申请/专利权人：大连理工大学;大连理工大学宁波研究院

申请日：2023-12-26

公开（公告）日：2024-03-22

公开（公告）号：CN117745691A

主分类号：G06T7/00

分类号：G06T7/00;G06V10/25;G06V10/80;G06V10/766;G06V10/82;G06T7/10;G06T17/00;G06V10/26;G06V10/764;G06N3/0464;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.09#实质审查的生效;2024.03.22#公开

摘要：本发明公开了一种基于MaskR‑CNN的样件缺陷识别标定方法，涉及缺陷识别标定技术领域。具体包括：获取样件的数字图像；处理后得到网络提取特征图并输入至RPN，生成建议框；使生成的建议框变换到相同的维度，再分别送入分类网络和回归网络，进行缺陷识别，并生成对应的掩码，完成实例分割；对模型进行训练和测试，最终得到训练好的模型；利用训练好的模型对样件的内部缺陷进行识别与标定；将获得的掩码，按原数字图像的顺序进行排列组合，生成含缺陷标定的三维模型。本发明中融合了金字塔特征网络和运用感兴趣区域对齐技术，可以提取出样件内部不同尺度的特征信息，有利于同时识别出不同大小的缺陷且保证了模型的准确性。

主权项：1.一种基于MaskR-CNN的样件缺陷识别标定方法，其特征在于，包括以下步骤：S1：采用CT成像装置，获取样件X、Y、Z轴3个方向的数字图像；S2：采用ResNet50模型作为主干网络对数字图像进行上采样得到不同尺度的特征图，FPN网络对不同尺度的特征图进行融合，得到融合后的多尺度特征图；S3：将融合后的多尺度特征图输入区域生成网络RPN，生成建议框；S4：利用ROIAlign技术将生成的建议框变换到相同的维度，经由全连接网络FCN再分别送入分类网络和回归网络，进行缺陷的识别，并通过网络mask分支生成对应的掩码，完成实例分割，得到实例分割模型；S5：随机选取准备好的数字图像集中X、Y、Z三个方向上的多个数字图像投入主网络，对模型进行训练和测试，最终得到基于MaskR-CNN的多维构件内部缺陷的实例分割模型；S6：利用训练好的基于MaskR-CNN的多维构件内部缺陷的实例分割模型对样件的内部缺陷进行识别与标定；S7：将通过网络mask分支获得的掩码，按原数字图像的顺序进行排列组合，生成最终的含缺陷标定的三维模型。

全文数据：

权利要求：

百度查询： 大连理工大学;大连理工大学宁波研究院 一种基于Mask R-CNN的样件缺陷识别标定方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD