欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023117586207
申请人: 湖南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种航空发动机叶片表面缺陷识别方法,其特征在于,包括:S1:获取航空发动机涡轮叶片的表面图像以及图像特征映射关系;

S2:根据所述图像特征映射关系生成表面图像的分割伪标签,包括:S2.1:将获取的所述图像特征映射关系在第一维度相加,获得MF;

S2.2:对MF进行重新分布,计算公式为:

;

其中,MF表示相加后的图像特征映射关系,minMF表示MF的最小值;maxMF表示MF的最大值;

S2.3:对重新分布后的MF进行双线性插值,得到特征图;

S2.4:使用canny operator提取特征图的边缘信息;

S2.5:将提取的所述边缘信息沿横坐标相加,得到长度为表面图像宽度的一维数组;

S2.6:剔除所有像素值之和小于等于第一阈值的所述一维数组对应的边缘信息横坐标;

S2.7:对经过S2.6处理后的所述特征图进行过滤,使用掩码值“0”掩盖像素值大于第二阈值的像素,得到过滤后的特征图;

S2.8:基于过滤后的特征图进行opencv库自带的灰度化操作,再进行阈值滤波,即将大于第三阈值的值设置为0,得到所述分割伪标签;

S3:获取分割伪标签提供的缺陷位置先验;

S4:基于所述缺陷位置先验增强缺陷区域的特征值,得到增强图像,包括:S4.1:基于所述表面图像和所述缺陷位置先验,训练后的分割网络得到输出为2×H×W的矩阵;其中H×W为表面图像的尺寸,2表示输出有两层;

S4.2:将第1层输出减去第0层输出,得到一尺寸为H×W的矩阵;

S4.3:使用sigmoid函数对所述尺寸为H×W的矩阵进行映射,得到与其尺寸相同的缺陷特征强度矩阵;

S4.4:将所述缺陷特征强度矩阵与所述表面图像相乘,得到所述增强图像;

S5:将所述增强图像与分割网络的输出连接,得到全局特征,并将所述全局特征输入至分类网络,得到缺陷预测结果。

2.根据权利要求1所述的航空发动机叶片表面缺陷识别方法,其特征在于,S1中,使用ResNet18获取所述图像特征映射关系。

3.根据权利要求1所述的航空发动机叶片表面缺陷识别方法,其特征在于,S3中,所述获取分割伪标签提供的缺陷位置先验包括缺陷位置信息。

4.根据权利要求1所述的航空发动机叶片表面缺陷识别方法,其特征在于,所述分割网络包括输入层、卷积层以及输出层;所述输入层用于输入所述表面图像与所述缺陷位置先验;所述卷积层包括三个,三个所述卷积层分别具有不同大小的卷积核,三个所述卷积层用于提取不同尺寸的特征;提取的所述特征将发送至卷积核为1×1的输出层进行输出;训练分割网络的过程包括:步骤1:建立分割网络,构建训练集,所述训练集包括带有标注信息的航空叶片图像样本库;

步骤2:输入训练集图像,通过分割网络得到预测值;

步骤3:将预测值与标签通过损失函数计算损失;损失函数为交叉熵损失函数,公式为:;

其中,p(xi)为第i个样本的真实值,q(xi)为第i个样本的预测值,n表示样本的数量;

步骤4:将交叉熵损失进行反向传播,优化分割网络。

5.根据权利要求1所述的航空发动机叶片表面缺陷识别方法,其特征在于,S5中,所述将所述增强图像与分割网络的输出连接,得到全局特征,并将所述全局特征输入至分类网络,得到缺陷预测结果包括:S5.1:提取训练后的分割网络中第1层输出的最大值;

S5.2:使用argmax函数对训练后的分割网络输出的2×H×W的矩阵进行最大值查询,得到尺寸为H×W的分割图;在所述分割图中,有缺陷的像素的像素值为1,无缺陷的像素的像素值为0;

S5.3:采用求和函数对所述分割图中所有的值进行求和,得到第一数值;

S5.4:将所述第1层输出的最大值、所述第一数值与所述增强图像连接,得到全局特征,并将所述全局特征输入至所述分类网络,得到所述缺陷预测结果。

6.根据权利要求5所述的航空发动机叶片表面缺陷识别方法,其特征在于,所述分割网络包括全卷积神经网络;所述分类网络包括前馈神经网络。

7.根据权利要求6所述的航空发动机叶片表面缺陷识别方法,其特征在于,sigmoid函数的表达式为:;

其中,S(a)表示sigmoid函数,a为所述尺寸为H×W的矩阵中的元素。

8.一种航空发动机叶片表面缺陷识别系统,其特征在于,包括:获取模块,用于获取航空发动机涡轮叶片的表面图像以及图像特征映射关系;

伪标签生成模块,用于根据所述图像特征映射关系生成表面图像的分割伪标签,包括:S2.1:将获取的所述图像特征映射关系在第一维度相加,获得MF;

S2.2:对MF进行重新分布,计算公式为:

;

其中,MF表示相加后的图像特征映射关系,minMF表示MF的最小值;maxMF表示MF的最大值;

S2.3:对重新分布后的MF进行双线性插值,得到特征图;

S2.4:使用canny operator提取特征图的边缘信息;

S2.5:将提取的所述边缘信息沿横坐标相加,得到长度为表面图像宽度的一维数组;

S2.6:剔除所有像素值之和小于等于第一阈值的所述一维数组对应的边缘信息横坐标;

S2.7:对经过S2.6处理后的所述特征图进行过滤,使用掩码值“0”掩盖像素值大于第二阈值的像素,得到过滤后的特征图;

S2.8:基于过滤后的特征图进行opencv库自带的灰度化操作,再进行阈值滤波,即将大于第三阈值的值设置为0,得到所述分割伪标签;

缺陷先验挖掘模块,用于获取分割伪标签提供的缺陷位置先验;

缺陷增强感知模块,用于基于所述缺陷位置先验增强缺陷区域的特征值,得到增强图像,包括:S4.1:基于所述表面图像和所述缺陷位置先验,训练后的分割网络得到输出为2×H×W的矩阵;其中H×W为表面图像的尺寸,2表示输出有两层;

S4.2:将第1层输出减去第0层输出,得到一尺寸为H×W的矩阵;

S4.3:使用sigmoid函数对所述尺寸为H×W的矩阵进行映射,得到与其尺寸相同的缺陷特征强度矩阵;

S4.4:将所述缺陷特征强度矩阵与所述表面图像相乘,得到所述增强图像;

全局信息提取及分类预测模块,用于将所述增强图像与分割网络的输出连接,得到全局特征,并将所述全局特征输入至分类网络,得到缺陷预测结果。