基于深度学习和超像素分割的复材超声图像缺陷检测方法.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CN113298809A(43)申请公布日2021.08.24(21)申请号202110714603.8G06N3/08(2006.01)(22)申请日2021.06.25(71)申请人成都飞机工业（集团）有限责任公司地址610092四川省成都市青羊区黄田坝纬一路88号(72)发明人许艾明黎小华刘倍铭王飞扬方亿宁斯岚(74)专利代理机构成都君合集专利代理事务所(普通合伙)51228代理人尹玉(51)Int.Cl.G06T7/00(2017.01)G06T7/11(2017.01)G06K9/62(2006.01)G06N3/04(2006.01)权利要求书3页说明书7页附图3页(54)发明名称基于深度学习和超像素分割的复材超声图像缺陷检测方法(57)摘要本发明公开了基于深度学习和超像素分割的复材超声图像缺陷检测方法，包括以下步骤：步骤1、对复材超声检测图像进行扩增形成训练样本集，基于训练样本集通过YOLOv3神经网络对复材缺陷进行特征检出与提取，得到缺陷目标检测包围框；步骤2、采用超像素分割方法对复材超声检测图像进行像素级分割，得到若干超像素分割子区域；步骤3、将包含缺陷的超像素分割子区域位于缺陷目标检测包围框外部的部分舍弃，将包含缺陷的超像素分割子区域位于缺陷目标检测包围框内部的部分保留并合并作为最终缺陷区域；步骤4、拟合最终缺陷区域的最小外接矩形作为最终缺陷检测结果；本发明具有同时保证复合材料超声图像缺陷检测识别的高效性与精确性的有益效果。CN113298809ACN113298809A权利要求书1/3页1.基于深度学习和超像素分割的复材超声图像缺陷检测方法，其特征在于，包括以下步骤：步骤1、对复材超声检测图像进行扩增形成训练样本集，基于训练样本集通过YOLOv3神经网络对复材缺陷进行特征检出与提取，得到缺陷目标检测包围框；步骤2、采用超像素分割方法对复材超声检测图像进行像素级分割，得到若干超像素分割子区域；步骤3、将包含缺陷的超像素分割子区域位于缺陷目标检测包围框外部的部分舍弃，将包含缺陷的超像素分割子区域位于缺陷目标检测包围框内部的部分保留并合并作为最终缺陷区域；步骤4、拟合最终缺陷区域的最小外接矩形作为最终缺陷检测结果。2.根据权利要求1所述的基于深度学习和超像素分割的复材超声图像缺陷检测方法，其特征在于，所述步骤3具体包括：步骤3.1、提取与缺陷目标检测包围框存在像素重叠的所有超像素分割子区域，检测提取的超像素分割子区域中是否包含缺陷，将包含缺陷的超像素分割子区域保留，将不包含缺陷的超像素分割子区域舍弃；步骤3.2、将步骤3.1中保留的包含缺陷的超像素分割子区域位于缺陷目标检测包围框内部的部分提取并合并，将步骤3.1中保留的包含缺陷的超像素分割子区域位于缺陷目标检测包围框外部的部分舍弃；步骤3.3、拟合步骤3.2中提取合并的超像素分割子区域的最小外接矩形，并提取该最小外接矩形的坐标位置、尺寸参数、像素数作为最终缺陷检测结果。3.根据权利要求2所述的基于深度学习和超像素分割的复材超声图像缺陷检测方法，其特征在于，所述步骤1具体包括：步骤1.1、读取复材超声检测图像，并对复材超声检测图像中的缺陷进行人工标注形成标注目标框；步骤1.2、从复材超声检测图像中随机截取若干子图区域，判断子图区域中是否包含标注目标框，若子图区域中包含标注目标框，则保留该子图区域；若子图区域中不包含标注目标框，则舍弃该子图区域；步骤1.3、以复材超声检测图像的左上角点为起点，按照从左至右、从上至下的方向滑动切割复材超声检测图像得到若干子图区域，判断子图区域中是否包含标注目标框，若子图区域中包含标注目标框，则保留该子图区域；若子图区域中不包含标注目标框，则舍弃该子图区域；步骤1.4、对步骤1.2与步骤1.3中保留的子图区域进行扩增操作以形成训练样本集，采用YOLOv3算法基于训练样本集进行缺陷识别训练以得到缺陷检测框，计算缺陷检测框与标注目标框的重合度，迭代上述过程直到缺陷检测框与标注目标框的重合度达到设定阈值后得到训练完毕的YOLOv3神经网络模型；步骤1.5、通过滑动窗口在复材超声检测图像上截取子图区域，并采用训练完毕的YOLOv3神经网络模型对截取的子图区域进行缺陷识别以得到最终的缺陷目标检测包围框。4.根据权利要求3所述的基于深度学习和超像素分割的复材超声图像缺陷检测方法，其特征在于，所述步骤1.2具体包括：2CN113298809A权利要求书2/3页步骤1.2.1、以复材超声检测图像的左上角点为原点向右建立X轴，向下建立Y轴，提取复材超声检测图像的左上角点坐标为(SX，SY)；步骤1.2.2、从复材超声检测图像中随机截取宽度为SW，高度为SH的子图区域，提取标注目标