基于深度学习的剪切散斑干涉条纹图滤波方法

剪切散斑干涉技术作为一种非接触式的高精度光学全场测量方法,可以对复合材料内部缺陷进行无损检测,但所得的相位条纹图中包含大量散斑噪声,会对检测结果和精度产生严重影响。为此,提出了一种基于无监督图像风格转换模型（CycleGAN）的相位条纹图滤波方法。该方法将剪切散斑干涉技术获取的原始噪声相位条纹图通过网络训练转换为理想无噪声条纹图,从而实现对相位条纹图中噪声的滤除。实验结果表明,所提方法能够实现对噪声的高效滤除,滤波图像边界清晰、对比显著,且运行时间明显优于其他方法,仅需30 ms左右便能实现条纹图的高质量滤波,符合动态无损检测的发展需求,为相位条纹图的噪声滤除提供了新的思路。     

金属发动机叶片微小缺陷超分辨图像重建方法

针对金属发动机叶片细微缺陷边界对比度低、描述符不足等造成的检测困难问题,提出一种基于超分辨图像重建技术实现微小缺陷强化的方法。首先,为弥补固定分辨率常规图像量化能力不足的短板,设计基于光度立体的图像重建方法,在图像量化层面实现了叶片表面高对比度法向贴图重建;然后,针对微小缺陷采样描述符不足的问题,通过真实叶片图像来构建多角度、多姿态的数据集,采用基于像素损失的Charbonnier损失来改进超分模型的损失函数,从而实现图像的高分辨率重建,强化采样分辨率,最终实现量化以及采集两个层面的微小缺陷超分辨增强;最后,使用传统的Canny算子识别叶片表面缺陷边界。实验结果表明,所提方法可以免疫二维歧义性,相较于传统方法,最高可提升金属叶片表面微小缺陷检出率达24.3%。