CN116429800A - 一种用于铝合金叶轮的无触式探伤方法及其系统 - Google Patents

一种用于铝合金叶轮的无触式探伤方法及其系统 Download PDF

Info

Publication number
CN116429800A
CN116429800A CN202310709085.XA CN202310709085A CN116429800A CN 116429800 A CN116429800 A CN 116429800A CN 202310709085 A CN202310709085 A CN 202310709085A CN 116429800 A CN116429800 A CN 116429800A
Authority
CN
China
Prior art keywords
feature map
feature
ray detection
image
global
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310709085.XA
Other languages
English (en)
Other versions
CN116429800B (zh
Inventor
陈世春
彭鸣期
江斌
江祉衡
张一帆
许豪杰
张健
林薇
张宝华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yingpu Luosi Impeller Yixing Co ltd
Original Assignee
Yingpu Luosi Impeller Yixing Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yingpu Luosi Impeller Yixing Co ltd filed Critical Yingpu Luosi Impeller Yixing Co ltd
Priority to CN202310709085.XA priority Critical patent/CN116429800B/zh
Publication of CN116429800A publication Critical patent/CN116429800A/zh
Application granted granted Critical
Publication of CN116429800B publication Critical patent/CN116429800B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Quality & Reliability (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

一种用于铝合金叶轮的无触式探伤方法及其系统，其获取由X射线探测设备采集的被检测铝合金叶轮的X射线探测图像；采用X射线探测技术，并结合基于深度学习和人工智能技术来实现对离心压缩机铝合金叶轮内部缺陷的自动化检测。通过这样的方式来对铝合金叶轮进行自动检测，从而有效地提高产品质量和安全性。

Description

一种用于铝合金叶轮的无触式探伤方法及其系统
技术领域
本申请涉及智能化探伤技术领域，并且更具体地，涉及一种用于铝合金叶轮的无触式探伤方法及其系统。
背景技术
目前商用大型空调的压缩机形式多样，主要以螺杆和离心压缩机为主。离心压缩机的空调在节能、高效和环保等方面有着很大的优势。其中离心压缩机中最关键的部件之一为叶轮，叶轮制造和检验要求非常高。离心机压缩机叶轮的原材料一般采用高强度的铝合金。在原材料的制造和加工中，特别是铸造的离心机压缩机叶轮有时不可避免的出现气孔、疏松、裂纹、夹杂和等缺陷。这些缺陷对叶轮的力学性能产生很大影响，严重的损害了叶轮的安全可靠性。为了保证离心压缩机铝合金叶轮的质量，必须对铝合金叶轮进行有效的损伤检测和评价。
对离心压缩机铝合金叶轮内部缺陷最有效的无损检测方法是X射线照相检测。但是，现有的利用X射线照相探伤技术中，只能检测半开式和半封闭式叶轮，不能够对闭式叶轮进行探伤。并且，现有的X射线照相探伤技术需要人工凭借专业经验来观察，无法真正实现自动检测。
因此，期待一种优化的用于铝合金叶轮的无触式探伤方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于铝合金叶轮的无触式探伤方法及其系统，其获取由X射线探测设备采集的被检测铝合金叶轮的X射线探测图像；采用X射线探测技术，并结合基于深度学习和人工智能技术来实现对离心压缩机铝合金叶轮内部缺陷的自动化检测。通过这样的方式来对铝合金叶轮进行自动检测，从而有效地提高产品质量和安全性。
第一方面，提供了一种用于铝合金叶轮的无触式探伤方法，其包括：
获取由X射线探测设备采集的被检测铝合金叶轮的X射线探测图像；
对所述X射线探测图像进行图像增强处理以得到增强后X射线探测图像；
将所述增强后X射线探测图像通过基于深度神经网络模型的图像特征提取器以得到全局X射线探测特征图；
对所述全局X射线探测特征图进行特征表达强化以得到分类特征图；
将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示铝合金叶轮是否存在内部结构缺陷。
在上述用于铝合金叶轮的无触式探伤方法中，对所述X射线探测图像进行图像增强处理以得到增强后X射线探测图像，包括：使用限制对比度自适应直方图均衡对所述X射线探测图像进行处理以对所述X射线探测图像进行图像增强处理以得到所述增强后X射线探测图像。
在上述用于铝合金叶轮的无触式探伤方法中，所述深度神经网络模型包括基于卷积神经网络模型的图像特征提取器、空间金字塔池化融合模块和基于非局部神经网络模型的全局特征提取器。
在上述用于铝合金叶轮的无触式探伤方法中，将所述增强后X射线探测图像通过基于深度神经网络模型的图像特征提取器以得到全局X射线探测特征图，包括：将所述增强后X射线探测图像通过所述基于卷积神经网络模型的图像特征提取器以得到X射线探测特征图；将所述X射线探测特征图通过空间金字塔池化融合模块以得到多尺度中间特征图；以及，将所述多尺度中间特征图通过基于非局部神经网络模型的全局特征提取器以得到全局X射线探测特征图。
在上述用于铝合金叶轮的无触式探伤方法中，所述基于卷积神经网络模型的图像特征提取器包括输入层、第一卷积层、第一池化层、第一激活层、第二卷积层、第二池化层、第二激活层、第三卷积层、第三池化层、第三激活层、第四卷积层、第四池化层、第四激活层、第五卷积层、第五池化层、第五激活层和输出层。
在上述用于铝合金叶轮的无触式探伤方法中，将所述X射线探测特征图通过空间金字塔池化融合模块以得到多尺度中间特征图，包括：所述空间金字塔池化融合模块对所述X射线探测特征图采用四种不同尺度的最大池化操作以得到所述多尺度中间特征图，其中，所述四种不同尺度分别为13x13、9x9、5x5、1x1。
在上述用于铝合金叶轮的无触式探伤方法中，将所述多尺度中间特征图通过基于非局部神经网络模型的全局特征提取器以得到全局X射线探测特征图，包括：使用所述基于非局部神经网络模型的全局特征提取器对所述多尺度中间特征图进行如下方式的编码以得到所述全局X射线探测特征图；其中，所述编码过程，包括：分别对所述多尺度中间特征图进行第一点卷积处理、第二点卷积处理和第三点卷积处理以得到第一特征图、第二特征图和第三特征图；计算所述第一特征图和所述第二特征图之间的按位置加权和以得到融合特征图；将所述融合特征图输入Softmax函数以将所述融合特征图中各个位置的特征值映射到概率空间中以得到归一化述融合特征图；计算所述归一化述融合特征图和所述第三特征图之间的按位置点乘以得到再融合特征图；将所述再融合特征图通过嵌入高斯相似性函数以得到全局相似特征图；对所述全局相似特征图进行第四点卷积处理以调整所述全局相似特征图的通道数以得到通道调整全局相似特征图；以及，计算所述通道调整全局相似特征图和所述多尺度中间特征图的按位置加权和以得到所述全局X射线探测特征图。
在上述用于铝合金叶轮的无触式探伤方法中，对所述全局X射线探测特征图进行特征表达强化以得到分类特征图，包括：以如下强化公式对所述全局X射线探测特征图中各个特征矩阵的每个位置的特征值进行空间多源融合验前信息分布优化以得到所述分类特征图；其中，所述强化公式为：
Figure SMS_1
其中，
Figure SMS_3
和/>
Figure SMS_5
为邻域设置超参数，且当/>
Figure SMS_7
或者/>
Figure SMS_4
小于等于零或者大于所述特征矩阵的宽度或者高度时，特征值/>
Figure SMS_6
可以设置为零或者一，/>
Figure SMS_8
为所述全局X射线探测特征图中各个特征矩阵的每个位置的特征值，/>
Figure SMS_9
为所述分类特征图中各个特征矩阵的每个位置的特征值，/>
Figure SMS_2
表示以2为底的对数函数。
在上述用于铝合金叶轮的无触式探伤方法中，将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示铝合金叶轮是否存在内部结构缺陷，包括：将所述分类特征图中各个分类特征矩阵按照行向量或者列向量展开为一维向量后级联以得到分类特征向量；将所述分类特征向量输入所述分类器的Softmax分类函数以得到所述分类特征向量归属于各个分类标签的概率值；以及，将最大概率值对应的分类标签确定为所述分类结果。
第二方面，提供了一种用于铝合金叶轮的无触式探伤系统，其包括：
探测模块，用于获取由X射线探测设备采集的被检测铝合金叶轮的X射线探测图像；
图像增强模块，用于对所述X射线探测图像进行图像增强处理以得到增强后X射线探测图像；
深度编码模块，用于将所述增强后X射线探测图像通过基于深度神经网络模型的图像特征提取器以得到全局X射线探测特征图；
特征表达强化模块，用于对所述全局X射线探测特征图进行特征表达强化以得到分类特征图；以及
检测结果生成模块，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示铝合金叶轮是否存在内部结构缺陷。
与现有技术相比，本申请提供的一种用于铝合金叶轮的无触式探伤方法及其系统，其获取由X射线探测设备采集的被检测铝合金叶轮的X射线探测图像；采用X射线探测技术，并结合基于深度学习和人工智能技术来实现对离心压缩机铝合金叶轮内部缺陷的自动化检测。通过这样的方式来对铝合金叶轮进行自动检测，从而有效地提高产品质量和安全性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的用于铝合金叶轮的无触式探伤方法的场景示意图。
图2为根据本申请实施例的用于铝合金叶轮的无触式探伤方法的流程图。
图3为根据本申请实施例的用于铝合金叶轮的无触式探伤方法的架构示意图。
图4为根据本申请实施例的用于铝合金叶轮的无触式探伤方法中步骤130的子步骤的流程图。
图5为根据本申请实施例的用于铝合金叶轮的无触式探伤方法中步骤133的子步骤的流程图。
图6为根据本申请实施例的用于铝合金叶轮的无触式探伤方法中步骤150的子步骤的流程图。
图7为根据本申请实施例的用于铝合金叶轮的无触式探伤系统的框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
针对上述技术问题，本申请的技术构思为：采用X射线探测技术，并结合基于深度学习和人工智能技术来实现对离心压缩机铝合金叶轮内部缺陷的自动化检测。
具体地，在本申请的技术方案中，首先获取由X射线探测设备采集的被检测铝合金叶轮的X射线探测图像。应当可以理解，铝合金叶轮内部结构的缺陷往往是无法被肉眼观测到的，在实施例中，需要借助X射线探测设备来获取铝合金叶轮的X射线探测图像。这里，X射线探测技术是一种常用的无损检测技术，其具有非常高的探测灵敏度，并且能够在非接触的情况下对被检测物体进行探测和检测，可以准确、全面地反映铝合金叶轮内部缺陷。
为了使得缺陷更加清晰地呈现出来，在本申请的技术方案中，对所述X射线探测图像进行图像增强处理以得到增强后X射线探测图像。在本申请的一个具体示例中，使用CLAHE算法对所述X射线探测图像进行图像增强以得到增强后X射线探测图像。其中，CLAHE算法又名限制对比度自适应直方图均衡（contrast limited adaptive histogramequalization），使用该方法对X光图像进行处理，能够突出图像的内部细节，抑制噪声，并且更好地保存 X 光图像中的重要信息。算法实施如下：
一、将图像拆分为R、G、B三个图层并转化为三张单通道图像，分别将这三个图像切分为多个等大不重叠的图像方块。
二、计算每个图像方块的灰度直方图：
Figure SMS_10
其中，
Figure SMS_11
表示灰度级的平均像素数，/>
Figure SMS_12
和/>
Figure SMS_13
分别表示X轴方向和Y轴方向的像素数，/>
Figure SMS_14
表示图像块中灰度级的数量。
三、设定一个灰度级像素数的截取系数M，并计算截取阈值
Figure SMS_15
，其中
Figure SMS_16
；求出截取阈值后，将截取到的像素总数平均分配到每个灰度级的像素数上。
四、对每个图像方块的直方图进行均衡化。
值得一提的是，灰度级表明图像中不同灰度的最大数量，灰度级越大，图像的亮度范围越大。灰度直方图是灰度级的函数，描述的是图像中每种灰度级像素的个数，反应图像中每种灰度出现的频率，其中，横坐标是灰度级，纵坐标是灰度级出现的频率。
接着，将所述增强后X射线探测图像通过基于深度神经网络模型的图像特征提取器以得到全局X射线探测特征图。这里，深度神经网络模型是一种能够模拟人类大脑神经网络的计算模型。通过深度神经网络模型，可以自动学习和提取图像中的特征。也就是，在本申请的技术方案中，期待利用深度神经网络模型来提取图像中的特征信息。
在本申请实施例中，所述深度神经网络模型包括基于卷积神经网络模型的图像特征提取器、空间金字塔池化融合模块和基于非局部神经网络模型的全局特征提取器。具体地，将所述增强后X射线探测图像通过基于深度神经网络模型的图像特征提取器以得到全局X射线探测特征图的步骤，包括：首先，将所述增强后X射线探测图像通过所述基于卷积神经网络模型的图像特征提取器以得到X射线探测特征图。所述基于卷积神经网络模型的图像特征提取器是由多个卷积层、池化层和激活层组成的，用于从输入的增强后X射线探测图像中提取图像局部邻域关联特征。
在本申请一个具体的示例中，所述卷积神经网络模型的网络结构为：输入层->卷积层1->激活层1->池化层1->卷积层2->激活层2->池化层2->卷积层3->激活层3->池化层3->卷积层4->激活层4->池化层4->卷积层5->激活层5->池化层5->输出层。即，所述基于卷积神经网络模型的图像特征提取器包括输入层、第一卷积层、第一池化层、第一激活层、第二卷积层、第二池化层、第二激活层、第三卷积层、第三池化层、第三激活层、第四卷积层、第四池化层、第四激活层、第五卷积层、第五池化层、第五激活层和输出层。其中，所述第一卷积层使用32个3×3的卷积核，步长为1，填充为same，所述第二卷积层使用64个3×3的卷积核，步长为1，填充为same，所述第三卷积层使用128个3×3的卷积核，步长为1，填充为same，所述第四卷积层使用256个3×3的卷积核，步长为1，填充为same，所述第五卷积层使用512个3×3的卷积核，步长为1，填充为same，所述第一激活层、所述第二激活层、所述第三激活层、所述第四激活层和所述第五激活层皆使用ReLU函数作为激活函数，所述第一池化层、所述第二池化层、所述第三池化层、所述第四池化层和所述第五池化层使用2×2的最大池化，步长为2。
接着，将所述X射线探测特征图通过空间金字塔池化融合模块以得到多尺度中间特征图。其中，空间金字塔池化融合模块采用四种不同尺度的最大池化操作，尺度分别为13x13、9x9、5x5、1x1(改变特征图的通道数),能够极大增加感受野,进而提高网络对小目标检测能力。实际而言,训练图像尺寸多样化远比单一尺寸在训练过程更易于收敛，空间金字塔池化通融合模块可以提高图像尺度不变性，降低过拟合问题。
然后，将所述多尺度中间特征图通过基于非局部神经网络模型的全局特征提取器以得到全局X射线探测特征图。其中，所述非局部神经网络模型可以通过学习到多尺度中间特征图中任意两个像素点之间的相互关系来提取出具有全局性质的特征表示。这些特征可以捕捉到图像中不同区域之间的某些语义关联性，从而有助于更好地区分不同的目标区域。
在本申请实施例中，将所述多尺度中间特征图通过基于非局部神经网络模型的全局特征提取器以得到全局X射线探测特征图的具体过程，包括：首先，分别对所述多尺度中间特征图进行第一点卷积处理、第二点卷积处理和第三点卷积处理以得到第一特征图、第二特征图和第三特征图；随后，计算所述第一特征图和所述第二特征图之间的按位置加权和以得到融合特征图；接着，将所述融合特征图输入Softmax函数以将所述融合特征图中各个位置的特征值映射到概率空间中以得到归一化述融合特征图；进一步地，计算所述归一化述融合特征图和所述第三特征图之间的按位置点乘以得到再融合特征图；继而，将所述再融合特征图通过嵌入高斯相似性函数以得到全局相似特征图；然后，对所述全局相似特征图进行第四点卷积处理以调整所述全局相似特征图的通道数以得到通道调整全局相似特征图；再计算所述通道调整全局相似特征图和所述多尺度中间特征图的按位置加权和以得到所述全局X射线探测特征图。
进而，对所述全局X射线探测特征图进行特征表达强化以得到分类特征图。在本申请的技术方案中，通过将所述增强后X射线探测图像通过基于卷积神经网络模型的图像特征提取器，可以通过卷积神经网络模型的卷积核提取卷积核尺度下的图像语义局部关联特征，并通过空间金字塔池化融合模块，得到多个关联尺度下的所述增强后X射线探测图像的图像语义特征，并且，在所述多尺度中间特征图通过基于非局部神经网络模型的全局特征提取器后，可以进一步表达所述增强后X射线探测图像的全局图像语义特征，从而使得所述全局X射线探测特征图能够表达不同关联尺度的局部图像语义特征和全局图像语义特征。
由此，本申请的申请人进一步考虑到，如果能够提升所述全局X射线探测特征图对于不同关联尺度的局部图像语义特征和全局图像语义特征的融合表达效果，则显然能够提升所述全局X射线探测特征图的整体特征表达效果。这里，由于所述全局X射线探测特征图以特征矩阵为单位表达不同关联尺度下的局部图像语义特征和全局图像语义特征，而所述全局图像语义特征也可以看作为全局尺度下的图像语义特征，因此每个所述特征矩阵的特征分布都可以看作为各个尺度下的图像语义特征的特征分布的组合分布，也就是，所述特征矩阵的各个尺度的图像语义特征的特征分布之间具有相互关联的邻域分布关系。
并且，由于所述特征矩阵的各个尺度的图像语义特征都来自于X射线探测图像的源图像像素语义，因此所述特征矩阵的各个尺度的图像语义特征除了具有相互关联的邻域分布关系外，还具有对应于所述X射线探测图像的整体源图像像素语义的不同尺度的特征分布信息的多源信息关联关系。
由此，为了提升所述特征矩阵不同关联尺度的局部图像语义特征和全局图像语义特征的融合表达效果，对所述特征矩阵的每个位置的特征值
Figure SMS_17
进行空间多源融合验前信息分布优化，以获得优化后的特征值/>
Figure SMS_18
，具体表示为：
Figure SMS_19
其中
Figure SMS_20
和/>
Figure SMS_21
为邻域设置超参数，且当/>
Figure SMS_22
或者/>
Figure SMS_23
小于等于零或者大于所述特征矩阵的宽度或者高度时，特征值/>
Figure SMS_24
可以设置为零或者一。
这里，所述空间多源融合验前信息分布优化可以基于特征空间分布融合的稳健性类极大似然估计，来将所述特征矩阵作为由多个相互关联的邻域部分对应的特征局部集合组成的特征全局集合，实现特征局部集合各自的多源验前信息到特征全局集合的有效折合，并通过多源情况下的验前信息分布构建，来获得能够用于评估特征矩阵的内部空间关联与空间信息融合变动关系之间的标准期望的优化范式。这样，通过对所述全局X射线探测特征图的各个特征矩阵进行优化，就提升了所述全局X射线探测特征图对于不同关联尺度的局部图像语义特征和全局图像语义特征的融合表达效果，从而提升了所述全局X射线探测特征图通过分类器得到的分类结果的准确性。
最后，将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示铝合金叶轮是否存在内部结构缺陷。也就是，使用分类器来判断被检测铝合金叶轮中是否存在内部结构缺陷。其中，分类器是一种机器学习模型，它基于训练数据学习到了一些具有规律的模式，用于将输入数据分为不同的类别。在实际应用中，分类器将接收所述分类特征图，并做出分类决策，即“铝合金叶轮存在内部结构缺陷”或“铝合金叶轮不存在内部结构缺陷”。通过这样的方式来对铝合金叶轮进行自动检测，从而有效地提高产品质量和安全性。
图1为根据本申请实施例的用于铝合金叶轮的无触式探伤方法的场景示意图。如图1所示，在该应用场景中，首先，获取由X射线探测设备采集的被检测铝合金叶轮（例如，如图1中所示意的M）的X射线探测图像（例如，如图1中所示意的C）；然后，将获取的X射线探测图像输入至部署有用于铝合金叶轮的无触式探伤算法的服务器（例如，如图1中所示意的S）中，其中所述服务器能够基于用于铝合金叶轮的无触式探伤测算法对所述X射线探测图像进行处理，以生成用于表示铝合金叶轮是否存在内部结构缺陷的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
在本申请的一个实施例中，图2为根据本申请实施例的用于铝合金叶轮的无触式探伤方法的流程图。如图2所示，根据本申请实施例的用于铝合金叶轮的无触式探伤方法100，包括：110，获取由X射线探测设备采集的被检测铝合金叶轮的X射线探测图像；120，对所述X射线探测图像进行图像增强处理以得到增强后X射线探测图像；130，将所述增强后X射线探测图像通过基于深度神经网络模型的图像特征提取器以得到全局X射线探测特征图；140，对所述全局X射线探测特征图进行特征表达强化以得到分类特征图；150，将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示铝合金叶轮是否存在内部结构缺陷。
图3为根据本申请实施例的用于铝合金叶轮的无触式探伤方法的架构示意图。如图3所示，在该网络架构中，首先，获取由X射线探测设备采集的被检测铝合金叶轮的X射线探测图像；然后，对所述X射线探测图像进行图像增强处理以得到增强后X射线探测图像；接着，将所述增强后X射线探测图像通过基于深度神经网络模型的图像特征提取器以得到全局X射线探测特征图；然后，对所述全局X射线探测特征图进行特征表达强化以得到分类特征图；最后，将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示铝合金叶轮是否存在内部结构缺陷。
具体地，在步骤110中，获取由X射线探测设备采集的被检测铝合金叶轮的X射线探测图像。针对上述技术问题，本申请的技术构思为：采用X射线探测技术，并结合基于深度学习和人工智能技术来实现对离心压缩机铝合金叶轮内部缺陷的自动化检测。
具体地，在本申请的技术方案中，首先获取由X射线探测设备采集的被检测铝合金叶轮的X射线探测图像。应当可以理解，铝合金叶轮内部结构的缺陷往往是无法被肉眼观测到的，在实施例中，需要借助X射线探测设备来获取铝合金叶轮的X射线探测图像。这里，X射线探测技术是一种常用的无损检测技术，其具有非常高的探测灵敏度，并且能够在非接触的情况下对被检测物体进行探测和检测，可以准确、全面地反映铝合金叶轮内部缺陷。
具体地，在步骤120中，对所述X射线探测图像进行图像增强处理以得到增强后X射线探测图像。为了使得缺陷更加清晰地呈现出来，在本申请的技术方案中，对所述X射线探测图像进行图像增强处理以得到增强后X射线探测图像。在本申请的一个具体示例中，使用CLAHE算法对所述X射线探测图像进行图像增强以得到增强后X射线探测图像。其中，CLAHE算法又名限制对比度自适应直方图均衡（contrast limited adaptive histogramequalization），使用该方法对X光图像进行处理，能够突出图像的内部细节，抑制噪声，并且更好地保存 X 光图像中的重要信息。算法实施如下：
一、将图像拆分为R、G、B三个图层并转化为三张单通道图像，分别将这三个图像切分为多个等大不重叠的图像方块。
二、计算每个图像方块的灰度直方图：
Figure SMS_25
其中，
Figure SMS_26
表示灰度级的平均像素数，/>
Figure SMS_27
和/>
Figure SMS_28
分别表示X轴方向和Y轴方向的像素数，/>
Figure SMS_29
表示图像块中灰度级的数量。
三、设定一个灰度级像素数的截取系数M，并计算截取阈值
Figure SMS_30
，其中
Figure SMS_31
；求出截取阈值后，将截取到的像素总数平均分配到每个灰度级的像素数上。
四、对每个图像方块的直方图进行均衡化。
值得一提的是，灰度级表明图像中不同灰度的最大数量，灰度级越大，图像的亮度范围越大。灰度直方图是灰度级的函数，描述的是图像中每种灰度级像素的个数，反应图像中每种灰度出现的频率，其中，横坐标是灰度级，纵坐标是灰度级出现的频率。
其中，对所述X射线探测图像进行图像增强处理以得到增强后X射线探测图像，包括：使用限制对比度自适应直方图均衡对所述X射线探测图像进行处理以对所述X射线探测图像进行图像增强处理以得到所述增强后X射线探测图像。
具体地，在步骤130中，将所述增强后X射线探测图像通过基于深度神经网络模型的图像特征提取器以得到全局X射线探测特征图。接着，将所述增强后X射线探测图像通过基于深度神经网络模型的图像特征提取器以得到全局X射线探测特征图。这里，深度神经网络模型是一种能够模拟人类大脑神经网络的计算模型。通过深度神经网络模型，可以自动学习和提取图像中的特征。也就是，在本申请的技术方案中，期待利用深度神经网络模型来提取图像中的特征信息。
在本申请实施例中，所述深度神经网络模型包括基于卷积神经网络模型的图像特征提取器、空间金字塔池化融合模块和基于非局部神经网络模型的全局特征提取器。图4为根据本申请实施例的用于铝合金叶轮的无触式探伤方法中步骤130的子步骤的流程图，如图4所示，将所述增强后X射线探测图像通过基于深度神经网络模型的图像特征提取器以得到全局X射线探测特征图，包括：131，将所述增强后X射线探测图像通过所述基于卷积神经网络模型的图像特征提取器以得到X射线探测特征图；132，将所述X射线探测特征图通过空间金字塔池化融合模块以得到多尺度中间特征图；以及，133，将所述多尺度中间特征图通过基于非局部神经网络模型的全局特征提取器以得到全局X射线探测特征图。
也就是，具体地，将所述增强后X射线探测图像通过基于深度神经网络模型的图像特征提取器以得到全局X射线探测特征图的步骤，包括：首先，将所述增强后X射线探测图像通过所述基于卷积神经网络模型的图像特征提取器以得到X射线探测特征图。所述基于卷积神经网络模型的图像特征提取器是由多个卷积层、池化层和激活层组成的，用于从输入的增强后X射线探测图像中提取图像局部邻域关联特征。
在本申请一个具体的示例中，所述卷积神经网络模型的网络结构为：输入层->卷积层1->激活层1->池化层1->卷积层2->激活层2->池化层2->卷积层3->激活层3->池化层3->卷积层4->激活层4->池化层4->卷积层5->激活层5->池化层5->输出层。即，所述基于卷积神经网络模型的图像特征提取器包括输入层、第一卷积层、第一池化层、第一激活层、第二卷积层、第二池化层、第二激活层、第三卷积层、第三池化层、第三激活层、第四卷积层、第四池化层、第四激活层、第五卷积层、第五池化层、第五激活层和输出层。其中，所述第一卷积层使用32个3×3的卷积核，步长为1，填充为same，所述第二卷积层使用64个3×3的卷积核，步长为1，填充为same，所述第三卷积层使用128个3×3的卷积核，步长为1，填充为same，所述第四卷积层使用256个3×3的卷积核，步长为1，填充为same，所述第五卷积层使用512个3×3的卷积核，步长为1，填充为same，所述第一激活层、所述第二激活层、所述第三激活层、所述第四激活层和所述第五激活层皆使用ReLU函数作为激活函数，所述第一池化层、所述第二池化层、所述第三池化层、所述第四池化层和所述第五池化层使用2×2的最大池化，步长为2。
接着，将所述X射线探测特征图通过空间金字塔池化融合模块以得到多尺度中间特征图。其中，空间金字塔池化融合模块采用四种不同尺度的最大池化操作，尺度分别为13x13、9x9、5x5、1x1(改变特征图的通道数),能够极大增加感受野,进而提高网络对小目标检测能力。实际而言,训练图像尺寸多样化远比单一尺寸在训练过程更易于收敛，空间金字塔池化通融合模块可以提高图像尺度不变性，降低过拟合问题。
其中，将所述X射线探测特征图通过空间金字塔池化融合模块以得到多尺度中间特征图，包括：所述空间金字塔池化融合模块对所述X射线探测特征图采用四种不同尺度的最大池化操作以得到所述多尺度中间特征图，其中，所述四种不同尺度分别为13x13、9x9、5x5、1x1。
然后，将所述多尺度中间特征图通过基于非局部神经网络模型的全局特征提取器以得到全局X射线探测特征图。其中，所述非局部神经网络模型可以通过学习到多尺度中间特征图中任意两个像素点之间的相互关系来提取出具有全局性质的特征表示。这些特征可以捕捉到图像中不同区域之间的某些语义关联性，从而有助于更好地区分不同的目标区域。
图5为根据本申请实施例的用于铝合金叶轮的无触式探伤方法中步骤133的子步骤的流程图，如图5所示，将所述多尺度中间特征图通过基于非局部神经网络模型的全局特征提取器以得到全局X射线探测特征图，包括：使用所述基于非局部神经网络模型的全局特征提取器对所述多尺度中间特征图进行如下方式的编码以得到所述全局X射线探测特征图；其中，所述编码过程，包括：1331，分别对所述多尺度中间特征图进行第一点卷积处理、第二点卷积处理和第三点卷积处理以得到第一特征图、第二特征图和第三特征图；1332，计算所述第一特征图和所述第二特征图之间的按位置加权和以得到融合特征图；1333，将所述融合特征图输入Softmax函数以将所述融合特征图中各个位置的特征值映射到概率空间中以得到归一化述融合特征图；1334，计算所述归一化述融合特征图和所述第三特征图之间的按位置点乘以得到再融合特征图；1335，将所述再融合特征图通过嵌入高斯相似性函数以得到全局相似特征图；1336，对所述全局相似特征图进行第四点卷积处理以调整所述全局相似特征图的通道数以得到通道调整全局相似特征图；以及，1337，计算所述通道调整全局相似特征图和所述多尺度中间特征图的按位置加权和以得到所述全局X射线探测特征图。
也就是，在本申请实施例中，将所述多尺度中间特征图通过基于非局部神经网络模型的全局特征提取器以得到全局X射线探测特征图的具体过程，包括：首先，分别对所述多尺度中间特征图进行第一点卷积处理、第二点卷积处理和第三点卷积处理以得到第一特征图、第二特征图和第三特征图；随后，计算所述第一特征图和所述第二特征图之间的按位置加权和以得到融合特征图；接着，将所述融合特征图输入Softmax函数以将所述融合特征图中各个位置的特征值映射到概率空间中以得到归一化述融合特征图；进一步地，计算所述归一化述融合特征图和所述第三特征图之间的按位置点乘以得到再融合特征图；继而，将所述再融合特征图通过嵌入高斯相似性函数以得到全局相似特征图；然后，对所述全局相似特征图进行第四点卷积处理以调整所述全局相似特征图的通道数以得到通道调整全局相似特征图；再计算所述通道调整全局相似特征图和所述多尺度中间特征图的按位置加权和以得到所述全局X射线探测特征图。
具体地，在步骤140中，对所述全局X射线探测特征图进行特征表达强化以得到分类特征图。进而，对所述全局X射线探测特征图进行特征表达强化以得到分类特征图。在本申请的技术方案中，通过将所述增强后X射线探测图像通过基于卷积神经网络模型的图像特征提取器，可以通过卷积神经网络模型的卷积核提取卷积核尺度下的图像语义局部关联特征，并通过空间金字塔池化融合模块，得到多个关联尺度下的所述增强后X射线探测图像的图像语义特征，并且，在所述多尺度中间特征图通过基于非局部神经网络模型的全局特征提取器后，可以进一步表达所述增强后X射线探测图像的全局图像语义特征，从而使得所述全局X射线探测特征图能够表达不同关联尺度的局部图像语义特征和全局图像语义特征。
由此，本申请的申请人进一步考虑到，如果能够提升所述全局X射线探测特征图对于不同关联尺度的局部图像语义特征和全局图像语义特征的融合表达效果，则显然能够提升所述全局X射线探测特征图的整体特征表达效果。这里，由于所述全局X射线探测特征图以特征矩阵为单位表达不同关联尺度下的局部图像语义特征和全局图像语义特征，而所述全局图像语义特征也可以看作为全局尺度下的图像语义特征，因此每个所述特征矩阵的特征分布都可以看作为各个尺度下的图像语义特征的特征分布的组合分布，也就是，所述特征矩阵的各个尺度的图像语义特征的特征分布之间具有相互关联的邻域分布关系。
并且，由于所述特征矩阵的各个尺度的图像语义特征都来自于X射线探测图像的源图像像素语义，因此所述特征矩阵的各个尺度的图像语义特征除了具有相互关联的邻域分布关系外，还具有对应于所述X射线探测图像的整体源图像像素语义的不同尺度的特征分布信息的多源信息关联关系。
由此，为了提升所述特征矩阵不同关联尺度的局部图像语义特征和全局图像语义特征的融合表达效果，对所述特征矩阵的每个位置的特征值
Figure SMS_32
进行空间多源融合验前信息分布优化，以获得优化后的特征值/>
Figure SMS_33
，具体表示为：对所述全局X射线探测特征图进行特征表达强化以得到分类特征图，包括：以如下强化公式对所述全局X射线探测特征图中各个特征矩阵的每个位置的特征值进行空间多源融合验前信息分布优化以得到所述分类特征图；
其中，所述强化公式为：
Figure SMS_34
其中，
Figure SMS_36
和/>
Figure SMS_38
为邻域设置超参数，且当/>
Figure SMS_40
或者/>
Figure SMS_37
小于等于零或者大于所述特征矩阵的宽度或者高度时，特征值/>
Figure SMS_39
可以设置为零或者一，/>
Figure SMS_41
为所述全局X射线探测特征图中各个特征矩阵的每个位置的特征值，/>
Figure SMS_42
为所述分类特征图中各个特征矩阵的每个位置的特征值，/>
Figure SMS_35
表示以2为底的对数函数。
这里，所述空间多源融合验前信息分布优化可以基于特征空间分布融合的稳健性类极大似然估计，来将所述特征矩阵作为由多个相互关联的邻域部分对应的特征局部集合组成的特征全局集合，实现特征局部集合各自的多源验前信息到特征全局集合的有效折合，并通过多源情况下的验前信息分布构建，来获得能够用于评估特征矩阵的内部空间关联与空间信息融合变动关系之间的标准期望的优化范式。这样，通过对所述全局X射线探测特征图的各个特征矩阵进行优化，就提升了所述全局X射线探测特征图对于不同关联尺度的局部图像语义特征和全局图像语义特征的融合表达效果，从而提升了所述全局X射线探测特征图通过分类器得到的分类结果的准确性。
具体地，在步骤150中，将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示铝合金叶轮是否存在内部结构缺陷。最后，将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示铝合金叶轮是否存在内部结构缺陷。也就是，使用分类器来判断被检测铝合金叶轮中是否存在内部结构缺陷。其中，分类器是一种机器学习模型，它基于训练数据学习到了一些具有规律的模式，用于将输入数据分为不同的类别。在实际应用中，分类器将接收所述分类特征图，并做出分类决策，即“铝合金叶轮存在内部结构缺陷”或“铝合金叶轮不存在内部结构缺陷”。通过这样的方式来对铝合金叶轮进行自动检测，从而有效地提高产品质量和安全性。
图6为根据本申请实施例的用于铝合金叶轮的无触式探伤方法中步骤150的子步骤的流程图，如图6所示，将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示铝合金叶轮是否存在内部结构缺陷，包括：151，将所述分类特征图中各个分类特征矩阵按照行向量或者列向量展开为一维向量后级联以得到分类特征向量；152，将所述分类特征向量输入所述分类器的Softmax分类函数以得到所述分类特征向量归属于各个分类标签的概率值；以及，153，将最大概率值对应的分类标签确定为所述分类结果。
综上，基于本申请实施例的用于铝合金叶轮的无触式探伤方法100被阐明，其获取由X射线探测设备采集的被检测铝合金叶轮的X射线探测图像；采用X射线探测技术，并结合基于深度学习和人工智能技术来实现对离心压缩机铝合金叶轮内部缺陷的自动化检测。通过这样的方式来对铝合金叶轮进行自动检测，从而有效地提高产品质量和安全性。
在本申请的一个实施例中，图7为根据本申请实施例的用于铝合金叶轮的无触式探伤系统的框图。如图7所示，根据本申请实施例的用于铝合金叶轮的无触式探伤系统200，包括：探测模块210，用于获取由X射线探测设备采集的被检测铝合金叶轮的X射线探测图像；图像增强模块220，用于对所述X射线探测图像进行图像增强处理以得到增强后X射线探测图像；深度编码模块230，用于将所述增强后X射线探测图像通过基于深度神经网络模型的图像特征提取器以得到全局X射线探测特征图；特征表达强化模块240，用于对所述全局X射线探测特征图进行特征表达强化以得到分类特征图；以及，检测结果生成模块250，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示铝合金叶轮是否存在内部结构缺陷。
在一个具体示例中，在上述用于铝合金叶轮的无触式探伤系统中，所述图像增强模块，用于：使用限制对比度自适应直方图均衡对所述X射线探测图像进行处理以对所述X射线探测图像进行图像增强处理以得到所述增强后X射线探测图像。
在一个具体示例中，在上述用于铝合金叶轮的无触式探伤系统中，所述深度神经网络模型包括基于卷积神经网络模型的图像特征提取器、空间金字塔池化融合模块和基于非局部神经网络模型的全局特征提取器。
在一个具体示例中，在上述用于铝合金叶轮的无触式探伤系统中，所述深度编码模块，包括：图像特征提取单元，用于将所述增强后X射线探测图像通过所述基于卷积神经网络模型的图像特征提取器以得到X射线探测特征图；空间金字塔池化融合单元，用于将所述X射线探测特征图通过空间金字塔池化融合模块以得到多尺度中间特征图；以及，全局特征提取单元，用于将所述多尺度中间特征图通过基于非局部神经网络模型的全局特征提取器以得到全局X射线探测特征图。
在一个具体示例中，在上述用于铝合金叶轮的无触式探伤系统中，所述基于卷积神经网络模型的图像特征提取器包括输入层、第一卷积层、第一池化层、第一激活层、第二卷积层、第二池化层、第二激活层、第三卷积层、第三池化层、第三激活层、第四卷积层、第四池化层、第四激活层、第五卷积层、第五池化层、第五激活层和输出层。
在一个具体示例中，在上述用于铝合金叶轮的无触式探伤系统中，所述空间金字塔池化融合单元，用于：所述空间金字塔池化融合模块对所述X射线探测特征图采用四种不同尺度的最大池化操作以得到所述多尺度中间特征图，其中，所述四种不同尺度分别为13x13、9x9、5x5、1x1。
在一个具体示例中，在上述用于铝合金叶轮的无触式探伤系统中，所述全局特征提取单元，包括：使用所述基于非局部神经网络模型的全局特征提取器对所述多尺度中间特征图进行如下方式的编码以得到所述全局X射线探测特征图；其中，所述编码过程，包括：卷积处理子单元，用于分别对所述多尺度中间特征图进行第一点卷积处理、第二点卷积处理和第三点卷积处理以得到第一特征图、第二特征图和第三特征图；加权子单元，用于计算所述第一特征图和所述第二特征图之间的按位置加权和以得到融合特征图；
归一化子单元，用于将所述融合特征图输入Softmax函数以将所述融合特征图中各个位置的特征值映射到概率空间中以得到归一化述融合特征图；融合子单元，用于计算所述归一化述融合特征图和所述第三特征图之间的按位置点乘以得到再融合特征图；高斯相似性子单元，用于将所述再融合特征图通过嵌入高斯相似性函数以得到全局相似特征图；通道调整子单元，用于对所述全局相似特征图进行第四点卷积处理以调整所述全局相似特征图的通道数以得到通道调整全局相似特征图；以及，按位置加权子单元，用于计算所述通道调整全局相似特征图和所述多尺度中间特征图的按位置加权和以得到所述全局X射线探测特征图。
在一个具体示例中，在上述用于铝合金叶轮的无触式探伤系统中，所述特征表达强化模块，用于：以如下强化公式对所述全局X射线探测特征图中各个特征矩阵的每个位置的特征值进行空间多源融合验前信息分布优化以得到所述分类特征图；其中，所述强化公式为：
Figure SMS_43
其中，
Figure SMS_45
和/>
Figure SMS_47
为邻域设置超参数，且当/>
Figure SMS_50
或者/>
Figure SMS_46
小于等于零或者大于所述特征矩阵的宽度或者高度时，特征值/>
Figure SMS_48
可以设置为零或者一，/>
Figure SMS_49
为所述全局X射线探测特征图中各个特征矩阵的每个位置的特征值，/>
Figure SMS_51
为所述分类特征图中各个特征矩阵的每个位置的特征值，/>
Figure SMS_44
表示以2为底的对数函数。
在一个具体示例中，在上述用于铝合金叶轮的无触式探伤系统中，所述检测结果生成模块，包括：向量展开单元，用于将所述分类特征图中各个分类特征矩阵按照行向量或者列向量展开为一维向量后级联以得到分类特征向量；分类单元，用于将所述分类特征向量输入所述分类器的Softmax分类函数以得到所述分类特征向量归属于各个分类标签的概率值；以及，分类结果确定单元，用于将最大概率值对应的分类标签确定为所述分类结果。
这里，本领域技术人员可以理解，上述用于铝合金叶轮的无触式探伤系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图6的用于铝合金叶轮的无触式探伤方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的用于铝合金叶轮的无触式探伤系统200可以实现在各种终端设备中，例如用于铝合金叶轮的无触式探伤的服务器等。在一个示例中，根据本申请实施例的用于铝合金叶轮的无触式探伤系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该用于铝合金叶轮的无触式探伤系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该用于铝合金叶轮的无触式探伤系统200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该用于铝合金叶轮的无触式探伤系统200与该终端设备也可以是分立的设备，并且用于铝合金叶轮的无触式探伤系统统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
本申请还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。
在本申请的一个实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
应可以理解，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等) 上实施的计算机程序产品的形式。
本申请实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种用于铝合金叶轮的无触式探伤方法，其特征在于，包括：
获取由X射线探测设备采集的被检测铝合金叶轮的X射线探测图像；
对所述X射线探测图像进行图像增强处理以得到增强后X射线探测图像；
将所述增强后X射线探测图像通过基于深度神经网络模型的图像特征提取器以得到全局X射线探测特征图；
对所述全局X射线探测特征图进行特征表达强化以得到分类特征图；
将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示铝合金叶轮是否存在内部结构缺陷。
2.根据权利要求1所述的用于铝合金叶轮的无触式探伤方法，其特征在于，对所述X射线探测图像进行图像增强处理以得到增强后X射线探测图像，包括：
使用限制对比度自适应直方图均衡对所述X射线探测图像进行处理以对所述X射线探测图像进行图像增强处理以得到所述增强后X射线探测图像。
3.根据权利要求1所述的用于铝合金叶轮的无触式探伤方法，其特征在于，所述深度神经网络模型包括基于卷积神经网络模型的图像特征提取器、空间金字塔池化融合模块和基于非局部神经网络模型的全局特征提取器。
4.根据权利要求3所述的用于铝合金叶轮的无触式探伤方法，其特征在于，将所述增强后X射线探测图像通过基于深度神经网络模型的图像特征提取器以得到全局X射线探测特征图，包括：
将所述增强后X射线探测图像通过所述基于卷积神经网络模型的图像特征提取器以得到X射线探测特征图；
将所述X射线探测特征图通过空间金字塔池化融合模块以得到多尺度中间特征图；以及
将所述多尺度中间特征图通过基于非局部神经网络模型的全局特征提取器以得到全局X射线探测特征图。
5.根据权利要求4所述的用于铝合金叶轮的无触式探伤方法，其特征在于，所述基于卷积神经网络模型的图像特征提取器包括输入层、第一卷积层、第一池化层、第一激活层、第二卷积层、第二池化层、第二激活层、第三卷积层、第三池化层、第三激活层、第四卷积层、第四池化层、第四激活层、第五卷积层、第五池化层、第五激活层和输出层。
6.根据权利要求5所述的用于铝合金叶轮的无触式探伤方法，其特征在于，将所述X射线探测特征图通过空间金字塔池化融合模块以得到多尺度中间特征图，包括：所述空间金字塔池化融合模块对所述X射线探测特征图采用四种不同尺度的最大池化操作以得到所述多尺度中间特征图，其中，所述四种不同尺度分别为13x13、9x9、5x5、1x1。
7.根据权利要求6所述的用于铝合金叶轮的无触式探伤方法，其特征在于，将所述多尺度中间特征图通过基于非局部神经网络模型的全局特征提取器以得到全局X射线探测特征图，包括：
使用所述基于非局部神经网络模型的全局特征提取器对所述多尺度中间特征图进行如下方式的编码以得到所述全局X射线探测特征图；
其中，所述编码过程，包括：
分别对所述多尺度中间特征图进行第一点卷积处理、第二点卷积处理和第三点卷积处理以得到第一特征图、第二特征图和第三特征图；
计算所述第一特征图和所述第二特征图之间的按位置加权和以得到融合特征图；
将所述融合特征图输入Softmax函数以将所述融合特征图中各个位置的特征值映射到概率空间中以得到归一化述融合特征图；
计算所述归一化述融合特征图和所述第三特征图之间的按位置点乘以得到再融合特征图；
将所述再融合特征图通过嵌入高斯相似性函数以得到全局相似特征图；
对所述全局相似特征图进行第四点卷积处理以调整所述全局相似特征图的通道数以得到通道调整全局相似特征图；以及
计算所述通道调整全局相似特征图和所述多尺度中间特征图的按位置加权和以得到所述全局X射线探测特征图。
8.根据权利要求7所述的用于铝合金叶轮的无触式探伤方法，其特征在于，对所述全局X射线探测特征图进行特征表达强化以得到分类特征图，包括：
以如下强化公式对所述全局X射线探测特征图中各个特征矩阵的每个位置的特征值进行空间多源融合验前信息分布优化以得到所述分类特征图；
其中，所述强化公式为：
Figure QLYQS_1
其中，
Figure QLYQS_4
和/>
Figure QLYQS_6
为邻域设置超参数，且当/>
Figure QLYQS_8
或者/>
Figure QLYQS_2
小于等于零或者大于所述特征矩阵的宽度或者高度时，特征值/>
Figure QLYQS_5
可以设置为零或者一，/>
Figure QLYQS_7
为所述全局X射线探测特征图中各个特征矩阵的每个位置的特征值，/>
Figure QLYQS_9
为所述分类特征图中各个特征矩阵的每个位置的特征值，/>
Figure QLYQS_3
表示以2为底的对数函数。
9.根据权利要求8所述的用于铝合金叶轮的无触式探伤方法，其特征在于，将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示铝合金叶轮是否存在内部结构缺陷，包括：
将所述分类特征图中各个分类特征矩阵按照行向量或者列向量展开为一维向量后级联以得到分类特征向量；
将所述分类特征向量输入所述分类器的Softmax分类函数以得到所述分类特征向量归属于各个分类标签的概率值；以及
将最大概率值对应的分类标签确定为所述分类结果。
10.一种用于铝合金叶轮的无触式探伤系统，其特征在于，包括：
探测模块，用于获取由X射线探测设备采集的被检测铝合金叶轮的X射线探测图像；
图像增强模块，用于对所述X射线探测图像进行图像增强处理以得到增强后X射线探测图像；
深度编码模块，用于将所述增强后X射线探测图像通过基于深度神经网络模型的图像特征提取器以得到全局X射线探测特征图；
特征表达强化模块，用于对所述全局X射线探测特征图进行特征表达强化以得到分类特征图；以及
检测结果生成模块，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示铝合金叶轮是否存在内部结构缺陷。
CN202310709085.XA 2023-06-15 2023-06-15 一种用于铝合金叶轮的无触式探伤方法及其系统 Active CN116429800B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310709085.XA CN116429800B (zh) 2023-06-15 2023-06-15 一种用于铝合金叶轮的无触式探伤方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310709085.XA CN116429800B (zh) 2023-06-15 2023-06-15 一种用于铝合金叶轮的无触式探伤方法及其系统

Publications (2)

Publication Number Publication Date
CN116429800A true CN116429800A (zh) 2023-07-14
CN116429800B CN116429800B (zh) 2023-09-12

Family

ID=87084124

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310709085.XA Active CN116429800B (zh) 2023-06-15 2023-06-15 一种用于铝合金叶轮的无触式探伤方法及其系统

Country Status (1)

Country Link
CN (1) CN116429800B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116994202A (zh) * 2023-08-03 2023-11-03 杭州宸悦智能工程有限公司 智能洗车机及其系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113390882A (zh) * 2021-06-10 2021-09-14 青岛理工大学 一种基于机器视觉和深度学习算法的轮胎内侧缺陷检测仪
CN113469951A (zh) * 2021-06-08 2021-10-01 燕山大学 一种基于级联区域卷积神经网络的轮毂缺陷检测方法
CN114611565A (zh) * 2020-12-09 2022-06-10 阿里巴巴集团控股有限公司 数据处理方法、装置、设备和存储介质
CN115535482A (zh) * 2022-11-23 2022-12-30 克拉玛依市科林恩能源科技有限责任公司 原油储罐密封方法及其系统
CN116147130A (zh) * 2023-04-18 2023-05-23 杭州行至云起科技有限公司 智能家居控制系统及其方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114611565A (zh) * 2020-12-09 2022-06-10 阿里巴巴集团控股有限公司 数据处理方法、装置、设备和存储介质
CN113469951A (zh) * 2021-06-08 2021-10-01 燕山大学 一种基于级联区域卷积神经网络的轮毂缺陷检测方法
CN113390882A (zh) * 2021-06-10 2021-09-14 青岛理工大学 一种基于机器视觉和深度学习算法的轮胎内侧缺陷检测仪
CN115535482A (zh) * 2022-11-23 2022-12-30 克拉玛依市科林恩能源科技有限责任公司 原油储罐密封方法及其系统
CN116147130A (zh) * 2023-04-18 2023-05-23 杭州行至云起科技有限公司 智能家居控制系统及其方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116994202A (zh) * 2023-08-03 2023-11-03 杭州宸悦智能工程有限公司 智能洗车机及其系统
CN116994202B (zh) * 2023-08-03 2024-03-15 杭州宸悦智能工程有限公司 智能洗车机及其系统

Also Published As

Publication number Publication date
CN116429800B (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
KR102150673B1 (ko) 외관불량 검사방법 및 외관불량 검사 시스템
CN108280455B (zh) 人体关键点检测方法和装置、电子设备、程序和介质
CN110598767A (zh) 一种基于ssd卷积神经网络的地下排水管道缺陷识别方法
CN116429800B (zh) 一种用于铝合金叶轮的无触式探伤方法及其系统
CN108229675B (zh) 神经网络的训练方法、物体检测方法、装置和电子设备
CN110415260B (zh) 基于字典与bp神经网络的烟雾图像分割与识别方法
WO2021118463A1 (en) Defect detection in image space
CN116844217B (zh) 用于生成人脸数据的图像处理系统及方法
CN112733929A (zh) 一种改进Yolo水下图像小目标和遮挡目标的检测方法
CN116310563A (zh) 一种贵金属库存的管理方法及系统
CN115564983A (zh) 目标检测方法、装置、电子设备、存储介质及其应用
CN113139618B (zh) 一种基于集成防御的鲁棒性增强的分类方法及装置
CN108549899B (zh) 一种图像识别方法及装置
CN116502899B (zh) 基于人工智能的风险评级模型生成方法、装置及存储介质
CN116797533B (zh) 电源适配器的外观缺陷检测方法及其系统
CN116503376A (zh) 生态挡土墙砌块及其智能化制备方法
CN117011274A (zh) 自动化玻璃瓶检测系统及其方法
CN116563251A (zh) 汽车用拉杆球头的智能加工方法及其系统
CN115861226A (zh) 基于特征值梯度变化的深度神经网络智能识别表面缺陷方法
CN115424093A (zh) 一种识别眼底图像中细胞的方法及装置
Huang et al. Anti-forensics for double JPEG compression based on generative adversarial network
CN116933041B (zh) 力传感器编号校对系统及方法
CN116610080B (zh) 休闲椅的智能生产方法及其控制系统
CN111127393B (zh) 雷达影像变化检测的样本制作方法及系统、存储介质、设备
Yao et al. Defect detection method of magnetic disk image based on improved convolutional neural network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant