铝合金铸造成品的缺陷检测方法及其系统与流程

本技术涉及智能检测领域，且更为具体地，涉及一种铝合金铸造成品的缺陷检测方法及其系统。

背景技术：

1、铝合金铸造成品是一种广泛应用于航空、汽车、机械等领域的轻质高强度的材料，但是在铸造过程中，由于温度、压力、气体、夹杂物等因素的影响，可能会产生各种缺陷，如气孔、裂纹、夹渣、变形等，这些缺陷会降低铝合金铸造成品的性能和寿命，甚至导致严重的安全事故。

2、因此，对铝合金铸造成品进行有效的缺陷检测是非常必要的。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种铝合金铸造成品的缺陷检测方法及其系统。该方法包括：将被检测铝合金铸造成品放置于x射线检测设备；通过所述x射线检测设备采集所述被检测铝合金铸造成品的x-ray探测图像；以及，对所述x-ray探测图像进行分析以得到缺陷检测结果。通过这样的方式，实现对铝合金铸造成品的缺陷检测。

2、根据本技术的一个方面，提供了一种铝合金铸造成品的缺陷检测方法，其包括：

3、将被检测铝合金铸造成品放置于x射线检测设备；

4、通过所述x射线检测设备采集所述被检测铝合金铸造成品的x-ray探测图像；以及

5、对所述x-ray探测图像进行分析以得到缺陷检测结果。

6、在上述的铝合金铸造成品的缺陷检测方法中，对所述x-ray探测图像进行分析以得到缺陷检测结果，包括：

7、获取所述被检测铝合金铸造成品的x-ray探测图像；

8、对所述x-ray探测图像进行图像预处理以得到预处理后x-ray探测图像，其中，所述图像预处理包括图像滤波和直方图均衡化；

9、对所述预处理后x-ray探测图像进行图像分块处理以得到x-ray探测图像块的序列；

10、将所述x-ray探测图像块的序列通过包含嵌入层的vit模型以得到多个上下文x-ray探测图像块语义特征向量；

11、将所述多个上下文x-ray探测图像块语义特征向量排列为二维特征矩阵后通过使用空间注意力机制的卷积神经网络模型以得到分类特征矩阵；以及

12、将所述分类特征矩阵通过分类器以得到缺陷检测结果，所述缺陷检测结果用于表示被检测铝合金铸造成品是否存在内部结构缺陷。

13、在上述的铝合金铸造成品的缺陷检测方法中，对所述x-ray探测图像进行图像预处理以得到预处理后x-ray探测图像，其中，所述图像预处理包括图像滤波和直方图均衡化，包括：

14、对所述x-ray探测图像进行图像滤波处理以得到滤波后x-ray探测图像；以及

15、对所述滤波后x-ray探测图像进行直方图均衡化以得到所述预处理后x-ray探测图像。

16、在上述的铝合金铸造成品的缺陷检测方法中，将所述x-ray探测图像块的序列通过包含嵌入层的vit模型以得到多个上下文x-ray探测图像块语义特征向量，包括：

17、使用所述vit模型的嵌入层分别对所述x-ray探测图像块的序列中各个x-ray探测图像块进行嵌入化以得到多个x-ray探测图像块嵌入向量的序列；以及

18、将所述多个x-ray探测图像块嵌入向量的序列通过所述vit模型以得到所述多个上下文x-ray探测图像块语义特征向量。

19、在上述的铝合金铸造成品的缺陷检测方法中，将所述多个x-ray探测图像块嵌入向量的序列通过所述vit模型以得到所述多个上下文x-ray探测图像块语义特征向量，包括：

20、将所述多个x-ray探测图像块嵌入向量的序列进行一维排列以得到x-ray探测特征向量；

21、计算所述x-ray探测特征向量与所述多个x-ray探测图像块嵌入向量的序列中各个x-ray探测图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；

22、分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；

23、将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；以及

24、分别以所述多个概率值中各个概率值作为权重对所述多个x-ray探测图像块嵌入向量的序列中各个x-ray探测图像块嵌入向量进行加权以得到所述多个上下文x-ray探测图像块语义特征向量。

25、在上述的铝合金铸造成品的缺陷检测方法中，将所述多个上下文x-ray探测图像块语义特征向量排列为二维特征矩阵后通过使用空间注意力机制的卷积神经网络模型以得到分类特征矩阵，包括：

26、所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：

27、对输入数据进行卷积处理以生成卷积特征图；

28、对所述卷积特征图进行池化处理以生成池化特征图；

29、对所述池化特征图进行非线性激活以生成激活特征图；

30、计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；

31、计算所述空间特征矩阵中各个位置的类softmax函数值以获得空间得分矩阵；以及

32、计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵；

33、其中，所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述分类特征矩阵。

34、在上述的铝合金铸造成品的缺陷检测方法中，还包括：在将所述分类特征矩阵通过分类器进行分类时，在每个迭代时，对所述分类特征矩阵展开后得到的分类特征向量进行权重空间迭代递归的定向提议化优化。

35、在上述的铝合金铸造成品的缺陷检测方法中，对所述分类特征矩阵展开后得到的分类特征向量进行权重空间迭代递归的定向提议化优化，包括：以如下优化公式对所述分类特征向量进行权重空间迭代递归的定向提议化优化以得到优化分类特征向量；

36、其中，所述优化公式为：其中，和分别是上次和本次迭代的权重矩阵，是所述分类特征向量，是第一特征向量，是第二特征向量，是所述优化分类特征向量，表示矩阵乘法，、分别表示按位置加法和按位置点乘。

37、在上述的铝合金铸造成品的缺陷检测方法中，将所述分类特征矩阵通过分类器以得到缺陷检测结果，所述缺陷检测结果用于表示被检测铝合金铸造成品是否存在内部结构缺陷，包括：

38、将所述分类特征矩阵按照行向量或列向量展开为分类特征向量；

39、使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及

40、将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述缺陷检测结果。

41、根据本技术的另一个方面，提供了一种铝合金铸造成品的缺陷检测系统，其包括：

42、放置模块，用于将被检测铝合金铸造成品放置于x射线检测设备；

43、采集模块，用于通过所述x射线检测设备采集所述被检测铝合金铸造成品的x-ray探测图像；以及

44、图像分析模块，用于对所述x-ray探测图像进行分析以得到缺陷检测结果。

45、在上述的铝合金铸造成品的缺陷检测系统中，所述图像分析模块，包括：

46、图像获取单元，用于获取所述被检测铝合金铸造成品的x-ray探测图像；

47、图像预处理单元，用于对所述x-ray探测图像进行图像预处理以得到预处理后x-ray探测图像，其中，所述图像预处理包括图像滤波和直方图均衡化；

48、图像分块处理单元，用于对所述预处理后x-ray探测图像进行图像分块处理以得到x-ray探测图像块的序列；

49、嵌入化编码单元，用于将所述x-ray探测图像块的序列通过包含嵌入层的vit模型以得到多个上下文x-ray探测图像块语义特征向量；

50、空间注意力编码单元，用于将所述多个上下文x-ray探测图像块语义特征向量排列为二维特征矩阵后通过使用空间注意力机制的卷积神经网络模型以得到分类特征矩阵；以及

51、分类单元，用于将所述分类特征矩阵通过分类器以得到缺陷检测结果，所述缺陷检测结果用于表示被检测铝合金铸造成品是否存在内部结构缺陷。

52、与现有技术相比，本技术提供的铝合金铸造成品的缺陷检测方法及其系统，该方法包括：将被检测铝合金铸造成品放置于x射线检测设备；通过所述x射线检测设备采集所述被检测铝合金铸造成品的x-ray探测图像；以及，对所述x-ray探测图像进行分析以得到缺陷检测结果。通过这样的方式，实现对铝合金铸造成品的缺陷检测。