本发明公开了基于深度学习和超像素分割的复材超声图像缺陷检测方法，包括以下步骤：步骤1、对复材超声检测图像进行扩增形成训练样本集，基于训练样本集通过YOLOv3神经网络对复材缺陷进行特征检出与提取，得到缺陷目标检测包围框；步骤2、采用超像素分割方法对复材超声检测图像进行像素级分割，得到若干超像素分割子区域；步骤3、将包含缺陷的超像素分割子区域位于缺陷目标检测包围框外部的部分舍弃，将包含缺陷的超像素分割子区域位于缺陷目标检测包围框内部的部分保留并合并作为最终缺陷区域；步骤4、拟合最终缺陷区域的最小外接矩形作为最终缺陷检测结果；本发明具有同时保证复合材料超声图像缺陷检测识别的高效性与精确性的有益效果。
1.基于深度学习和超像素分割的复材超声图像缺陷检测方法，其特征在于，包括以下步骤：
步骤1、对复材超声检测图像进行扩增形成训练样本集，基于训练样本集通过YOLOv3神经网络对复材缺陷进行特征检出与提取，得到缺陷目标检测包围框；
步骤2、采用超像素分割方法对复材超声检测图像进行像素级分割，得到若干超像素分割子区域；
步骤3、将包含缺陷的超像素分割子区域位于缺陷目标检测包围框外部的部分舍弃，将包含缺陷的超像素分割子区域位于缺陷目标检测包围框内部的部分保留并合并作为最终缺陷区域；
步骤4、拟合最终缺陷区域的最小外接矩形作为最终缺陷检测结果。
2.根据权利要求1所述的基于深度学习和超像素分割的复材超声图像缺陷检测方法，其特征在于，所述步骤3具体包括：步骤3.1、提取与缺陷目标检测包围框存在像素重叠的所有超像素分割子区域，检测提取的超像素分割子区域中是否包含缺陷，将包含缺陷的超像素分割子区域保留，将不包含缺陷的超像素分割子区域舍弃；
步骤3.2、将步骤3.1中保留的包含缺陷的超像素分割子区域位于缺陷目标检测包围框内部的部分提取并合并，将步骤3.1中保留的包含缺陷的超像素分割子区域位于缺陷目标检测包围框外部的部分舍弃；
步骤3.3、拟合步骤3.2中提取合并的超像素分割子区域的最小外接矩形，并提取该最小外接矩形的坐标位置、尺寸参数、像素数作为最终缺陷检测结果。
3.根据权利要求2所述的基于深度学习和超像素分割的复材超声图像缺陷检测方法，其特征在于，所述步骤1具体包括：步骤1.1、读取复材超声检测图像，并对复材超声检测图像中的缺陷进行人工标注形成标注目标框；
步骤1.2、从复材超声检测图像中随机截取若干子图区域，判断子图区域中是否包含标注目标框，若子图区域中包含标注目标框，则保留该子图区域；若子图区域中不包含标注目标框，则舍弃该子图区域；
步骤1.3、以复材超声检测图像的左上角点为起点，按照从左至右、从上至下的方向滑动切割复材超声检测图像得到若干子图区域，判断子图区域中是否包含标注目标框，若子图区域中包含标注目标框，则保留该子图区域；若子图区域中不包含标注目标框，则舍弃该子图区域；
步骤1.4、对步骤1.2与步骤1.3中保留的子图区域进行扩增操作以形成训练样本集，采用YOLOv3算法基于训练样本集进行缺陷识别训练以得到缺陷检测框，计算缺陷检测框与标注目标框的重合度，迭代上述过程直到缺陷检测框与标注目标框的重合度达到设定阈值后得到训练完毕的YOLOv3神经网络模型；
步骤1.5、通过滑动窗口在复材超声检测图像上截取子图区域，并采用训练完毕的YOLOv3神经网络模型对截取的子图区域进行缺陷识别以得到最终的缺陷目标检测包围框。
4.根据权利要求3所述的基于深度学习和超像素分割的复材超声图像缺陷检测方法，其特征在于，所述步骤1.2具体包括：步骤1.2.1、以复材超声检测图像的左上角点为原点向右建立X轴，向下建立Y轴，提取复材超声检测图像的左上角点坐标为(SX，SY)；
步骤1.2.2、从复材超声检测图像中随机截取宽度为SW，高度为SH的子图区域，提取标注目标框的左上角点的坐标(BX，BY)，标注目标框的宽度BW，标注目标框的高度BH；
步骤1.2.3、判断当前子图区域中是否包含标注目标框，判断公式如下：其中：BX为标注目标框的左上角点在X轴上的坐标；BY为标注目标框的左上角点在Y轴上的坐标；SX为复材超声检测图像的左上角点在X轴上的坐标；SY为复材超声检测图像的左上角点在Y轴上的坐标；BW为标注目标框沿X轴的宽度；BH为标注目标框沿Y轴的高度；SW为从复材超声检测图像中随机截取的子图区域沿X轴的宽度；SH为从复材超声检测图像中随机截取的子图区域沿Y轴的高度。
5.根据权利要求3所述的基于深度学习和超像素分割的复材超声图像缺陷检测方法，其特征在于，所述步骤1.3具体包括：步骤1.3.1、以复材超声检测图像的左上角点为原点向右建立X轴，向下建立Y轴，提取复材超声检测图像的左上角点坐标为(SX，SY)；
步骤1.3.2、以复材超声检测图像的左上角点为起点，按照从左至右，从上至下的顺序在复材超声检测图像上滑动切割截取宽度为SW，高度为SH的子图区域，提取标注目标框的左上角点的坐标(BX，BY)，标注目标框的宽度BW，标注目标框的高度BH；
步骤1.3.3、判断当前子图区域中是否包含标注目标框，判断公式如下：其中：BX为标注目标框的左上角点在X轴上的坐标；BY为标注目标框的左上角点在Y轴上的坐标；SX为复材超声检测图像的左上角点在X轴上的坐标；SY为复材超声检测图像的左上角点在Y轴上的坐标；BW为标注目标框沿X轴的宽度；BH为标注目标框沿Y轴的高度；SW为从复材超声检测图像中随机截取的子图区域沿X轴的宽度；SH为从复材超声检测图像中随机截取的子图区域沿Y轴的高度。
6.根据权利要求5所述的基于深度学习和超像素分割的复材超声图像缺陷检测方法，其特征在于，所述步骤1.3.2中滑动切割的滑动步长为宽度SW为的0.2倍或为高度SH的0.2倍。
7.根据权利要求3所述的基于深度学习和超像素分割的复材超声图像缺陷检测方法，其特征在于，所述步骤1.5中针对滑动窗口截取的子图区域，采用NMS算法计算子图区域上相邻的检测框之间的IoU值，若IoU值大于0.9，则将相邻的检测框合并，迭代上述过程直到得到最终的缺陷目标检测包围框。
8.根据权利要求2所述的基于深度学习和超像素分割的复材超声图像缺陷检测方法，其特征在于，所述步骤2具体包括：步骤2.1、对复材超声检测图像进行超像素分割得到宽度为SPW，高度为SPH的K个超像素分割子区域；
步骤2.2、提取K个超像素分割子区域中心的K个中心像素点以及每个中心像素点周围的8个周边像素点，计算提取的中心像素点与周边像素点的梯度模值，提取K个超像素分割子区域中梯度模值最低的像素点作为当前超像素分割子区域的聚类中心；
步骤2.3、采用K‑means算法迭代计算当前超像素分割子区域的聚类中心周围3SPW×
3SPH范围内的像素点与聚类中心之间的距离以及当前超像素分割子区域中所有像素点的平均向量值，进而迭代得到新的聚类中心；
步骤2.4、以新的聚类中心为基准搜索其周围与聚类中心的像素点相似的若干像素，并将相似的像素点进行归类，直到造成像素点的类别标签改变的像素数量小于设定阈值则停止迭代，得到超像素分割子区域。
9.根据权利要求8所述的基于深度学习和超像素分割的复材超声图像缺陷检测方法，其特征在于，所述步骤2中对复材超声检测图像进行像素级分割之前，预先通过双边滤波器对复材超声检测图像进行保边去噪以及区域平滑处理，并将处理后的复材超声检测图像转换至单通道灰度空间。
基于深度学习和超像素分割的复材超声图像缺陷检测方法
技术领域
[0001] 本发明属于复合材料超声图像缺陷检测技术领域，具体涉及基于深度学习和超像素分割的复材超声图像缺陷检测方法。
背景技术
[0002] 随着科技发展技术进步，碳纤维复合材料广泛应用于航空航天、军事工业、汽车制造、土木建筑等领域；但是由于碳纤维复合材料在制造或使用过程中会形成各种形式的缺
陷，影响复合材料各项性能指标，且有些缺陷的形成不可避免，因此检测缺陷是否满足阈值
标准以判断零件品质是否能够达到合格使用条件显得尤为重要；然而，现有缺陷检测多通
过人员肉眼对缺陷图像进行判定，自动化程度低，效率不高，无法满足快速高效生产要求；
有必要结合最新的计算机视觉技术及传统的图像处理方法解决这个问题。
[0003] 通过深度学习方法进行目标检测使得检测效率大大提升，并且由于人工神经网络强大的特征学习提取能力，目标检测的鲁棒性、精确度也得到了长足提高；以YOLO为代表的
基于神经网络的目标检测算法逐步应用于生产生活的各个方面；通过神经网络对复合材料
缺陷进行检出是高效快捷的方法，但是传统基于YOLO对复合材料的超声图像进行缺陷检测
识别存在着最终得到的检测目标包围框依然包含非缺陷特征的问题，即最终检测结果的精
度依旧有待提高。
[0004] 图像分割是将图像分为多个子区域，也即超像素的过程；超像素是由一系列位置相邻，颜色、亮度、纹理等特征相似的像素组成小区域；这些小区域在良好分割的情况下紧
密贴合图像边缘，从而保留了边缘内部信息，方便了后续处理。但是传统的超像素分割由于
分割形成的子区域较多，因此在处理效率上有待提高。
[0005] 因此，针对缺陷要求精度较高的复合材料缺陷检测，急需一种能够同时保证检测精度与检测效率的缺陷检测方法。
发明内容
[0006] 本发明的目的在于提供基于深度学习和超像素分割的复材超声图像缺陷检测方法，能够对复合材料超声图像上的缺陷特征进行高效精确检测提取，同时保证了复合材料
缺陷检测的精确性与高效性。
[0007] 本发明通过下述技术方案实现：
[0008] 基于深度学习和超像素分割的复材超声图像缺陷检测方法，包括以下步骤：
[0009] 步骤1、对复材超声检测图像进行扩增形成训练样本集，基于训练样本集通过YOLOv3神经网络对复材缺陷进行特征检出与提取，得到缺陷目标检测包围框；
[0010] 步骤2、采用超像素分割方法对复材超声检测图像进行像素级分割，得到若干超像素分割子区域；
[0011] 步骤3、将包含缺陷的超像素分割子区域位于缺陷目标检测包围框外部的部分舍弃，将包含缺陷的超像素分割子区域位于缺陷目标检测包围框内部的部分保留并合并作为
最终缺陷区域；
[0012] 步骤4、拟合最终缺陷区域的最小外接矩形作为最终缺陷检测结果。
[0013] 为了更好的实现本发明，进一步地，所述步骤3具体包括：
[0014] 步骤3.1、提取与缺陷目标检测包围框存在像素重叠的所有超像素分割子区域，检测提取的超像素分割子区域中是否包含缺陷，将包含缺陷的超像素分割子区域保留，将不
包含缺陷的超像素分割子区域舍弃；
[0015] 步骤3.2、将步骤3.1中保留的包含缺陷的超像素分割子区域位于缺陷目标检测包围框内部的部分提取并合并，将步骤3.1中保留的包含缺陷的超像素分割子区域位于缺陷
目标检测包围框外部的部分舍弃；
[0016] 步骤3.3、拟合步骤3.2中提取合并的超像素分割子区域的最小外接矩形，并提取该最小外接矩形的坐标位置、尺寸参数、像素数作为最终缺陷检测结果。
[0017] 为了更好的实现本发明，进一步地，所述步骤1具体包括：
[0018] 步骤1.1、读取复材超声检测图像，并对复材超声检测图像中的缺陷进行人工标注形成标注目标框；
[0019] 步骤1.2、从复材超声检测图像中随机截取若干子图区域，判断子图区域中是否包含标注目标框，若子图区域中包含标注目标框，则保留该子图区域；若子图区域中不包含标
注目标框，则舍弃该子图区域；
[0020] 步骤1.3、以复材超声检测图像的左上角点为起点，按照从左至右、从上至下的方向滑动切割复材超声检测图像得到若干子图区域，判断子图区域中是否包含标注目标框，
若子图区域中包含标注目标框，则保留该子图区域；若子图区域中不包含标注目标框，则舍
弃该子图区域；
[0021] 步骤1.4、对步骤1.2与步骤1.3中保留的子图区域进行扩增操作以形成训练样本集，采用YOLOv3算法基于训练样本集进行缺陷识别训练以得到缺陷检测框，计算缺陷检测
框与标注目标框的重合度，迭代上述过程直到缺陷检测框与标注目标框的重合度达到设定
阈值后得到训练完毕的YOLOv3神经网络模型；
[0022] 步骤1.5、通过滑动窗口在复材超声检测图像上截取子图区域，并采用训练完毕的YOLOv3神经网络模型对截取的子图区域进行缺陷识别以得到最终的缺陷目标检测包围框。
[0023] 为了更好的实现本发明，进一步地，所述步骤1.2具体包括：
[0024] 步骤1.2.1、以复材超声检测图像的左上角点为原点向右建立X轴，向下建立Y轴，提取复材超声检测图像的左上角点坐标为(SX，SY)；
[0025] 步骤1.2.2、从复材超声检测图像中随机截取宽度为SW，高度为SH的子图区域，提取标注目标框的左上角点的坐标(BX，BY)，标注目标框的宽度BW，标注目标框的高度BH；
[0026] 步骤1.2.3、判断当前子图区域中是否包含标注目标框，判断公式如下：
[0027]
[0028] 其中：BX为标注目标框的左上角点在X轴上的坐标；BY为标注目标框的左上角点在Y轴上的坐标；SX为复材超声检测图像的左上角点在X轴上的坐标；SY为复材超声检测图像
的左上角点在Y轴上的坐标；BW为标注目标框沿X轴的宽度；BH为标注目标框沿Y轴的高度；
SW为从复材超声检测图像中随机截取的子图区域沿X轴的宽度；SH为从复材超声检测图像
中随机截取的子图区域沿Y轴的高度。
[0029] 为了更好的实现本发明，进一步地，所述步骤1.3具体包括：
[0030] 步骤1.3.1、以复材超声检测图像的左上角点为原点向右建立X轴，向下建立Y轴，提取复材超声检测图像的左上角点坐标为(SX，SY)；
[0031] 步骤1.3.2、以复材超声检测图像的左上角点为起点，按照从左至右，从上至下的顺序在复材超声检测图像上滑动切割截取宽度为SW，高度为SH的子图区域，提取标注目标
框的左上角点的坐标(BX，BY)，标注目标框的宽度BW，标注目标框的高度BH；
[0032] 步骤1.3.3、判断当前子图区域中是否包含标注目标框，判断公式如下：
[0033]
[0034] 其中：BX为标注目标框的左上角点在X轴上的坐标；BY为标注目标框的左上角点在Y轴上的坐标；SX为复材超声检测图像的左上角点在X轴上的坐标；SY为复材超声检测图像
的左上角点在Y轴上的坐标；BW为标注目标框沿X轴的宽度；BH为标注目标框沿Y轴的高度；
SW为从复材超声检测图像中随机截取的子图区域沿X轴的宽度；SH为从复材超声检测图像
中随机截取的子图区域沿Y轴的高度。
[0035] 为了更好的实现本发明，进一步地，所述步骤1.3.2中滑动切割的滑动步长为宽度SW为的0.2倍或为高度SH的0.2倍。
[0036] 为了更好的实现本发明，进一步地，所述步骤1.5中针对滑动窗口截取的子图区域，采用NMS算法计算子图区域上相邻的检测框之间的IoU值，若IoU值大于0.9，则将相邻的
检测框合并，迭代上述过程直到得到最终的缺陷目标检测包围框。
[0037] 为了更好的实现本发明，进一步地，所述步骤2具体包括：
[0038] 步骤2.1、对复材超声检测图像进行超像素分割得到宽度为SPW，高度为SPH的K个超像素分割子区域；
[0039] 步骤2.2、提取K个超像素分割子区域中心的K个中心像素点以及每个中心像素点周围的8个周边像素点，计算提取的中心像素点与周边像素点的梯度模值，提取K个超像素
分割子区域中梯度模值最低的像素点作为当前超像素分割子区域的聚类中心；
[0040] 步骤2.3、采用K‑means算法迭代计算当前超像素分割子区域的聚类中心周围3SPW×3SPH范围内的像素点与聚类中心之间的距离以及当前超像素分割子区域中所有像素点
的平均向量值，进而迭代得到新的聚类中心；
[0041] 步骤2.4、以新的聚类中心为基准搜索其周围与聚类中心的像素点相似的若干像素，并将相似的像素点进行归类，直到造成像素点的类别标签改变的像素数量小于设定阈
值则停止迭代，得到超像素分割子区域。
[0042] 为了更好的实现本发明，进一步地，所述步骤2中对复材超声检测图像进行像素级分割之前，预先通过双边滤波器对复材超声检测图像进行保边去噪以及区域平滑处理，并
将处理后的复材超声检测图像转换至单通道灰度空间。
[0043] 本发明与现有技术相比，具有以下优点及有益效果：
[0044] 本发明通过YOLOv3神经网络对复合材料的复材超声检测图像进行缺陷检测与提取，进而得到包含缺陷的缺陷目标检测包围框，保证了缺陷检测的高效性；同时本发明对复
材超声检测图像进行超像素分割，进而得到包含缺陷的超像素分割子区域，并将不包含缺
陷的超像素分割子区域舍弃，有效提高后续进行超像素分割子区域合并的效率；然后将位
于缺陷目标检测包围框外部的超像素分割子区域舍弃，进一步提高超像素分割子区域的合
并效率，然后将位于缺陷目标检测包围框内部的包含缺陷的超像素分割子区域合并并拟合
出最小外接矩形，剔除了缺陷目标检测包围框内部不包含缺陷的部分对最终检测结果的影
响，有效提高了缺陷检测识别结果的精确性。
附图说明
[0045] 图1为本发明的流程步骤示意图；
[0046] 图2为超像素分割子区域与缺陷目标检测包围框的初始位置关系图
[0047] 图3为舍弃不包含缺陷的超像素分割子区域后的示意图；
[0048] 图4为超像素分割子区域提取合并示意图；
[0049] 图5为最小外接矩形的拟合示意图。
具体实施方式
[0050] 实施例1：
[0051] 本实施例的基于深度学习和超像素分割的复材超声图像缺陷检测方法，如图1所示，包括以下步骤：
[0052] 步骤1、对复材超声检测图像进行随机剪切与完全划分形成训练样本集，基于训练样本集通过YOLOv3神经网络对复材缺陷进行特征检出与提取，得到缺陷目标检测包围框；
为了解决训练样本集中样本数量不足的问题，对训练样本集中的样本进行旋转、翻转、随机
拉伸等变换以实现样本扩增，然后通过YOLOv3神经网络基于训练样本集中的样本进行复材
缺陷检测与提取的迭代训练，直到检测精度达标后即得到训练完成的YOLOv3神经网络模
型，然后通过训练完成的YOLOv3神经网络模型对复材超声检测图像进行缺陷检测与提取，
得到最终的缺陷目标检测包围框。
[0053] 步骤2、采用超像素分割方法对复材超声检测图像进行像素级分割，得到若干超像素分割子区域；部分超像素分割子区域不包含缺陷，剩下的超像素分割子区域包含缺陷。
[0054] 步骤3、将包含缺陷的超像素分割子区域位于缺陷目标检测包围框外部的部分舍弃，有效降低后续进行超像素分割子区域合并的运算量，提高超像素分割区域合并的效率。
然后将包含缺陷的超像素分割子区域位于缺陷目标检测包围框内部的部分保留并合并作
为最终缺陷区域；
[0055] 步骤4、拟合最终缺陷区域的最小外接矩形作为最终缺陷检测结果。
[0056] 实施例2：
[0057] 本实施例在实施例1的基础上做进一步优化，所述步骤3具体包括：
[0058] 步骤3.1、如图2和图3所示，提取与缺陷目标检测包围框存在像素重叠的所有超像素分割子区域，检测提取的超像素分割子区域中是否包含缺陷，将包含缺陷的超像素分割
子区域保留，将不包含缺陷的超像素分割子区域舍弃，避免不包含缺陷的超像素分割子区
域参与后续合并，有效提升超像素子区域的合并效率。
[0059] 步骤3.2、如图4所示，将步骤3.1中保留的包含缺陷的超像素分割子区域位于缺陷目标检测包围框内部的部分提取并合并，将步骤3.1中保留的包含缺陷的超像素分割子区
域位于缺陷目标检测包围框外部的部分舍弃，避免位于缺陷目标检测包围框外部的超像素
分割子区域参与后续合并，进一步提升超像素分割子区域的合并效率。
[0060] 步骤3.3、如图5所示，拟合步骤3.2中提取合并的超像素分割子区域的最小外接矩形，并提取该最小外接矩形的坐标位置、尺寸参数、像素数作为最终缺陷检测结果。
[0061] 本实施例的其他部分与实施例1相同，故不再赘述。
[0062] 实施例3：
[0063] 本实施例在上述实施例1或2的基础上做进一步优化，所述步骤1具体包括：
[0064] 步骤1.1、读取复材超声检测图像，并对复材超声检测图像中的缺陷进行人工标注形成标注目标框；
[0065] 步骤1.2、随机剪切：从复材超声检测图像中随机截取若干子图区域，判断子图区域中是否包含标注目标框，若子图区域中包含标注目标框，则保留该子图区域；若子图区域
中不包含标注目标框，则舍弃该子图区域；
[0066] 步骤1.3、完全划分：以复材超声检测图像的左上角点为起点，按照从左至右、从上至下的方向滑动切割复材超声检测图像得到若干子图区域，判断子图区域中是否包含标注
目标框，若子图区域中包含标注目标框，则保留该子图区域；若子图区域中不包含标注目标
框，则舍弃该子图区域；
[0067] 步骤1.4、对步骤1.2与步骤1.3中保留的子图区域进行扩增操作以形成训练样本集，采用YOLOv3算法基于训练样本集进行缺陷识别训练以得到缺陷检测框，计算缺陷检测
框与标注目标框的重合度，迭代上述过程直到缺陷检测框与标注目标框的重合度达到设定
阈值后得到训练完毕的YOLOv3神经网络模型；
[0068] YOLOv3算法中输入的子图区域的大小为800像素×800像素，采用Darknet‑53架构对子图区域进行特征计算，Darknet‑53包含卷积层，池化层。采用全卷积的技术，并引入
residual结构解决深层网络的梯度问题。该网络末端采用Softmax分类器进行训练，学习率
设定为0.001，batches及subdivisions依据训练显卡性能进行确定，采用Batch
normalization对权重参数及偏置参数进行迭代训练，设置权重衰减速率为0.0005，动量梯
度下降参数为0.8，迭代上述过程直到缺陷检测框与标注目标框的重合度达到设定阈值后
得到训练完毕的YOLOv3神经网络模型，并保存该训练权重参数。
[0069] 步骤1.5、通过滑动窗口在复材超声检测图像上截取子图区域，并采用训练完毕的YOLOv3神经网络模型对截取的子图区域进行缺陷识别以得到最终的缺陷目标检测包围框。
[0070] 将复材超声检测图像输入训练完毕的YOLOv3神经网络模型中，并采用步骤1.4中保存的权重参数对复材超声检测图像进行缺陷检测。在YOLOv3神经网络模型对复材超声检
测图像进行缺陷识别的过程中采用跨尺度预测，采用3个尺度预测边界框，通过在训练样本
集中的样本图像上进行K‑means聚类得到缺陷目标检测包围框的尺寸，最终输出缺陷目标
检测包围框的参数及置信度。
[0071] 步骤1.5中采用滑动窗口在复材超声检测图像上滑动截取子区域是为了兼容满足不同尺寸零件的复材超声检测图像进行缺陷检测。
[0072] 进一步的，所述步骤1.5中针对滑动窗口截取的子图区域，采用NMS算法计算子图区域上相邻的检测框之间的IoU值，若IoU值大于0.9，则将相邻的检测框合并，迭代上述过
程直到得到最终的缺陷目标检测包围框。
[0073] 本实施例的其他部分与上述实施例1或2相同，故不再赘述。
[0074] 实施例4：
[0075] 本实施例在上述实施例1‑3任一项的基础上做进一步优化，所述步骤1.2具体包括：
[0076] 步骤1.2.1、以复材超声检测图像的左上角点为原点向右建立X轴，向下建立Y轴，提取复材超声检测图像的左上角点坐标为(SX，SY)；
[0077] 步骤1.2.2、从复材超声检测图像中随机截取宽度为SW，高度为SH的子图区域，提取标注目标框的左上角点的坐标(BX，BY)，标注目标框的宽度BW，标注目标框的高度BH；
[0078] 步骤1.2.3、判断当前子图区域中是否包含标注目标框，判断公式如下：
[0079]
[0080] 其中：BX为标注目标框的左上角点在X轴上的坐标；BY为标注目标框的左上角点在Y轴上的坐标；SX为复材超声检测图像的左上角点在X轴上的坐标；SY为复材超声检测图像
的左上角点在Y轴上的坐标；BW为标注目标框沿X轴的宽度；BH为标注目标框沿Y轴的高度；
SW为从复材超声检测图像中随机截取的子图区域沿X轴的宽度；SH为从复材超声检测图像
中随机截取的子图区域沿Y轴的高度。
[0081] 本实施例的其他部分与上述实施例1‑3任一项相同，故不再赘述。
[0082] 实施例5：
[0083] 本实施例在上述实施例1‑4任一项的基础上做进一步优化，所述步骤1.3具体包括：
[0084] 步骤1.3.1、以复材超声检测图像的左上角点为原点向右建立X轴，向下建立Y轴，提取复材超声检测图像的左上角点坐标为(SX，SY)；
[0085] 步骤1.3.2、以复材超声检测图像的左上角点为起点，按照从左至右，从上至下的顺序在复材超声检测图像上滑动切割截取宽度为SW，高度为SH的子图区域，提取标注目标
框的左上角点的坐标(BX，BY)，标注目标框的宽度BW，标注目标框的高度BH；
[0086] 步骤1.3.3、判断当前子图区域中是否包含标注目标框，判断公式如下：
[0087]
[0088] 其中：BX为标注目标框的左上角点在X轴上的坐标；BY为标注目标框的左上角点在Y轴上的坐标；SX为复材超声检测图像的左上角点在X轴上的坐标；SY为复材超声检测图像
的左上角点在Y轴上的坐标；BW为标注目标框沿X轴的宽度；BH为标注目标框沿Y轴的高度；
SW为从复材超声检测图像中随机截取的子图区域沿X轴的宽度；SH为从复材超声检测图像
中随机截取的子图区域沿Y轴的高度。
[0089] 进一步的，所述步骤1.3.2中滑动切割的滑动步长为宽度SW为的0.2倍或为高度SH的0.2倍。
[0090] 本实施例的其他部分与上述实施例1‑4任一项相同，故不再赘述。
[0091] 实施例6：
[0092] 本实施例在上述实施例1‑5任一项的基础上做进一步优化，所述步骤2具体包括：
[0093] 步骤2.1、对复材超声检测图像进行超像素分割得到宽度为SPW，高度为SPH的K个超像素分割子区域；
[0094] 步骤2.2、提取K个超像素分割子区域中心的K个中心像素点以及每个中心像素点周围的8个周边像素点，计算提取的中心像素点与周边像素点的梯度模值，提取K个超像素
分割子区域中梯度模值最低的像素点作为当前超像素分割子区域的聚类中心；
[0095] 步骤2.3、采用K‑means算法迭代计算当前超像素分割子区域的聚类中心周围3SPW×3SPH范围内的像素点与聚类中心之间的距离以及当前超像素分割子区域中所有像素点
的平均向量值，进而迭代得到新的聚类中心；
[0096] 步骤2.4、以新的聚类中心为基准搜索其周围与聚类中心的像素点相似的若干像素，并将相似的像素点进行归类，直到造成像素点的类别标签改变的像素数量小于设定阈
值则停止迭代，得到超像素分割子区域。
[0097] 本实施例的其他部分与上述实施例1‑5任一项相同，故不再赘述。
[0098] 实施例7：
[0099] 本实施例在上述实施例1‑6任一项的基础上做进一步优化，所述步骤2中对复材超声检测图像进行像素级分割之前，预先通过双边滤波器对复材超声检测图像进行保边去噪
以及区域平滑处理，并将处理后的复材超声检测图像转换至单通道灰度空间。
[0100] 本实施例的其他部分与上述实施例1‑6任一项相同，故不再赘述。
[0101] 以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护
范围之内。
