CN111145168A - 碳纤维复合材料缺陷的检测方法及系统、存储介质 - Google Patents

Abstract

本申请公开了碳纤维复合材料缺陷的检测方法及系统、存储介质，通过深度学习卷积神经网络的方式构建一种碳纤维复合材料缺陷的检测模型，提高自动化程度，保障各类产品检测数据的完整性、规范性、历史性，实现对产品质量检查的全生命周期管理。另外，存储的检验数据和结果为质量分析和提高制造质量提供有效参考。

Description

碳纤维复合材料缺陷的检测方法及系统、存储介质

技术领域

本申请涉及缺陷检测领域，具体涉及一种碳纤维复合材料缺陷的检测方法 及系统、存储介质。

背景技术

碳纤维复合材料是碳纤维增强碳基复合材料的简称。在密度、刚度、重量、 疲劳特性等有严格要求的领域，以及在要求高温、化学稳定性高的场合，碳纤 维复合材料都颇具优势。因此碳纤维复合材料在交通运输、宇航工业等方面得 到广泛的应用。虽然碳纤维复合材料作为一种新兴材料已经得到广泛的应用， 但是在生产过程中，由于工艺不稳定，夹杂、裂纹等缺陷无法完全避免，它的 横向承载与抗剪能力较低，在冲击或疲劳等载荷的作用下极易发生损伤直至破 坏。为保证复合材料的安全应用，复合材料的检测研究受到人们的广泛重视。 现有多种方法可以用于碳纤维复合材料的检测，主要有红外热波检测、超声检 测、渗透和层析检测、声发射检测及微波无损检测方法等，各种检测方法在其 适用的领域发挥着各自的优势。

军用碳纤维复合材料装备(导弹发动机尾管、收敛环)多用X射线检测法 进行无损检测。目前检验过程主要还是依赖于检验人员通过肉眼检测DR图像的 方法。检验人员依靠检测经验，辨识产品缺陷，判断零件是否合格。目前工业 DR图像缺陷检测主要以传统机器视觉方法为主，基本遵循着“手工设计特征+ 分类器”的思路，但也存在着复杂度高、鲁棒性不高、仅适用于特定的缺陷检 测等问题。总体而言，该领域内检验方法和系统智能化和自动化程度不高，导 致效率低、检测结果不精确等问题。

因此，本申请提出一种碳纤维复合材料缺陷的检测方法及系统、存储介质， 以解决上述问题。

发明内容

本申请实施例提供一种碳纤维复合材料缺陷的检测方法，包括：样本获取 步骤，获取多个碳纤维复合材料的DR图像训练样本；所述DR图像训练样本包 括两个以上训练样本及至少一个测试样本；每一所述DR图像训练样本具有碳纤 维复合材料的缺陷特征；样本预处理步骤，对所述DR图像训练样本进行图像滤 波降噪、图像增强及格式转化处理以获得标准化DR图像数据；数据模型构建步 骤，从所述标准化DR图像数据中提取缺陷特征，并根据所述训练样本的所述缺 陷特征构建初级数据模型；数据模型优化步骤，进行若干次从所述标准化DR 图像数据中提取缺陷特征，并根据所述训练样本的所述缺陷特征构建优化数据 模型；以及数据模型检测步骤，通过所述优化数据模型获取并检测所述测试样 本的碳纤维复合材料的缺陷特征，分割所述缺陷特征以及测量所述缺陷特征的 面积和周长。

在一些实施例中，所述样本获取步骤，包括以下步骤：照射步骤，对所述 多个碳纤维复合材料进行X光线照射；测量步骤，传感器感知测量所述X光线 穿透所述多个碳纤维复合材料后的强度；获取步骤，根据测量的强度获取所述 多个碳纤维复合材料的DR图像训练样本。

在一些实施例中，在样本预处理步骤中，所述图像滤波降噪处理包括中值 滤波处理，以DR图像任一像素点为中心，其周围一定邻域范围内的所有像素点 按顺序排列，以排序后的灰度中值来替代中心点像素值，依次以图像中的点为 中心进行处理。

在一些实施例中，在样本预处理步骤中，所述图像增强处理包括使用正弦 转换函数对DR图像表面进行非线性灰度变化的图像对比度增强处理，其灰度变 换公式为：

式中f(x,y)为DR图像中点(x,y) 变换前的灰度值，g(x,y)为点(x,y)变换后的灰度值，a与b分别为DR图像变换 前的最低灰度值与最高灰度值。

在一些实施例中，所述图像增强处理包括以下步骤：灰度化处理步骤，对 所述DR图像进行灰度化处理；赋值步骤，设置两个不同的灰度初始值a与b， 并对a与b分别赋值为所述DR图像的最低灰度值和最高灰度值；以及灰度变化 步骤，将a与b带入所述灰度变化公式，对所述DR图像进行非线性灰度变化。

在一些实施例中，在数据模型检测步骤中，包括以下步骤：定位步骤，使 用所述优化数据模型定位出所述DR图像缺陷的定界框；重建步骤，重建所述定 界框区域并进行变换处理；以及分割步骤，分割重建后的定界框区域，并测量 分割后的缺陷的面积及周长。

在一些实施例中，所述重建步骤包括以下步骤：腐蚀运算步骤，将所述定 界框的图像记为g(x,y)，选定结构元素S对g(x,y)做腐蚀运算，得到腐蚀结果记 为f(x,y)；开重建运算步骤，用g(x,y)对f(x,y)进行开重建运算；膨胀运算步骤， 用结构元素S对重建后的图像进行膨胀运算并取反，得到的图像记为f'(x,y)； 取反运算步骤，对重建后的图像进行取反运算，得到新的图像记为g'(x,y)；以 及闭重建运算，用g'(x,y)对f'(x,y)进行开重建运算。

在一些实施例中，所述分割步骤包括以下步骤：变换步骤，对重建后的定 界框区域采用双阈值发进行变换以得到二值化图像；分类分割步骤，对不同缺 陷特征的定界框区域采用不同的分割方式；以及提取步骤，提取分割后的所述 二值化图像的边界。

本申请实施例提供一种碳纤维复合材料缺陷的检测系统，包括：样本获取 模块，用于获取多个碳纤维复合材料的DR图像训练样本；所述DR图像训练样 本包括两个以上训练样本及至少一个测试样本；每一所述DR图像训练样本具有 碳纤维复合材料的缺陷特征；样本预处理模块，用于对所述DR图像训练样本进 行图像滤波降噪、图像增强及格式转化处理以获得标准化DR图像数据；数据模 型构建模块，用于从所述标准化DR图像数据中提取缺陷特征，并根据所述训练 样本的所述缺陷特征构建初级数据模型；数据模型优化模块，用于进行若干次 从所述标准化DR图像数据中提取缺陷特征，并根据所述训练样本的所述缺陷特 征构建优化数据模型；以及数据模型检测模块，用于通过所述优化数据模型获 取并检测所述测试样本的碳纤维复合材料的缺陷特征，分割所述缺陷特征以及 测量所述缺陷特征的面积和周长。

本申请实施例提供一种存储介质，所述存储介质中存储有多条指令，所述 指令适于由处理器加载以执行上述的碳纤维复合材料缺陷的检测方法。

本申请实施例提供的碳纤维复合材料缺陷的检测方法及系统、存储介质， 通过深度学习卷积神经网络的方式构建一种碳纤维复合材料缺陷的检测模型， 提高自动化程度，保障各类产品检测数据的完整性、规范性、历史性，实现对 产品质量检查的全生命周期管理。另外，存储的检验数据和结果为质量分析和 提高制造质量提供有效参考。

附图说明

下面结合附图，通过对本申请的具体实施方式详细描述，将使本申请的技 术方案及其它有益效果显而易见。

图1为本申请实施例提供的碳纤维复合材料缺陷的检测方法的步骤流程示 意图。

图2为图1提供的样本获取步骤的流程示意图。

图3为本申请实施例提供的图像增强处理的步骤流程示意图。

图4为图1提供的数据模型检测步骤的流程示意图。

图5为图4提供的重建步骤的流程示意图。

图6为图4提供的分割步骤的流程示意图。

图7为本申请实施例提供的碳纤维复合材料缺陷的检测系统的结构示意 图。

图8为本申请实施例提供的终端设备的结构示意图。

图9为本申请实施例提供的碳纤维复合材料辅助缺陷检测系统。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清 楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是 全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳 动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的说明书和权利要求书以及上述附图中的术语“第一”、“第二”、 “第三”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序 或先后次序。应当理解，这样描述的对象在适当情况下可以互换。此外，术语 “包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。

在具体实施方式中，下文论述的附图以及用来描述本发明公开的原理的各 实施例仅用于说明，而不应解释为限制本发明公开的范围。所属领域的技术人 员将理解，本发明的原理可在任何适当布置的系统中实施。将详细说明示例性 实施方式，在附图中示出了这些实施方式的实例。此外，将参考附图详细描述 根据示例性实施例的终端。附图中的相同附图标号指代相同的元件。

本具体实施方式中使用的术语仅用来描述特定实施方式，而并不意图显示 本发明的概念。除非上下文中有明确不同的意义，否则，以单数形式使用的表 达涵盖复数形式的表达。在本发明说明书中，应理解，诸如“包括”、“具有” 以及“含有”等术语意图说明存在本发明说明书中揭示的特征、数字、步骤、 动作或其组合的可能性，而并不意图排除可存在或可添加一个或多个其他特征、 数字、步骤、动作或其组合的可能性。附图中的相同参考标号指代相同部分。

参阅图1，本实施例提供一种碳纤维复合材料缺陷的检测方法，包括步骤 S11-S15。

样本获取步骤S11，获取多个碳纤维复合材料的DR图像训练样本；所述DR 图像训练样本包括两个以上训练样本及至少一个测试样本；每一所述DR图像训 练样本具有碳纤维复合材料的缺陷特征。在本实施例中，缺陷特征包括夹杂、 裂纹、疏松和分层中的至少一种。

结合图2，样本获取步骤S11包括步骤S21-S23。

照射步骤S21，对所述多个碳纤维复合材料进行X光线照射。在本实施例 中，将碳纤维复合材料放置在旋转平台上旋转，并用射线源发射X光线对碳纤 维复合材料进行照射。

测量步骤S22，测量所述X光线穿透所述多个碳纤维复合材料后的强度。 在本实施例中，通过探测器的X光线传感器测量X光线穿透碳纤维复合材料后 的强度以获得X光线的强度数据。

获取步骤S23，根据测量的强度获取所述多个碳纤维复合材料的DR图像训 练样本。在本实施例中，通过获得的X光线的强度数据在计算机系统中形成DCM 格式的影像文件。其中DCM文件是一种医疗影像中常用的特殊图像文件，是遵 循DICOM标准的一种文件。DCM文件经过处理，可以提取检测过程中检验人员、 时间等信息以及检测图像信息，并能将图像信息转换为DR图像。同时DR图像 与其他相关信息以规范化的结构存入数据库管理系统，实现对应的关系。

继续参阅图1，样本预处理步骤S12，对所述DR图像训练样本进行图像滤 波降噪、图像增强及格式转化处理以获得标准化DR图像数据。在本实施例中， 所述图像滤波降噪处理包括中值滤波处理，以DR图像任一像素点为中心，其周 围一定邻域范围内的所有像素点按顺序排列，以排序后的灰度中值来替代中心 点像素值，依次以图像中的点为中心进行处理。若R为图像中像素点(x₀,y₀)的 领域集合，(x,y)表示R中的元素点，f(x,y)表示点(x,y)的灰度值，T表示集合 R中元素的个数(T为奇数)，Sort表示排序，则对(x₀,y₀)进行中值滤波为

例如本实施例选择的是3*3模板，即对周围八个像素 点的灰度值进行排序，选择排序后位于中间的灰度值作为点(x,y)处的灰度值。

结合图3，图像增强处理包括步骤S31-S33。其中，图像增强是利用一系列 方法根据特定的需求来凸显图像中有用信息的特征，削弱无关信息的特征，能 够起到改善图像质量、丰富图像信息和加强图像识别效果的作用。本实施例利 用正弦转换函数对DR表面图像进行非线性灰度变换的图像对比度增强处理，加 大缺陷区域与基材区域的灰度差异。所述图像增强处理包括使用正弦转换函数 对DR图像表面进行非线性灰度变化的图像对比度增强处理，其灰度变换公式 为：

式中f(x,y)为DR图像中点(x,y)变换 前的灰度值，g(x,y)为点(x,y)变换后的灰度值，a与b分别为DR图像变换前的 最低灰度值与最高灰度值。

灰度化处理步骤S31，对所述DR图像进行灰度化处理。

赋值步骤S32，设置两个不同的灰度初始值a与b，并对a与b分别赋值为 所述DR图像的最低灰度值和最高灰度值。

灰度变化步骤S33，将a与b带入所述灰度变化公式，对所述DR图像进行 非线性灰度变化。

通过格式转化处理以获得标准化DR图像数据。在本实施例中，将DR图像 转化为COCO格式的标准化DR图像数据，并借助于标注软件Labelme进行缺陷 特征的标注。

继续参阅图1，数据模型构建步骤S13，从所述标准化DR图像数据中提取 缺陷特征，并根据所述训练样本的所述缺陷特征构建初级数据模型。在本实施 例中，通过卷积神经网络(Mask R-CNN)进行缺陷特征的提取。

结合图4，数据模型检测步骤S13包括步骤S41-S43。

定位步骤S41，使用所述优化数据模型定位出所述DR图像缺陷的定界框。 在本实施例中，通过Mask R-CNN提取的缺陷特征进行缺陷特征的定位，并定位 出所述DR图像缺陷的定界框。

重建步骤S42，重建所述定界框区域并进行变换处理。在本实施例中，对 提取出的缺陷区域进行形态学重建，选择半径为1的圆形结构元

结合图5，重建步骤S42包括步骤S51-S55。

腐蚀运算步骤S51，将所述定界框的图像记为g(x,y)，选定结构元素S对 g(x,y)做腐蚀运算，得到腐蚀结果记为f(x,y)。

开重建运算步骤S52，用g(x,y)对f(x,y)进行开重建运算。

膨胀运算步骤S53，用结构元素S对重建后的图像进行膨胀运算并取反， 得到的图像记为f'(x,y)。

取反运算步骤S54，对重建后的图像进行取反运算，得到新的图像记为 g'(x,y)。

闭重建运算S55，用g'(x,y)对f'(x,y)进行开重建运算。

分割步骤S43，分割重建后的定界框区域，并测量分割后的缺陷的面积及 周长。在本实施例中，由于上一步的缺陷区域虽能达到像素级分割，但与实际 缺陷区域还是有偏差，不能达到精准分割，因此需要进行再次重建定界框并分 割。

结合图6，分割步骤S43包括步骤S61-S63。

变换步骤S61，对重建后的定界框区域采用双阈值发进行变换以得到二值 化图像。在本实施例中，由于缺陷边缘存在灰度过渡区，不是严格的阶跃边缘， 经过形态学重建后可以弱化灰度过渡区域，然后用Otsu双阈值法对形态学重建 后的缺陷区域再进行变换得到二值化图像。

分类分割步骤S62，对不同缺陷特征的定界框区域采用不同的分割方式。 在本实施例中，由于裂纹和疏松的灰度分布与夹杂的灰度分布相反，不能采用 相同的操作进行处理，否则无法正常分割出目标。对此这里采用分步操作，如 果该缺陷区域在识别的时候判断为夹杂，对区域进行取反操作实现分割，如果 不是夹杂，则用最大熵阈值法进行分割。

提取步骤S63，提取分割后的所述二值化图像的边界。在本实施例中，提 取分割后的所述二值化图像的边界后，在原图中显示。

数据模型优化步骤S14进行若干次从所述标准化DR图像数据中提取缺陷特 征，并根据所述训练样本的所述缺陷特征构建优化数据模型；以及

数据模型检测步骤S15通过所述优化数据模型获取并检测所述测试样本的 碳纤维复合材料的缺陷特征，分割所述缺陷特征以及测量所述缺陷特征的面积 和周长。

参阅图7，本实施例提供一种碳纤维复合材料缺陷的检测系统，包括样本 获取模块11、样本预处理模块12、数据模型构建模块13、数据模型优化模块 14以及数据模型检测模块15.

样本获取模块11用于获取多个碳纤维复合材料的DR图像训练样本；所述 DR图像训练样本包括两个以上训练样本及至少一个测试样本；每一所述DR图 像训练样本具有碳纤维复合材料的缺陷特征。在本实施例中，缺陷特征包括夹 杂、裂纹、疏松和分层中的至少一种。

样本获取模块11包括照射模块、测量模块以及获取模块。

照射模块用于对所述多个碳纤维复合材料进行X光线照射。在本实施例中， 将碳纤维复合材料放置在旋转平台上旋转，并用射线源发射X光线对碳纤维复 合材料进行照射。

测量模块用于测量所述X光线穿透所述多个碳纤维复合材料后的强度。在 本实施例中，通过探测器的X光线传感器测量X光线穿透碳纤维复合材料后的 强度以获得X光线的强度数据。

获取模块用于根据测量的强度获取所述多个碳纤维复合材料的DR图像训 练样本。在本实施例中，通过获得的X光线的强度数据在计算机系统中形成DCM 格式的影像文件。其中DCM文件是一种医疗影像中常用的特殊图像文件，是遵 循DICOM标准的一种文件。DCM文件经过处理，可以提取检测过程中检验人员、 时间等信息以及检测图像信息，并能将图像信息转换为DR图像。同时DR图像 与其他相关信息以规范化的结构存入数据库管理系统，实现对应的关系。

样本预处理模块12用于对所述DR图像训练样本进行图像滤波降噪、图像 增强及格式转化处理以获得标准化DR图像数据。

在本实施例中，所述图像滤波降噪处理包括中值滤波处理，以DR图像任一 像素点为中心，其周围一定邻域范围内的所有像素点按顺序排列，以排序后的 灰度中值来替代中心点像素值，依次以图像中的点为中心进行处理。若R为图 像中像素点(x₀,y₀)的领域集合，(x,y)表示R中的元素点，f(x,y)表示点(x,y)的 灰度值，T表示集合R中元素的个数(T为奇数)，Sort表示排序，则对(x₀,y₀) 进行中值滤波为

例如本实施例选择的是3*3模板，即 对周围八个像素点的灰度值进行排序，选择排序后位于中间的灰度值作为点 (x,y)处的灰度值。

其中，图像增强是利用一系列方法根据特定的需求来凸显图像中有用信息 的特征，削弱无关信息的特征，能够起到改善图像质量、丰富图像信息和加强 图像识别效果的作用。本实施例利用正弦转换函数对DR表面图像进行非线性灰 度变换的图像对比度增强处理，加大缺陷区域与基材区域的灰度差异。所述图 像增强处理包括使用正弦转换函数对DR图像表面进行非线性灰度变化的图像 对比度增强处理，其灰度变换公式为：

式中f(x,y)为DR图像中点(x,y)变换前的灰度值，g(x,y)为点(x,y)变换后的灰度 值，a与b分别为DR图像变换前的最低灰度值与最高灰度值。其具体步骤为对 所述DR图像进行灰度化处理；设置两个不同的灰度初始值a与b，并对a与b分 别赋值为所述DR图像的最低灰度值和最高灰度值；将a与b带入所述灰度变化 公式，对所述DR图像进行非线性灰度变化。

通过格式转化处理以获得标准化DR图像数据。在本实施例中，将DR图像 转化为COCO格式的标准化DR图像数据，并借助于标注软件Labelme进行缺陷 特征的标注

数据模型构建模块13用于从所述标准化DR图像数据中提取缺陷特征，并 根据所述训练样本的所述缺陷特征构建初级数据模型。在本实施例中，通过卷 积神经网络(MaskR-CNN)进行缺陷特征的提取。

数据模型构建模块13包括定位模块、重建模块以及分割模块。

定位模块用于使用所述优化数据模型定位出所述DR图像缺陷的定界框。在 本实施例中，通过Mask R-CNN提取的缺陷特征进行缺陷特征的定位，并定位出 所述DR图像缺陷的定界框。

重建模块用于重建所述定界框区域并进行变换处理。在本实施例中，对提 取出的缺陷区域进行形态学重建，选择半径为1的圆形结构元，具体通过以下 步骤实现。

1、将所述定界框的图像记为g(x,y)，选定结构元素S对g(x,y)做腐蚀运算， 得到腐蚀结果记为f(x,y)。

2、用g(x,y)对f(x,y)进行开重建运算。

3、用结构元素S对重建后的图像进行膨胀运算并取反，得到的图像记为 f'(x,y)。

4、对重建后的图像进行取反运算，得到新的图像记为g'(x,y)。

5、用g'(x,y)对f'(x,y)进行开重建运算。

分割模块用于分割重建后的定界框区域，并测量分割后的缺陷的面积及周 长。在本实施例中，由于上一步的缺陷区域虽能达到像素级分割，但与实际缺 陷区域还是有偏差，不能达到精准分割，因此需要进行再次重建定界框并分割。

数据模型优化模块14用于进行若干次从所述标准化DR图像数据中提取缺 陷特征，并根据所述训练样本的所述缺陷特征构建优化数据模型。

数据模型检测模块15用于通过所述优化数据模型获取并检测所述测试样 本的碳纤维复合材料的缺陷特征，分割所述缺陷特征以及测量所述缺陷特征的 面积和周长。

参阅图8，本发明实施例还提供一种终端设备200，该终端设备200可以是 电脑等设备。如图8所示，终端设备200包括处理器201、存储器202。其中， 处理器201与存储器202电性连接。

处理器201是终端设备200的控制中心，利用各种接口和线路连接整个终 端设备的各个部分，通过运行或加载存储在存储器202内的应用程序，以及调 用存储在存储器202内的数据，执行终端设备的各种功能和处理数据，从而对 终端设备进行整体监控。

在本实施例中，该终端设备200设有多个存储分区，该多个存储分区包括 系统分区和目标分区，终端设备200中的处理器201会按照如下的步骤，将一 个或一个以上的应用程序的进程对应的指令加载到存储器202中，并由处理器 201来运行存储在存储器202中的应用程序，从而实现各种功能：

样本获取步骤，获取多个碳纤维复合材料的DR图像训练样本；所述DR图 像训练样本包括两个以上训练样本及至少一个测试样本；每一所述DR图像训练 样本具有碳纤维复合材料的缺陷特征；

样本预处理步骤，对所述DR图像训练样本进行图像滤波降噪、图像增强及 格式转化处理以获得标准化DR图像数据；

数据模型构建步骤，从所述标准化DR图像数据中提取缺陷特征，并根据所 述训练样本的所述缺陷特征构建初级数据模型；

数据模型优化步骤，进行若干次从所述标准化DR图像数据中提取缺陷特 征，并根据所述训练样本的所述缺陷特征构建优化数据模型；以及

数据模型检测步骤，通过所述优化数据模型获取并检测所述测试样本的碳 纤维复合材料的缺陷特征，分割所述缺陷特征以及测量所述缺陷特征的面积和 周长。

具体实施时，以上各个模块可以作为独立的实体来实现，也可以进行任意 组合，作为同一或若干个实体来实现，以上各个模块的具体实施可参见前面的 方法实施例，在此不再赘述。

本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步 骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储 于一计算机可读的存储介质中，并由处理器进行加载和执行。为此，本发明实 施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载， 以执行本发明实施例所提供的任一种碳纤维复合材料缺陷的检测方法中的步 骤。

其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随 机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。

由于该存储介质中所存储的指令，可以执行本发明实施例所提供的任一种 碳纤维复合材料缺陷的检测方法中的步骤，因此，可以实现本发明实施例所提 供的任一种碳纤维复合材料缺陷的检测方法所能实现的有益效果，详见前面的 实施例，在此不再赘述。以上各个操作的具体实施可参见前面的实施例，在此 不再赘述。

参阅图9，本实施例开发了一个可以辅助检验人员进行碳纤维复合材料DR 图像缺陷检测的碳纤维复合材料辅助缺陷检测系统。该系统通过PyQt(创建GUI 应用程序的工具包)，OpenCV(计算机视觉库)，MySQL(数据库管理软件)以 及DBMS(数据库管理系统)集成视觉算法，图像数据存储与一体，形成碳纤维 复合材料缺陷检测大数据信息及其图像智能处理技术平台。系统能完成历史记 录查询、检测结果更正、上传检测结果、处理图像等功能。该系统的主要功能 包括：(1)用户登录判断；(2)录入检测信息；(3)历史检测记录查询；(4)图像预处理；(5)智能识别检测；(6)更正检测结果；(7)检测结果上传； (8)简单的产品质量分析统计。整个检测系统可以剖析为三个子系统：(1) 用户管理子系统：主要涉及登录、注销以及修改信息等。(2)数据管理子系统： 主要涉及DR图像、检验过程图像以及检测结果等内容。(3)用户交互子系统： 主要实现了本软件的图像处理以及给出初步智能检测结果等的基础功能。

本实施例提供的碳纤维复合材料缺陷的检测方法及系统、存储介质，通过 深度学习卷积神经网络的方式构建一种碳纤维复合材料缺陷的检测模型，提高 自动化程度，保障各类产品检测数据的完整性、规范性、历史性，实现对产品 质量检查的全生命周期管理。另外，存储的检验数据和结果为质量分析和提高 制造质量提供有效参考。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详 述的部分，可以参见其他实施例的相关描述。

以上对本申请实施例所提供的一种电子装置进行了详细介绍，本文中应用 了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用 于帮助理解本申请的技术方案及其核心思想；本领域的普通技术人员应当理解： 其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术 特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本 申请各实施例的技术方案的范围。

Claims (10)

1.一种碳纤维复合材料缺陷的检测方法，其特征在于，包括：

样本获取步骤，获取多个碳纤维复合材料的DR图像训练样本；所述DR图像训练样本包括两个以上训练样本及至少一个测试样本；每一所述DR图像训练样本具有碳纤维复合材料的缺陷特征；

样本预处理步骤，对所述DR图像训练样本进行图像滤波降噪、图像增强及格式转化处理以获得标准化DR图像数据；

数据模型构建步骤，从所述标准化DR图像数据中提取缺陷特征，并根据所述训练样本的所述缺陷特征构建初级数据模型；

数据模型优化步骤，进行若干次从所述标准化DR图像数据中提取缺陷特征，并根据所述训练样本的所述缺陷特征构建优化数据模型；以及

数据模型检测步骤，通过所述优化数据模型获取并检测所述测试样本的碳纤维复合材料的缺陷特征，分割所述缺陷特征以及测量所述缺陷特征的面积和周长。

2.如权利要求1所述的检测方法，其特征在于，所述样本获取步骤，包括以下步骤：

照射步骤，对所述多个碳纤维复合材料进行X光线照射；

测量步骤，传感器感知测量所述X光线穿透所述多个碳纤维复合材料后的强度；

获取步骤，根据测量的强度获取所述多个碳纤维复合材料的DR图像训练样本。

3.如权利要求1所述的检测方法，其特征在于，在样本预处理步骤中，

所述图像滤波降噪处理包括中值滤波处理，以DR图像任一像素点为中心，其周围一定邻域范围内的所有像素点按顺序排列，以排序后的灰度中值来替代中心点像素值，依次以图像中的点为中心进行处理。

4.如权利要求1所述的检测方法，其特征在于，在样本预处理步骤中，

所述图像增强处理包括使用正弦转换函数对DR图像表面进行非线性灰度变化的图像对比度增强处理，其灰度变换公式为：

式中f(x,y)为DR图像中点(x,y)变换前的灰度值，g(x,y)为点(x,y)变换后的灰度值，a与b分别为DR图像变换前的最低灰度值与最高灰度值。

5.如权利要求4所述的检测方法，其特征在于，所述图像增强处理包括以下步骤：

灰度化处理步骤，对所述DR图像进行灰度化处理；

赋值步骤，设置两个不同的灰度初始值a与b，并对a与b分别赋值为所述DR图像的最低灰度值和最高灰度值；以及

灰度变化步骤，将a与b带入所述灰度变化公式，对所述DR图像进行非线性灰度变化。

6.如权利要求1所述的检测方法，其特征在于，在数据模型检测步骤中，包括以下步骤：

定位步骤，使用所述优化数据模型定位出所述DR图像缺陷的定界框；

重建步骤，重建所述定界框区域并进行变换处理；以及

分割步骤，分割重建后的定界框区域，并测量分割后的缺陷的面积及周长。

7.如权利要求6所述的检测方法，其特征在于，所述重建步骤包括以下步骤：

腐蚀运算步骤，将所述定界框的图像记为g(x,y)，选定结构元素S对g(x,y)做腐蚀运算，得到腐蚀结果记为f(x,y)；

开重建运算步骤，用g(x,y)对f(x,y)进行开重建运算；

膨胀运算步骤，用结构元素S对重建后的图像进行膨胀运算并取反，得到的图像记为f'(x,y)；

取反运算步骤，对重建后的图像进行取反运算，得到新的图像记为g'(x,y)；以及

闭重建运算，用g'(x,y)对f'(x,y)进行开重建运算。

8.如权利要求6所述的检测方法，其特征在于，所述分割步骤包括以下步骤：

变换步骤，对重建后的定界框区域采用双阈值发进行变换以得到二值化图像；

分类分割步骤，对不同缺陷特征的定界框区域采用不同的分割方式；以及

提取步骤，提取分割后的所述二值化图像的边界。

9.一种碳纤维复合材料缺陷的检测系统，其特征在于，包括：

样本获取模块，用于获取多个碳纤维复合材料的DR图像训练样本；所述DR图像训练样本包括两个以上训练样本及至少一个测试样本；每一所述DR图像训练样本具有碳纤维复合材料的缺陷特征；

样本预处理模块，用于对所述DR图像训练样本进行图像滤波降噪、图像增强及格式转化处理以获得标准化DR图像数据；

数据模型构建模块，用于从所述标准化DR图像数据中提取缺陷特征，并根据所述训练样本的所述缺陷特征构建初级数据模型；

数据模型优化模块，用于进行若干次从所述标准化DR图像数据中提取缺陷特征，并根据所述训练样本的所述缺陷特征构建优化数据模型；以及

数据模型检测模块，用于通过所述优化数据模型获取并检测所述测试样本的碳纤维复合材料的缺陷特征，分割所述缺陷特征以及测量所述缺陷特征的面积和周长。

10.一种存储介质，其特征在于，所述存储介质中存储有多条指令，所述指令适于由处理器加载以执行权利要求1至8任一项所述的碳纤维复合材料缺陷的检测方法。

Images