(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210448555.7 (22)申请日 2022.04.27 (65)同一申请的已公布的文献号 申请公布号 CN 114549997 A (43)申请公布日 2022.05.27 (73)专利权人 清华大学 地址 100084 北京市海淀区清华园1号 (72)发明人 黄必清　王雅妮　徐荣阁　汪祥　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 专利代理师 黄德海 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/26(2022.01) G06V 10/44(2022.01)G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 WO 2021137745 A1,2021.07.08 审查员 林婉娟 (54)发明名称 一种基于区域特征提取的X光图像缺陷检测 方法和装置 (57)摘要 本申请涉及数字图像处理技术领域， 特别涉 及一种基于区域特征提取的X光图像缺陷检测方 法和装置， 其中， 方法包括： 获取待检测目标的X 光图像； 将X光图像输入至预先训练的缺陷概率 预测模型， 预测X光图像的每个检测区域的实际 缺陷概率， 其中， 缺陷概率预测模型基于多层神 经网络训练得到； 确定实际缺陷概率大于预设概 率阈值的至少一个检测区域， 并根据至少一个检 测区域生 成缺陷图像， 识别缺陷图像得到待检测 目标的实际缺陷类型。 由此， 本申请实施例可 以 在提高检测效率的同时， 保证了涡 轮叶片内部缺 陷检测的高精细度与高效率， 有效克服相关技术 中检测慢、 设备繁杂的缺 点。 权利要求书2页 说明书9页 附图2页 CN 114549997 B 2022.07.29 CN 114549997 B 1.一种基于区域特 征提取的X光图像缺陷检测方法， 其特 征在于， 包括以下步骤： 获取待检测目标的X光图像； 将所述X光图像输入至预先训练的缺陷概率预测模型， 预测所述X光图像的每个检测区 域的实际缺陷概 率， 其中， 所述 缺陷概率预测模型基于多层神经网络训练得到； 以及 确定所述实际缺陷概率大于预设概率阈值的至少一个检测区域， 并根据 所述至少一个 检测区域 生成缺陷图像， 识别所述 缺陷图像得到所述待检测目标的实际缺陷类型； 在将所述X光图像输入至预先训练的缺陷概率预测模型之前， 还包括： 对所述X光图像 进行图像增强处 理， 并提取 所述待检测X光图像的缺陷特 征图； 所述将所述X光图像输入至预先训练的缺陷概率预测模型， 预测所述X光图像的每个检 测区域的实际缺陷概率， 包括： 将所述缺陷特征图输入所述多层神经网络的第一层神经网 络， 提取所述缺陷特征图的特征向量； 将所述特征向量输入所述多层神经网络的第二层神 经网络， 对所述特征向量进行卷积运算， 得到所述每个检测区域的实际缺陷概率； 其中， 所 述第一层神经网络包括Backbone网络和Neck网络， 所述第二层神经网络包括Prediction网 络。 2.根据权利要求1所述的方法， 其特征在于， 所述缺陷概率预测模型基于多层神经网络 训练得到， 包括： 获取样本图像的样本缺陷概 率值和样本缺陷标注特 征图像； 将所述样本缺陷标注特征图像输入所述多层神经网络的第 一层神经网络， 提取所述样 本缺陷标注特 征图像的特 征向量； 将所述特征向量输入所述多层神经网络的第 二层神经网络， 对所述特征向量进行卷积 运算， 得到所述样本图像的每 个检测区域的预测缺陷概 率； 将所述样本缺陷概率值和所述预测缺陷概率输入预设损 失函数， 得到损 失值， 根据所 述损失值修正所述第一层神经网络和所述第二层神经网络的网络参数， 并在所述预设损失 函数收敛或训练次数达 到目标次数时， 完成训练， 并得到所述 缺陷概率预测模型。 3.一种基于区域特 征提取的X光图像缺陷检测装置， 其特 征在于， 包括： 获取模块， 用于获取待检测目标的X光图像； 预测模块， 用于将所述X光图像输入至预先训练的缺陷概率预测模型， 预测所述X光图 像的每个检测区域的实际缺陷概率， 其中， 所述缺陷概率预测模型基于多层神经网络训练 得到； 以及 检测模块， 用于确定所述实 际缺陷概率大于预设概率阈值的至少一个检测区域， 并根 据所述至少一个检测区域生成缺陷图像， 识别所述缺陷图像得到所述待检测目标的实际缺 陷类型； 处理模块， 用于在将所述X光图像输入至预先训练的缺陷概率预测模型之前， 对所述X 光图像进行图像增强处 理， 并提取 所述待检测X光图像的缺陷特 征图； 所述预测模块用于： 将所述缺陷特征图输入所述多层神经网络的第一层神经网络， 提 取所述缺陷特征图的特征向量； 将所述特征向量输入所述多层神经网络的第二层神经网 络， 对所述特征向量进行卷积运算， 得到所述每个检测区域的实际缺陷概率； 其中， 所述第 一层神经网络包括Backbo ne网络和Neck网络， 所述第二层神经网络包括Predicti on网络。 4.根据权利要求3所述的装置， 其特 征在于， 还 包括：权　利　要　求　书 1/2 页 2 CN 114549997 B 2训练模块， 用于获取样本 图像的样本缺陷概率值和样本缺陷标注特征图像； 将所述样 本缺陷标注特征图像输入所述多层神经网络的第一层神经网络， 提取所述样本缺陷标注特 征图像的特征向量； 将所述特征向量输入所述多层神经网络的第二层神经网络， 对所述特 征向量进行卷积运算， 得到所述样本图像的每个检测区域的预测 缺陷概率； 将所述样本缺 陷概率值和所述预测 缺陷概率输入预设损失函数， 得到损失值， 根据所述损失值修正所述 第一层神经网络和所述第二层神经网络的网络参数， 并在所述预设损失函数收敛或训练 次 数达到目标次数时， 完成训练， 并得到所述 缺陷概率预测模型。 5.一种基于区域特 征提取的X光图像缺陷检测系统， 其特 征在于， 包括： X光扫描设备， 用于扫描 待检测目标， 得到X光图像； 图像处理与检测设备， 包括如权利要求3 ‑4任意一项所述的基于区域特征提取的X光图 像缺陷检测装置， 用于基于X光图像进行缺陷检测， 得到所述待检测目标的实际缺陷类型。 6.一种电子设备， 其特征在于， 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程序， 以实现如权利要求 1‑2任一项所 述的基于区域特 征提取的X光图像缺陷检测方法。 7.一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， 该程序被处理器执 行， 以用于实现如权利要求1 ‑2任一项所述的基于区域特 征提取的X光图像缺陷检测方法。权　利　要　求　书 2/2 页 3 CN 114549997 B 3