(19)国家知识产权局
(12)发明 专利申请
(10)申请公布号
(43)申请公布日
(21)申请 号 20221095424 4.8
(22)申请日 2022.08.10
(71)申请人 中国钢研科技 集团有限公司
地址 100089 北京市海淀区学院南路76号
(72)发明人 侯雅青 王炫东 李发发 张浩
何亚洲 孔豪豪
(74)专利代理 机构 北京细软智谷知识产权代理
有限责任公司 1 1471
专利代理师 刘晓丹
(51)Int.Cl.
G06T 7/00(2017.01)
G06T 7/11(2017.01)
G06T 7/187(2017.01)
G06T 7/194(2017.01)
G06T 7/62(2017.01)G06V 10/26(2022.01)
G06V 10/44(2022.01)
G06V 10/764(2022.01)
G06V 10/80(2022.01)
G06V 10/82(2022.01)
G06N 3/04(2006.01)
G06N 3/08(2006.01)
(54)发明名称
基于图像识别的微观 缺陷处理方法、 装置及
计算机设备
(57)摘要
本发明涉及一种基于图像识别的微观缺陷
处理方法、 装置及计算机设备, 所述方法包括获
取输入图像, 对输入图像进行预处理, 得到待识
别图像, 利用训练好的深度学习模 型对待识别图
像进行分割识别, 输出识别结果, 根据识别结果
的确定缺陷类型, 根据缺陷类型对识别结果进行
后处理与统计, 其中, 深度学习模型基于解码器 ‑
编码器网络结构构建, 编码器与解码器以拼接的
方式将两者中相同尺寸的特征图进行融合。 本发
明通过训练好的深度学习模型对激光原位合金
化样品的图像进行识别, 在识别缺陷类型后, 针
对缺陷类型进行相应处理与统计, 本申请将传统
数字图像处理方法与 深度学习方法相结合, 用于
缺陷的高效标记和集成识别与统计, 识别精度
高, 实现方式更简单。
权利要求书2页 说明书10页 附图3页
CN 115311235 A
2022.11.08
CN 115311235 A
1.一种基于图像识别的微观缺陷处 理方法, 其特 征在于, 包括:
获取输入图像, 对所述输入图像进行 预处理, 得到待识别图像;
利用训练好的深度学习模型对所述待识别图像进行分割识别, 输出识别结果;
根据所述识别结果确定缺陷类型, 根据所述 缺陷类型对识别结果进行后处 理与统计;
其中, 所述深度 学习模型基于解码器 ‑编码器网络结构构建, 所述编码器与解码器以拼
接的方式将两者中相同尺寸的特 征图进行融合。
2.根据权利要求1所述的方法, 其特征在于, 所述对所述输入图像进行预处理, 得到待
识别图像, 包括:
对所述输入图像进行 灰度转换, 得到灰度图像;
对所述灰度图像进行 标尺识别, 以确定目标真实长度与像素 数量之间的关系;
读取所述灰度图像的缺陷区域, 将所述缺陷区域以外的区域确定为背景区域, 删除所
述背景区域中的背景并填充标准 化背景。
3.根据权利要求1或2所述的方法, 其特 征在于, 所述深度学习模型的训练方法, 包括:
基于不同批次、 不同成分的制造样品的金相原始照片生成数据集; 其中, 每张原始照片
中均包括 一个以上的缺陷类型;
对所述数据集中的原 始照片进行 标记, 得到标记照片;
基于所述原始照片和标记照片进行扩充操作, 生成样本集, 将所述样本集划分为训练
集和测试集;
采用训练集对神经网络模型进行迭代训练, 并在训练过程中每轮训练结束后使用测试
集进行一次测试并给出测试集识别准确率, 训练结束后选择测试集识别准确率最高时的模
型参数作为深度学习模型的模型参数, 输出深度学习模型。
4.根据权利要求3所述的方法, 其特征在于, 所述采用训练集对神经网络模型进行迭代
训练, 包括:
编码器对训练集中的输入图像进行纹 理特征提取, 得到特 征图;
解码器将所述特 征图还原为原来的分辨 率;
以拼接的方式将编码器与解码器中相同尺寸的特 征图进行融合, 得到融合结果;
迭代训练调整模型中卷积层各 卷积核的权 重, 得到深度学习模型。
5.根据权利要求2所述的方法, 其特征在于, 所述利用训练好的深度学习 模型对所述待
识别图像进行分割识别, 输出识别结果, 包括:
对待识别图像进行裁 剪, 得到第一预设尺寸的图片;
对所述第一预设尺寸的图片进行识别, 将识别结果裁 剪为第二预设尺寸;
将具有第二预设尺寸的识别结果进行融合, 将融合结果作为 最终识别结果;
其中, 所述第二预设尺寸小于第一预设尺寸。
6.根据权利要求5所述的方法, 其特征在于, 所述识别结果包括不同类型的缺陷; 所述
根据所述识别结果确定缺陷类型, 根据所述 缺陷类型对识别结果进行后处 理, 包括:
对识别结果进行缺陷类型统计; 所述 缺陷类型包括裂纹、 孔洞与未 熔区域;
对不同的缺陷类型进行相应的后处 理, 具体包括:
对于裂纹的识别结果, 删除小对象以减少干扰;
对于孔洞、 未熔区域的识别结果, 进行直径预设像素的圆形区域开运算, 即先腐蚀后膨权 利 要 求 书 1/2 页
2
CN 115311235 A
2胀, 将未连通的识别区域进行 连接, 再进行泛洪填充操作。
7.根据权利要求6所述的方法, 其特 征在于, 所述对识别结果进行缺陷类型统计, 包括:
对于裂纹缺陷, 统计识别为裂纹的像素点占比, 其结果作为裂纹缺陷占比;
对于孔洞与未熔区域缺陷, 统计识别为孔洞或未熔区域的像素点占比, 其结果作为孔
洞或未熔区域缺陷占比; 同时, 统计识别结果中每一个连通区域作为一个单独的缺陷, 计算
该缺陷所包含的像素点数量作为该缺陷的面积, 再根据对输入图像进 行预处理时读取的标
尺信息由像素面积转换为真实面积, 计算约化 直径; 最终将上述识别统计信息汇总。
8.根据权利要求7 所述的方法, 其特 征在于,
所述识别结果的统计信息包括: 裂纹缺陷占比、 孔洞缺陷占比、 未熔区域缺陷占比、 孔
洞缺陷数量与平均直径、 未 熔区域缺陷数量与平均直径。
9.一种基于图像识别的微观缺陷处 理装置, 其特 征在于, 包括:
获取模块, 用于获取输入图像, 对所述输入图像进行 预处理, 得到待识别图像;
识别模块, 用于利用训练好的深度学习模型对所述待识别图像进行分割识别, 输出识
别结果;
处理模块, 用于根据所述识别结果确定缺陷类型, 根据所述缺陷类型对识别结果进行
后处理与统计;
其中, 所述深度 学习模型基于解码器 ‑编码器网络结构构建, 所述编码器与解码器以拼
接的方式将两者中相同尺寸的特 征图进行融合。
10.一种计算机设备, 其特征在于, 包括: 存储器和处理器, 所述存储器存储有计算机程
序, 所述计算机程序被所述处理器执行时, 使得所述处理器执行所述权利要求1至8任一项
所述方法的步骤。权 利 要 求 书 2/2 页
3
CN 115311235 A
3
专利 基于图像识别的微观缺陷处理方法、装置及计算机设备
安全报告 >
其他 >
文档预览
中文文档
16 页
50 下载
1000 浏览
0 评论
309 收藏
3.0分
温馨提示:本文档共16页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
本文档由 人生无常 于 2024-03-18 04:41:12上传分享