一种基于全卷积神经网络的涡轮叶片CT图像分割方法技术

本发明专利技术请求保护一种基于全卷积神经网络的涡轮叶片CT图像分割方法，其包括以下步骤：S1、采集图像数据；S2、数据预处理：S3、图像标注：S4、数据增强：采用在线增强和离线增强相结合的方式扩充训练数据集；S5、构建分割网络模型，主要包括编码器、解码器和跳跃连接；S6、设计损失函数：使用一种Focal Loss损失函数在训练期间来进行优化，该函数平衡正负样本比例，还加强对叶片边缘难分割的像素进行学习；S7、模型训练和测试：将训练集和验证集进行归一化后输入到S5中构建的分割网络中，将测试集中的图像进行相同的归一化然后输入到保存的最优模型中从而实现涡轮叶片CT图像分割。模型中从而实现涡轮叶片CT图像分割。模型中从而实现涡轮叶片CT图像分割。

【技术实现步骤摘要】
一种基于全卷积神经网络的涡轮叶片CT图像分割方法


[0001]本专利技术属于图像分割领域，涉及一种基于全卷积神经网络的涡轮叶片CT图像分割方法。

技术介绍

[0002]涡轮叶片是航空发动机中最核心的零部件，它能够直接影响到航空发动机的工作性能和使用可靠性，对其进行严格的质量检测确保航空发动机安全可靠的运行具有重要研究价值。现有的传统检测方法难以满足涡轮叶片复杂外形、内部型腔、内部缺陷和气膜孔等的高精度检测要求，急需一种先进的无损检测技术来支撑。工业CT是一种先进的无损检测技术，可同时完成复杂外形、内部型腔、内部缺陷和微小孔的检测。工业CT图像分割是工业CT无损检测技术的重要环节，其精度直接影响工业CT检测的最终精度。由于涡轮叶片材料密度高、结构复杂，其CT图像存在噪声、灰度不均匀、边缘模糊和局部低对比度等问题导致涡轮叶片CT图像分割困难。因此，为提高涡轮叶片CT检测精度急需提高涡轮叶片CT图像的分割精度。
[0003]目前，现有的工业CT图像分割技术缺乏通用性，只能处理工件内部缺陷等单一问题，很难满足复杂的涡轮叶片高精度分割要求。近年来，随着卷积神经网络的兴起，尤其是全卷积神经网络到的诞生，基于深度学习图像分割方法相比于传统图像分割方法的分割精度得到大幅提升，且抗干扰能力和自动化层度也有所提高。因此，提出一种基于全卷积神经网络的涡轮叶片CT图像分割方法具有重要研究价值。

技术实现思路

[0004]本专利技术旨在解决以上现有技术的问题。提出了一种分割精度高且具有一定通用性的基于全卷积神经网络的涡轮叶片CT图像分割方法。本专利技术的技术方案如下：
[0005]一种基于全卷积神经网络的涡轮叶片CT图像分割方法，其包括以下步骤：
[0006]S1、采集图像数据；首先通过工业CT扫描不同角度下涡轮叶片投影图像数据，然后通过重建算法得到涡轮叶片CT切片序列图像；
[0007]S2、数据预处理：通过采用限制对比度直方图均衡化提高涡轮叶片CT图像的局部对比度，将数据预处理后的数据分为训练集、验证集和测试集；
[0008]S3、图像标注：设计一种半自动图像语义分割标注方法来对涡轮叶片CT切片序列图像进行标注；
[0009]S4、数据增强：采用在线增强和离线增强相结合的方式扩充训练数据集；
[0010]S5、构建分割网络模型，模型总体是一种基于编码器
‑
解码器网络结构，主要包括编码器、解码器和跳跃连接；
[0011]S6、设计损失函数：使用一种Focal Loss损失函数在训练期间来进行优化，该函数平衡正负样本比例，还加强对叶片边缘难分割的像素进行学习；
[0012]S7、模型训练和测试：将训练集和验证集进行归一化后输入到S5中构建的分割网
络中，将测试集中的图像进行相同的归一化然后输入到保存的最优模型中从而实现涡轮叶片CT图像分割。
[0013]进一步的，所述步骤S1首先通过工业CT扫描不同角度下涡轮叶片投影图像数据，然后通过重建算法得到涡轮叶片CT切片序列图像。
[0014]进一步的，所述步骤S2数据预处理：通过采用限制对比度直方图均衡化提高涡轮叶片CT图像的局部对比度。
[0015]进一步的，所述步骤S3图像标注：设计一种半自动图像语义分割标注方法，具体包括：
[0016]首先采用Photoshop对叶片CT图像边缘实现像素级手工标记；然后通过Canny算子找出涡轮叶片边缘，最后将叶片区域自动填充为白色，对应像素值为255，背景区域填充为黑色，对应像素值为0。
[0017]进一步的，所述步骤S4增强的方式包括镜像、裁剪、缩放和平移。
[0018]进一步的，所述步骤S5构建分割网络模型具体包括：分割网络模型总体是一种基于编码器
‑
解码器网络结构，主要包括编码器、解码器和跳跃连接，网络的具体结构为：
[0019]1)编码器用于提取图像特征，提取图像的位置、语义信息；编码器含有四组卷积，每一组卷积由密集连接块构成，每一层前面所有层的特性都用作当前层的输入；每一组卷积后嵌入通道注意力机制为特征图的各个通道分配不同的权重标识其不同的重要程度，将经过通道注意力机制后的特征图通过最大池化两倍下采样作为下一组卷积的输入；
[0020]2)解码器用于将编码器学习到的抽象的语义特征还原到原图的尺寸并且逐渐恢复图像语义信息；解码器也由四组卷积构成，上采样先使用双线性插值算法再经过2
×
2的卷积，将上采样后的特征图通过跳跃连接与相应编码层的特征进行融合后再输入到下一组卷积层中，这种跳跃连接可以使网络充分的利用上下文信息进行学习；解码器的最后一层为sigmoid层，设定一个最佳阈值，当网络最终分割概率图大于该阈值对应的像素分类为叶片，否则为背景。
[0021]进一步的，所述步骤S6设计的Focal Loss损失函数表达式为：
[0022][0023]式中y是真实值，是网络预测值，α是权重因子，γ是调制系数。
[0024]进一步的，所述步骤S7将训练集和验证集进行归一化后输入到步骤S5中构建的分割网络中，采用Adam优化器，初始学习率为1e
‑
3，使用“poly”学习衰减策略，优化步骤S6中的损失函数，训练模型当在验证集上损失函数值不再下降时保存最优模型，将测试集中的图像进行相同的归一化然后输入到保存的最优模型中从而实现涡轮叶片CT图像分割。
[0025]本专利技术的优点及有益效果如下：
[0026]本专利技术提供了一种基于全卷积神经网络的涡轮叶片CT图像分割方法，可以快速准确地实现对涡轮叶片CT图像分割。针对目前CT图像分割技术缺乏通用性，只能处理工件内部缺陷等单一问题，提出了采用全卷积神经网络对涡轮叶片CT图像进行分割。在分割网络编码器中通过嵌入通道注意力机制为特征图的各个通道分配不同的权重能够降低对含有噪声和背景的特征通道的关注，从而提高最终分割精度。针对分割时类别不均衡以及叶片边缘难学习问题，常规的使用交叉熵损失函数进行训练，分割结果存在大量误分割导致分
割精度不高，引入Focal Loss损失函数解决类别不均衡和部分样本难分割问题。与传统的CT图像分割方法相比，本专利技术方法能够获得叶片连续完整的分割结果且分割精度高，抗噪性强，自动化程度高而且具有一定的通用性。
附图说明
[0027]图1是本专利技术提供优选实施例基于全卷积神经网络的涡轮叶片CT图像分割方法的流程图；
[0028]图2是本专利技术方法的分割网络模型总体结构图；
[0029]图3是本专利技术方法的密集连接块结构图；
[0030]图4是本专利技术方法的通道注意力机制结构图。
具体实施方式
[0031]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本专利技术的一部分实施例。
[0032]本专利技术解决上述技术问题的技术方案是：
[0033]如图1所示，本专利技术实施例提供本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于全卷积神经网络的涡轮叶片CT图像分割方法，其特征在于，包括以下步骤：S1、采集图像数据；首先通过工业CT扫描不同角度下涡轮叶片投影图像数据，然后通过重建算法得到涡轮叶片CT切片序列图像；S2、数据预处理：通过采用限制对比度直方图均衡化提高涡轮叶片CT图像的局部对比度，将数据预处理后的数据分为训练集、验证集和测试集；S3、图像标注：设计一种半自动图像语义分割标注方法来对涡轮叶片CT切片序列图像进行标注；S4、数据增强：采用在线增强和离线增强相结合的方式扩充训练数据集；S5、构建分割网络模型，模型总体是一种基于编码器
‑
解码器网络结构，主要包括编码器、解码器和跳跃连接；S6、设计损失函数：使用一种FocalLoss损失函数在训练期间来进行优化，该函数平衡正负样本比例，还加强对叶片边缘难分割的像素进行学习；S7、模型训练和测试：将训练集和验证集进行归一化后输入到S5中构建的分割网络中，将测试集中的图像进行相同的归一化然后输入到保存的最优模型中从而实现涡轮叶片CT图像分割。2.根据权利要求1所述的一种基于全卷积神经网络的涡轮叶片CT图像分割方法，其特征在于，所述步骤S1首先通过工业CT扫描不同角度下涡轮叶片投影图像数据，然后通过重建算法得到涡轮叶片CT切片序列图像。3.根据权利要求1所述的一种基于全卷积神经网络的涡轮叶片CT图像分割方法，其特征在于，所述步骤S2数据预处理：通过采用限制对比度直方图均衡化提高涡轮叶片CT图像的局部对比度。4.根据权利要求1所述的一种基于全卷积神经网络的涡轮叶片CT图像分割方法，其特征在于，所述步骤S3图像标注：设计一种半自动图像语义分割标注方法，具体包括：首先采用Photoshop对叶片CT图像边缘实现像素级手工标记；然后通过Canny算子找出涡轮叶片边缘，最后将叶片区域自动填充为白色，对应像素值为255，背景区域填充为黑色，对应像素值为0。5.根据权利要求1所述的一种基于全卷积神经网络的涡轮叶片CT图像分割方法，其...

【专利技术属性】
技术研发人员：罗志勇，唐文平，郑佳，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：