CN111833328B - 基于深度学习的飞机发动机叶片表面缺陷检测方法 - Google Patents
基于深度学习的飞机发动机叶片表面缺陷检测方法 Download PDFInfo
- Publication number
- CN111833328B CN111833328B CN202010674099.9A CN202010674099A CN111833328B CN 111833328 B CN111833328 B CN 111833328B CN 202010674099 A CN202010674099 A CN 202010674099A CN 111833328 B CN111833328 B CN 111833328B
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- layer
- network
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 193
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 238000002372 labelling Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 20
- 238000001914 filtration Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 10
- 230000002146 bilateral effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的飞机发动机叶片表面缺陷检测方法,包括:采集飞机发动机叶片图像,手工标注包含表面缺陷的图像,构建表面缺陷图像数据集;对表面缺陷图像数据集进行预处理,所述预处理包括去噪和图像增强;构建用于检测缺陷标签与缺陷类别的深度卷积缺陷检测网络,采用预处理后的表面缺陷图像数据集对深度卷积缺陷检测网络进行训练;其中,所述深度卷积缺陷检测网络采用并行的ResNet网络和DenseNet网络同时对输入的叶片图像进行特征提取,将提取得到的两个特征在对应位置上叠加进行特征融合,再结合融合后的特征进行缺陷分类。本发明能够有效提高飞机发动机叶片表面缺陷检测的精度和效率。
Description
技术领域
本发明涉及图像处理和深度学习技术领域,具体而言涉及一种基于深度学习的飞机发动机叶片表面缺陷检测方法。
背景技术
叶片是飞机发动机的关键组成部分,因此在装配前需要对叶片进行外观检测,挑选出有缺陷的叶片。发动机叶片的安全质量将直接影响飞机的安全与性能。传统的发动机叶片表面缺陷检测多以人工目检为主,但由于工作量大,人工终检效率低,长时间目检易视觉疲劳,极易造成漏检,对后续设备使用性能埋下不可预测的安全隐患。因此,开发一种高效的基于深度学习的飞机发动机叶片表面缺陷检测方法具有重要意义。
目前,现在常用检测叶片的方式有涡流检测、渗透检测技术等。渗透检测技术在检测前需要对叶片去涂层处理,工艺复杂成本高。随着深度学习的迅速发展,由于其人工干预少、检测精度高等优点,已经成功应用于图像检测任务。近年来,基于深度学习的飞机发动机叶片缺陷检测方式逐渐成为研究者关注的焦点。
发明内容
本发明针对现有技术中的不足,提供一种基于深度学习的飞机发动机叶片表面缺陷检测方法,能够有效提高飞机发动机叶片表面缺陷检测的精度和效率。
为实现上述目的,本发明采用以下技术方案:
一种基于深度学习的飞机发动机叶片表面缺陷检测方法,所述检测方法包括:
S1,采集飞机发动机叶片图像,手工标注包含表面缺陷的图像,构建表面缺陷图像数据集;
S2,对表面缺陷图像数据集进行预处理,所述预处理包括去噪和图像增强;
S3,构建用于检测缺陷标签与缺陷类别的深度卷积缺陷检测网络,采用预处理后的表面缺陷图像数据集对深度卷积缺陷检测网络进行训练;
其中,所述深度卷积缺陷检测网络采用并行的ResNet网络和DenseNet网络同时对输入的叶片图像进行特征提取,将提取得到的两个特征在对应位置上叠加进行特征融合,再结合融合后的特征进行缺陷分类;卷积神经网络ResNet通过层与层之间的残差可以将叶片表面缺陷的主要特征完全的提取出来,DenseNet网络加强了主要特征的传递,更有效地利用了主要特征,从而达到更好的检测效果。
S4,将待检测图像导入训练好的深度卷积模型中,输出缺陷标签与缺陷类别。
为优化上述技术方案,采取的具体措施还包括:
进一步地,步骤S1中,所述构建表面缺陷图像数据集的过程包括以下步骤:
S11,采用相机拍摄需检测的飞机发动机叶片,采集叶片表面图像;
S12,将叶片表面图像的尺寸调整一致;
S13,对含有缺陷的飞机发动机叶片表面图像进行旋转、调光处理,以扩充表面缺陷图像数据量;
S14,手工标注包含表面缺陷的表面缺陷图像,构建发动机叶片的表面缺陷图像数据库;
S15,按照预设比例将表面缺陷图像数据库中的图像划分成两类:训练集和测试集。
进一步地,所述表面缺陷的类别包括麻点、折叠、凹槽和拉伤。
进一步地,所述训练集和测试集的比例分别为80%和20%。
进一步地,步骤S2中,所述对表面缺陷图像数据集进行预处理的过程包括:
S21,采用双边滤波算法对采集到的图像进行滤波处理以去除噪声的影响:
S211,设双边滤波的窗口大小为4×4,参数空间距离权重为5,像素值权重为5;
S212,采用下述公式对采集到的图像进行滤波处理:
式中,Wp为归一化参数,是空间距离权重,/>是像素值权重,Iq为输入图像,σ为窗口大小;
S22,采用图像Gamma变换的方法对图像进行增强处理,以突出图像中的缺陷部分,其中,变换公式为:
s=cIp γ
式中,γ是灰度级,s是输出图像灰度值,c是常数。
进一步地,步骤S3中,所述深度卷积缺陷检测网络包括依次连接的输入层、特征提取层、特征处理层、特征叠加层和缺陷分类层;
所述特征提取层包括并行的ResNet网络和DenseNet网络,用于同时对输入的叶片图像进行特征提取;
所述输入层用于将输入的叶片图像分别调整至适合ResNet网络和DenseNet网络的输入尺寸,将调整后的叶片图像分别导入特征提取层所包含的ResNet网络和DenseNet网络,得到第一特征图和第二特征图;
所述特征处理层用于对第一特征图和第二特征图进行处理,使其尺寸一致;
所述特征叠加层用于将提取得到的第一特征图和第二特征图在对应位置上叠加进行特征融合;
所述缺陷分类层用于结合融合后的特征进行缺陷分类,包括依次连接的全连接层和softmax层。
本发明还提及一种基于深度学习的飞机发动机叶片表面缺陷检测装置,所述检测装置包括表面缺陷图像数据集构建模块、表面缺陷图像数据集预处理模块、深度卷积缺陷检测网络构建模块和深度卷积缺陷检测网络;
所述表面缺陷图像数据集构建模块用于采集飞机发动机叶片图像,手工标注包含表面缺陷的图像,构建表面缺陷图像数据集;
所述表面缺陷图像数据集预处理模块用于对表面缺陷图像数据集进行预处理,所述预处理包括去噪和图像增强;
所述深度卷积缺陷检测网络构建模块用于检测缺陷标签与缺陷类别的深度卷积缺陷检测网络,采用预处理后的表面缺陷图像数据集对深度卷积缺陷检测网络进行训练;
所述深度卷积缺陷检测网络包括依次连接的输入层、特征提取层、特征处理层、特征叠加层和缺陷分类层,所述深度卷积缺陷检测网络用于对导入的待检测图像进行检测,输出缺陷标签与缺陷类别;
所述特征提取层包括并行的ResNet网络和DenseNet网络,用于同时对输入的叶片图像进行特征提取;所述输入层用于将输入的叶片图像分别调整至适合ResNet网络和DenseNet网络的输入尺寸,将调整后的叶片图像分别导入特征提取层所包含的ResNet网络和DenseNet网络,得到第一特征图和第二特征图;所述特征处理层用于对第一特征图和第二特征图进行处理,使其尺寸一致;所述特征叠加层用于将提取得到的第一特征图和第二特征图在对应位置上叠加进行特征融合;所述缺陷分类层用于结合融合后的特征进行缺陷分类,包括依次连接的全连接层和softmax层。
本发明还提及一种基于深度学习的飞机发动机叶片表面缺陷检测***,,所述检测***包括处理器和存储器;
所述存储器用于存储计算机程序,所述处理器用于执行存储器中的计算机程序以实现如前所述的基于深度学习的飞机发动机叶片表面缺陷检测方法。
本发明的有益效果是:
(1)自动判断飞机发动机叶片表面图像是否存在缺陷,并预测出缺陷的类别,极大了节省了人工工作量,有效的提高了人工终检效率低、精度差等问题,具有重要的实际应用意义。
(2)采用并行的ResNet网络和DenseNet网络同时对输入的叶片图像进行特征提取,再对提取得到的两个特征图进行叠加处理得到融合特征,针对融合特征进行缺陷分类,由于在提取特征时将浅层特征与深层特征进行融合,保证了特征的完整性,完整特征可以大大提高对叶片表面缺陷的识别。
附图说明
图1是本发明的基于深度学习的飞机发动机叶片表面缺陷检测方法流程图。
图2是本发明的深度卷积缺陷检测网络的结构示意图。
图3是本发明的几种表面缺陷的示例图。
图4是本发明的原始数据图和处理得到的结果示意图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
需要注意的是,发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
具体实施例一
结合图1,本发明提及一种基于深度学习的飞机发动机叶片表面缺陷检测方法,所述检测方法包括:
S1,采集飞机发动机叶片图像,手工标注包含表面缺陷的图像,构建表面缺陷图像数据集。
S2,对表面缺陷图像数据集进行预处理,所述预处理包括去噪和图像增强。
S3,构建用于检测缺陷标签与缺陷类别的深度卷积缺陷检测网络,采用预处理后的表面缺陷图像数据集对深度卷积缺陷检测网络进行训练。
其中,所述深度卷积缺陷检测网络采用并行的ResNet网络和DenseNet网络同时对输入的叶片图像进行特征提取,将提取得到的两个特征在对应位置上叠加进行特征融合,再结合融合后的特征进行缺陷分类;卷积神经网络ResNet通过层与层之间的残差可以将叶片表面缺陷的主要特征完全的提取出来,DenseNet网络加强了主要特征的传递,更有效地利用了主要特征,从而达到更好的检测效果。
S4,将待检测图像导入训练好的深度卷积模型中,输出缺陷标签与缺陷类别。
具体的,本发明包括以下步骤:
步骤一,构建表面缺陷图像数据集
步骤S1中,所述构建表面缺陷图像数据集的过程包括以下步骤:
S11,采用相机拍摄需检测的飞机发动机叶片,采集叶片表面图像。
S12,将叶片表面图像的尺寸调整一致。
S13,对含有缺陷的飞机发动机叶片表面图像进行旋转、调光处理,以扩充表面缺陷图像数据量。
S14,手工标注包含表面缺陷的表面缺陷图像,构建发动机叶片的表面缺陷图像数据库。
S15,按照预设比例将表面缺陷图像数据库中的图像划分成两类:训练集和测试集。优选的,所述训练集和测试集的比例分别为80%和20%。
参见图3,本实施例中涉及到的所述表面缺陷的类别包括麻点、折叠、凹槽和拉伤等。
步骤二、对表面缺陷图像数据集进行预处理
步骤S2中,所述对表面缺陷图像数据集进行预处理的过程包括:
S21,采用双边滤波算法对采集到的图像进行滤波处理以去除噪声的影响:
S211,设双边滤波的窗口大小为4×4,参数空间距离权重为5,像素值权重为5。
S212,采用下述公式对采集到的图像进行滤波处理:
式中,Wp为归一化参数,是空间距离权重,/>是像素值权重,Iq为输入图像,σ为窗口大小。
S22,采用图像Gamma变换的方法对图像进行增强处理,将原始图像中灰度过高或者过低的图片进行修正来增强对比度,以突出图像中的缺陷部分,其中,变换公式为:
s=cIp γ
式中,γ是灰度级,s是输出图像灰度值,c是常数。优选的,在本实施例中,γ=1.5。
步骤三、构建深度卷积缺陷检测网络
参见图2,步骤S3中,所述深度卷积缺陷检测网络包括依次连接的输入层、特征提取层、特征处理层、特征叠加层和缺陷分类层。
所述特征提取层包括并行的ResNet网络和DenseNet网络,用于同时对输入的叶片图像进行特征提取。
所述输入层用于将输入的叶片图像分别调整至适合ResNet网络和DenseNet网络的输入尺寸,将调整后的叶片图像分别导入特征提取层所包含的ResNet网络和DenseNet网络,得到第一特征图和第二特征图。第一特征图通过ResNet网络层与层之间的残差提取叶片表面缺陷的主要特征组成的,第二特征图是通过DenseNet网络对主要特征的传递的加强,其更有效地利用了叶片表面缺陷主要特征。
所述特征处理层用于对第一特征图和第二特征图进行处理,使其尺寸一致。
所述特征叠加层用于将提取得到的第一特征图和第二特征图在对应位置上叠加进行特征融合。
所述缺陷分类层用于结合融合后的特征进行缺陷分类,包括依次连接的全连接层和softmax层。
图4是本发明的原始数据图和处理得到的结果示意图,可以看到,采用本发明构建的深度卷积缺陷检测网络可以快速检测出原始图像中的缺陷位置,并且能够准确在图像中标注出缺陷位置和缺陷类型,极大地提高了检测的准确性和检测效率。
具体实施例二
本发明还提及一种基于深度学习的飞机发动机叶片表面缺陷检测装置,所述检测装置包括表面缺陷图像数据集构建模块、表面缺陷图像数据集预处理模块、深度卷积缺陷检测网络构建模块和深度卷积缺陷检测网络。
所述表面缺陷图像数据集构建模块用于采集飞机发动机叶片图像,手工标注包含表面缺陷的图像,构建表面缺陷图像数据集。
所述表面缺陷图像数据集预处理模块用于对表面缺陷图像数据集进行预处理,所述预处理包括去噪和图像增强。
所述深度卷积缺陷检测网络构建模块用于检测缺陷标签与缺陷类别的深度卷积缺陷检测网络,采用预处理后的表面缺陷图像数据集对深度卷积缺陷检测网络进行训练。
所述深度卷积缺陷检测网络包括依次连接的输入层、特征提取层、特征处理层、特征叠加层和缺陷分类层,所述深度卷积缺陷检测网络用于对导入的待检测图像进行检测,输出缺陷标签与缺陷类别。
所述特征提取层包括并行的ResNet网络和DenseNet网络,用于同时对输入的叶片图像进行特征提取;所述输入层用于将输入的叶片图像分别调整至适合ResNet网络和DenseNet网络的输入尺寸,将调整后的叶片图像分别导入特征提取层所包含的ResNet网络和DenseNet网络,得到第一特征图和第二特征图;所述特征处理层用于对第一特征图和第二特征图进行处理,使其尺寸一致;所述特征叠加层用于将提取得到的第一特征图和第二特征图在对应位置上叠加进行特征融合;所述缺陷分类层用于结合融合后的特征进行缺陷分类,包括依次连接的全连接层和softmax层。
具体实施例三
本发明还提及一种基于深度学习的飞机发动机叶片表面缺陷检测***,,所述检测***包括处理器和存储器。
所述存储器用于存储计算机程序,所述处理器用于执行存储器中的计算机程序以实现如前所述的基于深度学习的飞机发动机叶片表面缺陷检测方法。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (7)
1.一种基于深度学习的飞机发动机叶片表面缺陷检测方法,其特征在于,所述检测方法包括:
S1,采集飞机发动机叶片图像,手工标注包含表面缺陷的图像,构建表面缺陷图像数据集;
S2,对表面缺陷图像数据集进行预处理;
S3,构建用于检测缺陷标签与缺陷类别的深度卷积缺陷检测网络,采用预处理后的表面缺陷图像数据集对深度卷积缺陷检测网络进行训练;
其中,所述深度卷积缺陷检测网络采用并行的ResNet网络和DenseNet网络同时对输入的叶片图像进行特征提取,将提取得到的两个特征在对应位置上叠加进行特征融合,再结合融合后的特征进行缺陷分类;
S4,将待检测图像导入训练好的深度卷积模型中,输出缺陷标签与缺陷类别;
其中,步骤S2中,所述对表面缺陷图像数据集进行预处理的过程包括:
S21,采用双边滤波算法对采集到的图像进行滤波处理以去除噪声的影响;
S211,设双边滤波的窗口大小为4×4,参数空间距离权重为5,像素值权重为5;
S212,采用下述公式对采集到的图像进行滤波处理:
式中,Wp为归一化参数,GσS(||p-q||)是空间距离权重,GσR(|Ip-Iq|)是像素值权重,Iq为输入图像,σ为窗口大小;
S22,采用图像Gamma变换的方法对图像进行增强处理,以突出图像中的缺陷部分,其中,变换公式为:
s=cIp γ;
式中,γ是灰度级,s是输出图像灰度值,c是常数。
2.根据权利要求1所述的基于深度学习的飞机发动机叶片表面缺陷检测方法,其特征在于,步骤S1中,所述构建表面缺陷图像数据集的过程包括以下步骤:
S11,采用相机拍摄需检测的飞机发动机叶片,采集叶片表面图像;
S12,将叶片表面图像的尺寸调整一致;
S13,对含有缺陷的飞机发动机叶片表面图像进行旋转和调光处理,以扩充表面缺陷图像数据量;
S14,手工标注包含表面缺陷的表面缺陷图像,构建发动机叶片的表面缺陷图像数据库;
S15,按照预设比例将表面缺陷图像数据库中的图像划分成两类:训练集和测试集。
3.根据权利要求1所述的基于深度学习的飞机发动机叶片表面缺陷检测方法,其特征在于,所述表面缺陷包括麻点、折叠、凹槽和拉伤。
4.根据权利要求2所述的基于深度学习的飞机发动机叶片表面缺陷检测方法,其特征在于,所述训练集和测试集的比例分别为80%和20%。
5.根据权利要求1所述的基于深度学习的飞机发动机叶片表面缺陷检测方法,其特征在于,步骤S3中,所述深度卷积缺陷检测网络包括依次连接的输入层、特征提取层、特征处理层、特征叠加层和缺陷分类层;
所述特征提取层包括并行的ResNet网络和DenseNet网络,用于同时对输入的叶片图像进行特征提取;
所述输入层用于将输入的叶片图像分别调整至适合ResNet网络和DenseNet网络的输入尺寸,将调整后的叶片图像分别导入特征提取层所包含的ResNet网络和DenseNet网络,得到第一特征图和第二特征图;
所述特征处理层用于对第一特征图和第二特征图进行处理,使其尺寸一致;
所述特征叠加层用于将提取得到的第一特征图和第二特征图在对应位置上叠加进行特征融合;
所述缺陷分类层用于结合融合后的特征进行缺陷分类,包括依次连接的全连接层和softmax层。
6.一种基于深度学习的飞机发动机叶片表面缺陷检测装置,其特征在于,所述检测装置包括:
表面缺陷图像数据集构建模块,用于采集飞机发动机叶片图像,手工标注包含表面缺陷的图像,构建表面缺陷图像数据集;
表面缺陷图像数据集预处理模块,用于对表面缺陷图像数据集进行预处理,包括:
采用双边滤波算法对采集到的图像进行滤波处理以去除噪声的影响;
设双边滤波的窗口大小为4×4,参数空间距离权重为5,像素值权重为5;
采用下述公式对采集到的图像进行滤波处理:
式中,Wp为归一化参数,GσS(||p-q||)是空间距离权重,GσR(|Ip-Iq|)是像素值权重,Iq为输入图像,σ为窗口大小;
采用图像Gamma变换的方法对图像进行增强处理,以突出图像中的缺陷部分,其中,变换公式为:
s=cIp γ;
式中,γ是灰度级,s是输出图像灰度值,c是常数;
深度卷积缺陷检测网络构建模块,用于检测缺陷标签与缺陷类别的深度卷积缺陷检测网络,采用预处理后的表面缺陷图像数据集对深度卷积缺陷检测网络进行训练;
深度卷积缺陷检测网络,包括依次连接的输入层、特征提取层、特征处理层、特征叠加层和缺陷分类层,所述深度卷积缺陷检测网络用于对导入的待检测图像进行检测,输出缺陷标签与缺陷类别;
所述特征提取层包括并行的ResNet网络和DenseNet网络,用于同时对输入的叶片图像进行特征提取;所述输入层用于将输入的叶片图像分别调整至适合ResNet网络和DenseNet网络的输入尺寸,将调整后的叶片图像分别导入特征提取层所包含的ResNet网络和DenseNet网络,得到第一特征图和第二特征图;所述特征处理层用于对第一特征图和第二特征图进行处理,使其尺寸一致;所述特征叠加层用于将提取得到的第一特征图和第二特征图在对应位置上叠加进行特征融合;所述缺陷分类层用于结合融合后的特征进行缺陷分类,包括依次连接的全连接层和softmax层。
7.一种基于深度学习的飞机发动机叶片表面缺陷检测***,其特征在于,所述检测***包括处理器和存储器;
所述存储器用于存储计算机程序,所述处理器用于执行存储器中的计算机程序以实现如权利要求1-5任意一项中所述的基于深度学习的飞机发动机叶片表面缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010674099.9A CN111833328B (zh) | 2020-07-14 | 2020-07-14 | 基于深度学习的飞机发动机叶片表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010674099.9A CN111833328B (zh) | 2020-07-14 | 2020-07-14 | 基于深度学习的飞机发动机叶片表面缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111833328A CN111833328A (zh) | 2020-10-27 |
CN111833328B true CN111833328B (zh) | 2023-07-25 |
Family
ID=72922907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010674099.9A Active CN111833328B (zh) | 2020-07-14 | 2020-07-14 | 基于深度学习的飞机发动机叶片表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111833328B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907510B (zh) * | 2021-01-15 | 2023-07-07 | 中国人民解放军国防科技大学 | 一种表面缺陷检测方法 |
CN112802011A (zh) * | 2021-02-25 | 2021-05-14 | 上海电机学院 | 一种基于vgg-bls的风机叶片缺陷检测方法 |
CN113052106B (zh) * | 2021-04-01 | 2022-11-04 | 重庆大学 | 一种基于PSPNet网络的飞机起降跑道识别方法 |
CN113313695A (zh) * | 2021-06-05 | 2021-08-27 | 西北工业大学 | 一种基于小样本航空发动机叶片ct图像的深度学习缺陷自动检测识别方法 |
CN113393431A (zh) * | 2021-06-09 | 2021-09-14 | 东方电气集团科学技术研究院有限公司 | 一种用于风机叶片缺陷检测的热成像图像增强训练方法和装置 |
CN113240671B (zh) * | 2021-06-16 | 2022-06-24 | 重庆科技学院 | 一种基于YoloV4-Lite网络的水轮机转轮叶片缺陷检测方法 |
CN113570565A (zh) * | 2021-07-21 | 2021-10-29 | 清华大学 | 一种车辆外观缺陷检测方法、装置和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016201947A1 (zh) * | 2015-06-16 | 2016-12-22 | 华南理工大学 | 一种轮形铸造产品缺陷自动检测方法 |
CN106875381A (zh) * | 2017-01-17 | 2017-06-20 | 同济大学 | 一种基于深度学习的手机外壳缺陷检测方法 |
CN109064462A (zh) * | 2018-08-06 | 2018-12-21 | 长沙理工大学 | 一种基于深度学习的钢轨表面缺陷检测方法 |
CN109145730A (zh) * | 2018-07-13 | 2019-01-04 | 安徽大学 | 一种遥感影像中矿区自动语义分割方法 |
CN110570396A (zh) * | 2019-08-07 | 2019-12-13 | 华中科技大学 | 一种基于深度学习的工业产品缺陷检测方法 |
CN110910352A (zh) * | 2019-11-06 | 2020-03-24 | 创新奇智(南京)科技有限公司 | 基于深度学习的太阳能电池缺陷检测***及检测方法 |
CN111161260A (zh) * | 2020-01-02 | 2020-05-15 | 中冶赛迪重庆信息技术有限公司 | 一种基于深度学习的热轧带钢表面缺陷检测方法及装置 |
CN111402226A (zh) * | 2020-03-13 | 2020-07-10 | 浙江工业大学 | 一种基于级联卷积神经网络的表面疵点检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201704373D0 (en) * | 2017-03-20 | 2017-05-03 | Rolls-Royce Ltd | Surface defect detection |
-
2020
- 2020-07-14 CN CN202010674099.9A patent/CN111833328B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016201947A1 (zh) * | 2015-06-16 | 2016-12-22 | 华南理工大学 | 一种轮形铸造产品缺陷自动检测方法 |
CN106875381A (zh) * | 2017-01-17 | 2017-06-20 | 同济大学 | 一种基于深度学习的手机外壳缺陷检测方法 |
CN109145730A (zh) * | 2018-07-13 | 2019-01-04 | 安徽大学 | 一种遥感影像中矿区自动语义分割方法 |
CN109064462A (zh) * | 2018-08-06 | 2018-12-21 | 长沙理工大学 | 一种基于深度学习的钢轨表面缺陷检测方法 |
CN110570396A (zh) * | 2019-08-07 | 2019-12-13 | 华中科技大学 | 一种基于深度学习的工业产品缺陷检测方法 |
CN110910352A (zh) * | 2019-11-06 | 2020-03-24 | 创新奇智(南京)科技有限公司 | 基于深度学习的太阳能电池缺陷检测***及检测方法 |
CN111161260A (zh) * | 2020-01-02 | 2020-05-15 | 中冶赛迪重庆信息技术有限公司 | 一种基于深度学习的热轧带钢表面缺陷检测方法及装置 |
CN111402226A (zh) * | 2020-03-13 | 2020-07-10 | 浙江工业大学 | 一种基于级联卷积神经网络的表面疵点检测方法 |
Non-Patent Citations (3)
Title |
---|
基于堆叠降噪自编码器的神经–符号模型及在晶圆表面缺陷识别;刘国梁等;自动化学报;第48卷(第11期);全文 * |
基于深度学习的齿轮视觉微小缺陷检测;韩明;吴庆祥;曾雄军;;计算机***应用(第03期);全文 * |
采用融合卷积网的图像分类算法;李聪;潘丽丽;陈蓉玉;周燕;邵伟志;;计算机工程与科学(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111833328A (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111833328B (zh) | 基于深度学习的飞机发动机叶片表面缺陷检测方法 | |
Wang et al. | Tire defect detection using fully convolutional network | |
CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
CN107657279B (zh) | 一种基于少量样本的遥感目标检测方法 | |
CN108038846A (zh) | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及*** | |
CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
CN106504238A (zh) | 基于图像处理和卷积神经网络的铁路接触网缺陷检测方法 | |
CN111105389B (zh) | 融合Gabor滤波器与卷积神经网络的路面裂缝的检测方法 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测*** | |
CN115457277A (zh) | 一种智能化路面病害识别检测方法及*** | |
CN110334775B (zh) | 一种基于宽度学习的无人机线路故障识别方法和装置 | |
CN112288682A (zh) | 基于图像配准的电力设备缺陷定位方法 | |
CN115410024A (zh) | 一种基于动态激活热力图的电力图像缺陷检测方法 | |
CN108932471B (zh) | 一种车辆检测方法 | |
CN110197483A (zh) | 基于视频信号的深基坑裂缝检测方法 | |
CN116823756A (zh) | 一种桩腿焊缝缺陷检测方法 | |
CN113052234A (zh) | 一种基于图像特征和深度学习技术的玉石分类方法 | |
CN116363655A (zh) | 一种财务票据识别方法及*** | |
CN112507327B (zh) | 一种基于机器学习的晴雨检测与处理方法 | |
CN112419244B (zh) | 混凝土裂缝分割方法及装置 | |
CN114757941A (zh) | 变电站设备缺陷的识别方法、装置、电子设备及存储介质 | |
CN114821187A (zh) | 一种基于判别学习的图像异常检测和定位方法及*** | |
CN113344987A (zh) | 复杂背景下电力设备的红外与可见光图像配准方法及*** | |
CN113239865A (zh) | 基于深度学习的车道线检测方法 | |
CN112598646A (zh) | 电容缺陷检测方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |