[发明专利]基于特征提取和BP网络的工业CT图像缺陷分类方法

说明书

本发明公开一种基于特征提取和BP网络的工业CT图像缺陷分类方法，包括以下步骤：采集工业CT缺陷图像，采用Hu不变矩，提取工业CT缺陷图像的不变矩特征；提取工业CT缺陷图像的形态特征；提取工业CT缺陷图像的灰度特征；将工业CT缺陷图像的不变矩特征、形态特征与灰度特征构成特征向量；将待分类缺陷图像输入到经特征向量训练后的BP神经网络模型进行分类，实现分类目的。本发明采用缺陷自动识别可以实现缺陷的快速识别与分类，减少人员工作时间，避免人为因素对缺陷评定的失误，提高射线检测的质量及效率，对于工件的缺陷检测具有重要意义。

技术领域

本发明具体涉及一种基于特征提取和BP网络的工业CT图像缺陷分类方法，属于计算机视觉领域。

背景技术

工业CT图像缺陷自动识别是计算机视觉和工业CT缺陷识别的交叉领域，旨在把计算机视觉领域中一些方法引入到工业CT缺陷识别领域，结合具体的应用背景，提出方法的改进。工业CT技术是无损测量领域的常用手段。一般使用金属合金等材料铸造成型的产品中，因材料和工艺原因，常存在孔洞类、夹杂类和裂纹类等缺陷。

不变矩方法常使用图像特征提取和分类任务中。Hu不变矩是图像的一种统计特征，因其具有平移、旋转与比例不变性而被广泛应用于图像识别领域。Hu不变矩虽有计算速度快等优点，但在工业CT图像孔洞类、夹杂类和裂纹类等缺陷识别上准确率不高。有经验的技术人员在分析金属产品的工业CT二维切片图片的缺陷情况时，常根据缺陷的形态学特征和灰度值特征来判定缺陷的类别。比如，根据缺陷的形态学特征，可以准确高效地分辨裂纹类缺陷。因此，亟需把缺陷的形态学特征和灰度值特征引入工业CT图像缺陷分类中。

发明内容

为克服上述现有技术的缺点，本发明的目的在于提出一种基于特征提取和BP网络的工业CT图像缺陷分类方法，通过融合不变矩特征、形态特征和灰度特征的缺陷图像特征提取方法，结合BP神经网络模型对工业CT缺陷图像做自动分类识别。

为实现上述目的，本发明采用以下技术方案予以实现：

基于特征提取和BP网络的工业CT图像缺陷分类方法，包括以下步骤：

采集工业CT缺陷图像，采用Hu不变矩，提取工业CT缺陷图像的不变矩特征；

提取工业CT缺陷图像的形态特征；

提取工业CT缺陷图像的灰度特征；

将工业CT缺陷图像的不变矩特征、形态特征与灰度特征构成特征向量；

将待分类缺陷图像输入到经特征向量训练后的BP神经网络模型进行分类，实现分类目的。

本发明进一步的改进在于，工业CT缺陷图像形态特征包括周长、面积、长宽比和圆形度。

本发明进一步的改进在于，周长P通过下式计算：

式中，f(x,y)为缺陷像素点灰度值，R'为目标区域集合，x为图像像素点的横坐标，y为图像像素点的纵坐标。

本发明进一步的改进在于，面积A通过下式计算；

式中，M为图像的行数，N为图像的列数，x为图像像素点的横坐标，y为图像像素点的纵坐标，f(x,y)为缺陷像素点灰度值。

本发明进一步的改进在于，缺陷的长宽比Z通过下式计算：

式中，R为长轴，K为短轴。

本发明进一步的改进在于，圆形度e通过下式计算：

式中，P为周长，A为面积。