基于深度学习的磁粉检测缺陷系统及方法与流程

1.本发明涉及缺陷检测技术领域，具体地，涉及基于深度学习的磁粉检测缺陷系统及方法。


背景技术：

2.在工业中进行荧光磁粉检测时，操作员必须在暗室中工作，对于其健康情况等不利。
3.专利文献cn109142509a(申请号：201710502185.x)公开了一种圆钢磁粉探伤方法及装置。圆钢磁粉探伤方法，包括：确定检测区域并划分为若干个识别区域；在待检测圆钢表面涂覆磁悬液并使其旋转前进，利用紫外线照射待检测圆钢，连续获取检测区域内的待检测圆钢的表面图像；对表面图像进行预处理，获得各个标识区域内包含疑似表面缺陷的待判定缺陷图像；根据待判定缺陷图像的长宽比和疑似表面缺陷在各个标识区域中出现的次数，确定待检测圆钢是否存在表面缺陷。圆钢磁粉探伤装置，包括紫外线光源、图像采集模块和数据处理模块。
4.ueda,akira,huimin lu,and tohru kamiya."deep-learning based segmentation algorithm for defect detection in magnet ic particle testing images."proc.international conference on artificial life and robotics.2021.
5.现有技术中存在的缺陷是：针对一定情况下的磁性材料，比如一个是圆形钢材，另一个则是轴承，他们使用场景有限并且都是较为简单的圆柱体结构，并且都需要两阶段进行检测，先通过一个网络寻找疑似区域，再通过网络进行二次判断，最后输出是否存在缺陷的情况。其次，缺少图像处理，会受到原始磁粉形成噪点影响，准确性较低。
6.本发明能够自动识别缺陷情况，在一定程度保证准确性的同时也考虑了人的健康安全。


技术实现要素：

7.针对现有技术中的缺陷，本发明的目的是提供一种基于深度学习的磁粉检测缺陷系统及方法。
8.根据本发明提供的一种基于深度学习的磁粉检测缺陷系统，包括：磁化模块、图像采集模块、检测模块以及清洁模块；
9.磁化模块：在荧光磁粉作用下对磁性工件进行磁化，获得磁化后的工件；
10.图像采集模块：在紫外光源作用下，获取磁化后的工件的连续图像；
11.检测模块：基于采集到的连续图像检测当前磁性工件是否存在缺陷；
12.清洁模块：清除表面磁粉，并区分缺陷工件以及正常工件。
13.优选地，所述磁化模块包括：荧光磁粉喷淋仪器和磁化仪器；
14.将磁性工件固定在工作台，利用所述荧光磁粉喷淋仪器将荧光磁粉均匀撒向磁性工件，再经过磁化仪器对磁性工件进行磁化，获得磁化后的工件。
15.优选地，利用所述荧光磁粉喷淋仪器将荧光磁粉沿着磁性工件表面进行移动均匀撒向磁性工件上。
16.优选地，所述图像采集模块包括：将磁化后的工件进行旋转，使用紫外光源，利用相机配合滤光片采集磁化后的工件的连续图像。
17.优选地，所述检测模块包括：
18.模块m3.1：将采集到的磁化后的工件连续图像进行预处理，得到预处理后的图像；
19.模块m3.2：构建深度学习的检测神经网络，并对构建的深度学习的检测神经网络进行训练，得到训练后的检测神经网络；
20.模块m3.3：利用训练后的检测神经网络与预处理后的图像进行缺陷检测；
21.所述检测神经网络是通过修改后的unet-2022网络结构实现对荧光磁粉图像的缺陷检测功能。
22.优选地，所述模块m3.1：
23.模块m3.1.1：对采集到的磁化后的工件连续图像采用自适应中值滤波方法做平滑去噪处理；
24.模块m3.1.2：对平滑去噪处理后的图像做闭运算进行图像增强。
25.优选地，所述深度学习的检测神经网络包括：编码模块和解码模块；
26.所述编码模块包括：efficientnet网络模块和多个不同的并行非同构模块；
27.所述解码模块包括：多个不同的并行非同构模块和反卷积模块；
28.将预处理后的图像通过efficientnet网络模块得到特征图，将特征图输入并行非同构模块，并将当前并行非同构模块输出的特征图输入下一个并行非同构模块，重复触发，直至最后一个并行非同构模块输出编码结果；
29.将编码结果输入并行非同构模块，并将当前并行非同构模块输出输入下一个并行非同构模块，重复触发，直至最后一个并行非同构模块输出解码后的结果，将解码后的结果输入反卷积模块输出分割结果。
30.优选地，所述并行非同构模块包括：自注意力部分和卷积部分；
31.通过自注意力部分以及卷积部分叠加输出编码结果：
[0032][0033]
其中，sa表示自注意力机制层的输出结果，dwconv表示卷积层的输出结果；表示特征图；
[0034]
采用tversky相似性指数来计算损失函数：
[0035][0036]
其中，p
0i
是第i个像素位置为缺陷的概率；p
1i
是第i个像素位置不是缺陷的概率；g
0i
中1表示是缺陷，0表示不是缺陷，g
1i
同理；α和β表示超参数，fp假阳性和fn假阴性之间的权衡，n表示样本的总个数。
[0037]
根据本发明提供的一种基于深度学习的磁粉检测缺陷方法，包括：
[0038]
步骤s1：磁化模块在荧光磁粉作用下对磁性工件进行磁化，获得磁化后的工件；
[0039]
步骤s2：图像采集模块在紫外光源作用下，获取磁化后的工件的连续图像；
[0040]
步骤s3：检测模块基于采集到的连续图像检测当前磁性工件是否存在缺陷；
[0041]
步骤s4：清洁模块清除表面磁粉，并区分缺陷工件以及正常工件。
[0042]
优选地，所述步骤s3采用：
[0043]
步骤s3.1：将采集到的磁化后的工件连续图像进行预处理，得到预处理后的图像；
[0044]
步骤s3.2：构建深度学习的检测神经网络，并对构建的深度学习的检测神经网络进行训练，得到训练后的检测神经网络；
[0045]
步骤s3.3：利用训练后的检测神经网络与预处理后的图像进行缺陷检测；
[0046]
所述检测神经网络是通过修改后的unet-2022网络结构实现对荧光磁粉图像的缺陷检测功能；
[0047]
所述步骤s3.1：
[0048]
步骤s3.1.1：对采集到的磁化后的工件连续图像采用自适应中值滤波方法做平滑去噪处理；
[0049]
步骤s3.1.2：对平滑去噪处理后的图像做闭运算进行图像增强；
[0050]
所述深度学习的检测神经网络包括：编码模块和解码模块；
[0051]
所述编码模块包括：efficientnet网络模块和多个不同的并行非同构模块；
[0052]
所述解码模块包括：多个不同的并行非同构模块和反卷积模块；
[0053]
将预处理后的图像通过efficientnet网络模块得到特征图，将特征图输入并行非同构模块，并将当前并行非同构模块输出的特征图输入下一个并行非同构模块，重复触发，直至最后一个并行非同构模块输出编码结果；
[0054]
将编码结果输入并行非同构模块，并将当前并行非同构模块输出输入下一个并行非同构模块，重复触发，直至最后一个并行非同构模块输出解码后的结果，将解码后的结果输入反卷积模块输出分割结果。
[0055]
所述并行非同构模块包括：自注意力部分和卷积部分；
[0056]
通过自注意力部分以及卷积部分叠加输出编码结果：
[0057][0058]
其中，sa表示自注意力机制层的输出结果，dwconv表示卷积层的输出结果；表示特征图；
[0059]
采用tversky相似性指数来计算损失函数：
[0060][0061]
其中，p
0i
是第i个像素位置为缺陷的概率；p
1i
是第i个像素位置不是缺陷的概率；g
0i
中1表示是缺陷，0表示不是缺陷，g
1i
同理；α和β表示超参数，fp假阳性和fn假阴性之间的权衡，n表示样本的总个数。
[0062]
与现有技术相比，本发明具有如下的有益效果：
[0063]
1、本发明提出用深度学习方法对获取的荧光磁粉图像进行缺陷检测，解决了人在黑暗中劳动对健康的损害问题，并从一定程度上节约了劳动成本；
[0064]
2、本发明使用基于unet-2022深度学习模型，解决了工业在进行磁性材料缺陷检测难以适应多个场景的情况，能够对多个产线进行检测，提高对磁性材料的质量把控，提升
了效率，并且漏检发生情况也会降低；
[0065]
3、本发明能够适应多个产线，对于复杂磁性材料也能够做到缺陷检测；
[0066]
4、本发明基于unet-2022深度学习网络模型能够通过单阶段就可以实现判断，在满足工业检测标准的情况下同时也满足时间要求；
[0067]
5、本发明采用图像预处理手段，在保证不干扰原始图像情况，去除磁粉干扰，提升准确性。
附图说明
[0068]
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
[0069]
图1为基于深度学习的磁粉检测缺陷装置示意图。
[0070]
图2为基于深度学习的磁粉检测缺陷方法的网络结构示意图。
[0071]
图3为并行非同构模块示意图。
具体实施方式
[0072]
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
[0073]
实施例1
[0074]
本发明提供了一种基于深度学习的磁粉检测缺陷系统，如图1至3所示，包括磁化模块、图像采集模块、检测模块和清洁模块；
[0075]
所述磁化模块主要是包含磁化部分和荧光磁粉喷淋部分；所述图像采集模块即在磁粉喷淋之后，在紫外线光源下获取整体图像信息；将图像输入到检测模块输出磁性材料是否存在缺陷，最后经过清洁模块，清除磁粉并分类。基于深度学习的磁粉检测缺陷方法，包括：对图像进行预处理，输入到图像分割网络中，最后输出该磁性材料是否表面存在缺陷。由于在工业中进行荧光磁粉检测时，操作员必须在暗室中工作，对于其健康情况等不利，所以本发明能够自动识别缺陷情况，在一定程度保证准确性的同时也考虑了人的健康安全。
[0076]
所述磁化模块，包含荧光磁粉喷淋仪器，磁化仪器。将磁性工件固定在工作台两端，把荧光磁粉喷淋仪器均匀撒向其中的工件，由于工件表面存在凹凸不平的情况，所以在喷撒过程中尽可能沿着表面进行移动，再经过磁化仪器对磁性工件进行磁化，获得磁化后的工件。荧光磁粉相较于普通磁粉，缺陷会更加明显且灵敏度更好。
[0077]
所述图像采集模块，包含紫外光源，滤光片以及ccd相机。在荧光磁粉作用下，使用紫外光源可以突出工件特征或者是存在缺陷的部位，在图像采集过程中，用ccd相机配合滤光片进行采集并旋转工件，得到较为准确的连续图像。
[0078]
所述检测模块，连接图像采集模块，将采集得到的磁性工件表面图像输入其中，确定该工件是否存在缺陷。
[0079]
所述清洁模块，清除表面磁粉，并区分缺陷工件以及正常工件。
[0080]
具体地，所述检测模块包括：
[0081]
数据采集以及预处理模块：将淋撒荧光磁粉并磁化后的磁性材料输入到紫外光源下配合加滤光片，通过ccd相机连续环绕一周采集图像，获取到磁性材料的表面图像s1。由于图像s1会受到磁粉存在影响而产生一定的点状噪声，进而影响到缺陷检测结果，所以本发明采用自适应中值滤波的方法对图像s1做平滑去噪，提升图像检测的准确性。考虑到平滑可能会损害部分图像特征，本发明还对得到后的图像做闭运算进行图像增强，最后获得预处理后图像h1。
[0082]
网络结构模块：搭建用来推断磁性材料是否存在缺陷的深度神经网络。本发明采用基于unet-2022作为分割模型，通过改变编码器并考虑类之间的平衡应用损失函数来提高检测准确性。首先将图像输入到编码器中，本发明提出一种高效网络，通过对unet-2022的编码器进行修改，使用efficientnet网络对输入图像进行编码，该结构对网络深度、宽度和分辨率三个维度平衡调度获取最优情况。再将编码器输出到并行非同构模块，该模块对自注意力机制更新后的权重与卷积网络的通道信息共享进行整合，将其输出相加并传递到全连接(fc)层。最后将得到的fc层结果输入到去卷积综合模块中，通过多个去卷积层堆叠以产生最终的分割掩模，输出语言分割结果以及缺陷情况，获得待训练模型m。所述并行非同构模块利用自注意力以及高效卷积得到的特征进行并行化处理，共享多通道权重信息，使得在编码解码过程中突出同一位置多特征图的信息；
[0083]
训练模块：将预处理图像h1输入到网络结构模块中待训练模型m。在输入m的编码器中，获取特征映射图l1，经过dwconv层输入到多层感知机，得到并行非同构模块的输出结果再将注意力以及卷积输出结合
[0084][0085]
其中，sa表示自注意力机制层的输出结果。最后输入到解码过程，完成前向计算。本发明提出采用tversky相似性指数来计算损失函数：
[0086][0087]
其中，p
0i
是第i个像素位置为缺陷的概率，p
1i
是第i个像素位置不是缺陷的概率，g
0i
中1表示是缺陷，0表示不是缺陷，g
1i
同理。该指数通过系数的作用，将一个权重添加到fp(假阳性)和fn(假阴性)，解决在工业领域中磁性材料数据不平衡的情况，同时也降低漏检情况出现的概率。
[0088]
推断模块：将训练模块中得到的已训练模型用于实际磁性材料的测试数据集。通过比较数据预测的准确度，召回度，并检查图像分割的效果，验证了数据集的有效性以及本专利提出模型的高效性。
[0089]
本发明提供了一种基于深度学习的磁粉检测缺陷方法，包括：
[0090]
步骤s1：磁化模块在荧光磁粉作用下对磁性工件进行磁化，获得磁化后的工件；
[0091]
步骤s2：图像采集模块在紫外光源作用下，获取磁化后的工件的连续图像；
[0092]
步骤s3：检测模块基于采集到的连续图像检测当前磁性工件是否存在缺陷；
[0093]
步骤s4：清洁模块清除表面磁粉，并区分缺陷工件以及正常工件。
[0094]
所述磁化模块主要是包含磁化部分和荧光磁粉喷淋部分；所述图像采集模块即在
磁粉喷淋之后，在紫外线光源下获取整体图像信息；将图像输入到检测模块输出磁性材料是否存在缺陷，最后经过清洁模块，清除磁粉并分类。基于深度学习的磁粉检测缺陷方法，包括：对图像进行预处理，输入到图像分割网络中，最后输出该磁性材料是否表面存在缺陷。由于在工业中进行荧光磁粉检测时，操作员必须在暗室中工作，对于其健康情况等不利，所以本发明能够自动识别缺陷情况，在一定程度保证准确性的同时也考虑了人的健康安全。
[0095]
所述磁化模块，包含荧光磁粉喷淋仪器，磁化仪器。将磁性工件固定在工作台两端，把荧光磁粉喷淋仪器均匀撒向其中的工件，由于工件表面存在凹凸不平的情况，所以在喷撒过程中尽可能沿着表面进行移动，再经过磁化仪器对磁性工件进行磁化，获得磁化后的工件。荧光磁粉相较于普通磁粉，缺陷会更加明显且灵敏度更好。
[0096]
所述图像采集模块，包含紫外光源，滤光片以及ccd相机。在荧光磁粉作用下，使用紫外光源可以突出工件特征或者是存在缺陷的部位，在图像采集过程中，用ccd相机配合滤光片进行采集并旋转工件，得到较为准确的连续图像。
[0097]
所述检测模块，连接图像采集模块，将采集得到的磁性工件表面图像输入其中，确定该工件是否存在缺陷。
[0098]
所述清洁模块，清除表面磁粉，并区分缺陷工件以及正常工件。
[0099]
具体地，所述检测模块包括：
[0100]
数据采集以及预处理模块：将淋撒荧光磁粉并磁化后的磁性材料输入到紫外光源下配合加滤光片，通过ccd相机连续环绕一周采集图像，获取到磁性材料的表面图像s1。由于图像s1会受到磁粉存在影响而产生一定的点状噪声，进而影响到缺陷检测结果，所以本发明采用自适应中值滤波的方法对图像s1做平滑去噪，提升图像检测的准确性。考虑到平滑可能会损害部分图像特征，本发明还对得到后的图像做闭运算进行图像增强，最后获得预处理后图像h1。
[0101]
网络结构模块：搭建用来推断磁性材料是否存在缺陷的深度神经网络。本发明采用基于unet-2022作为分割模型，通过改变编码器并考虑类之间的平衡应用损失函数来提高检测准确性。首先将图像输入到编码器中，本发明提出一种高效网络，通过对unet-2022的编码器进行修改，使用efficientnet网络对输入图像进行编码，该结构对网络深度、宽度和分辨率三个维度平衡调度获取最优情况。再将编码器输出到并行非同构模块，该模块对自注意力机制更新后的权重与卷积网络的通道信息共享进行整合，将其输出相加并传递到全连接(fc)层。最后将得到的fc层结果输入到去卷积综合模块中，通过多个去卷积层堆叠以产生最终的分割掩模，输出语言分割结果以及缺陷情况，获得待训练模型m。所述并行非同构模块利用自注意力以及高效卷积得到的特征进行并行化处理，共享多通道权重信息，使得在编码解码过程中突出同一位置多特征图的信息；
[0102]
训练模块：将预处理图像h1输入到网络结构模块中待训练模型m。在输入m的编码器中，获取特征映射图l1，经过dwconv层输入到多层感知机，得到并行非同构模块的输出结果再将注意力以及卷积输出结合
[0103][0104]
其中，sa表示自注意力机制层的输出结果。最后输入到解码过程，完成前向计算。
本发明提出采用tversky相似性指数来计算损失函数：
[0105][0106]
其中，p
0i
是第i个像素位置为缺陷的概率，p
1i
是第i个像素位置不是缺陷的概率，g
0i
中1表示是缺陷，0表示不是缺陷，g
1i
同理。该指数通过系数的作用，将一个权重添加到fp(假阳性)和fn(假阴性)，解决在工业领域中磁性材料数据不平衡的情况，同时也降低漏检情况出现的概率。
[0107]
推断模块：将训练模块中得到的已训练模型用于实际磁性材料的测试数据集。通过比较数据预测的准确度，召回度，并检查图像分割的效果，验证了数据集的有效性以及本专利提出模型的高效性。
[0108]
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
[0109]
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本技术的实施例和实施例中的特征可以任意相互组合。

技术特征：
1.一种基于深度学习的磁粉检测缺陷系统，其特征在于，包括：磁化模块、图像采集模块、检测模块以及清洁模块；磁化模块：在荧光磁粉作用下对磁性工件进行磁化，获得磁化后的工件；图像采集模块：在紫外光源作用下，获取磁化后的工件的连续图像；检测模块：基于采集到的连续图像检测当前磁性工件是否存在缺陷；清洁模块：清除表面磁粉，并区分缺陷工件以及正常工件。2.根据权利要求1所述的基于深度学习的磁粉检测缺陷系统，其特征在于，所述磁化模块包括：荧光磁粉喷淋仪器和磁化仪器；将磁性工件固定在工作台，利用所述荧光磁粉喷淋仪器将荧光磁粉均匀撒向磁性工件，再经过磁化仪器对磁性工件进行磁化，获得磁化后的工件。3.根据权利要求2所述的基于深度学习的磁粉检测缺陷系统，其特征在于，利用所述荧光磁粉喷淋仪器将荧光磁粉沿着磁性工件表面进行移动均匀撒向磁性工件上。4.根据权利要求1所述的基于深度学习的磁粉检测缺陷系统，其特征在于，所述图像采集模块包括：将磁化后的工件进行旋转，使用紫外光源，利用相机配合滤光片采集磁化后的工件的连续图像。5.根据权利要求1所述的基于深度学习的磁粉检测缺陷系统，其特征在于，所述检测模块包括：模块m3.1：将采集到的磁化后的工件连续图像进行预处理，得到预处理后的图像；模块m3.2：构建深度学习的检测神经网络，并对构建的深度学习的检测神经网络进行训练，得到训练后的检测神经网络；模块m3.3：利用训练后的检测神经网络与预处理后的图像进行缺陷检测；所述检测神经网络是通过修改后的unet-2022网络结构实现对荧光磁粉图像的缺陷检测功能。6.根据权利要求5所述的基于深度学习的磁粉检测缺陷系统，其特征在于，所述模块m3.1：模块m3.1.1：对采集到的磁化后的工件连续图像采用自适应中值滤波方法做平滑去噪处理；模块m3.1.2：对平滑去噪处理后的图像做闭运算进行图像增强。7.根据权利要求5所述的基于深度学习的磁粉检测缺陷系统，其特征在于，所述深度学习的检测神经网络包括：编码模块和解码模块；所述编码模块包括：efficientnet网络模块和多个不同的并行非同构模块；所述解码模块包括：多个不同的并行非同构模块和反卷积模块；将预处理后的图像通过efficientnet网络模块得到特征图，将特征图输入并行非同构模块，并将当前并行非同构模块输出的特征图输入下一个并行非同构模块，重复触发，直至最后一个并行非同构模块输出编码结果；将编码结果输入并行非同构模块，并将当前并行非同构模块输出输入下一个并行非同构模块，重复触发，直至最后一个并行非同构模块输出解码后的结果，将解码后的结果输入反卷积模块输出分割结果。8.根据权利要求7所述的基于深度学习的磁粉检测缺陷系统，其特征在于，所述并行非
同构模块包括：自注意力部分和卷积部分；通过自注意力部分以及卷积部分叠加输出编码结果：其中，sa表示自注意力机制层的输出结果，dwconv表示卷积层的输出结果；表示特征图；采用tversky相似性指数来计算损失函数：其中，p
0i
是第i个像素位置为缺陷的概率；p
1i
是第i个像素位置不是缺陷的概率；g
0i
中1表示是缺陷，0表示不是缺陷，g
1i
同理；α和β表示超参数，控制fp假阳性和fn假阴性之间的权衡，n表示样本的总个数。9.一种基于深度学习的磁粉检测缺陷方法，其特征在于，包括：步骤s1：磁化模块在荧光磁粉作用下对磁性工件进行磁化，获得磁化后的工件；步骤s2：图像采集模块在紫外光源作用下，获取磁化后的工件的连续图像；步骤s3：检测模块基于采集到的连续图像检测当前磁性工件是否存在缺陷；步骤s4：清洁模块清除表面磁粉，并区分缺陷工件以及正常工件。10.根据权利要求9所述的基于深度学习的磁粉检测缺陷方法，其特征在于，所述步骤s3采用：步骤s3.1：将采集到的磁化后的工件连续图像进行预处理，得到预处理后的图像；步骤s3.2：构建深度学习的检测神经网络，并对构建的深度学习的检测神经网络进行训练，得到训练后的检测神经网络；步骤s3.3：利用训练后的检测神经网络与预处理后的图像进行缺陷检测；所述检测神经网络是通过修改后的unet-2022网络结构实现对荧光磁粉图像的缺陷检测功能；所述步骤s3.1：步骤s3.1.1：对采集到的磁化后的工件连续图像采用自适应中值滤波方法做平滑去噪处理；步骤s3.1.2：对平滑去噪处理后的图像做闭运算进行图像增强；所述深度学习的检测神经网络包括：编码模块和解码模块；所述编码模块包括：efficientnet网络模块和多个不同的并行非同构模块；所述解码模块包括：多个不同的并行非同构模块和反卷积模块；将预处理后的图像通过efficientnet网络模块得到特征图，将特征图输入并行非同构模块，并将当前并行非同构模块输出的特征图输入下一个并行非同构模块，重复触发，直至最后一个并行非同构模块输出编码结果；将编码结果输入并行非同构模块，并将当前并行非同构模块输出输入下一个并行非同构模块，重复触发，直至最后一个并行非同构模块输出解码后的结果，将解码后的结果输入反卷积模块输出分割结果；所述并行非同构模块包括：自注意力部分和卷积部分；
通过自注意力部分以及卷积部分叠加输出编码结果：其中，sa表示自注意力机制层的输出结果，dwconv表示卷积层的输出结果；表示特征图；采用tversky相似性指数来计算损失函数：其中，p
0i
是第i个像素位置为缺陷的概率；p
1i
是第i个像素位置不是缺陷的概率；g
0i
中1表示是缺陷，0表示不是缺陷，g
1i
同理；α和β表示超参数，fp假阳性和fn假阴性之间的权衡，n表示样本的总个数。

技术总结
本发明提供了一种基于深度学习的磁粉检测缺陷系统及方法，包括：磁化模块、图像采集模块、检测模块以及清洁模块；磁化模块：在荧光磁粉作用下对磁性工件进行磁化，获得磁化后的工件；图像采集模块：在紫外光源作用下，获取磁化后的工件的连续图像；检测模块：基于采集到的连续图像检测当前磁性工件是否存在缺陷；清洁模块：清除表面磁粉，并区分缺陷工件以及正常工件。工件。工件。


技术研发人员：苏锐 黄佳康 王儒贤
受保护的技术使用者：上海互觉科技有限公司
技术研发日：2023.04.12
技术公布日：2023/7/13