(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 202210924618.1 (22)申请日 2022.07.29 (71)申请人 湖北汽车工业学院 地址 442000 湖北省十堰市红卫教育口车 城西路167号 (72)发明人 王宸　唐禹　 (74)专利代理 机构 湖北百炼石律师事务所 42281 专利代理师 吴阳 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/44(2022.01) G06V 10/82(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01)G06N 3/00(2006.01) (54)发明名称 一种基于卷积神经网络的锻件探伤缺陷检 测方法及装置 (57)摘要 本发明涉及一种基于卷积神经网络的锻件 探伤缺陷检测方法及装置， 其方法包括： 获取多 幅锻件的荧光磁粉探伤图像， 并根据其构建数据 集； 构建用于检测锻件缺陷的卷积神经网络模 型， 并利用群体智能优化算法对 所述卷积神经网 络模型的多个超参数进行优化； 利用数据集和损 失函数训练卷积神经网络模型， 直至其误差低于 阈值且趋于稳定， 得到训练完成的卷积神经网络 模型； 将待测锻件的图像输入到训练完成的卷积 神经网络模型中， 得到待测锻件的缺陷识别结 果。 本发明通过锻件荧光磁粉探伤 缺陷检测方法 与神经网络结合， 并利用群体优化算法优化其超 参数， 从而实现锻件荧光磁粉探伤 缺陷的智能检 测。 权利要求书2页 说明书9页 附图9页 CN 115546099 A 2022.12.30 CN 115546099 A 1.一种基于卷积神经网络的锻件探伤缺陷检测方法， 其特 征在于， 包括： 获取多幅锻件的荧 光磁粉探伤图像， 并根据其构建数据集； 构建用于检测锻件缺陷的卷积神经网络模型， 并利用群体智能优化算法对所述卷积神 经网络模型的多个超参数进行优化； 利用数据集和损 失函数训练卷积神经网络模型， 直至其误差低于阈值且趋于稳定， 得 到训练完成的卷积神经网络模型； 将待测锻件的图像输入到训练完成的卷积神经网络模型中， 得到待测锻件的缺陷识别 结果。 2.根据权利要求1所述的基于卷积神经网络的锻件探伤缺陷检测方法， 其特征在于， 所 述利用群体智能优化算法对所述卷积神经网络模型的多个超参数进行优化包括： 使用粒子 群对所述卷积神经网络模型的多个超参数进行优化。 3.根据权利要求2所述的基于卷积神经网络的锻件探伤缺陷检测方法， 其特征在于， 所 述多个超参数包括： 优化器类型、 权重衰减率、 损失归一化、 图像输入尺寸、 数据增强、 学习 率、 学习率衰减或批处 理大小。 4.根据权利要求1所述的基于卷积神经网络的锻件探伤缺陷检测方法， 其特征在于， 所 述卷积神经网络包括CS PDarknet53网络和特 征金字塔网络， 所述特征金字塔网络从输入图像中提取多尺度特 征， 并将其融合； 所述CSPDarknet53网络从融合的多尺度特 征中提取语义特 征。 5.根据权利要求4所述的基于卷积神经网络的锻件探伤缺陷检测方法， 其特征在于， 所 述CSPDarknet53网络的损失函数为： 式中， λ表示权重系数， coord表示预测框的中心点的坐标转换； obj表示单元格内含有 目标， noobj表示单元格内没有目标； i表示第i个单元格， S2表示单元格总数， j表示单元格 预测的第j个框， B为预测框的总数； tx、 ty分别表示预测框的中心点坐标偏移值， tw、 th分别 表示预测框的宽和高相对于图像的比值， 其中带有上标＾表示真实框的位置坐标信息； I表 示第i单元格第j框是否有目标的示性函数； C表示预测框的置信度得分， classes表示缺陷 分类集合； p为条件类别概 率值。 6.根据权利要求1至5任一项所述的基于卷积神经网络的锻件探伤缺陷检测方法， 其特 征在于， 还包括： 至少使用权重衰减、 马赛克数据增强、 余弦退火学习率衰减或损失归一化 中的一种方法来 提高卷积神经网络模型的性能。 7.一种基于卷积神经网络的锻件探伤缺陷检测装置， 其特 征在于， 包括： 获取模块， 用于获取多幅锻件的荧 光磁粉探伤图像， 并根据其构建数据集； 优化模块， 用于构建用于检测锻件缺陷的卷积神经网络模型， 并利用群体智能优化算 法对所述卷积神经网络模型的多个超参数进行优化； 训练模块， 用于利用所述数据集和损 失函数训练卷积神经网络模型， 直至其误差低于权　利　要　求　书 1/2 页 2 CN 115546099 A 2阈值且趋 于稳定， 得到训练完成的卷积神经网络模型； 识别模块， 用于将待测锻件的图像输入到训练完成的卷积神经网络模型中， 得到待测 锻件的缺陷识别结果。 8.一种基于卷积神经网络的锻件探伤缺陷检测系统， 其特征在于， 包括： 权利要求7所 述的基于卷积神经网络的锻件探伤缺陷检测装置 。 9.一种电子设备， 包括： 一个或多个处理器； 存储装置， 用于存储一个或多个程序， 当所 述一个或多个程序被所述一个或多个处理器执行， 使得所述一个或多个处理器实现如权利 要求1至6任一项所述的基于卷积神经网络的锻件探伤缺陷检测方法。 10.一种计算机可读介质， 其上存储有计算机程序， 其中， 所述计算机程序被处理器执 行时实现如权利要求1至 6任一项所述的基于卷积神经网络的锻件探伤缺陷检测方法。权　利　要　求　书 2/2 页 3 CN 115546099 A 3