CN114638819B 基于深度学习的3d打印点阵结构ct图像缺陷检测方法 （燕山大学）

基于深度学习的3D打印点阵结构CT图像缺本发明涉及一种基于深度学习的3D打印点过基于双注意力机制的图像缺陷检测模块构建2使用工业CT扫描3D打印点阵结构件，获取内部缺陷图像数据带有缺陷信息的图像数据被划分为训练集和验证集，图像数据传入ResizerModel模块包括卷积层和BatchNorm层，所述卷积层函数的获取方式如下所fx=ρ(wlxl+bl)所述BatchNorm层函数的获取方式如i表示BatchNorm层函数；γ和β分别表示第一训练参数和所述双注意力机制由SE注意力机制和CBAM注意力机制共将所述SE注意力机制需融入到特征提取网络，给特征提取网络通道分配不同的权重；融合ResizerModel模块、双注意力模块的YOLOv4深度学习神经网络的损失函数获取CIOU表示YOLOv4深度学习神经网络的损失函数；IOU表示真实框和检测框的交并3c为A和B最小包围框的对角线长度；ν和a分别代表对长宽比的第一修正系数和第二修正系所述步骤33中的YOLOv4缺陷检测模块融入希尔伯特曲线，在YOLOv4的主2.根据权利要求1所述的基于深度学习的3D打印点阵结构CT图像缺陷检测方法，其特3.根据权利要求1所述的基于深度学习的3D打印点阵结构CT图像缺陷检测方法，其特征在于，所述步骤31中的ResizerModel模块能够让网络自动学习切片图像数据信息的大4.根据权利要求1所述的基于深度学习的3D打印点阵结构CT图像缺陷检测方法，其特所述θB像素值均值的获取方法如下所示：5.根据权利要求1所述的基于深度学习的3D打印点阵结构CT图像缺陷检测方法，其特46.根据权利要求1所述的基于深度学习的3D打印点阵结构CT图像缺陷检测方法，其特56[0026]融合ResizerModel模块、双注意力模块的YOLOv4深度学习神经网络的损失函数zx和Bzx代表检测框和真是框的中心[0036]可优选的是，所述步骤31中的ResizerModel模块能够让网络自动学习切片图像7B表示像素的均值；[0060](1)本发明通过基于双注意力机制的图像缺陷检测模块构建神经网络深度学习训8[0062]图1为本发明实施例基于深度学习的3D打印点阵结构CT图像缺陷检测方法控制框[0068]本发明实施例提供了一种基于深度学习的3D打印点阵结构施例基于深度学习的3D打印点阵结构CT图像缺陷检测方法控制框图；图2为本发明实施例[0082]ResizerModel模块能够让网络自动学习切片图像数据信息的大小，训练出与检9B表示像素的均值；[0096]将SE注意力机制需融入到特征提取网络，给特征提取网络通[0098]融合ResizerModel模块、双注意力模块的YOLOv4深度学习神zx和Bzx代表检测框和真是框的中心[0119]如表1所示列出了IOU真实框和检测框在交并比分别为0.5和0.75的情况下的计算mAPIOU＝0.589.7520.0194.2596.7520.3197.6541.55[0123](1)本发明实施例通过基于双注意力机制的图像缺陷检测模块构建深度学习模