(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210872244.3 (22)申请日 2022.07.20 (71)申请人 河南科技大 学 地址 471000 河南省洛阳市涧西区西苑路 48号 (72)发明人 陶发展　吴阳　付主木　宋书中　 冀保峰　陈启宏　司鹏举　焦龙吟　 张冬凯　张中才　李梦杨　 (74)专利代理 机构 合肥左心 专利代理事务所 (普通合伙) 34152 专利代理师 王凯 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/34(2022.01) G06V 10/774(2022.01)G06V 10/762(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习和超声红外图像的金属 部件裂纹检测方法 (57)摘要 本发明涉及机器视觉领域， 公开了一种基于 深度学习和超声红外图像的金属部件裂纹检测 方法， S1、 构建超声激励下带有裂纹的金属部件 的红外图像数据集； S2、 对获取的数据集进行图 像预处理； S3、 由预处理后的数据集训练改进的 YOLOv3网络模型； S4、 输入待检测图像或视频， 通 过训练出的金属部件裂纹检测模 型进行检测， 判 断是否存在缺陷并实现定位。 本发 明主干网络中 采用跨级残差结构和跨阶段密集特征重用块， 以 提高特征的可重用性； 改进金字塔复合神经网络 结构， 能够获取丰富的上下文信息并且引入特征 细化机制来抑制冲突信息， 防止微小目标淹没在 冲突语义信息中， 从而对更加细微的裂纹缺陷进 行检测。 权利要求书1页 说明书5页 附图3页 CN 115456938 A 2022.12.09 CN 115456938 A 1.一种基于深度学习和超声红外图像的金属部件裂纹检测方法， 其特征在于， 包括以 下步骤： S1:构建超声激励下 带有裂纹的金属部件的红外图像数据集； S2:对获取的数据集进行图像预处 理； S3:采用改进的YOLOv3特征提取网络对各个预处理图像进行超声激励下金属部件裂纹 的特征提取， 得到特 征图， 并训练裂纹检测网络模型； S4:输入待检测图像， 由裂纹检测模型对待检测图像进行检测， 判断待检测图像 中是否 存在缺陷并实现定位。 2.根据权利要求1所述的一种基于深度学习和超声红外图像的金属部件裂纹检测方 法， 其特征在于， 得到裂纹检测网络模型的步骤如下： A1： 采集超声激励下 带有裂纹的金属部件红外图像并制作成VOC数据集； A2： 通过数据增强技 术对数据集中的红外图像进行 预处理； A3： 通过K‑means聚类算法对数据集进行聚类； A4： 通过数据集对改进的YOLOv3网络模型进行训练， 得到可精确检测金属部件裂纹的 网络模型。 3.根据权利要求2所述的一种基于深度学习和超声红外图像的金属部件裂纹检测方 法， 其特征在于， 对于裂纹检测网络模型训练的步骤如下： A41： 将数据 集图像输入Darknet ‑53主干网络， 通过跨级残差结构获取数据 集中的特征 信息； A42： 引入通道注意力 模块和空间注意力 模块形成CBAM(卷积块注意力)模块， 在不同的 空间位置或者通道中， 对特征信息 分配不同的权重， 让模型关注与特征信息丰富的通道， 同 时忽略无用的特 征信息， 之后生成三个不同尺度的特 征图； A43： 通过改进后的特征金字塔复合网络对特征图进行特征融合， 从而进行多尺度的裂 纹位置预测。 4.根据权利要求3所述的一种基于深度学习和超声红外图像的金属部件裂纹检测方 法， 其特征在于， 获得 特征图的步骤为： L1： 通过连续多层跨级残差块获得不同梯度的特 征信息； L2： 通过跨阶段密集特征重用块对不同梯度的特征信息进行重用， 经过CBAM模块生成 不同梯度的特 征图， 并将不同梯度的特 征图输入到改进后的特 征金字塔网络中。权　利　要　求　书 1/1 页 2 CN 115456938 A 2一种基于深度学习和超声红外图像的金属部件裂纹检测方 法 技术领域 [0001]本发明属于机器视觉领域， 特别涉及一种基于深度学习和超声红外图像金属部件 裂纹检测方法。 背景技术 [0002]超声波在激励被测件时， 引起物体振动， 裂缝缺陷两侧接触面的振动状态不一致 导致互相摩擦、 碰撞， 摩擦做功将超声波的能量转化为热能， 并且由于热量的传导， 使缺陷 周围温度随之增高， 且呈现梯度分布。 [0003]红外成像是根据物体的所有温度高于绝度零度发射不同波长红外辐射的性质， 并 且物体温度越高， 红外辐射就越强， 这种红外辐射包含了物体的特征信息， 再由热像仪将人 眼不可见的辐射图像转 化为清晰可 见的图像。 [0004]超声红外热成像缺陷检测具有检测范围大、 适用材料广泛等优势， 被广泛应用于 金属材料、 复合材料的检测中， 但存在对经验要求高、 人工误检率、 成本高的问题， 此外， 在 很多复杂危险环境中人员难以达到， 无法实现缺陷检测的任务， 因此结合深度学习算法提 出一种智能可远程监测的自动缺陷检测方法。 以  YOLOv3为代表的深度学习目标检测算法 以其检测速度快、 精确度高的特点， 在生活生产以及研究中被广泛应用。 但是由于YOLOv3是 为通用目标检测设计的， 直接用于裂纹缺陷的红外检测中， 检测精度和速度都大打折扣， 因 此本发明对  YOLOv3算法做出一定的改进， 使其对超声激励红外图像下的金属部件裂纹缺 陷具有更强的检测能力。 发明内容 [0005]本发明的目的是提供一种基于深度学习和超声红外图像金属部件裂 纹检测方法， 用以解决工业 生产中的金属部件内部裂缝缺陷的自动检测问题。 [0006]为实现上述目的， 本发明采用如下的技 术方案： [0007]一种基于深度学习和超声红外图像金属部件裂纹检测方法， 包括 步骤： [0008]S1:构建超声激励下 带有裂纹的金属部件的红外图像数据集； [0009]S2:对获取的数据集进行图像预处 理； [0010]S3:采用改进的YOLOv3特征提取 网络对各个预处理图像进行超声激励下金属部件 裂纹的特 征提取， 得到特 征图， 并训练裂纹检测网络模型； [0011]S4:输入待检测图像， 由裂纹检测模型对待检测图像进行检测， 判断待检测图像中 是否存在缺陷并实现定位。 [0012]进而， 得金属部件裂纹检测网络模型的步骤如下： [0013]A1： 采集超声激励下 带有裂纹的金属部件红外图像并制作成VOC数据集； [0014]A2： 通过数据增强技 术对数据集中的红外图像进行 预处理； [0015]A3： 通过K‑means聚类算法对数据集进行聚类； [0016]A4： 通过数据集对改进的YOLOv3网络模型进行训练， 得到可精确检测金属部件裂说　明　书 1/5 页 3 CN 115456938 A 3