图像缺陷检测模型构建方法、图像缺陷检测方法及装置

本发明涉及电容层析成像，具体而言，涉及一种图像缺陷检测模型构建方法、图像缺陷检测方法及装置。

背景技术：

1、平面电容层析成像技术(planar electrical capacitance tomography，pect)是一种新型的多相流可视化检测技术，其原理与电容断层成像技术相同，均是利用电容的边缘效应。在物体表面施加外部激励，稳态电场中介电常数分布的变化将导致电场分布的变化，从而引起阵列传感器测量的电容值的变化，通过图像重建算法，利用测量的电容值的变化来重建测量区域的介电常数分布，并得到介电常数分布图像。但平面阵列电容成像的逆向问题，即平面阵列电容成像的反问题是一个不确定的问题，其中由噪声造成的原始数据的误差导致近似解与实际解的明显偏差，从而导致重建图像的精度较差。

2、如今，机器学习和深度学习已被用于解决图像重建问题，例如利用cnn从一维信号中实现缺陷的智能识别，从而提高换热管缺陷的识别精度等，但通过现有技术手段对图像重建过程中，通常需要处理大量的数据和进行复杂的计算，这导致了图像重建的计算量较大，从而使检测效率低，且在运行机器学习和深度学习时，对于受数据集的限制，导致重建后的图像仍然存在误差。

技术实现思路

1、本发明解决的问题是如何提高pect图像缺陷检测的精度。

2、为解决上述问题，本发明提供一种图像缺陷检测模型构建方法，包括如下步骤：

3、获取多个已知缺陷材料的有损电容数据及对应的真实缺陷图像集，并根据每组所述有损电容数据得到对应的灵敏度场；

4、对每个所述灵敏度场进行优化，并通过优化后的所述灵敏度场和对应的所述有损电容数据得到对应的介电常数分布；

5、分别根据各所述介电常数分布进行图像重建，得到初始重建图像集；

6、根据所述初始重建图像集和所述真实缺陷图像集对原始dualgan模型进行训练及优化，得到图像缺陷检测模型，所述图像缺陷检测模型用于得到待测材料对应的缺陷图像。

7、可选地，所述原始dualgan模型的构建过程包括：

8、获取dualgan基础模型，所述dualgan基础模型包括生成器；

9、通过对所述生成器中每层网络的融合模块后增设注意力机制模块，得到所述原始dualgan模型；

10、其中，所述注意力机制模块基于bahdanau注意力模块构成。

11、可选地，所述根据所述初始重建图像集和所述真实缺陷图像集对原始dualgan模型进行训练及优化，得到图像缺陷检测模型，包括：

12、分别对所述初始重建图像集和所述真实缺陷图像集进行扩充处理，得到目标重建图像集和目标真实图像集；

13、根据所述目标重建数据集和所述目标真实图像集对所述原始缺陷检测模型进行训练及调优，得到临时缺陷检测模型及临时数据集，所述临时数据集为所述原始缺陷检测模型的输出，所述临时数据集包括临时重建图像集和临时真实图像集；

14、根据所述临时重建图像集和所述临时真实图像集对所述临时缺陷检测模型进行训练并调优，得到所述图像缺陷检测模型。

15、可选地，所述对每个所述灵敏度场进行优化，并通过对应的所述有损电容数据和优化后的所述灵敏度场得到对应的介电常数分布，包括：

16、基于改进粒子群算法对所述灵敏度场进行优化，得到优化后的所述灵敏度场；

17、根据所述有损电容数据和优化后的所述灵敏度场得到对应的所述介电常数分布。

18、可选地，所述根据所述有损电容数据和优化后的所述灵敏度场得到对应的所述介电常数分布，包括：

19、获取无损电容数据，并根据所述无损电容数据和所述有损电容数据得到变化电容数据；

20、根据所述变化电容数据和优化后的所述灵敏度场得到对应的介电常数分布。

21、可选地，所述基于改进粒子群算法对所述灵敏度场进行优化，得到优化后的所述灵敏度场，包括：

22、根据所述改进粒子群算法得到最优粒子位置，并根据所述最优粒子位置和所述灵敏度场的对角矩阵得到权重矩阵；

23、根据所述权重矩阵更新所述灵敏度场，得到临时灵敏度场，并对所述临时灵敏度场进行归一化操作，得到优化后的所述灵敏度场。

24、可选地，所述改进粒子群算法包括：

25、获取初始粒子群，并根据所述初始粒子群获取每个粒子的舒适度数据；

26、根据所述舒适度数据更新各所述粒子的速度和位置，直至满足预设舒适度函数最小化；

27、获取最优舒适度，根据所述最优舒适度得到对应的所述粒子的目标位置；

28、将所述目标位置作为初始粒子群的数量，得到目标粒子群；

29、根据所述目标粒子群得到对应的目标舒适度，并根据所述目标舒适度得到所述最优粒子位置。

30、本发明所述的图像缺陷检测模型构建方法相对于现有技术的优势在于：

31、首先通过获得多个已知缺陷材料的有损电容数据和对应的真实缺陷图像，该过程不仅提供了电容数据，还提供了真实的缺陷图像，为后续模型训练和优化提供了实际的数据支撑；对每个灵敏度场进行优化，并据优化后的灵敏度场和对应的有损电容数据得到介电常数分布，即通过分析和优化灵敏度场，可以获得更准确的介电常数分布，这使重建缺陷图像时相对精准。根据介电常数分布进行图像重建，生成初始的重建图像集，有助于建立对应的训练数据，提供了先验信息，为模型训练提供了基础和方向。通过训练dualgan模型，优化并得到图像缺陷检测模型。该模型可实现更准确的图像重建以及对缺陷的更敏感的检测，达到更好的缺陷标记效果。由于dualgan模型是一种生成对抗网络(gan)的变种，它不需要配对数据来训练，这意味着可以更轻松地利用大规模和不完整的数据集来训练模型，从而减少了数据标注的工作量，因此可以更有效地生成逼真的缺陷图像。

32、因此，本发明通过综合利用有损电容数据、灵敏度场和真实的缺陷图像集，提高了图像缺陷模型的训练效果，有效地实现了电容成像技术与图像识别技术的融合；并通过利用先进的dualgan模型，使得缺陷图像重建和检测具有更高的准确性和鲁棒性。这种方法相对于传统的基于规则或特征提取的缺陷检测方式更加灵活和高效。

33、为解决上述技术问题，本发明还提供一种图像缺陷检测模型构建装置，包括：

34、获取单元，用于获取多个已知缺陷材料的有损电容数据及对应的真实缺陷图像集，并根据每组所述有损电容数据得到对应的灵敏度场；

35、处理单元，用于对每个所述灵敏度场进行优化，并通过优化后的所述灵敏度场和对应的所述有损电容数据得到对应的介电常数分布；

36、所述处理单元还用于分别根据各所述介电常数分布进行图像重建，得到初始重建图像集；根据所述初始重建图像集和所述真实缺陷图像集对原始dualgan模型进行训练及优化，得到图像缺陷检测模型，所述图像缺陷检测模型用于得到待测材料对应的缺陷图像。

37、本发明所述的图像缺陷检测模型构建装置与所述图像缺陷检测模型构建方法相对于现有技术的优势相同，在此不再赘述。

38、为解决上述技术问题，本发明还提供一种图像缺陷检测方法，包括：

39、获取待测材料对应的有损电容数据及对应的灵敏度场；

40、对每个所述灵敏度场进行优化，并通过对应的所述有损电容数据和优化后的所述灵敏度场得到对应的介电常数分布；

41、根据所述介电常数分布进行图像重建，得到待测初始图像，并根据预设存储库获取匹配的目标图像；

42、根据所述待测初始图像和所述目标图像输入至所述的图像缺陷检测模型构建方法所构建的图像缺陷检测模型中，得到目标缺陷图像。

43、本发明所述的图像缺陷检测方法与所述图像缺陷检测模型构建方法相对于现有技术的优势相同，在此不再赘述。

44、为解决上述技术问题，本发明还提供一种图像缺陷检测装置，包括：

45、获取模块，用于；获取待测材料对应的有损电容数据及对应的灵敏度场；

46、处理模块，用于对每个所述灵敏度场进行优化，并通过对应的所述有损电容数据和优化后的所述灵敏度场得到对应的介电常数分布；

47、所述处理模块还用于根据所述介电常数分布进行图像重建，得到待测初始图像，并根据预设存储库获取匹配的目标图像；根据所述待测初始图像和所述目标图像输入至所述的图像缺陷检测模型构建方法所构建的的图像缺陷检测模型中，得到目标缺陷图像。

48、本发明所述的图像缺陷检测装置与所述图像缺陷检测模型构建方法相对于现有技术的优势相同，在此不再赘述。