[发明专利]一种基于深度学习的红外无损检测方法

摘要

基于深度学习的红外无损检测方法包括设计和制作样本，设计样本上的缺陷位置并获得设计图；用红外相机记录图像序列；对每一个图像序列中的每一个像素点在时间序列中进行预处理；利用建立深度学习模型，在时间序列中提取相位特征；将每个点的相位特征在其所在图像中显示出来。本发明具有能够自主提取特征、区分缺陷区域，并且能够对图像中的噪声有一定抑制作用的优点。

主权项

1.基于深度学习的红外无损检测方法，包括以下步骤：S1、设计和制作样本，设计样本上的缺陷位置并获得设计图；S2、获取样本，对用外部热源对样本进行加热，用红外相机记录该样本的加热过程中样本的温度变化，每一个加热过程获得一个图像序列；一个加热过程包括红外热激发，红外吸收和红外消散；S3、对每一个图像序列中的每一个像素点在时间序列中进行预处理，比如，去除低频趋势项操作，从而去除随着加热过程造成的温度升高趋势；S4、利用建立深度学习模型，在时间序列中提取相位特征：S4.1、获取任意一个图像序列作为当前图像序列，获取当前图像序列的每一张图像中的任意两个像素点作为点对；S4.2、将当前图像与样本的设计图进行比对，将缺陷范围内的像素点的标记值设为1，将缺陷范围外的像素点的标记值设为0，将点对的标记值相减再取反获得当前图像的Label值；S4.3、建立卷积神经网络模型，以点对作为卷积神经网络模型的输入；卷积神经网络模型包括卷积层和池化层，卷积层和池化层交替进行，卷积层采用空洞卷积，池化层采用Max策略，整个训练过程包括前向传播和反向传播，反向传播中用梯度下降法优化权重和偏置；最后一个池化层之后为全连接层，全连接层之后为均方差误差函数；S4.4、计算图像的Label值与均方差误差函数的输出之间的误差，通过优化卷积神经网络模型的卷积、池化的权重和偏置来减小Label值与均方差误差函数的输出值之间的误差；当误差稳定后，将该卷积神经网络模型作为深度学习模型，用于输入图像的相位特征提取；S5、将每个点的相位特征在其所在图像中显示出来。