一种基于位置信息特征的金属凝固组织裂纹缺陷识别方法技术

本发明专利技术一种基于位置信息特征的金属凝固组织裂纹缺陷识别方法，属于图像处理技术领域，包括以下步骤：采集金属凝固组织裂纹缺陷图像；标注出图像上不同裂纹缺陷，调整图像尺寸，构建数据集，将数据集分为训练集和测试集；构建用来提取缺陷特征信息的深度学习模型；通过金属凝固组织裂纹缺陷训练集训练深度学习模型，得到训练好的深度学习模型；将测试集里的数据输入到训练好的深度学习模型中，得到金属凝固组织裂纹预测结果，本方法采用的深度学习是利用卷积提取图像高维特征，对包含不同种类的金属凝固组织裂纹缺陷训练样本进行学习训练，使网络记住不同类别缺陷的特征并具备识别未见过的缺陷图像的能力，同时提高识别效率实现了自动化识别方法。实现了自动化识别方法。实现了自动化识别方法。

【技术实现步骤摘要】
一种基于位置信息特征的金属凝固组织裂纹缺陷识别方法


[0001]本专利技术属于金属凝固组织裂纹缺陷识别
，涉及一种基于位置信息特征的金属凝固组织裂纹缺陷识别方法。

技术介绍

[0002]连铸钢坯的质量反映了铸坯的性能。在生产过程中，由于多种因素(如钢水中的非金属杂质、气体，温度控制不当等)都会导致连铸坯内部产生低倍缺陷。通过对连铸坯低倍试样凝固组织的缺陷识别，可以监测铸坯质量以及及时发现生产中存在的问题，避免产生大量不合格铸坯。
[0003]专利《连铸坯断面微小裂纹检测方法及装置》(CNIO41O1600A)中专利技术一种连铸坯断面微小裂纹检测方法及装置，借助相机对图像进行边缘检测、高斯滤波、梯度二值化、聚类、计算裂纹宽度等处理判断是否保存裂纹。该方法利用了图像处理的方法，对图像质量较差的裂纹图像无法达到很好的效果；专利《一种改善连铸坯表面裂纹的方法和装置》(CN110503641A)专利技术提供了一种改善连铸坯表面裂纹的方法和装置，该方法对图像进行特征提取，输入到模型训练，根据输出信息对图像进行筛选，获得合格连铸坯表面图像信息。该方法对涉及技术进行了笼统的概述，并未提及具体特征提取方法等算法细节；专利《一种连铸坯表面裂纹的检测方法与装置》(CNIO426704OA)专利技术了一种连铸坯表面裂纹的检测方法和装置，通过在连铸坯的表面照射激光形成激光光带，获取激光光带的图像，并提取光带的形状，最终根据光带的形状识别连铸坯的表面裂纹。该方法需要准确提出光带信息，易受环境影响，若光带提取不准确对裂纹识别效果影响较大。

技术实现思路

[0004]为了解决上述问题，本专利技术提供本专利技术采用的技术方案是：一种基于位置信息特征的金属凝固组织裂纹缺陷识别方法，包括以下步骤：
[0005]采集金属凝固组织裂纹缺陷图像；
[0006]标注出图像上不同裂纹缺陷，调整图像尺寸，构建数据集，将数据集分为训练集和测试集；
[0007]构建用来提取缺陷特征信息的深度学习模型；
[0008]通过金属凝固组织裂纹缺陷训练集训练深度学习模型，得到训练好的深度学习模型；
[0009]将测试集里的数据输入到训练好的深度学习模型中，得到金属凝固组织裂纹预测结果。
[0010]进一步地：所述金属凝固组织裂纹预测结果通过图像坐标的对应关系显示在原始金属凝固图像中。
[0011]进一步地：所述深度学习模型的构建基于Unet网络，包括下采样结构、上采样结构、特征融合结构和空间信息提取模块；
[0012]所述下采样结构包括两层卷积层，ReLU激活函数和一层最大池化层构成；
[0013]所述上采样结构包括两层卷积层，ReLU激活函数和一层卷积层构成；
[0014]所述特征融合结构将下采样结构提取的特征信息与对应上采样结构提取的特征信息进行拼接融合；
[0015]所述空间信息提取模块包括三个卷积层、Softmax函数和三个融合模块。
[0016]进一步地：通过金属凝固组织裂纹缺陷训练集训练深度学习模型，得到训练好的深度学习模型；
[0017]将训练集里的数据图片经过上采样结构的两个3
×
3的卷积层和ReLU激活函数后，得到特征图A；
[0018]将特征图A分别输入给所述空间信息提取模块和所述下采样结构；
[0019]所述下采样结构将特征图A通过一个2
×
2的最大池化层，两个3
×
3的卷积层和ReLU激活函数；经过四次下采样后，将一个2
×
2的卷积层，两个3
×
3的卷积层和ReLU激活函数作为一次上采样，做四次上采样；
[0020]将每一层下采样与对应上采样提取的特征信息通过特征融合模块融合起来，获取多尺度提取的特征信息，将最后融合结果与所述空间信息提取模块输出的融合结果R相加融合起来，通过1
×
1的卷积层输出结果。
[0021]进一步地：所述空间信息提取模块输出的融合结果R的过程如下：
[0022]空间信息提取模块为将特征图A分别通过三个卷积层得到三个特征图B、C、D，
[0023]将三个特征图B、C、D缩放到与A相同的尺寸，
[0024]计算B和C的相似性，
[0025]通过softmax函数生成空间信息特征图P，
[0026]将特征图A和特征图D与P融合作为空间信息提取模块最终结果。
[0027]进一步地：所述裂纹缺陷，包括中心裂纹、中间裂纹和角部裂纹三类。
[0028]进一步地：所述金属凝固组织裂纹缺陷图像为不同工艺参数的铸坯横截面在同一工位独立采样获取。
[0029]进一步地：所述softmax函数的公式如下：
[0030][0031]其中：z
i
为第i个元素的输出值，C为所有元素个数。
[0032]进一步地：所述构建数据集之前将金属凝固组织裂纹缺陷图像统一缩小到一定尺寸并打乱其顺序。
[0033]一种基于位置信息特征的金属凝固组织裂纹缺陷识别装置，包括：
[0034]采集模块：用于采集金属凝固组织裂纹缺陷图像；
[0035]标注模块：用于标注出图像上不同裂纹缺陷，调整图像尺寸，构建数据集，将数据集分为训练集和测试集；
[0036]构建模块：用于构建用来提取缺陷特征信息的深度学习模型；
[0037]训练模块：用于通过金属凝固组织裂纹缺陷训练集训练深度学习模型，得到训练好的深度学习模型；
[0038]预测模块：用于将测试集里的数据输入到训练好的深度学习模型中，得到金属凝固组织裂纹预测结果。
[0039]本专利技术提供的一种基于位置信息特征的金属凝固组织裂纹缺陷识别方法，本方法采用的深度学习是利用卷积提取图像高维特征，对包含不同种类的金属凝固组织裂纹缺陷训练样本进行学习训练，使网络记住不同类别缺陷的特征并具备识别未见过的缺陷图像的能力，从而实现自动化检测技术，大大降低了人工劳动，同时提高识别效率；与传统人工裂纹缺陷识别方法相比，实现了自动化识别方法，提高了识别效率，降低人工劳动强度，有效的减少了人力和缺陷检测成本。
附图说明
[0040]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0041]图1为本专利技术实施例的流程图。
[0042]图2为本专利技术实施例的数据集真实图像。
[0043]图3为本专利技术实施例的数据集裂纹缺陷标注图像。
[0044]图4为本专利技术实施例的网络结构图。
[0045]图5(a)为本专利技术实施例的网络结构中下采样结构图；(b)为本专利技术实施例的网络结构中上采样结构图；
[0046]图6为本专利技术实施例的网络结构中空间信息提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于位置信息特征的金属凝固组织裂纹缺陷识别方法，其特征在于：包括以下步骤：采集金属凝固组织裂纹缺陷图像；标注出图像上不同裂纹缺陷，调整图像尺寸，构建数据集，将数据集分为训练集和测试集；构建用来提取缺陷特征信息的深度学习模型；通过金属凝固组织裂纹缺陷训练集训练深度学习模型，得到训练好的深度学习模型；将测试集里的数据输入到训练好的深度学习模型中，得到金属凝固组织裂纹预测结果。2.根据权利要求1所述的一种基于位置信息特征的金属凝固组织裂纹缺陷识别方法，其特征在于：所述金属凝固组织裂纹预测结果通过图像坐标的对应关系显示在原始金属凝固图像中。3.根据权利要求1所述的一种基于位置信息特征的金属凝固组织裂纹缺陷识别方法，其特征在于：所述深度学习模型的构建基于Unet网络，包括下采样结构、上采样结构、特征融合结构和空间信息提取模块；所述下采样结构包括两层卷积层，ReLU激活函数和一层最大池化层构成；所述上采样结构包括两层卷积层，ReLU激活函数和一层卷积层构成；所述特征融合结构将下采样结构提取的特征信息与对应上采样结构提取的特征信息进行拼接融合；所述空间信息提取模块包括三个卷积层、Softmax函数和三个融合模块。4.根据权利要求1所述的一种基于位置信息特征的金属凝固组织裂纹缺陷识别方法，其特征在于：通过金属凝固组织裂纹缺陷训练集训练深度学习模型，得到训练好的深度学习模型；将训练集里的数据图片经过上采样结构的两个3
×
3的卷积层和ReLU激活函数后，得到特征图A；将特征图A分别输入给所述空间信息提取模块和所述下采样结构；所述下采样结构将特征图A通过一个2
×
2的最大池化层，两个3
×
3的卷积层和ReLU激活函数；经过四次下采样后，将一个2
×
2的卷积层，两个3
×
3的卷积层和ReLU激活函数作为一次上采样，做四次上采样；将每一层下采样与对应上采样提取的...

【专利技术属性】
技术研发人员：谢植，王玉晗，孟红记，何庆，
申请(专利权)人：东北大学，
类型：发明
国别省市：