[发明专利]一种基于渐进式分割网络的细微缺陷分析方法

说明书

本发明公开一种基于渐进式分割网络的细微缺陷分析方法，包括步骤：采集部件表面的原始图像，并将其裁剪为若干小块图像；将小块图像分别输入细微缺陷特征提取网络中提取图像特征；根据提取到的图像特征将小块图像分为缺陷图和不包含缺陷的背景图；对于缺陷图，将其提取到的图像特征输入缺陷分割网络中，以获取对应缺陷的分割掩膜图；根据分割掩膜图对缺陷进行定量分析，获取缺陷的面积、长度和宽度等信息。本发明通过设定合适的重叠阈值对原始图像进行重叠性分割，在保证缺陷完整性的同时提高缺陷检测的检测效率和检测精度，并通过深度神经网络首先对裁剪后的图像进行分类，然后仅对包含缺陷的图像做检测分析，进一步提高了缺陷检测的效率。

技术领域

本发明属于缺陷检测技术领域，具体涉及一种基于渐进式分割网络的细微缺陷分析方法。

背景技术

装备制造业是我国工业的核心组成部分，是我国国民经济的生命线，也是支撑起国家综合国力的重要基石。其中，航空、航天、航海(“三航”)的大型高端装备又是我国装备制造业的核心组成部分，其产品生产质量直接影响了最终的产品性能及市场竞争力。

在大型装备部件的生产和使用过程中，由于生产工艺和使用疲劳等因素，部件表面难以避免地会出现缺陷。基于对大量二维测量数据的分析，大型装备部件表面的缺陷往往具有类型多、形态复杂以及尺度跨度大的特定。对大型装备部件表面缺陷的精准检测和定量分析是装备质量保障的核心基础。目前工业生产实践中，主要采用人工方法定性检测。但基于人眼的视觉检测不仅无法实现定量测量，而且存在人工检测费时费力、漏检率高、效率低、可靠性差等问题，且人工目检对于细微缺陷存在严重的漏检，难以满足实际的质量需求。

发明内容

本发明针对现有技术中的不足，提供一种基于渐进式分割网络的细微缺陷分析方法，采用的技术方案如下：

一种基于渐进式分割网络的细微缺陷分析方法，包括以下步骤：

步骤S1、采集部件表面的原始图像，并将原始图像裁剪为具有一定大小的若干小块图像，用于后续对细微缺陷的检测分析任务；

步骤S2、将小块图像分别输入训练好的细微缺陷特征提取网络中提取图像特征；

步骤S3、根据提取到的图像特征将小块图像分为缺陷图和不包含缺陷的背景图；

步骤S4、对于缺陷图，将其通过细微缺陷特征提取网络提取到的图像特征输入训练好的缺陷分割网络中，以获取对应缺陷的分割掩膜图；

步骤S5、根据分割掩膜图对缺陷进行定量分析，获取对应缺陷的各类指标信息，所述指标信息包括缺陷的面积、长度和宽度。

进一步地，步骤S1中采用重叠性裁剪方式将原图像裁剪为小块图像，若小块图像的宽高分别为w和h，则相邻两个小块图像重叠区域的宽为w·op或高为h·op，其中op为重叠阈值。

进一步地，所述重叠阈值的计算公式为：

其中，Max(·)函数表示取最大值操作，W、H分别表示原始图像的长度和宽度，w_i、h_i分别表示某个缺陷样本的长度和宽度，δ是一个约束值，根据所有缺陷样本中缺陷目标的距离分布计算得出：

其中，(x_i,y_i)表示某个缺陷样本中以图像左上角为基准原点得到的缺陷目标的中心点坐标，N代表缺陷数据集中缺陷样本的总数。

进一步地，步骤S2中，所述细微缺陷特征提取网络包括残差单元模块和跨尺度特征融合模块，所有特征尺度下采样操作均由步长更大的卷积层完成，且跨尺度特征融合模块中使用三种卷积核大小不同的卷积层对残差单元模块的输出特征进行不同感受野大小的特征信息提取。