本技术涉及图像检测,具体而言,涉及一种基于金属材料缺陷的图像检测方法、系统。
背景技术:
1、随着工业制造和生产信息化程度的不断提高,金属材料的缺陷一般在肉眼是看不见,需要采用超声c扫成像检测设备进行检测,在现有技术中,金属材料经过超声c扫成像检测设备,并且根据金属材料的扫描图像进行人为式判断,此时,人为对金属材料的扫描图像与预设的缺陷图像进行比对,导致现有的金属材料缺陷的图像检测的检测精度较低。
技术实现思路
1、本技术的实施例提供了一种基于金属材料缺陷的图像检测方法、系统,进而至少在一定程度上实现了通过构建基于小样本学习模型框架进行训练,利用训练后的小样本学习模型对金属材料缺陷图像进行检测,输出检测结果,以便于小样本学习模型对各种金属材料进行对应的缺陷检测,从而分析金属材料的内部缺陷,提高了金属材料缺陷的图像检测的检测精度。
2、本技术的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本技术的实践而习得。
3、根据本技术实施例的一个方面,提供了一种基于金属材料缺陷的图像检测方法,包括:
4、利用水浸式超声c扫成像检测设备,对金属材料进行扫描,得到金属材料缺陷图像;
5、构建基于小样本学习模型框架进行训练,利用训练后的小样本学习模型对金属材料缺陷图像进行检测,输出检测结果。
6、在本技术的一些实施例中,所述利用水浸式超声c扫成像检测设备,对金属材料进行扫描,得到金属材料缺陷图像,包括:
7、基于水浸式超声c扫成像检测设备,并将金属材料在水浸式超声c扫成像检测设备的作用下进行扫描;
8、根据金属材料的位置调整水浸式超声c扫成像检测设备的探头;
9、在水浸式超声c扫成像检测设备的探头对金属材料的检测过程中,提取金属材料的缺陷信息;
10、根据金属材料的缺陷信息进行成像处理,并经过水浸式超声c扫成像检测设备输出金属材料缺陷图像。
11、在本技术的一些实施例中,所述方法还包括:
12、水浸式超声c扫成像检测设备通过检测主程序发送各功能型号的控制命令,基于控制命令配合探头运动、传感器脉冲激励、信号采集、处理和存储功能。
13、在本技术的一些实施例中,所述构建基于小样本学习模型框架进行训练,利用训练后的小样本学习模型对金属材料缺陷图像进行检测,输出检测结果,包括:
14、依次构建图像特征提取与仿射模块、布朗距离协方差计算模块和距离度量模块;
15、根据图像特征提取与仿射模块、布朗距离协方差计算模块和距离度量模块依次形成小样本学习模型,其中,小样本学习模型基于小样本学习模型框架进行训练,并且基于以往金属材料缺陷图像和检测结果训练而成;
16、利用训练后的小样本学习模型对金属材料缺陷图像进行检测,输出检测结果。
17、在本技术的一些实施例中,所述构建图像特征提取与仿射模块包括:
18、对金属材料缺陷图像进行预处理,并将其划分为查询集(q)和支持集(s);
19、将支持集样本数据输入至卷积神经网络resnet18模块,将输入图像转化为特征向量r1;
20、将特征向量r1通过归一化bn层后的特征仿射层(feature-affine layer),仿射生成特征向量r2,使用特征仿射层后能有效扩充样本数量和多样性;其中,特征仿射层模块通常位于特征编码器中bn层之后,对bn层的输出进行线性仿射处理,以此扩充低分辨率图像特征的多样性。设定支持集(s)中某个子任务在经过bn层的输出为r2,则通过特征仿射层后的输出可以表示为r5;
21、计算公式如下:
22、r5=αi×r2+βi
23、其中α和β分别为特征仿射层中代表权重和偏置的可变超参数,并预先使用高斯分布对两者进行初始化,高斯分布均值项分别为1和0,高斯分布方差项分别为relu(θα)和relu(θβ);
24、将查询集(q)输入至卷积神经网络resnet18模块,将输入图像转化为特征向量r3,并且不通过特征仿射层模块处理。
25、在本技术的一些实施例中,所述构建布朗距离协方差计算模块包括:
26、将特征向量r2和r3输入至布朗距离协方差计算模块,计算对应的布朗距离协方差矩阵向量r4和r5;
27、将布朗距离协方差矩阵向量r4和r5输入至原型中心计算模块,计算每类样本类别对应的原型中心c1和c2。
28、在本技术的一些实施例中,所述构建距离度量模块包括:
29、将原型中心c1和c2作为每类样本类别基准,计算未知类别对应布朗距离协方差矩阵向量r和已知原型中心的度量距离l;
30、将度量距离l经过全连接层和softmax,得到输出预测类别o,输出o的具体公式为:
31、
32、
33、
34、
35、
36、根据步骤s8中得到的最终结果构建损失函数,用于模型收敛和更新特征仿射层。
37、在本技术的一些实施例中,所方法还包括:
38、通过计算支持集(s)原型中心c1和已知标签y1的布朗距离协方差度量,以此收敛模型,避免出现过拟合和不适定解问题,具体公式如下:
39、l=lcls(y1-bdc(c1,r5)softmax);
40、或者,通过计算查询集(q)原型中心c2和已知标签y2的布朗距离协方差度量,更新特征仿射层参数,具体公式如下:
41、lfa=lcls(y2-bdc(c2,r3)softmax)
42、其中,lcls选取为交叉熵损失函数。
43、根据本技术实施例的一个方面,提供了一种基于金属材料缺陷的图像检测系统,包括:
44、图像模块,用于利用水浸式超声c扫成像检测设备,对金属材料进行扫描,得到金属材料缺陷图像;
45、检测模块,用于构建基于小样本学习模型框架进行训练,利用训练后的小样本学习模型对金属材料缺陷图像进行检测,输出检测结果。
46、根据本技术实施例的一个方面,提供了一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述实施例中所述的基于金属材料缺陷的图像检测方法。
47、根据本技术实施例的一个方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述实施例中所述的基于金属材料缺陷的图像检测方法。
48、根据本技术实施例的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述实施例中提供的基于金属材料缺陷的图像检测方法。
49、在本技术的一些实施例所提供的技术方案中,利用水浸式超声c扫成像检测设备,对金属材料进行扫描,得到金属材料缺陷图像;构建基于小样本学习模型框架进行训练,利用训练后的小样本学习模型对金属材料缺陷图像进行检测,输出检测结果,以便于小样本学习模型对各种金属材料进行对应的缺陷检测,从而分析金属材料的内部缺陷,提高了金属材料缺陷的图像检测的检测精度。
50、应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本技术。