本發(fā)明涉及工業(yè)ct圖像處理，具體為一種基于少量ct掃描數(shù)據(jù)的內(nèi)部異物高效分類方法。

背景技術(shù)：

1、在現(xiàn)代工業(yè)生產(chǎn)中，產(chǎn)品質(zhì)量控制是確保生產(chǎn)效益和安全性的關(guān)鍵環(huán)節(jié)。隨著產(chǎn)品結(jié)構(gòu)日益復(fù)雜，尤其是在高精密和高可靠性要求的領(lǐng)域，內(nèi)部異物的精準(zhǔn)和高效分類成為了不可或缺的一環(huán)。這些內(nèi)部異物如果未能及時(shí)分類出來，可能會(huì)嚴(yán)重影響產(chǎn)品的性能和安全性，甚至可能引發(fā)嚴(yán)重的生產(chǎn)事故或質(zhì)量問題。但是傳統(tǒng)的內(nèi)部異物分類方法，如基于手工操作的半自動(dòng)檢測系統(tǒng)和人工視覺檢查，由于其效率低且易受主觀干擾，難以滿足現(xiàn)代工業(yè)對(duì)高速、精確分類的迫切需求。

2、近年來，工業(yè)ct(計(jì)算機(jī)斷層掃描)技術(shù)由于其能夠快速、非侵入性的提供詳細(xì)的三維圖像，已成為檢測和分析產(chǎn)品內(nèi)部結(jié)構(gòu)的重要工具。與傳統(tǒng)的二維圖像檢測方法相比，工業(yè)ct技術(shù)能夠呈現(xiàn)產(chǎn)品內(nèi)部的全景視圖，從而識(shí)別出潛在的內(nèi)部異物。然而，工業(yè)ct生成的數(shù)據(jù)量巨大且復(fù)雜，對(duì)數(shù)據(jù)處理和分析提出了更高的要求。與此同時(shí)，深度學(xué)習(xí)技術(shù)的飛速發(fā)展，尤其是resnet-50憑借其獨(dú)特的殘差結(jié)構(gòu)、深度網(wǎng)絡(luò)處理能力和圖像分類中的高精度，正在工業(yè)ct領(lǐng)域內(nèi)的內(nèi)部異物分類中展現(xiàn)出巨大的應(yīng)用前景，resnet-50網(wǎng)絡(luò)通過殘差連接的設(shè)計(jì)有效地解決了深層網(wǎng)絡(luò)中的梯度消失問題，提升了模型的表現(xiàn)力和準(zhǔn)確率。這使得基于深度學(xué)習(xí)的自動(dòng)化檢測方法能夠有效地識(shí)別和分類復(fù)雜的內(nèi)部異物，超越了傳統(tǒng)無監(jiān)督方法的局限性。

3、目前，盡管深度學(xué)習(xí)技術(shù)在理論上具有顯著優(yōu)勢，但高質(zhì)量的帶標(biāo)簽工業(yè)ct圖像數(shù)據(jù)的獲取成本高且耗時(shí)，成為技術(shù)應(yīng)用的瓶頸。大量帶標(biāo)簽數(shù)據(jù)的收集和標(biāo)注需要大量的人力和時(shí)間，并且在生產(chǎn)過程中無法實(shí)時(shí)進(jìn)行數(shù)據(jù)更新和標(biāo)注；而且內(nèi)部異物自動(dòng)分類，成本高，其精度差、效率低，分類可靠性不好。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于：提供一種基于少量ct掃描數(shù)據(jù)的內(nèi)部異物高效分類方法，以解決以上缺陷。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、一種基于少量ct掃描數(shù)據(jù)的內(nèi)部異物高效分類方法，包括以下步驟：

4、s1、獲取ct掃描數(shù)據(jù)并預(yù)處理：

5、下載物體內(nèi)部異物的開源ct掃描數(shù)據(jù)集，并對(duì)數(shù)據(jù)集中的x射線投影數(shù)據(jù)進(jìn)行預(yù)處理，包括亮場和暗場校正；

6、s2、物體3d重建：

7、通過ct重建算法，生成被測樣本體積內(nèi)衰減系數(shù)的3d分布，利用astra工具箱的fdk算法，將x射線穿過物體時(shí)收集到的數(shù)據(jù)轉(zhuǎn)換為三維空間中每個(gè)體素的衰減系數(shù)分布，并運(yùn)用光束硬化校正方法減少偽影；

8、s3、對(duì)重建體積進(jìn)行分割：

9、應(yīng)用分割掩碼，計(jì)算出重建體積中各材料的平均強(qiáng)度，提取出每種材料的衰減系數(shù)；對(duì)分割數(shù)據(jù)應(yīng)用中值濾波來平滑圖像而不模糊邊緣，將體積數(shù)據(jù)準(zhǔn)確分類；使用otsu閾值分割方法來進(jìn)行內(nèi)部異物的分割，獲取所有分割樣本的體積數(shù)據(jù)和類別，然后保存到分割結(jié)果文件夾；

10、s4、人工樣本生成：

11、在分割數(shù)據(jù)中選擇一個(gè)代表性樣本(內(nèi)部異物數(shù)量需為1個(gè)及以上)，使用材料的平均強(qiáng)度將分割體積轉(zhuǎn)換回衰減的3d分布，獲取所有分割樣本的體積數(shù)據(jù)和類別，添加混合泊松-高斯噪聲模型以模擬實(shí)際環(huán)境；再通過仿射變換方法來改變物體體積、內(nèi)部異物的位置并增加內(nèi)部異物的數(shù)量，用區(qū)域移除算法減少內(nèi)部異物的數(shù)量，生成所有人工樣本的體積數(shù)據(jù)和類別；最后使用前向投影來創(chuàng)建修改后體積的人工投影，并保存到輸出文件夾；

12、s5、模型測試與分割可視化：

13、通過對(duì)比，挑選具有加速收斂特性的resnet-50網(wǎng)絡(luò)架構(gòu)，對(duì)用人工生成的樣本數(shù)據(jù)進(jìn)行500次迭代訓(xùn)練和驗(yàn)證，使用交叉熵?fù)p失將分類預(yù)測和實(shí)際標(biāo)簽的概率分布差異最小化，并保存迭代中訓(xùn)練驗(yàn)證的最佳模型及驗(yàn)證準(zhǔn)確率、訓(xùn)練和驗(yàn)證損失；用最佳模型進(jìn)行測試，并用pytorch-cam為模型創(chuàng)建類激活圖，將cam疊加到原始圖像上進(jìn)行可視化，以此改進(jìn)和驗(yàn)證模型。

14、優(yōu)選地，在步驟s4中，所述混合泊松-高斯噪聲模型，其公式為：

15、i?noisy＝i?true+poisson(λ)+n(μ,δ2)，

16、式中，i?true是真實(shí)圖像像素值，poisson(λ)是泊松噪聲項(xiàng)，n(μ,δ2)是高斯噪聲項(xiàng)。

17、優(yōu)選地，在步驟s5中，所述驗(yàn)證準(zhǔn)確率，其計(jì)算公式為：

18、

19、式中，yi是樣本標(biāo)簽，指預(yù)測的類別(內(nèi)部異物數(shù)量)，為指示函數(shù)，nval表示用于模型驗(yàn)證的圖片總數(shù)。

20、優(yōu)選地，在步驟s5中，訓(xùn)練集與驗(yàn)證集的樣本數(shù)之比stra:sval＝25:5。

21、本發(fā)明的有益效果在于：

22、(1)本發(fā)明方法，通過獲得少量內(nèi)部異物的真實(shí)樣本的工業(yè)ct掃描數(shù)據(jù)，便能創(chuàng)建大量與真實(shí)世界樣本相似的ct樣本標(biāo)簽數(shù)據(jù)，可用于訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)模型，有效消除了獲取工業(yè)ct掃描數(shù)據(jù)和標(biāo)簽數(shù)據(jù)的兩大主要障礙；相較于同等數(shù)目的真實(shí)樣本訓(xùn)練，本方法大大提高了內(nèi)部異物分類準(zhǔn)確率。

23、(2)本發(fā)明方法，通過在3d重建過程中運(yùn)用光束硬化校正方法減少偽影，提高重建精度；在體積分割前運(yùn)用中值濾波來平滑圖像而不模糊邊緣，這樣在分割過程中可以更好地識(shí)別組織結(jié)構(gòu)的邊界，為otsu閾值分割提高分割的精確度；此外，在樣本變形前添加混合泊松-高斯噪聲以模擬實(shí)際環(huán)境，為模型訓(xùn)練提供更真實(shí)的訓(xùn)練數(shù)據(jù)。

24、(3)本發(fā)明方法，通過應(yīng)用resnet-50網(wǎng)絡(luò)架構(gòu)訓(xùn)練生成的人工樣本數(shù)據(jù)，內(nèi)部異物分類準(zhǔn)確率得到進(jìn)一步提高，甚至只需要一個(gè)真實(shí)樣本的工業(yè)ct掃描數(shù)據(jù)，將其生成的人工樣本通過該網(wǎng)絡(luò)模型訓(xùn)練后，驗(yàn)證準(zhǔn)確率可達(dá)95.6％，在真實(shí)樣本上測試準(zhǔn)確率達(dá)87.6％；通過在測試階段應(yīng)用pytorch-cam為模型創(chuàng)建類激活圖可視化，有助于診斷和改進(jìn)模型性能、優(yōu)化模型設(shè)計(jì)。

技術(shù)特征：

1.一種基于少量ct掃描數(shù)據(jù)的內(nèi)部異物高效分類方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于少量ct掃描數(shù)據(jù)的內(nèi)部異物高效分類方法，其特征在于，在步驟s4中，所述混合泊松-高斯噪聲模型，其公式為：

3.根據(jù)權(quán)利要求1所述的一種基于少量ct掃描數(shù)據(jù)的內(nèi)部異物高效分類方法，其特征在于，在步驟s5中，所述驗(yàn)證準(zhǔn)確率，其計(jì)算公式為：

4.根據(jù)權(quán)利要求1所述的一種基于少量ct掃描數(shù)據(jù)的內(nèi)部異物高效分類方法，其特征在于，在步驟s5中，訓(xùn)練集與驗(yàn)證集的樣本數(shù)之比stra:sval＝25:5。

技術(shù)總結(jié)
本發(fā)明公開了一種基于少量CT掃描數(shù)據(jù)的內(nèi)部異物高效分類方法，包括以下步驟：S1、獲取CT掃描數(shù)據(jù)并預(yù)處理，S2、物體3D重建，S3、對(duì)重建體積進(jìn)行分割，S4、人工樣本生成，S5、模型測試與分割可視化。本發(fā)明方法有效消除了獲取工業(yè)CT掃描數(shù)據(jù)和標(biāo)簽數(shù)據(jù)的兩大主要障礙，大大降低了人力和時(shí)間成本，在生產(chǎn)過程中能夠?qū)崟r(shí)進(jìn)行數(shù)據(jù)更新和標(biāo)注，自動(dòng)生成所有人工樣本的體積數(shù)據(jù)和類別，并用于訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)模型。相較于同等數(shù)目的真實(shí)樣本訓(xùn)練，大大提高了內(nèi)部異物分類準(zhǔn)確率，甚至只需要一個(gè)真實(shí)樣本的工業(yè)CT掃描數(shù)據(jù)，將其生成的人工樣本通過該網(wǎng)絡(luò)模型訓(xùn)練后，驗(yàn)證準(zhǔn)確率可達(dá)95.6％，分類效率高，可靠性好。

技術(shù)研發(fā)人員：胡海兵,馬仁杰,宋正全
受保護(hù)的技術(shù)使用者：合肥工業(yè)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/23