[发明专利]一种基于卷积神经网络的铸件缺陷识别方法在审
| 申请号： | 201910470775.8 | 申请日： | 2019-05-31 |
| 公开（公告）号： | CN110222681A | 公开（公告）日： | 2019-09-10 |
| 发明（设计）人： | 计效园;颜秋余;周建新;谭云骧;殷亚军;沈旭 | 申请（专利权）人： | 华中科技大学 |
| 主分类号： | G06K9/20 | 分类号： | G06K9/20;G06K9/46;G06K9/62;G06N3/04;G06T5/00;G06T7/00 |
| 代理公司： | 华中科技大学专利中心 42201 | 代理人： | 梁鹏;曹葆青 |
| 地址： | 430074 湖北*** | 国省代码： | 湖北;42 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明属于铸件缺陷检测领域，并公开了一种基于卷积神经网络的铸件缺陷识别方法。该方法包括：(a)采集多张缺陷铸件的X射线图像，标记铸件的缺陷类型，并对每个缺陷类型赋予一个类型编号，建立关于铸件X射线图像和缺陷类型编号对应的数据集；(b)构建并训练卷积神经网络获得预测缺陷类型的预测网络模型，对预测网络模型进行修正，直至该预测网络模型的预测精度满足预测精度阈值，由此获得最终预测网络模型；(c)对于待检测铸件的X射线图像，框选出图像中的缺陷，采用最终预测网络模型预测，获得每个缺陷的缺陷类型编号，从而完成待检测铸件缺陷类型的识别。通过本发明，提升缺陷的识别效率和准确度，为铸件质量反馈提供数字化数据支持。 | ||
| 搜索关键词： | 预测 缺陷类型 网络模型 铸件 铸件缺陷 卷积神经网络 数字化数据 准确度 检测领域 质量反馈 数据集 检测 构建 采集 图像 修正 赋予 | ||
【主权项】：
1.一种基于卷积神经网络的铸件缺陷识别方法，其特征在于，该方法包括下列步骤：(a)采集多张缺陷铸件的X射线图像，采用最小矩形包络法框选出每张所述X射线图像中的缺陷，设定铸件的缺陷类型，并对每个缺陷类型赋予一个类型编号，根据所述X射线图像中的缺陷进行分类，以此获得每个缺陷对应的缺陷类型编号，建立关于框选出缺陷的X射线图像和缺陷类型编号一一对应的数据集；(b)选取所述数据集中的部分数据作为训练数据，利用该训练数据对卷积神经网络进行训练，以此获得预测缺陷类型预测网络模型，该预测网络模型中框选出缺陷的X射线图像作为输入，该X射线图像上每个缺陷对应的缺陷类型编号作为输出，将所述数据集中选余下的数据作为验证数据，将该数据输入所述预测网络模型中对其进行修正，直至该预测网络模型的预测精度满足预测精度阈值，由此获得最终预测网络模型；(c)对于待检测铸件的X射线图像，框选出该X射线图像中的缺陷，采用步骤(b)中获得的最终预测网络模型对框选出的缺陷对应的类型进行预测，以此获得每个缺陷对应的缺陷类型编号，从而完成待检测铸件缺陷类型的识别。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于华中科技大学，未经华中科技大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910470775.8/，转载请声明来源钻瓜专利网。
