一种无损检测模型构建方法、无损检测方法、装置及介质与流程

本申请涉及一种无损检测，尤其涉及一种无损检测模型构建方法、无损检测方法、装置及介质。

背景技术：

1、当前，随着计算机硬件和显卡算力的不断提升，以及深度学习理论的不断更新，基于视觉的深度神经网络得到了充分的发展。因此，深度神经网络技术开始逐步替代传统图像处理技术，应用于产品表面缺陷检测。作为机器学习领域的新兴研究方向，深度神经网络的目标是引导机器更加智能化，最终实现完全智能化的人工智能。这一发展趋势与硬件性能的增长相辅相成，为产品表面缺陷检测提供了更高效、精确的解决方案。

2、红外热波无损检测技术是一种基于热传导和红外辐射理论的快速有效的无损检测技术，在材料表面缺陷的测试和表征方面具有突出优势。由于其非接触、高灵敏度和高空间分辨率等优点，红外热波无损检测技术成为了材料缺陷和损伤检测的重要方法。然而，在检测复杂工件时，传统红外热波无损检测技术仍存在识别精度不够，可能降低检测效率的问题。

技术实现思路

1、本申请的目的在于提供一种无损检测模型构建方法、无损检测方法、装置及介质，以至少解决相关技术中检测复杂工件时，传统红外热波无损检测技术仍存在识别精度不够，可能降低检测效率的问题。

2、本申请第一方面提供一种无损检测模型构建方法，所述构建方法包括：

3、基于获取到的目标检测对象的热像图，采用特征提取网络模型得到特征图；

4、基于所述特征图进行多尺度特征联通处理，得到多尺度特征联通图；基于所述特征图进行多维特征池化处理，得到多维池化特征；基于所述多尺度特征联通图和所述多维池化特征，采用掩码预测模型得到预测掩码；

5、基于所述预测掩码、所述多维池化特征和预先卷积后的特征图，采用持续认知模型进行训练，直至满足预设条件得到训练好的无损检测模型。

6、在一个实施例中，所述特征图包括第一特征图、第二特征图、第三特征图和第四特征图；

7、所述特征提取网络模型包括依次连接的第一嵌入块、第二嵌入块、第三嵌入块和第四嵌入块；

8、所述第一嵌入块、所述第二嵌入块、所述第三嵌入块和所述第四嵌入块均包括初始卷积块和stb基础块，其中，所述初始卷积块为卷积核大小为1×1卷积层、3×3卷积层、3×3卷积层、1×1卷积层堆叠而成，所述stb基础块包括多头注意力机制；

9、所述基于获取到的目标检测对象的热像图，采用特征提取网络模型得到特征图，包括：

10、根据所述热像图，通过所述第一嵌入块进行特征提取，得到第一特征图；

11、根据所述第一特征图，通过所述第二嵌入块进行特征提取，得到第二特征图；

12、根据所述第二特征图，通过所述第三嵌入块进行特征提取，得到第三特征图；

13、根据所述第三特征图，通过所述第四嵌入块进行特征提取，得到第四特征图。

14、在一个实施例中，所述初始卷积块中的每个卷积层之后均设置有bn层和relu激活函数。

15、在一个实施例中，所述基于所述特征图进行多尺度特征联通处理，得到多尺度特征联通图，包括：

16、根据所述第一特征图、所述第二特征图、所述第三特征图和所述第四特征图进行图像合并处理，确定相对应的第一合并特征图、第二合并特征图、第三合并特征图和第四合并特征图；

17、根据所述第一合并特征图、所述第二合并特征图、所述第三合并特征图和所述第四合并特征图进行自相关处理，确定相关图；

18、根据所述相关图进行多尺度特征联通处理，得到所述多尺度特征联通图。

19、在一个实施例中，所述基于所述特征图进行多维特征池化处理，得到多维池化特征，包括：

20、根据所述第一特征图、所述第二特征图、所述第三特征图和所述第四特征图进行图像合并处理，确定相对应的第一合并特征图、第二合并特征图、第三合并特征图和第四合并特征图；

21、根据所述第一合并特征图、所述第二合并特征图、所述第三合并特征图和所述第四合并特征图分别进行卷积处理，得到相对应的第一卷积特征图、第二卷积特征图、第三卷积特征图和第四卷积特征图；

22、根据所述第一卷积特征图、所述第二卷积特征图、所述第三卷积特征图和所述第四卷积特征图进行张量拼接，得到拼接张量；

23、根据所述拼接张量进行多维特征池化处理，得到所述多维池化特征。

24、在一个实施例中，所述掩码预测模型包括1个带有softmax的1×1卷积层和fupscale模块，其中，所述fupscale模块包括3个1×1卷积层和3个双线性上采样层f×2，所述1×1卷积层之后还设置有relu激活函数。

25、在一个实施例中，所述持续认知模型的总损失函数为：

26、

27、其中，为总损失函数，为交叉熵损失函数，yi为预设标签图像，pi为持续认知模型的预测值，为多维特征池化损失函数，pdhw为多维池化结果，ydhw为缺损特征对应的位置，为条带池化损失函数，pdh为条带池化结果，ydh为缺损特征对应的位置，d,h,w分别为多尺度特征联通图的深度、高度、宽度，λ为常数的参数。

28、本申请第二方面提供一种无损检测方法，包括：

29、获取目标检测对象的目标热像图；

30、基于所述目标热像图，通过上述所述的无损检测模型构建方法构建的无损检测模型确定所述目标检测对象的目标检测结果。

31、本申请第三方面提供一种无损检测装置，包括：

32、激光器，用于产生红外激光照射目标检测对象；

33、红外成像仪，用于接收所述目标检测对象反射的红外热波信号，并将所述红外热波信号转换为电信号；

34、水冷机，用于冷却所述激光器产生的热量；

35、上位机，用于根据所述电信号进行无损检测；

36、存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现上述所述的无损检测方法。

37、本申请第四方面提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述所述的无损检测方法。

38、本申请实施例提供的一种无损检测模型构建方法、无损检测方法、装置及介质至少具有以下技术效果。

39、通过获取热像图，采用特征提取网络模型得到特征图；基于特征图进行多尺度特征联通处理，得到多尺度特征联通图；基于特征图进行多维特征池化处理，得到多维池化特征；基于多尺度特征联通图和多维池化特征，采用掩码预测模型得到预测掩码；基于预测掩码、多维池化特征和预先卷积后的特征图，采用持续认知模型进行训练，直至满足预设条件得到训练好的无损检测模型。本申请利用该无损检测模型对目标检测对象的缺损检测精度高，尤其适用复杂工件的无损检测。

40、本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

技术特征：

1.一种无损检测模型构建方法，其特征在于，所述构建方法包括：

2.根据权利要求1所述的无损检测模型构建方法，其特征在于，所述特征图包括第一特征图、第二特征图、第三特征图和第四特征图；

3.根据权利要求2所述的无损检测模型构建方法，其特征在于，所述初始卷积块中的每个卷积层之后均设置有bn层和relu激活函数。

4.根据权利要求2所述的无损检测模型构建方法，其特征在于，所述基于所述特征图进行多尺度特征联通处理，得到多尺度特征联通图，包括：

5.根据权利要求2所述的无损检测模型构建方法，其特征在于，所述基于所述特征图进行多维特征池化处理，得到多维池化特征，包括：

6.根据权利要求1所述的无损检测模型构建方法，其特征在于，所述掩码预测模型包括1个带有softmax的1×1卷积层和fupscale模块，其中，所述fupscale模块包括3个1×1卷积层和3个双线性上采样层f×2，所述1×1卷积层之后还设置有relu激活函数。

7.根据权利要求1所述的无损检测模型构建方法，其特征在于，所述持续认知模型的总损失函数为：

8.一种无损检测方法，其特征在于，包括：

9.一种无损检测装置，其特征在于，包括：

10.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求8所述的无损检测方法。

技术总结
本发明公开了一种无损检测模型构建方法、无损检测方法、装置及介质，包括：基于获取到的目标检测对象的热像图，采用特征提取网络模型得到特征图；基于所述特征图进行多尺度特征联通处理，得到多尺度特征联通图；基于所述特征图进行多维特征池化处理，得到多维池化特征；基于所述多尺度特征联通图和所述多维池化特征，采用掩码预测模型得到预测掩码；基于所述预测掩码、所述多维池化特征和预先卷积后的特征图，采用持续认知模型进行训练，直至满足预设条件得到训练好的无损检测模型。本申请利用该无损检测模型对目标检测对象的缺损检测精度高，尤其适用复杂工件的无损检测。

技术研发人员：游小超,王灿,刘浩洲,付明磊,张文安,丁丁
受保护的技术使用者：杭州灵西机器人智能科技有限公司
技术研发日：
技术公布日：2024/3/17