CN117745747A - 一种基于改进U-Net的航空发动机空心涡轮叶片的分割方法 - Google Patents
一种基于改进U-Net的航空发动机空心涡轮叶片的分割方法 Download PDFInfo
- Publication number
- CN117745747A CN117745747A CN202311634351.3A CN202311634351A CN117745747A CN 117745747 A CN117745747 A CN 117745747A CN 202311634351 A CN202311634351 A CN 202311634351A CN 117745747 A CN117745747 A CN 117745747A
- Authority
- CN
- China
- Prior art keywords
- image
- improved
- turbine blade
- aeroengine
- net
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000011218 segmentation Effects 0.000 title claims abstract description 33
- 238000002591 computed tomography Methods 0.000 claims abstract description 36
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 31
- 230000009466 transformation Effects 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000013519 translation Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 241001270131 Agaricus moelleri Species 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims 1
- 238000000638 solvent extraction Methods 0.000 claims 1
- 230000006835 compression Effects 0.000 abstract description 2
- 238000007906 compression Methods 0.000 abstract description 2
- 238000009659 non-destructive testing Methods 0.000 abstract description 2
- 238000003709 image segmentation Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005510 radiation hardening Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000011410 subtraction method Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
本发明请求保护一种基于改进U‑Net的航空发动机空心涡轮叶片的分割方法。该方法包括发明提供一种改进的U‑Net网络结构,主要改进为采用多尺度输入、在原有的连接中加入密集连接、并在跳跃连接中增加减法,将航空发动机空心涡轮叶片图像输入改进U‑Net网络进行特征提取和压缩,然后通过解码器网络进行特征重建和上采样,最终得到分割图像。该方法对航空空心涡轮叶片计算机断层扫描切片图像的分割精度优于传统U‑Net,改进的网络为航空发动机工程领域中工业无损检测问题提供了一种可行的解决方案。
Description
技术领域
本发明属于图像处理领域,是一种基于改进U-Net的航空发动机空心涡轮叶片的分割方法。
背景技术
典型的计算机断层扫描切片图像分割方法是在自然图像处理方法的基础上衍生出来的,即对其进行修改以适应计算机断层扫描切片图像的特点。目前流行的计算机断层扫描切片图像分割方法有阈值法、形态学方法、边缘检测、主动轮廓法、模糊方法等。其中,阈值法简单快捷,然而阈值法不能很好地处理有伪影和噪声的图像;形态学方法可以处理有噪声的图像,但容易受到伪影的影响;边缘检测方法速度快,但只能处理无噪声、不均匀性和伪影的图像;主动轮廓可以很好地处理噪声和不均匀性,但耗时较长;模糊方法对噪声和低对比度很敏感。
随着计算机技术的发展,深度神经网络在机器学习和计算机视觉领域取得了长足的进步。常见的深度学习体系结构包括卷积神经网络(CNN)、循环神经网络(RNNs)、编码器-解码器模型和生成对抗网络(GANs)。图像分割模型基本上是在这些网络结构的帮助下,通过编码器、解码器、跳跃连接和扩展修改等方法推导出来的。典型的图像分割方法有全卷积网络、编码器-解码器方法、基于多尺度和金字塔网络的模型、R-CNN方法、扩张卷积网络、基于RNN的方法,以及基于注意力机制和的生成对抗网络模型。在不同的网络结构中,U-Net方法是一种高效的分割网络,它非常适合于具有微观细节的图像,如具有血管的医学图像和具有复杂微观结构的计算机断层扫描切片图像。与传统的编码器-解码器卷积神经网络相比,U-Net中的旁路连接可以弥补池化过程中丢失的高频细节。
目前,对于工业计算机断层扫描切片图像分割有大量研究,已经比较成熟,但由于航空发动机空心涡轮叶片复杂的结构和特殊的材料特性,其计算机断层扫描切片图像中含有模糊、低对比度的小结构,难以提取出精确的轮廓,极大地影响了计算机断层扫描切片图像的检测精度。
针对工业计算机断层扫描切片图像分割算法,阮健、陈平、潘晋孝在《CT理论与应用研究》(2010,19(01):56-61)的文章“一种工业CT图像的分割算法”中提出首先利用最大类间方差法和图像处理方法处理了外层伪影,然后利用聚类迭代的方法处理中心空气,得到感兴趣的区域,能够有效地抑制背景信息,但应用范围有限。针对工业计算机断层扫描切片图像边缘信息地提取,邱钊、朱庆生、卢霞等在《计算机工程》(2004(08):159-161)的文章“基于边缘信息的工业CT图像分割法”中提出用多尺度二维小波变换模极大值作为分裂合并图像分割的一致性度量,采用四叉树结构作为图像块的初始划分,设置合适的门限值抑制噪声的干扰并提取出图像边缘信息,解决了噪声干扰,但在图像分割过程中,可能会出现误分割和漏分割的情况。针对精密零件的工业计算机断层扫描切片图像测量,吕健,栾传彬,张秀英等在《无损检测》(2022,44(04):28-34+54)中的文章“精密零件的工业CT图像测量方法”中提出用联合小波变换和RSF模型的图像分割方法对精密零件计算机断层扫描切片图像轮廓进行精确分割,得到感兴趣轮廓数据,能达到亚像素级的边缘定位精度,而且减少了射线硬化和射线散射伪影的影响,提高了计算机断层扫描切片图像测量精度。但该算法对于大尺寸的图像需要较长的计算时间,不适用于实时处理。这些方法都能实现工业计算机断层扫描切片图像的分割,但以上方法的适用性不够强,需要一种对有较好适应性的工业计算机断层扫描切片图像分割方法。
CN113129321A,一种基于全卷积神经网络的涡轮叶片CT图像分割方法,其包括以下步骤:S1、采集图像数据;S2、数据预处理:S3、图像标注:S4、数据增强:采用在线增强和离线增强相结合的方式扩充训练数据集;S5、构建分割网络模型,主要包括编码器、解码器和跳跃连接;S6、设计损失函数:使用一种Focal Loss损失函数在训练期间来进行优化,该函数平衡正负样本比例,还加强对叶片边缘难分割的像素进行学习;S7、模型训练和测试:将训练集和验证集进行归一化后输入到S5中构建的分割网络中,将测试集中的图像进行相同的归一化然后输入到保存的最优模型中从而实现涡轮叶片CT图像分割。
专利中采用单一输入会导致信息丢失,鲁棒性较差,网络采用全连接条件随机场对神经网络的分割结果进一步细化处理,这样会增加计算复杂性、引入额外的参数,不利于搭建端对端网络。本发明采用多尺度输入,提高网络模型的性能,网络不需要全连接条件随机场等图像后处理方式,实现了一个端对端的神经网络架构。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种基于改进U-Net的航空发动机空心涡轮叶片的分割方法。本发明的技术方案如下:
一种基于改进U-Net的航空发动机空心涡轮叶片的分割方法,其包括以下步骤:
步骤1:获取航空发动机空心涡轮叶片的计算机断层扫描切片图像,并对图像进行包括图像标定、数据增强和数据集划分在内的预处理;
步骤2:搭建改进U-Net网络架构:以原始的U-Net网络模型为基础,采用多尺度输入代替U-Net网络编码路径中原有的输入,在原有的连接中加入密集连接即每层都会接受前面所有层作为额外的输入,并在跳跃连接中增加减法用来获取图像的边缘信息;密集连接是指在神经网络的各层之间存在全连接的关系,即每个神经元与上一层的所有神经元相连。跳跃连接是指在神经网络中存在直接连接或"跳跃"连接的方式。它将某一层的输出直接传递给后续层,形成了绕过中间层的捷径。减法是指在跳跃连接中原图和下采样后的图像进行相减得到轮廓。
步骤3:采用计算机断层扫描切片图像训练集对改进的U-Net网络模型进行训练;
步骤4:将测试集中的图像输入训练好的U-Net网络模型获取分割结果。
进一步的,所述步骤1中获取航空发动机空心涡轮叶片的计算机断层扫描切片图像,并对其进行预处理,具体包括:
1)利用计算机断层扫描系统得到航空发动机空心涡轮叶片的计算机断层扫描切片图像;
2)图像标定、数据增强和数据集划分;其中图像标定人工手动将目标像素标记为255灰度,背景标记为0灰度;数据增强采用平移变换、镜像变换、旋转变换和尺度变换;数据集划分是将数据增强操作后的图像分为训练集占比80%、验证集占比10%、测试集占比10%。
进一步的,所述使用平移变换、镜像变换、旋转变换和尺度变换来增强数据的具体步骤为:
1)将整个图像沿X方向、Y方向移动或同时沿X和Y方向移动。平移完成后会生成空白像素,通过填充黑色进行处理;
2)将图像沿着水平中心线和垂直中心线翻转;
3)将原始图像绕中心顺时针旋转θ角度;
当输出图像大小和输入图像大小的比值大于1时,裁剪变换后图像使其与原图像尺寸一致;当输出图像大小与输入图像大小的比值小于1时,将变换后图像中空白像素填充0灰度,使其与原图像尺寸一致。
进一步的,所述步骤2中搭建改进的U-Net网络架构具体包括:
改进U-Net网络架构包括编码路径、解码路径、多尺度输入模块和在跳跃连接中增加减法;其中,
编码路径由密集连接、最大池化层以及卷积层和反卷积层组成,负责对输入图像进行特征提取并降低图像尺寸,减少参数量;
解码路径由卷积层、上采样层和密集连接组成,负责恢复特征图信息;
其中密集连接表示为:
xk=Hk([x1,x2,...xk-1])
式中x为输入,Hk(*)表示第k个卷积层的非线性复合函数;
多尺度输入模块位于编码路径旁,由平均池化将原图分成不同分辨率的图像进行输入;
其中卷积层使用3×3的卷积、批量归一化和Relu激活函数,反卷积层使用3×3的反卷积和Relu激活函数,上采样使用2×2的反卷积,最后的输出层使用Softmax激活函数和Focal Loss函数。
进一步的,所述步骤3中采用训练集计算机断层扫描切片图像对改进的U-Net网络模型进行训练具体包括:
1)训练过程中超参数为:初始学习率等于0.001,训练迭代次数等于200,每次训练的样本数等于8,验证频率设置为30次迭代1次;
2)每10次迭代后乘以0.95的下降因子来降低学习率,优化器选择适应性矩估计来更新网络参数。适应性矩估计Adam是一种常用的优化算法,用于训练神经网络和其他机器学习模型。
进一步的,所述步骤4中将测试集中的图像输入训练好的U-Net网络模型获取分割结果,具体如下:
使用的评估参数有Jaccard相似系数、DSC相似系数、BF分数和处理时间,其中Jaccard相似系数表示为:
Jaccard(A,T)=|A∩T|/|A∪ T|
式中A表示分割结果,T表示真实结果;
其中DSC相似系数表示为:
DSC=2|A∩T|/(|A|+|T|)
其中BF分数表示为:
BF=2×precision×recall/(recall+precision)
式中,precision表示分类器预测为正例的样本中真正为正例的比例;recall表示所有真正为正例的样本中,被分类器正确预测为正例的比例。
一种电子设备,其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其所述处理器执行所述程序时实现如任一项所述基于改进U-Net的航空发动机空心涡轮叶片的分割方法。
一种非暂态计算机可读存储介质,其上存储有计算机程序,其所述计算机程序被处理器执行时实现如任一项所述基于改进U-Net的航空发动机空心涡轮叶片的分割方法。
一种计算机程序产品,包括计算机程序,其所述计算机程序被处理器执行时实现如任一项基于改进U-Net的航空发动机空心涡轮叶片的分割方法。
本发明的优点及有益效果如下:
本发明针对航空发动机空心涡轮叶片图像中含有模糊、低对比度的小结构,难以提取出精确的轮廓。该方法包括发明提供一种改进的U-Net网络结构,主要改进为采用多尺度输入、在原有的连接中加入密集连接、并在跳跃连接中增加减法,将航空发动机空心涡轮叶片图像输入改进U-Net网络进行特征提取和压缩,然后通过解码器网络进行特征重建和上采样,最终得到分割图像。该方法对航空空心涡轮叶片计算机断层扫描切片图像的分割精度优于传统U-net,改进的网络为航空发动机工程领域中工业无损检测问题提供了一种可行的解决方案。
本发明提供的改进U-Net网络,可有效、准确地对航空发动机空心涡轮叶片的计算机断层扫描切片图像进行分割,且对含有不均匀性、噪声的工件的处理效果得到显著提升。
采用多尺度输入,在扩展解码器路径的网络宽度的同时,对原始图像的平均池化下采样不会增加网络中的参数的计算复杂度。
密集连接,在一定程度上缓解梯度消失问题,并加强每个特征图的充分利用。
附图说明
图1是本发明提供优选实施例基于改进U-Net的航空发动机空心涡轮叶片的分割网络结构图。
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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是:
利用本方法对航空发动机空心涡轮叶片进行验证和测试,执行以下步骤:
⑴获取航空发动机空心涡轮叶片的计算机断层扫描切片图像并进行预处理;
⑵搭建改进U-Net网络架构:以原始的U-Net网络模型为基础,采用多尺度输入代替U-Net网络编码路径中原有的输入,在原有的连接中加入密集连接即每层都会接受前面所有层作为额外的输入,并在跳跃连接中增加减法用来获取图像的边缘信息;
⑶采用训练集计算机断层扫描切片图像对改进的U-Net网络模型进行训练;
⑷将测试集中的图像输入训练好的U-Net网络模型获取分割结果。
在上述步骤⑴中获取航空发动机空心涡轮叶片的计算机断层扫描切片图像并进行预处理具体包括:
1)利用计算机断层扫描系统得到航空发动机空心涡轮叶片的计算机断层扫描切片图像。包含两个涡轮叶片共493张,分辨率为512×512。
2)图像标定、数据增强和数据集划分;其中图像标定人工手动将目标像素标记为255灰度,背景标记为0灰度;数据增强采用平移变换、镜像变换、旋转变换和尺度变换;数据集划分是将数据增强操作后的图像分为训练集占比80%、验证集占比10%、测试集占比10%;
在上述步骤中使用平移变换、镜像变换、旋转变换和尺度变换来增强数据的具体步骤为;
将整个图像沿X方向、Y方向移动或同时沿X和Y方向移动。平移完成后会生成空白像素,通过填充黑色进行处理。整个图像沿x方向移动Δx,沿Δy方向移动y方向那么从原始像素(x0,y0)到被变换点(x,y)的变换矩阵为:
1)将图像沿着水平中心线和垂直中心线翻转。图像高度为h,宽度为ω,则原始像素(x0,y0)通过水平镜像和垂直镜像到变换点(x,y)的变换矩阵为:
2)将原始图像绕中心顺时针旋转θ角度。从原始像素(x0,y0)经过旋转变换到被变换点(x,y)的变化矩阵为:
在上述步骤中,当输出图像大小和输入图像大小的比值大于1时,裁剪变换后图像使其与原图像尺寸一致;当输出图像大小与输入图像大小的比值小于1时,将变换后图像中空白像素填充0灰度,使其与原图像尺寸一致;
在上述步骤⑵中搭建改进U-Net网络架构,具体包括:
1)改进U-Net网络的架构包括编码路径、解码路径、多尺度输入模块和在跳跃连接中增加减法;
2)编码路径由密集连接、最大池化层以及卷积层和反卷积层组成,负责对输入图像进行特征提取并降低图像尺寸,减少参数量;
3)解码路径由卷积层、上采样层和密集连接组成,负责恢复特征图信息;
4)多尺度输入模块位于编码路径旁,由平均池化层将原图分成不同分辨率的图像进行输入;
5)其中卷积层使用3×3的卷积、批量归一化和Relu激活函数,反卷积层使用3×3的反卷积和Relu激活函数,上采样使用2×2的反卷积,最后的输出层使用Softmax激活函数和Focal Loss函数。
在上述步骤⑶中采用训练集计算机断层扫描切片图像对改进的U-Net网络模型进行训练具体包括:
1)训练过程中超参数为:初始学习率等于0.001,训练迭代次数等于200,每次训练的样本数等于8,验证频率设置为每30次迭代1次;
2)每10次迭代后乘以0.95的下降因子来降低学习率,优化器选择适应性矩估计更新网络参数,加快收敛速度。
在上述步骤⑷中将测试集中的图像输入训练好的U-Net网络模型获取分割结果,具体如下:
使用的评估参数有Jaccard相似系数、DSC相似系数、BF分数和处理时间,其中Jaccard相似系数可以表示为:
Jaccard(A,T)=|A∩T|/|A∪T|
式中A表示分割结果,T表示真实结果。
其中DSC相似系数可表示为:
DSC=2|A∩T|/(|A|+|T|)
式中A表示分割结果,T表示真实结果。
其中BF分数可表示为:
BF=2×precision×recall/(recall+precision)
式中,precision表示分类器预测为正例的样本中真正为正例的比例;recall表示所有真正为正例的样本中,被分类器正确预测为正例的比例。
表1本发明方法和其他分割方法的分割结果对比
经过上述步骤,将航空发动机空心涡轮叶片的计算机断层扫描切片图像进行分割,将评估参数与其他几个现有的方法的分割评估参数相比,本方法的评估参数更好且能分割航空发动机空心涡轮叶片前缘的气膜冷却孔,处理时间更快,鲁棒性更好,表明了本发明方法的可行性和有效性。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商品或者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、商品或者设备所固有的要素。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、商品或者设备中还存在另外的相同要素。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (9)
1.一种基于改进U-Net的航空发动机空心涡轮叶片的分割方法,其特征在于,包括以下步骤:
步骤1:获取航空发动机空心涡轮叶片的计算机断层扫描切片图像,并对图像进行包括图像标定、数据增强和数据集划分在内的预处理;
步骤2:搭建改进U-Net网络架构:以原始的U-Net网络模型为基础,采用多尺度输入代替U-Net网络编码路径中原有的输入,在原有的连接中加入密集连接即每层都会接受前面所有层作为额外的输入,并在跳跃连接中增加减法用来获取图像的边缘信息;密集连接是指在神经网络的各层之间存在全连接的关系,即每个神经元与上一层的所有神经元相连;跳跃连接是指在神经网络中存在直接连接或"跳跃"连接的方式;它将某一层的输出直接传递给后续层,形成了绕过中间层的捷径;减法是指在跳跃连接中原图和下采样后的图像进行相减得到轮廓;
步骤3:采用计算机断层扫描切片图像训练集对改进的U-Net网络模型进行训练;
步骤4:将测试集中的图像输入训练好的U-Net网络模型获取分割结果。
2.根据权利要求1所述的一种基于改进U-Net的航空发动机空心涡轮叶片的分割方法,其特征在于,所述步骤1中获取航空发动机空心涡轮叶片的计算机断层扫描切片图像,并对其进行预处理,具体包括:
1)利用计算机断层扫描系统得到航空发动机空心涡轮叶片的计算机断层扫描切片图像;
2)图像标定、数据增强和数据集划分;其中图像标定人工手动将目标像素标记为255灰度,背景标记为0灰度;数据增强采用平移变换、镜像变换、旋转变换和尺度变换;数据集划分是将数据增强操作后的图像分为训练集占比80%、验证集占比10%、测试集占比10%。
3.根据权利要求2所述的一种基于改进U-Net的航空发动机空心涡轮叶片的分割方法,其特征在于,所述使用平移变换、镜像变换、旋转变换和尺度变换来增强数据的具体步骤为:
1)将整个图像沿X方向、Y方向移动或同时沿X和Y方向移动。平移完成后会生成空白像素,通过填充黑色进行处理;
2)将图像沿着水平中心线和垂直中心线翻转;
3)将原始图像绕中心顺时针旋转θ角度;
当输出图像大小和输入图像大小的比值大于1时,裁剪变换后图像使其与原图像尺寸一致;当输出图像大小与输入图像大小的比值小于1时,将变换后图像中空白像素填充0灰度,使其与原图像尺寸一致。
4.根据权利要求1所述的一种基于改进U-Net的航空发动机空心涡轮叶片的分割方法,其特征在于,所述步骤2中搭建改进的U-Net网络架构具体包括:
改进U-Net网络架构包括编码路径、解码路径、多尺度输入模块和在跳跃连接中增加减法;其中,
编码路径由密集连接、最大池化层以及卷积层和反卷积层组成,负责对输入图像进行特征提取并降低图像尺寸,减少参数量;
解码路径由卷积层、上采样层和密集连接组成,负责恢复特征图信息;
其中密集连接表示为:
xk=Hk([x1,x2,…xk-1])
式中x为输入,Hk(*)表示第k个卷积层的非线性复合函数;
多尺度输入模块位于编码路径旁,由平均池化将原图分成不同分辨率的图像进行输入;
其中卷积层使用3×3的卷积、批量归一化和Relu激活函数,反卷积层使用3×3的反卷积和Relu激活函数,上采样使用2×2的反卷积,最后的输出层使用Softmax激活函数和Focal Loss函数。
5.根据权利要求1所述的一种基于改进U-Net的航空发动机空心涡轮叶片的分割方法,其特征在于,所述步骤3中采用训练集计算机断层扫描切片图像对改进的U-Net网络模型进行训练具体包括:
1)训练过程中超参数为:初始学习率等于0.001,训练迭代次数等于200,每次训练的样本数等于8,验证频率设置为30次迭代1次;
2)每10次迭代后乘以0.95的下降因子来降低学习率,优化器选择适应性矩估计来更新网络参数,适应性矩估计Adam是一种常用的优化算法,用于训练神经网络和其他机器学习模型。
6.根据权利要求1所述的一种基于改进U-Net的航空发动机空心涡轮叶片的分割方法,其特征在于,所述步骤(4)中将测试集中的图像输入训练好的U-Net网络模型获取分割结果,具体如下:
使用的评估参数有Jaccard相似系数、DSC相似系数、BF分数和处理时间,其中Jaccard相似系数表示为:
Jaccard(A,T)=|A∩T|/|A∪T|
式中A表示分割结果,T表示真实结果;
其中DSC相似系数表示为:
DSC=2|A∩T|/(|A|+|T|)
其中BF分数表示为:
BF=2×precision×recall/(recall+precision)
式中,precision表示分类器预测为正例的样本中真正为正例的比例;recall表示所有真正为正例的样本中,被分类器正确预测为正例的比例。
7.一种电子设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述基于改进U-Net的航空发动机空心涡轮叶片的分割方法。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于改进U-Net的航空发动机空心涡轮叶片的分割方法。
9.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项基于改进U-Net的航空发动机空心涡轮叶片的分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311634351.3A CN117745747A (zh) | 2023-12-01 | 2023-12-01 | 一种基于改进U-Net的航空发动机空心涡轮叶片的分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311634351.3A CN117745747A (zh) | 2023-12-01 | 2023-12-01 | 一种基于改进U-Net的航空发动机空心涡轮叶片的分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117745747A true CN117745747A (zh) | 2024-03-22 |
Family
ID=90251799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311634351.3A Pending CN117745747A (zh) | 2023-12-01 | 2023-12-01 | 一种基于改进U-Net的航空发动机空心涡轮叶片的分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117745747A (zh) |
-
2023
- 2023-12-01 CN CN202311634351.3A patent/CN117745747A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112330682B (zh) | 一种基于深度卷积神经网络的工业ct图像分割方法 | |
CN112800964B (zh) | 基于多模块融合的遥感影像目标检测方法及系统 | |
Jiang et al. | Change detection in heterogeneous optical and SAR remote sensing images via deep homogeneous feature fusion | |
CN108520497B (zh) | 基于距离加权稀疏表达先验的图像复原与匹配一体化方法 | |
CN109035172B (zh) | 一种基于深度学习的非局部均值超声图像去噪方法 | |
CN107808138B (zh) | 一种基于FasterR-CNN的通信信号识别方法 | |
CN111553858B (zh) | 基于生成对抗网络的图像修复方法、系统及其应用 | |
CN111160229B (zh) | 基于ssd网络的视频目标检测方法及装置 | |
CN112465759A (zh) | 一种基于卷积神经网络的航空发动机叶片缺陷检测方法 | |
CN113888461A (zh) | 基于深度学习的小五金件缺陷检测方法、系统及设备 | |
CN112200163B (zh) | 水下底栖生物检测方法及系统 | |
CN111968047A (zh) | 一种基于生成式对抗网络的自适应光学图像盲复原方法 | |
CN114663578A (zh) | 一种基于深度学习的多目标场景偏振三维成像方法 | |
CN115578262A (zh) | 基于afan模型的偏振图像超分辨率重建方法 | |
Xu et al. | COCO-Net: A dual-supervised network with unified ROI-loss for low-resolution ship detection from optical satellite image sequences | |
CN115115601A (zh) | 一种基于形变注意金字塔的遥感舰船目标检测方法 | |
Li et al. | Adaptive weighted guided image filtering for depth enhancement in shape-from-focus | |
CN114202473A (zh) | 一种基于多尺度特征和注意力机制的图像复原方法及装置 | |
Tian et al. | Underwater sonar image denoising through nonconvex total variation regularization and generalized Kullback–Leibler fidelity | |
CN117745747A (zh) | 一种基于改进U-Net的航空发动机空心涡轮叶片的分割方法 | |
CN113807206B (zh) | 一种基于去噪任务辅助的sar图像目标识别方法 | |
CN113762271A (zh) | 基于不规则卷积核神经网络模型的sar图像语义分割方法和系统 | |
CN112464948A (zh) | 一种基于仿生学的自然场景目标轮廓提取方法及系统 | |
Park et al. | Automatic radial un-distortion using conditional generative adversarial network | |
Li et al. | Fractional-order Retinex-based low-light image enhancement fusion algorithm for energy meters |
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 |