[发明专利]一种碳纤维复合材料数据集的深度学习分割方法

说明书

本发明提供了一种碳纤维复合材料数据集的深度学习分割方法，通过XCT断层扫描技术获取相关碳纤维复合材料的图像，构造模型的原数据集，然后通过参数化建模生成二维随机合成碳纤维图像，并将通过对抗学习风格迁移网络Pix2PixHD生成与真实结构相同的虚拟数据集，将原数据集与虚拟数据集作为一个混合数据集输入基于Swin‑Tranformer的语义分割网络，最终形成一个能精准分割碳纤维复合材料图像的语义分割网络。本方法解决了原数据集不足，人工标注困难的问题，能实现复合材料图像智能精准分割，节约了大量人工成本。

技术领域

本发明涉及图像处理技术领域，具体涉及一种碳纤维复合材料数据集的深度学习分割方法。

背景技术

碳纤维增强复合材料(CFRP)的性能不仅与组成材料的性能密切相关，而且与这些材料的形态密切相关。CFRP中的几何缺陷可以诱发对理想结构的实质性扰动，这将引发失效机制并损害强度和寿命。CFRP结构的精确三维表示，其中不同的材料相被分割和标记，有助于合理选择材料、制造工艺和操作参数。而XCT断层扫描技术已被应用于识别CFRP的特性，在以非破坏性的方式分析CFRP的内部结构和描述其形态学成分。XCT断层扫描的应用主要包含图像数据采集和数据分析。为了从图像中提取有用的信息，有必要在图像采集后对图像进行分析。这种详细分析的最关键的一步是确定二维图像上纱线的边界。

图像质量对定量分析具有同等重要性。图像质量限制了CFRP中可测量的不规则类型，以及基体材料的空间分布和基体孔隙度的测量程度。常见的情况是，当纱线相互接触时，自动提取单个经线或纬线十分困难，特别是在完全压实的CFRP中，这主要是由于关键成分之间的对比度低，噪声数据，以及碳基材料的低衰减率。由于高纹理和噪声图像，图像强度不能为CFRP的准确分割提供足够的信息，特别是不同方向的纱线(纬线、经线、粘合剂等)。

这种在自动分割上的困难现在可以通过神经网络来解决，很多人工智能图像处理算法被用于复合材料成像后图像信息的检测。如人工神经网络(ANN)、多层感知机(MLP)、循环神经网络(RNN)、支持向量机(SVM)等。但这些算法往往需要大量数据样本的支撑，但是往往数据集的分割困难而且过于耗时导致无法获得足够的数据集使得分割精度不足。

发明内容

为解决上述问题，本发明提出了一种碳纤维复合材料数据集的深度学习分割方法，该方法主要涉及对于XCT断层扫描技术获取的碳纤维增强复合材料图像的数据集扩充，并利用合成数据集构建一个具有良好效果的语义分割神经网络模型。

为实现上述目的，本发明提供了一种碳纤维复合材料数据集的深度学习分割方法，包括以下步骤：

步骤1、采用人工标注方法对随机选取的复材XCT检测图像进行手工分割，构建原始数据集；

步骤2、基于所述原始数据集进行参数化统计分析，并进行参数化随机建模，扩充数据集，构建混合数据集；

步骤3、基于所述混合数据集，构建Swin-Tranformer语义分割网络；

步骤4、基于所述Swin-Tranformer语义分割网络，生成CFRP完整语义分割图像作为最终结果。

优选的，所述步骤1具体包括：

步骤1.1、经XCT断层扫描，获得复合材料XCT图像；

步骤1.2、裁剪去除所述复合材料XCT图像外层的空气部分，每隔10帧取出一张图片；

步骤1.3、对所有取出的图片进行手工筛选并标注，获得原始数据集。

优选的，所述原始数据集中主要包括四类，分别为经纱、纬纱、树脂基以及孔隙。

优选的，所述步骤2具体包括：

步骤2.1、基于原始数据集细观结构特征，进行参数化统计分析；