(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 202210395738.7 (22)申请日 2022.04.15 (71)申请人 西安交通大 学 地址 710049 陕西省西安市咸宁西路28号 申请人 中国航发四川燃气涡轮 研究院 (72)发明人 赵纪元　杨琦　郭文华　田艳彬　 冯雯倩　叶凯旋　杨光　马建徽　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 专利代理师 安彦彦 (51)Int.Cl. G06K 9/62(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06T 7/00(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于特征提取和深度学习的工业CT图像缺 陷分类方法 (57)摘要 本发明公开一种基于特征提取和深度学习 的工业CT图像缺陷分类方法， 包括以下步骤： 采 集工业CT 缺陷图像， 提取工业CT 缺陷图像的局部 特征和全局特征； 将局部特征和全局特征进行特 征融合， 形成描述工业CT缺陷图像的新特征； 将 待分类的工业CT图像输入到利用描述工业CT缺 陷图像的新特征训练后的全 连接神经网络中， 实 现分类的目的。 本发明结合了传统特征提取和卷 积神经网络两种方法的优点， 使用不变矩提取到 的缺陷图像特征具有很好的解释性， 使用卷积神 经网络自动特征提取， 能够得到较好的分类准确 率。 权利要求书2页 说明书6页 附图2页 CN 114861771 A 2022.08.05 CN 114861771 A 1.基于特 征提取和深度学习的工业CT图像缺陷分类方法， 其特 征在于， 包括以下步骤： 采集工业CT缺陷图像， 提取工业CT缺陷图像的局部特 征和全局特 征； 将局部特征和全局特征进行特征融合， 形成描述工业CT缺陷图像的新特征； 采用新特 征训练基于特 征提取和深度学习融合的工业CT图像缺陷分类识别模型； 将待分类的工业CT缺陷图像输入到训练后的基于特征提取和深度学习融合的工业CT 图像缺陷分类识别模型中， 实现分类的目的。 2.根据权利要求1所述的基于特征提取和深度学习的工业CT图像缺陷分类方法， 其特 征在于， 采用Hu不变矩， 提取工业CT缺陷图像的局部特 征。 3.根据权利要求1所述的基于特征提取和深度学习的工业CT图像缺陷分类方法， 其特 征在于， 根据工业CT缺陷图像的归一化(p+q)阶中心矩 ηpq， 构造7个Hu不变矩， 根据7个Hu不 变矩， 提取工业CT缺陷图像的局部特 征； 其中， ρ 为中间变量， ρ ＝(p+q)/2+1， μpq为工业CT缺陷图像(p+q)阶中心矩， p为图像宽度 方向上的阶数， q为图像高度方向上的阶数， μ00为图像宽度和高度方向上都为0阶的中心 距。 4.根据权利要求1所述的基于特征提取和深度学习的工业CT图像缺陷分类方法， 其特 征在于， 基于U ‑Net神经网络提取工业CT缺陷图像的全局特 征。 5.根据权利要求1所述的基于特征提取和深度学习的工业CT图像缺陷分类方法， 其特 征在于， U ‑Net神经网络通过 下采样和上采样过程构建： 下采样过程包括以下步骤： 1)将工业CT缺陷图像进行2次卷积操作， 得到第一卷积图像， 然后将第一卷积图像进行 最大池化操作， 得到第一 最大池化层； 2)对第一最大池化层进行2次卷积操作， 得到第 二卷积图像， 然后将第 二卷积图像进行 最大池化操作， 得到第二 最大池化层； 3)对第二最大池化层进行2次卷积操作， 得到第 三卷积图像， 然后将第 三卷积图像进行 最大池化操作， 得到第三 最大池化层； 4)对第三最大池化层进行2次卷积操作， 得到第四卷积图像， 然后将第四卷积图像进行 最大池化操作， 得到第四最大池化层； 5)对第四最大池化层进行2次卷积 操作， 得到缺陷的环境信息图像。 6.根据权利要求5所述的基于特征提取和深度学习的工业CT图像缺陷分类方法， 其特 征在于， 上采样过程包括以下步骤： 1)对缺陷的环境信息图像进行反卷积操作， 得到第一反卷积图像， 然后将第 四卷积图 像进行复制和剪 裁后与第一反卷积图像进行拼接， 进行 卷积操作； 2)将步骤1)进行卷积操作后的图像进行反卷积操作， 得到第二反卷积图像， 然后将第 三卷积图像进行复制和剪 裁后与第二反卷积图像进行拼接， 进行 卷积操作； 3)将步骤2)进行卷积操作后的图像进行反卷积操作， 得到第三反卷积图像， 然后将第 二卷积图像进行复制和剪 裁后与第三反卷积图像进行拼接， 进行 卷积操作； 4)将步骤3)进行卷积操作后的图像进行反卷积操作， 得到第四反卷积图像， 然后将第 一卷积图像进行复制和剪 裁后与第四反卷积图像进行拼接， 进行 卷积操作；权　利　要　求　书 1/2 页 2 CN 114861771 A 25)将步骤4)进行卷积操作后的图像进行复制和剪裁， 然后与工业CT缺陷图像拼接， 再 进行三次卷积 操作， 得到全局特 征。 7.根据权利要求1所述的基于特征提取和深度学习的工业CT图像缺陷分类方法， 其特 征在于， 将全局特征使用Flatten操作压平成一维度， 再使用Concat操作拼接上Hu不变矩提 取到的7个特 征值， 构成描述工业CT缺陷图像的新特 征。 8.根据权利要求1所述的基于特征提取和深度学习的工业CT图像缺陷分类方法， 其特 征在于， 全连接神经网络训练至误差最小， 通过损失函数度量误差的大小， 损失函数如下式 所示： 其中， y为期望 输出， 为真实输出， β 为用来确定是假 正例还是假反例减少的参数。权　利　要　求　书 2/2 页 3 CN 114861771 A 3