铸件缺陷识别模型训练方法、缺陷识别方法、装置及系统与流程

技术特征：
1.一种铸件缺陷识别模型训练方法，其特征在于，包括如下步骤：确定铸件x射线图像的数据集，并将所述数据集按照缺陷的类别划分为两个子集；其中，第一子集内图像的缺陷类型有线状缺陷和孔状缺陷，第二子集内图像的缺陷类型有缩松缺陷与高密度夹杂缺陷；其中，所述数据集中每张图像上仅有一种铸件缺陷；基于第一网络模型对所述第一子集进行增广，得到增广后的第一数据集；所述第一网络模型将生成对抗网络与深度卷积神经网络结合得到；所述生成对抗网络关注图像的整体超过局部，能够生成与第一子集中图像缺陷形态差异较大的且含有同类型缺陷的仿真图像，有效提高线状缺陷和孔状缺陷的形貌多样性，使得第一数据集中线状缺陷和孔状缺陷的形貌丰富多样；基于第二网络模型对所述第二子集进行增广，得到增广后的第二数据集；所述第二网络模型将变分自编码器与深度卷积神经网络结合得到；所述变分自编码器关注图像的局部超过整体，能够生成与第二子集中图像缺陷形态差异较大的且含有同类型缺陷的仿真图像，有效提高缩松缺陷与高密度夹杂缺陷的形貌多样性，使得第二数据集中缩松缺陷与高密度夹杂缺陷的形貌丰富多样；将所述第一数据集、第二数据集以及铸件真实x射线图像数据集进行混合，并对混合后的数据集进行常规二次增广，得到训练集；基于所述训练集对神经网络进行训练，训练后得到铸件缺陷识别模型；所述神经网络用于基于接收的图像识别图像中的铸件缺陷和缺陷类型。2.根据权利要求1所述的方法，其特征在于，所述第一网络模型包括生成器和判别器；其中：生成器的第1层使用全连接层、relu激活函数以及reshape函数；第2至第4层均使用反卷积层、bn层以及relu激活函数；第5层使用反卷积层和hard tanh激活函数；所述reshape函数用于改变输出维度，bn层用于加快训练速度；判别器的第1层使用卷积层和leaky relu激活函数；第2至第4层均使用卷积层、bn层以及leakyrelu激活函数，第5层使用reshape函数、全连接层以及sigmoid激活函数。3.根据权利要求1所述的方法，其特征在于，所述第二网络模型包括编码器和解码器；其中：编码器的第1至第4层使用卷积层、bn层以及leakyrelu激活函数，第5层使用reshape函数、全连接层以及relu激活函数，第6层使用全连接层；解码器的第1层使用全连接层、relu激活函数以及reshape函数，第2至第4层均使用反卷积层、bn层以及relu激活函数，第5层使用反卷积层和sigmoid激活函数。4.根据权利要求2或3所述的方法，其特征在于，所述leakyrelu激活函数，用于防止卷积运算和反卷积运算中出现运算结果为0导致图像失真的情况。5.根据权利要求1所述的方法，其特征在于，所述基于第一网络模型对所述第一子集进行增广，得到增广后的第一数据集，和基于第二网络模型对所述第一子集进行增广，得到增广后的第二数据集，具体为：在第一网络模型对所述第一子集进行增广或第二网络模型对所述第二子集进行增广时，设置不同卷积核尺寸和图像分辨率，以生成多组增广后的仿真数据集；从所生成的每种缺陷下的仿真数据集中按照仿真图像中缺陷的形貌挑选出缺陷形貌
比较真实的多组数据集，作为每种缺陷的筛选仿真数据集；将四种缺陷的筛选仿真数据集与铸件真实x射线图像数据集按照预设比例混合，得到混合数据集；当从混合数据集中挑选出的仿真图像中误筛率与所述预设比列不接近，则指示所述四种缺陷的最终仿真数据集不达标，则将未被挑选出作为真实图像的仿真图像组合为新的训练子集，将其与铸件真实x射线图像混合，作为新的x射线图像的数据集，并从中按照缺陷类型划分出新的第一子集和第二子集，之后分别基于第一网络模型和第二网络模型对新的子集进行增广，迭代执行上述步骤直至误筛率接近所述预设比例；所述误筛率指挑选出的仿真图像中真实图像所占的比例；当从混合数据集中挑选出的仿真图像中误筛率与所述预设比列接近，则指示所述四种缺陷的筛选仿真数据集达标，表示仿真的缺陷图像接近真实缺陷图像，将四种缺陷的筛选仿真数据集按照缺陷类型分别对照为所述第一数据集和第二数据集。6.一种铸件缺陷识别方法，其特征在于，包括如下步骤：确定铸件x射线图像；将所述铸件x射线图像输入到铸件缺陷识别模型，以基于铸件x射线图像对铸件对应区域的缺陷进行识别；所述铸件缺陷识别模型采用权利要求1至5任一项所述的训练方法训练得到。7.根据权利要求6所述的方法，其特征在于，所述铸件缺陷识别模型所用的神经网络为用于铸件探伤图像缺陷自动分割定位和分类的神经网络。8.一种铸件缺陷识别模型训练装置，其特征在于，包括：数据集确定模块，用于确定铸件x射线图像的数据集，并将所述数据集按照缺陷的类别划分为两个子集；其中，第一子集内图像的缺陷类型有线状缺陷和孔状缺陷，第二子集内图像的缺陷类型有缩松缺陷与高密度夹杂缺陷；其中，所述数据集中每张图像上仅有一种铸件缺陷；缺陷多样仿真模块，用于基于第一网络模型对所述第一子集进行增广，得到增广后的第一数据集；所述第一网络模型将生成对抗网络与深度卷积神经网络结合得到；所述生成对抗网络关注图像的整体超过局部，能够生成与第一子集中图像缺陷形态差异较大的且含有同类型缺陷的仿真图像，有效提高线状缺陷和孔状缺陷的形貌多样性，使得第一数据集中线状缺陷和孔状缺陷的形貌丰富多样；以及基于第二网络模型对所述第二子集进行增广，得到增广后的第二数据集；所述第二网络模型将变分自编码器与深度卷积神经网络结合得到；所述变分自编码器关注图像的局部超过整体，能够生成与第二子集中图像缺陷形态差异较大的且含有同类型缺陷的仿真图像，有效提高缩松缺陷与高密度夹杂缺陷的形貌多样性，使得第二数据集中缩松缺陷与高密度夹杂缺陷的形貌丰富多样；训练集确定模块，用于将所述第一数据集、第二数据集以及铸件真实x射线图像数据集进行混合，并对混合后的数据集进行常规二次增广，得到训练集；识别模型训练模块，用于基于所述训练集对神经网络进行训练，训练后得到铸件缺陷识别模型；所述神经网络用于基于接收的图像识别图像中的铸件缺陷和缺陷类型。9.一种铸件缺陷识别模型训练系统，其特征在于，包括：存储器和处理器；所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现如权利要求1-5任一项所述的训练方法。10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1-5任一项所述的训练方法。

技术总结
本发明提供一种铸件缺陷识别模型训练方法、缺陷识别方法、装置及系统，确定铸件X射线图像的数据集，并将数据集按照缺陷的类别划分为两个子集；其中，第一子集内图像的缺陷类型有线状缺陷和孔状缺陷，第二子集内图像的缺陷类型有缩松缺陷与高密度夹杂缺陷；基于第一网络模型对第一子集进行增广，得到第一数据集；基于第二网络模型对第二子集进行增广，得到第二数据集；将第一数据集、第二数据集以及铸件真实X射线图像数据集进行混合，并对混合后的数据集进行二次增广，得到训练集；基于训练集对神经网络进行训练，训练后得到铸件缺陷识别模型。本发明通过仿真的方式增加了训练集中缺陷形貌多样性，实现人工检测到机器检测的突破，提高检测效率。提高检测效率。提高检测效率。


技术研发人员：计效园 侯明君 武博 李天佑 陈众 赵高瞻 黄志伟 陶健全 陈强 周建新 殷亚军
受保护的技术使用者：中国兵器装备集团西南技术工程研究所
技术研发日：2022.10.21
技术公布日：2023/1/31