[发明专利]一种基于双分支卷积神经网络的红外图像边缘增强方法

说明书

一种基于双分支卷积神经网络的红外图像边缘增强方法，属于红外无损检测领域和图像处理领域，包括：构建红外无损检测边缘增强专用数据集；设计了一种基于双分支的红外无损检测图边缘增强卷积网络。首先使用红外检测设备采集红外图像，并利用边缘检测得到红外无损检测的边缘图像；将原始图像与对应的边缘图像组成双输入，输入到双通道卷积网络的特征提取模块，将边缘图像网络分支中提取到的信息输入到原始图像分支网络，增化边缘信息，并通过注意力机制重新调整强化后的图像特征。能有效提升红外图像的边缘增强性能，解决了红外图像中边缘模糊的问题，提升了缺陷的可读性。

技术领域

本发明属于红外无损检测领域和图像处理领域，具体涉及一种基于双分支卷积神经网络的红外检测图像边缘增强方法。

背景技术

红外无损检测技术是一门跨学科、跨应用领域的通用型实用技术，是一种创新性的无损检测技术。国际上积极发展的新型数字化无损检测技术，可实现对金属、非金属及复合材料中存在的裂纹、脱粘等缺陷进行检测，具有非接触、检测面积大、速度快、在线检测等优点。与常规超声、磁粉、渗透、涡流等无损检测技术相比，它的创新性在于采用了主动式加热方式，使材料表面下的物理特性通过其表面温度变化反映出来，具有更快速、更精确、非接触等特点。由于红外无损检测成像的固有机制，导致红外图像的边缘模糊，难以准确提取到缺陷的边缘信息，无法实现缺陷的定量分析。如何设计一种方法，有效的增强红外无损检测图像中的边缘信息，是实现缺陷定量分析的关键环节。

发明内容

本发明的目的是提供一种基于双分支卷积神经网络的红外检测图像边缘增强方法。

本发明是一种基于双分支卷积神经网络的红外检测图像边缘增强方法，其步骤为：

步骤(1)：采集红外无损检测图像，构建专用数据集。通过专业红外无损检测人员来手工标记红外图像中的边缘信息，生成二值图像作为监督信号；

步骤(2)：双分支卷积网络包括原始图像分支和边缘图像分支，原始图像分支用于提取原始图像中的特征，最终的输出为与输入同尺寸的二值图像；同样地，边缘图像分支用于提取边缘图像中的特征，其最终输入为与输入同尺寸的二值图像；

具体为，原始图像分支由特征提取模块、特征重组模块、CA模块，通道注意力机制模块、特征融合与降维模块组成；

首先将原始图像输入原始图像分支，经过各模块处理后，输出红外图像的边缘二值图像；

具体为，边缘图像分支由特征提取模块、特征融合与降维模块组成；该分支的输入是原始图像的梯度图像，即边缘图像，经过各模块处理后，输出红外图像的边缘二值图像；

步骤(3)：从训练集中随机提取出多张图像作为Batch，作为原始图像分支网络的输入；将Batch中的图像转化为灰度图像后，对每张图像计算梯度图，作为边缘图像分支网络的输入；

步骤(4)：将步骤(3)中的原始图像Batch和梯度图Batch输入对应的分支网络中，分别通过特征提取模块提取输入图像的特征；

步骤(5)：将步骤(3)中，边缘图像分支网络提取到的特征，通过Concat方式输入到原始图像分支网络中，将两个分支提取到的特征进行重组，以强化边缘特征，并形成高维度的特征；通过CA模块，对高维度特征的每个通道进行权重优化，以提高网络性能；

步骤(6)：在原始图像分支中，将重组特征输入到后续的特征融合和降维模块，最终输出缺陷边缘的二值图像；同样地，在边缘图像分支网络中，对特征进行融合和降维，输出缺陷边缘的二值图像；

步骤(7)：损失函数由两部分组成，第一部分为原始图像分支网络的输出与监督信号间的损失，第二部分为边缘分支网络的输出与监督信号间的损失，通过超参数调整两部分损失的权重，并将两部分损失相加作为网络的整体损失；

步骤(8)：通过随机梯度下降对网络参数进行优化，更新网络参数；