铸件产品内部缺陷智能检测设备的制作方法

一种铸件产品内部缺陷智能检测装置，X射线管发出的X射线透照铸件产品在成像板上得到包含铸件产品内部质量信息的数字图像，通过光路仿真与控制单元实现最佳成像，生成图像自动上传至云平台服务器后，通过采用数字图像处理技术、深度学习神经网络算法对图像进行智能预处理、判读缺陷存在与否、缺陷定位、缺陷类型识别、缺陷评级,实现图像表征质量的检测。

通过该装置，在检测过程中实现了对复杂结构铸件检测过程的精确控制，从而最佳图像；在图像评价过程通过缺陷智能识别，代替人工评片过程，有效地缩减人工检测时长，在保证缺陷识别准确率的前提下，避免人为误差，提高铸件产品质量检测工作效率。

权利要求书1.一种铸件产品内部缺陷智能检测装置，其特征在于包括：X射线管、成像板、光路仿真与控制单元、云平台服务器；光路仿真与控制单元，能够根据铸件产品的外形或三维模型，选择最佳透照光路，并能够根据最佳透照光路，调整X射线管和成像板的位置，使铸件产品位于X射线管与成像板之间的最佳位置；光路仿真与控制单元控制X射线管发出X射线，X射线透射铸件产品后，在成像板上成像，得到X射线图像，即铸件产品原始灰度图像；将铸件产品原始灰度图像推送至云平台服务器；云平台服务器，对铸件产品原始灰度图像进行预处理，使得原始灰度图像的对比度达到要求，即得到预处理后的图像；将预处理后的图像输入卷积神经网络模型CNN，进行缺陷筛选，判断预处理后的图像中是否含有缺陷；将判定为含有缺陷的图像，输入到带有感兴趣区域的卷积神经网络模型RCNN，对有缺陷的图像中的缺陷定位，并标注缺陷所在位置的最小框图，实现缺陷定位；提取缺陷定位后最小框图内的图像，输入深度学习神经网络模型DNN，进行缺陷分类，得到缺陷的类型。

2.根据权利要求1所述的一种铸件产品内部缺陷智能检测装置，其特征在于：成像板要位于X 射线管辐射的焦点上。

3.根据权利要求1所述的一种铸件产品内部缺陷智能检测装置，其特征在于：对铸件产品原始灰度图像进行预处理，具体如下：针对厚度梯度变化剧烈的原始灰度图像，预处理方式包括但不限于：图像增强、图像非线性变化、滤波降噪、图像锐化；针对表面粗糙的原始灰度图像，预处理方式包括但不限于：图像增强、滤波降噪、图像平滑；针对铸件边缘的原始灰度图像，预处理方式包括但不限于：图像增强、图像非线性变化、滤波降噪、小波变换。

4.根据权利要求1所述的一种铸件产品内部缺陷智能检测装置，其特征在于：原始灰度图像的对比度要求，具体为：一个像素点相邻四个像素点的灰度差值满足检测阈值最低区分限度要求。

5.根据权利要求1所述的一种铸件产品内部缺陷智能检测装置，其特征在于：缺陷，包括气孔、夹渣、缩松、裂纹、偏析这几类缺陷。

6.根据权利要求1所述的一种铸件产品内部缺陷智能检测装置，其特征在于：卷积神经网络模型CNN经过预先训练，具体训练方式如下：(1)建立带标签的训练图像集，训练图像为铸件产品原始灰度图像经过预处理后的图像，预先将图像有无缺陷进行标记，形成标签；标签分为有缺陷和无缺陷标记；(2)将训练图像集中的的图像逐个输入至未经训练的卷积神经网络模型CNN，根据预先设定卷积神经网络模型CNN的结构、目标函数、模型参数优化方法，对卷积神经网络模型CNN 进行训练，得到训练好的卷积神经网络模型CNN，即已对卷积神经网络模型CNN中参数进行优化。

7.根据权利要求1所述的一种铸件产品内部缺陷智能检测装置，其特征在于：训练好的卷积神经网络模型CNN能够输出标签，根据标签判断铸件产品是否有缺陷，实现缺陷筛选。

8.根据权利要求1所述的一种铸件产品内部缺陷智能检测装置，其特征在于：缺陷所在位置的最小框图，是指：与缺陷最长径相切的一组平行线和与其垂直的一组平行线组成的矩形框。

9.根据权利要求1所述的一种铸件产品内部缺陷智能检测装置其特征在于：带有感兴趣区域的卷积神经网络模型RCNN，需要经过预先训练，训练方式如下：(1)建立带有缺陷最小框图的训练图像集；(2)将带有缺陷最小框图的训练图像集中的图像逐个输入至未经训练的带有感兴趣区域的卷积神经网络模型RCNN，根据预先设定带有感兴趣区域的卷积神经网络模型RCNN的结构、目标函数、模型参数优化方法，对带有感兴趣区域的卷积神经网络模型RCNN进行训练，得到训练好的带有感兴趣区域的卷积神经网络模型RCNN，即已对带有感兴趣区域的卷积神经网络模型RCNN中参数进行优化。

10.根据权利要求1所述的一种铸件产品内部缺陷智能检测装置，其特征在于：训练好的带有感兴趣区域的卷积神经网络模型RCNN能够输出缺陷所在位置的最小框图，根据缺陷所在位置的最小框图，实现缺陷定位。

技术说明书一种铸件产品内部缺陷智能检测装置技术领域本技术涉及一种铸件产品内部缺陷智能检测装置，属于智能化检测技术领域。

背景技术目前在工业领域，铸件产品内部缺陷检测是生产过程质量检测的重要一环，通常采用射线成像技术对铸件产品内部信息拍片，之后由经验丰富的工人根据片子对铸件产品内部缺陷判读。

但是，数字射线图像的缺陷评判需要具有资质的技能工人才能完成，培养技能工人需要耗费大量的时间和金钱，而且，大量的评片工作易导致技能工人的疲劳，极易导致误判、漏判等人为误差。

同时，伴随生产力的发展，铸件产量的增加，对评片效率提出了更高要求。

随着人工智能技术的发展，基于数字图像的深度学习神经网络算法在无损检测领域中承担起越来越重要的任务。

现有技术通过检测人员制定检测工艺实现铸件检测，检测光路的布置严重依靠检测人员知识贮备与经验，检测图像评价靠检测人员，检测图像质量与评价受主观影响严重，检测效率和检测一致性不高。

技术内容本技术解决的技术问题为：克服现有技术不足，提供一种铸件产品内部缺陷智能检测装置，应用于铸件产品的质量检测任务，根据铸件产品内部缺陷特征，运用计算机深度学习方法对数字射线图像分析，智能判读结果，有效地缩减人工检测时长，在保证缺陷识别准确率的前提下，避免人因误差，提高铸件产品质量检测工作效率。

本技术解决的技术方案为：一种铸件产品内部缺陷智能检测装置，包括：X射线管、成像板、光路仿真与控制单元、云平台服务器；光路仿真与控制单元，能够根据铸件产品的外形或三维模型，选择最佳透照光路，并能够根据最佳透照光路，调整X射线管和成像板的位置，使铸件产品位于X射线管与成像板之间的最佳位置；光路仿真与控制单元控制X射线管发出X射线，X射线透射铸件产品后，在成像板上成像，得到X射线图像，即铸件产品原始灰度图像；将铸件产品原始灰度图像推送至云平台服务器；云平台服务器，对铸件产品原始灰度图像进行预处理，使得原始灰度图像的对比度达到要求，即得到预处理后的图像；将预处理后的图像输入卷积神经网络模型CNN，进行缺陷筛选，判断预处理后的图像中是否含有缺陷。

将判定为含有缺陷的图像，输入到带有感兴趣区域的卷积神经网络模型RCNN，对有缺陷的图像中的缺陷定位，并标注缺陷所在位置的最小框图，实现缺陷定位。

提取缺陷定位后最小框图内的图像，输入深度学习神经网络模型DNN，进行缺陷分类，得到缺陷的类型。

优选的，成像板要位于X射线管辐射的焦点上。

优选的，对铸件产品原始灰度图像进行预处理，具体如下：针对厚度梯度变化剧烈的原始灰度图像，预处理方式包括但不限于：图像增强、图像非线性变化、滤波降噪、图像锐化。

针对表面粗糙的原始灰度图像，预处理方式包括但不限于：图像增强、滤波降噪、图像平滑。

针对铸件边缘的原始灰度图像，预处理方式包括但不限于：图像增强、图像非线性变化、滤波降噪、小波变换。

优选的，原始灰度图像的对比度要求，具体为：一个像素点相邻四个像素点的灰度差值满足检测阈值最低区分限度要求。

优选的，缺陷，包括气孔、夹渣、缩松、裂纹、偏析这几类缺陷。

优选的，卷积神经网络模型CNN经过预先训练，具体训练方式如下：(1)建立带标签的训练图像集，训练图像为铸件产品原始灰度图像经过预处理后的图像，预先将图像有无缺陷进行标记，形成标签；标签分为有缺陷和无缺陷标记；(2)将训练图像集中的的图像逐个输入至未经训练的卷积神经网络模型CNN，根据预先设定卷积神经网络模型CNN的结构、目标函数、模型参数优化方法，对卷积神经网络模型CNN 进行训练，如图3所示，得到训练好的卷积神经网络模型CNN，即已对卷积神经网络模型CNN中参数进行优化。

优选的，训练好的卷积神经网络模型CNN能够输出标签，根据标签判断铸件产品是否有缺陷，实现缺陷筛选。

优选的，缺陷所在位置的最小框图，是指：与缺陷最长径相切的一组平行线和与其垂直的一组平行线(与缺陷边缘最外侧可相切部位)组成的矩形框。

优选的，带有感兴趣区域的卷积神经网络模型RCNN，需要经过预先训练，训练方式如下：(1)建立带有缺陷最小框图的训练图像集；(2)将带有缺陷最小框图的训练图像集中的图像逐个输入至未经训练的带有感兴趣区域的卷积神经网络模型RCNN，根据预先设定带有感兴趣区域的卷积神经网络模型RCNN的结构、目标函数、模型参数优化方法，对带有感兴趣区域的卷积神经网络模型RCNN进行训练，如图4所示，得到训练好的带有感兴趣区域的卷积神经网络模型RCNN，即已对带有感兴趣区域的卷积神经网络模型RCNN中参数进行优化。

优选的，训练好的带有感兴趣区域的卷积神经网络模型RCNN能够输出缺陷所在位置的最小框图，根据缺陷所在位置的最小框图，实现缺陷定位。

优选的，深度学习神经网络模型DNN，需要经过预先训练，训练方式如下：(1)建立带缺陷类型标签的带有缺陷最小框图的训练图像集；每个带有缺陷最小框图的训练图像的缺陷类型标签对应一种缺陷类型；(2)将带缺陷类型标签的带有缺陷最小框图的训练图像集中的图像逐个输入至未经训练的深度学习神经网络模型DNN，根据预先设定深度学习神经网络模型DNN的结构、目标函数、模型参数优化方法，对深度学习神经网络模型DNN进行训练，得到训练好的深度学习神经网络模型DNN，即已对深度学习神经网络模型DNN中参数进行优化。

优选的，深度学习神经网络模型DNN能够输出带缺陷类型标签，根据带缺陷类型标签，实现缺陷分类。

优选的，在缺陷分类后，还可以对经过分类后的缺陷，进行缺陷评级，判断其缺陷等级是否满足预先DNN网络训练输入的同种缺陷的不同级别图样，并输出检测结果。

本技术与现有技术相比的优点在于：(1)本技术通过采用光路仿真与控制模块实现最优检测光路确认，代替检测人员依靠经验制定的光路布置，得到最优图像，提高图像精度与灵敏度。

(2)本技术通过采用云平台服务器进行数字射线图像智能分析，通过云服务，可以有效收集汇总检测过程中不同产品，不同时间的逐渐质量信息与内部缺陷，为设计与生产工艺优化提升数据支撑，最终提升产品的质量(3)本技术通过计算机深度学习方法对数字射线图像分析，智能判读结果，部分或全部代替人工评片过程，有效地缩减人工检测时长，在保证缺陷识别准确率的前提下，避免人因误差，提高铸件产品质量检测工作效率。