[发明专利]一种DD6单晶高温合金共晶缺陷检测和分割方法

说明书

本发明公开了一种DD6单晶高温合金共晶缺陷检测和分割方法，DD6单晶高温合金显微图像的采集和共晶缺陷轮廓的人工标注，通过标注工具获取DD6单晶高温合金共晶缺陷的类别标签、缺陷轮廓的坐标和缺陷外接矩形框的左上角坐标以及长宽值；计算图像中共晶缺陷灰度值的均值和标准差，得到不包含共晶缺陷的背景图片；将待检测的DD6单晶高温合金显微图像输入到模型当中，检测出图像中共晶缺陷的个数、位置和大小。本发明节省人工检测DD6单晶高温合金共晶缺陷的时间，提升工作效率。这种方法相比不使用伪样本最终在真实样本组成的测试集上表现更好。

技术领域

本发明涉及一种DD6单晶高温合金共晶缺陷的检测方法，尤其涉及一种基于少量显微图像的伪样本生成方法辅助深度学习模型的训练。

背景技术

DD6是中国第二代单晶高温合金，该合金适合于制作具有复杂内腔的燃气涡轮工作叶片和在高温、高应力、氧化及腐蚀条件下工作的高温零件。而共晶缺陷会影响材料的性能和寿命，因此材料研究者一直在研究DD6单晶高温合金共晶缺陷和材料性能之间的关系，这也就需要缺陷的位置、大小的数据。

目前检测这种缺陷的方法可分为三种，一是由材料研究人员人工识别共晶缺陷并且测量缺陷的大小，这种方法人员成本较高，耗时较长。二是采用传统图像处理方法去识别，但是这种方法设计复杂，在缺陷种类和背景都较复杂的情况下检测准确率较低，适用性差。第三种是采用深度学习方法，此方法鲁棒性强，识别准确率高，但需用大量经过人工标注的带有共晶缺陷的显微图像作为训练集去训练检测缺陷位置和大小的实例分割模型。而这种图像的采集和缺陷轮廓的人工标注需要较高的经济成本和时间成本，这导致可采集到的图像样本数少，难以达到几千甚至上万张图像供模型训练。此外，一张显微图像中的缺陷可能较少且面积小，这会造成训练时正负样本不均衡的问题，影像训练效果。

发明内容

为了解决上述技术难题，本发明提供了一种DD6单晶高温合金共晶缺陷检测和分割方法，通过一个伪图像生成方法生成大量伪图像辅助深度学习训练，实现了对共晶缺陷的检测和分割，能够有效解决训练样本少，正负样本不均衡问题。

本发明具体的技术方案为一种DD6单晶高温合金共晶缺陷检测和分割方法，该方法包括如下步骤：

步骤1：DD6单晶高温合金显微图像的采集和共晶缺陷轮廓的人工标注，通过标注工具获取DD6单晶高温合金共晶缺陷的类别标签、缺陷轮廓的坐标和缺陷外接矩形框的左上角坐标以及长宽值；

步骤2：若采集到DD6单晶高温合金显微图像的样本数为n，按照3:1的比例将其分为m张训练集和p张测试集。对m张训练集每一张都做如下操作：统计这张图像中所有共晶缺陷的外接矩形框的长宽信息Sizes,即由多对长宽值组成的列表；提取出DD6单晶高温合金显微图像中共晶缺陷轮廓内部的所有像素的灰度值；若图像中共晶缺陷区域的像素个数为c,每个像素的灰度值记为x_i(i＝1，2，...，c),则计算图像中共晶缺陷灰度值的均值μ和标准差σ，计算公式如下：

步骤3：将m张训练集中的每一张图像中的共晶缺陷区域用非缺陷区域的像素填充，具体是采用镜像对称填充的方式，得到m张不包含共晶缺陷的背景图片；

步骤4：伪样本中伪背景的生成。首先将背景图片沿水平方向切割为上下两部分，切割位置在(0，h)区间上随机选取，然后将上下两部分各自沿垂直方向切割为左右两部分，切割位置都在(0，w)区间上随机选取，以0.5的概率交换左右两部分，最后以0.5的概率交换上下两部分。为了加强模型准确识别共晶缺陷的能力，减小将其他类缺陷识别为共晶缺陷的误检率，在经过随机切割和交换的背景图片基础上生成一些噪声缺陷。噪声缺陷的生成是从背景图像左上角开始生成，从上到下，从左到右，步骤包括每个噪声缺陷外接矩形框大小的选择、缺陷之间间隔的选择、矩形框内缺陷轮廓的生成和噪声缺陷内部灰度值的生成。