一种基于深度学习的裂纹缺陷检测系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114119480A(43)申请公布日2022.03.01(21)申请号202111250055.4G06N3/08(2006.01)(22)申请日2021.10.26G06N3/04(2006.01)(71)申请人北京临近空间飞行器系统工程研究所地址100076北京市丰台区南大红门路1号(72)发明人薛晗庆李昊星潘红九王保录赵翔宇底亚峰彭晓(74)专利代理机构中国航天科技专利中心11009代理人李晶尧(51)Int.Cl.G06T7/00(2017.01)G06T5/40(2006.01)G06T5/20(2006.01)G06T5/00(2006.01)权利要求书2页说明书6页附图5页(54)发明名称一种基于深度学习的裂纹缺陷检测系统(57)摘要本发明涉及一种基于深度学习的裂纹缺陷检测系统，属于产品裂纹缺陷检测领域；包括图像标注模块、图像预处理模块、数据增强模块、深度神经网络模块和算法预测模块；本发明通过合理设计神经网络架构，实现目标区域矩形坐标、目标类别、目标像素区域多任务识别，依托像素级分割识别算法的优势，有效地提升目标检测算法对目标区域识别的准确度，给出了目标像素级的分类信息，降低了部分复杂外形目标区域识别错误率，高效可靠地实现目标精准定位，从而提高实际工程应用中对目标检测算法高准确度的需求，为高精度目标识别应用场景提供了有力的算法支撑。CN114119480ACN114119480A权利要求书1/2页1.一种基于深度学习的裂纹缺陷检测系统，其特征在于：包括图像标注模块、图像预处理模块、数据增强模块、深度神经网络模块和算法预测模块；图像标注模块：接收外部传来的图像，对每张图片依次进行目标位置标注、目标掩码标注处理，生成图像数据集；同时对每张图片进行目标注释处理，生成图像注释信息；并将图像数据集和图像注释信息发送至图像预处理模块；图像预处理模块：接收图像标注模块传来的图像数据集，对图像数据集进行预处理，生成预处理后的图像，并将预处理后的图像发送至图像增强模块；接收图像标注模块传来的图像注释信息，将图像注释信息发送至图像增强模块；图像增强模块：接收图像预处理模块传来的预处理后的图像和图像注释信息；根据图像注释信息对预处理后的图像进行旋转或裁剪处理；并在旋转或裁剪处理后的图像进行反转、镜像、缩放、加入随机噪声处理，生成新的图像和注释；并将新的图像和注释发送至深度神经网络模块；深度神经网络模块：接收图像增强模块传来的新的图像和注释；将新的图像和注释作为神经网络模型的输入，进行神经网络训练，输出神经网络模型的权重；接收外部输入的待检测图像；加载神经网络模型的权重对待检测图像再次进行神经网络训练，获得训练后的图像，并将训练后的图像发送至算法预测模块；算法预测模块：接收深度神经网络模块传来的训练后的图像；根据训练后的图像获得待检测图像的目标类别、目标位置和像素级类别；根据待检测图像的目标类别、目标位置和像素级类别实现后续裂纹周长、裂纹面积和裂纹长度的分析。2.根据权利要求1所述的一种基于深度学习的裂纹缺陷检测系统，其特征在于：图像预处理模块对图像数据集进行预处理的具体内容为：依次使用滤波算法去除图像数据集的随机噪声、使用频域处理技术去除图像数据集的频域内噪声、使用直方图均衡增加图像数据集的对比度。3.根据权利要求2所述的一种基于深度学习的裂纹缺陷检测系统，其特征在于：所述图像增强模块通过在旋转或裁剪处理后的图像进行反转、镜像、缩放、加入随机噪声处理实现增加图像的数量及目标的多样性。4.根据权利要求3所述的一种基于深度学习的裂纹缺陷检测系统，其特征在于：图像增强模块根据图像注释信息中的旋转字段或剪切字段对预处理后的图像进行旋转或裁剪处理。5.根据权利要求4所述的一种基于深度学习的裂纹缺陷检测系统，其特征在于：所述深度神经网络模块对新的图像和注释进行神经网络训练前，对新的图像和注释依次进行候选特征提取，ROI区域生成、边框回归、掩码生成处理。6.根据权利要求5所述的一种基于深度学习的裂纹缺陷检测系统，其特征在于：所述深度神经网络模块对新的图像和注释进行神经网络训练时，读取新的图像和注释的超参和尺度缩放参数，通过求解网络各单元隐层数据实现前向传播，通过误差反向传递更新权重，网络输出值和期望输出之间的误差在给定的误差区间内训练结束，输出神经网络模型的权重。7.根据权利要求6所述的一种基于深度学习的裂纹缺陷检测系统，其特征在于：所述算法预测模块采用裂纹形态学分析法，根据训练后的图像获得待检测图像的目标类别、目标2CN114119480A权利要求书2/2页位置和像素级类别进行裂纹长度分析、裂纹面积分析和裂纹周长分析。3CN114119480A说明书1/6页一种基于深