[发明专利]一种基于Faster R-CNN的多层金属点阵结构材料内部缺陷检测方法

摘要

本发明公开了一种基于Faster R‑CNN的多层金属点阵结构材料内部缺陷检测方法，结合卷积神经网络，通过工业CT对多层金属点阵结构材料样件进行扫描检测，得到样件内部结构的三维立体结构，截取点阵结构横向截面的二维灰度图像，对灰度图中大量的缺陷样本进行采样学习，用学习到的缺陷特征对灰度图中的缺陷进行识别定位。经过试验验证，对多层金属点阵结构材料内部缺陷检测的平均正确率达到99.5％。

主权项

1.一种基于FasterR‑CNN的多层金属点阵结构材料内部缺陷检测方法，其特征在于，包括以下步骤：step1、通过工业CT对多层金属点阵结构材料样件进行扫描得到样件内部的三维立体结构，从得到的三维立体结构竖直方向有效区域底部到顶部等距离截取若干张样件截面图，取得的样件截面图有效区域大小为1474*1583*3，选取各样件截面图中有缺陷的部位作为训练样本图片，每张训练样本图片大小为351*351*3，训练样本图片至少选取300个，所有训练样本图片构成训练样本集；step2、设计卷积神经网络FasterR‑CNN整体网络架构，输入图像尺寸为351*351*3，第一层卷积层包含32个大小为7*7的卷积核，以步长为2填充宽度为0对其进行卷积运算，得到大小为173*173*32卷积层，分别用Relu激活函数和LRN(LocalResponseNormalization)增强网络的非线性和进行归一化处理，用大小为3*3步长为2填充为0对卷积层进行最大池化，得到大小为86*86*32的池化层；第二层卷积层包含64个大小为5*5的卷积核，以步长为2填充宽度为1对第一层卷积层得到的输出层进行卷积运算，得到大小为42*42*64卷积层，同样用Relu激活函数和LRN(LocalResponseNormalization)增强网络的非线性和进行归一化处理，用大小为3*3步长为2填充为1对卷积层进行最大池化，得到大小为21*21*64池化层；第三层卷积层包含64大小为3*3的卷积核，以步长为1填充宽度为2对第二层卷积层的输出层进行卷积运算，得到大小为21*21*64的卷积层，用Relu激活函数增强网络的非线性；在得到第三层卷积层特征层之后，RPN和FastR‑CNN共享其特征参数，结合特征图，经过RPN网络得到了区域建议和区域得分，其中，RPN网络是由3*3的滑动窗口在得到的特征图上进行滑动，每滑动一个位置采用三个面积尺寸和三种不同的长宽比例进行窗口截取，每个滑动窗口得到9个不同的建议区域，分别计算每个区域的位置坐标9*4和区域为目标或背景的得分9*2，共得到21*21*9共3969个建议窗口，选取得分最高的300个建议窗口，通过RoiPooling层得到大小统一的矩形建议框，送入全连接层判定目标的类别和最终精确位置；step3、将训练样本集导入整个FasterR‑CNN网络进行训练，最终得到训练好的模型；step4、通过工业CT对多层金属点阵结构材料样件进行扫描得到样件内部的三维立体结构，从得到的三维立体结构竖直方向有效区域底部到顶部等距离截取若干张样件截面图，将取得的样件截面图有效区域导入训练好的模型中进行检测，经过检测得到每张样件截面图中可能成为目标的位置和成为目标的概率，设定一个阈值使得所有输出目标概率大于此值即识别出样件截面图中缺陷位置。