本发明涉及缺陷识别,尤其涉及一种工业ct图像识别方法及其装置、工业ct图像识别系统。
背景技术:
1、工业计算机断层扫描成像技术(industrial computed tomography),简称为工业ct技术,随着科学技术的发展和进步,工业ct设备的性能逐年提高,成本逐渐下降,工业ct技术得到了迅猛发展,被认为是目前最佳的无损检测手段。
2、然而,目前在对工业ct图像进行缺陷识别时,只是简单提取各自独立的特征,导致缺陷的诊断识别准确度低,鲁棒性差。
技术实现思路
1、有鉴于此,本发明提供一种工业ct图像识别方法及其装置、工业ct图像识别系统,用于解决目前在对工业ct图像进行缺陷识别时,只是简单提取各自独立的特征,导致缺陷的诊断识别准确度低,鲁棒性差的问题。
2、为解决上述技术问题,第一方面,本发明提供一种工业ct图像识别方法,包括:
3、提取工业ct图像中的颜色特征向量、纹理特征向量以及形状特征向量;
4、对所述颜色特征向量、所述纹理特征向量以及所述形状特征向量进行融合,得到融合特征向量;
5、将所述工业ct图像和所述融合特征向量进行拼接,得到拼接结果,将所述拼接结果分别作为第一卷积神经网络和第二卷积神经网络的输入,由所述第一卷积神经网络输出第一特征向量,所述第二卷积神经网络输出第二特征向量,其中,所述第一卷积神经网络和所述第二卷积神经网络的结构不同;
6、将所述第一特征向量和所述第二特征向量进行加权融合,得到第三特征向量;
7、根据所述第三特征向量与模板图像的特征向量,识别所述工业ct图像中的缺陷。
8、可选的,所述第一卷积神经网络为vgg卷积神经网络,所述第一卷积神经网络包括多个连续的卷积层和多个全连接层,所述卷积层包括多个3×3的卷积核和多个2×2的小池化核。
9、可选的,所述第二卷积神经网络为alexnet卷积神经网络,所述第二卷积神经网络包括5个卷积层和3个全连接层,第一层卷积层的卷积核的大小为11×11×3,第二层卷积层的卷积核的大小为5×5,第三层卷积层的卷积核的大小为3×3,第四层卷积层的卷积核的大小为3×3,第五层卷积层的卷积核的大小为3×3。
10、可选的,所述将所述第一特征向量和所述第二特征向量进行加权融合,得到第三特征向量包括:
11、计算所述第一特征向量的第一欧式距离值以及所述第二特征向量的第二欧式距离值;
12、根据所述第一欧式距离值和所述第二欧式距离值确定所述第一特征向量以及所述第二特征向量的权重;
13、根据所述第一特征向量以及所述第二特征向量的权重,对所述第一特征向量和所述第二特征向量进行加权求和,得到第三特征向量。
14、可选的,所述根据所述第三特征向量与模板图像的特征向量,识别所述工业ct图像中的缺陷包括:
15、计算所述第三特征向量与模板图像的特征向量的相似度;
16、将目标模板图像中的缺陷确定为所述工业ct图像中的缺陷,其中,所述目标模板图像与所述第三特征向量的相似度大于预设相似度阈值,不同模板图像中具有不同缺陷。
17、第二方面,本发明还提供一种工业ct图像识别装置,包括:
18、提取模块,用于提取工业ct图像中的颜色特征向量、纹理特征向量以及形状特征向量;
19、第一融合模块,用于对所述颜色特征向量、所述纹理特征向量以及所述形状特征向量进行融合,得到融合特征向量;
20、处理模块,用于将所述工业ct图像和所述融合特征向量进行拼接,得到拼接结果,将所述拼接结果分别作为第一卷积神经网络和第二卷积神经网络的输入,由所述第一卷积神经网络输出第一特征向量,所述第二卷积神经网络输出第二特征向量,其中,所述第一卷积神经网络和所述第二卷积神经网络的结构不同;
21、第二融合模块,用于将所述第一特征向量和所述第二特征向量进行加权融合,得到第三特征向量;
22、识别模块,用于根据所述第三特征向量与模板图像的特征向量,识别所述工业ct图像中的缺陷。
23、可选的,所述第一卷积神经网络为vgg卷积神经网络,所述第一卷积神经网络包括多个连续的卷积层和多个全连接层,所述卷积层包括多个3×3的卷积核和多个2×2的小池化核。
24、可选的,所述第二卷积神经网络为alexnet卷积神经网络,所述第二卷积神经网络包括5个卷积层和3个全连接层,第一层卷积层的卷积核的大小为11×11×3,第二层卷积层的卷积核的大小为5×5,第三层卷积层的卷积核的大小为3×3,第四层卷积层的卷积核的大小为3×3,第五层卷积层的卷积核的大小为3×3。
25、可选的,所述第二融合模块包括:
26、第一计算单元,用于计算所述第一特征向量的第一欧式距离值以及所述第二特征向量的第二欧式距离值;
27、第一确定单元,用于根据所述第一欧式距离值和所述第二欧式距离值确定所述第一特征向量以及所述第二特征向量的权重;
28、加权求和单元,用于根据所述第一特征向量以及所述第二特征向量的权重,对所述第一特征向量和所述第二特征向量进行加权求和,得到第三特征向量。
29、可选的,所述识别模块包括:
30、第二计算单元,用于计算所述第三特征向量与模板图像的特征向量的相似度;
31、第二确定单元,用于将目标模板图像中的缺陷确定为所述工业ct图像中的缺陷,其中,所述目标模板图像与所述第三特征向量的相似度大于预设相似度阈值,不同模板图像中具有不同缺陷。
32、第三方面,本发明还提供一种工业ct图像识别系统,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;所述处理器执行所述计算机程序时实现上述任一种工业ct图像识别方法。
33、第四方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任一种工业ct图像识别方法中的步骤。
34、本发明的上述技术方案的有益效果如下:
35、本发明实施例中,通过对提取的各特征向量进行融合处理,可以提高缺陷识别的准确度、鲁棒性和泛化性。
1.一种工业ct图像识别方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述第一卷积神经网络为vgg卷积神经网络,所述第一卷积神经网络包括多个连续的卷积层和多个全连接层,所述卷积层包括多个3×3的卷积核和多个2×2的小池化核。
3.根据权利要求1所述的方法,其特征在于,所述第二卷积神经网络为alexnet卷积神经网络,所述第二卷积神经网络包括5个卷积层和3个全连接层,第一层卷积层的卷积核的大小为11×11×3,第二层卷积层的卷积核的大小为5×5,第三层卷积层的卷积核的大小为3×3,第四层卷积层的卷积核的大小为3×3,第五层卷积层的卷积核的大小为3×3。
4.根据权利要求1所述的方法,其特征在于,所述将所述第一特征向量和所述第二特征向量进行加权融合,得到第三特征向量包括:
5.根据权利要求4所述的方法,其特征在于,所述根据所述第三特征向量与模板图像的特征向量,识别所述工业ct图像中的缺陷包括:
6.一种工业ct图像识别装置,其特征在于,包括:
7.根据权利要求6所述的装置,其特征在于,所述第一卷积神经网络为vgg卷积神经网络,所述第一卷积神经网络包括多个连续的卷积层和多个全连接层,所述卷积层包括多个3×3的卷积核和多个2×2的小池化核。
8.根据权利要求6所述的装置,其特征在于,所述第二卷积神经网络为alexnet卷积神经网络,所述第二卷积神经网络包括5个卷积层和3个全连接层,第一层卷积层的卷积核的大小为11×11×3,第二层卷积层的卷积核的大小为5×5,第三层卷积层的卷积核的大小为3×3,第四层卷积层的卷积核的大小为3×3,第五层卷积层的卷积核的大小为3×3。
9.根据权利要求6所述的装置,其特征在于,所述第二融合模块包括:
10.根据权利要求9所述的装置,其特征在于,所述识别模块包括:
11.一种工业ct图像识别系统,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计算机程序时实现如权利要求1至5中任一项所述的工业ct图像识别方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5中任一项所述的工业ct图像识别方法中的步骤。