在于，Softmax层的表达式为：

式中：pk(x)是第k类的对像素点x的分类结果，α_k(x)代表像素x在特征图中的第k层激活值；K是像素点的类别总数。