[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

说明书

一种基于深度学习的工业CT检测缺陷的智能识别方法，采集工业CT检测图像；对工业CT检测图像进行处理，得到深度学习数据集；搭建U‑net网络；U‑net网络训练；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。本发明无需复杂的特征提取过程，可以将工业CT检测图像直接输入到U‑net网络中，大大减少了预处理的难度；由于通过卷积操作采用局部感受野和权值共享技术减少了参数空间，大幅度降低了算法的复杂度；本发明采用U‑net网络进行工业CT检测缺陷识别，具有高准确率、低危害性缺陷漏检率和高灵敏度的特点。

技术领域

本发明涉及缺陷的智能识别方法，具体涉及一种基于深度学习的工业CT检测缺陷的智能识别方法。

背景技术

工业计算机断层扫描成像技术(Industrial Computed Tomography)，简称为工业CT技术，CT重建基本理论被提出后，随着科学技术的发展和进步，工业CT设备的性能逐年提高，成本逐渐下降，工业CT技术得到了迅猛发展，被认为是目前最佳的无损检测手段。工业CT技术结合了计算机、自动控制、机械、光学物理等多项技术，它可以保证被检测物体在不被物理破坏的情况下获得物体的断层图像，是目前发展国防科技、航空航天技术及大型项目必不可少的技术，已广泛应用于航天、航空、军事、核能、石油、电子、机械、新材料研究、海关及考古等多种领域。

工业CT切片图像在成像过程中易受噪声、伪影等因素影响，导致缺陷图像部分区域对比度很低、灰度范围狭窄、灰度变化不明显以及缺陷边缘往往较为模糊等特点，这些特点直接影响缺陷分割与识别的可靠性，导致缺陷的识别精度以及缺陷的识别率低。目前，仍采用人工的方式对工业CT检测图片中的缺陷进行判定，这种方法虽然简单易行，但是其评定完全依赖于检测人员的经验，个体差异大，人工评估眼睛疲劳、标准理解等人为因素影响，使得漏检或者误检概率极大。

发明内容

本发明的目的在于提供一种基于深度学习的工业CT检测缺陷的智能识别方法，以解决工业CT缺陷检测人工评定时完全依赖于检测人员的经验，个体差异大，人工评估眼睛疲劳、标准理解等人为因素影响，使得漏检或者误检概率极大的问题，通过建立工业CT缺陷自动识别模型U-Net网络，以卷积和池化运算提取缺陷特征，融合缺陷的深层特征和浅层特征，经多次反卷积操作实现融合特征的精准定位，得到缺陷区域的二值图像，从而实现端到端的图像语义分割，最终实现工业CT检测缺陷的高准确率、低危害性缺陷漏检率和高灵敏度射线检测。

为实现上述目的，本发明采用如下技术方案予以实现：

一种基于深度学习的工业CT检测缺陷的智能识别方法，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。

本发明进一步的改进在于，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。

本发明进一步的改进在于，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；