The invention discloses a method for automatic recognition of weld defect type ultrasonic TOFD D scanning technology based on deep learning. First of all, through the D scan data of typical defects in TOFD ultrasonic D scanning technology acquisition of weld; secondly, set up by the feature map extraction convolutional neural network VGG16, RPN network and FRCN network proposed regional FasterR CNN deep learning network framework in MATLAB programming environment; finally, staged training on Faster R CNN deep learning network. The test results show that the Faster network R CNN network has the capability of efficient type recognition of weld defects in D images. The method of this invention, make full use of the advantages of FasterR CNN network recognition of image recognition and its application in TOFD weld ultrasonic D scan image detection, avoid the subjective factors affecting the detection of personnel, effectively improve the recognition ability and the efficiency of the defects of TOFD D scan image type. Has high detection accuracy and good robustness and anti-interference, can be applied to intelligent nondestructive testing technology.
【技术实现步骤摘要】
一种基于深度学习的焊缝超声TOFD-D扫描缺陷类型的自动识别方法
本专利技术涉及一种基于深度学习的焊缝超声TOFD-D扫描缺陷类型的自动识别方法,属于超声波无损检测及图像自动识别领域。
技术介绍
超声衍射时差法(TimeofflightDiffraction,TOFD)是应用最广泛的焊缝成像检测方法之一。基于TOFD-D扫描图像的缺陷类型识别受检测员经验、专业知识、检测环境的影响,存在检测效率、检测结果争议大、缺乏可靠性等问题。因此,采用图像自动识别方法对D扫描图像进行缺陷类型识别具有重要意义。通常采用人工提取的图像特征结合传统机器学习方法实现图像的自动识别,人工特征提取时常常面临特征选择及优化难、理论分析困难、需要经验和技巧等问题。FasterR-CNN识别网络具有自动提取特征、泛化能力强以及准实时性的特点,识别结果对于图像中目标的平移、比例缩放、倾斜或者其它形式的变形具有高度的不变性,可用于易受检测条件影响、结构复杂的超声TOFD-D扫描缺陷图像的自动识别。本专利技术设计了一种基于深度学习的焊缝超声TOFD-D扫描缺陷类型的自动识别方法。通过样本扩展、网络配置及训练优化提高了网络的识别效率,实现了对焊缝超声TOFD-D扫描图像中典型缺陷类型的自动识别。缩略语和关键术语定义TOFD:TimeOfFlightDiffraction超声波衍射时差法。PCS:ProbesCenterSpacing探头间距。CNN:ConvolutionalNeuralNetworks卷积神经网络。RCNN:RegionBasedConvolutionalNeuralNetwo ...
【技术保护点】
基于深度学习的焊缝超声TOFD‑D扫描缺陷类型的自动识别方法,所述方法包括模型训练过程和识别过程,如下:深度学习网络的训练过程S1为:采集焊缝TOFD‑D扫描图像数样本并进行样本扩充;在MATLAB编程环境中配置Faster R‑CNN深度学习网络;通过ImageNet数据集对识别网络进行预训练;采用D扫描图像样本对RPN网络和FRCN网络分别训练;共享VGG16网络对RPN网络和FRCN网络进行整体训练直至网络收敛,得到Faster R‑CNN识别网络最终模型;缺陷识别过程S2为:设置缺陷的置信度阈值,高于阈值的缺陷置信度确定为该类缺陷;将TOFD‑D扫描图像输入训练完成的Faster R‑CNN网络进行测试,得到测试结果。
【技术特征摘要】
1.基于深度学习的焊缝超声TOFD-D扫描缺陷类型的自动识别方法,所述方法包括模型训练过程和识别过程,如下:深度学习网络的训练过程S1为:采集焊缝TOFD-D扫描图像数样本并进行样本扩充;在MATLAB编程环境中配置FasterR-CNN深度学习网络;通过ImageNet数据集对识别网络进行预训练;采用D扫描图像样本对RPN网络和FRCN网络分别训练;共享VGG16网络对RPN网络和FRCN网络进行整体训练直至网络收敛,得到FasterR-CNN识别网络最终模型;缺陷识别过程S2为:设置缺陷的置信度阈值,高于阈值的缺陷置信度确定为该类缺陷;将TOFD-D扫描图像输入训练完成的FasterR-CNN网络进行测试,得到测试结果。2.根据权利要求1所述基于深度学习的焊缝超声TOFD-D扫描缺陷类型的自动识别方法,其特征在于,训练过程S1的步骤如下:S11、通过超声TOFD-D扫描技术采集焊缝典型缺陷的TOFD-D扫描图像数据,并通过试验方法扩充图像样本,图像样本分为训练集、验证集、测试集;S12、在MATLAB编程环境中搭建由特征图提取卷积神经网络VGG16、区域提议网络RPN以及FRCN网络构成FasterR-CNN深度学习网络框架;S13、利用ImageNet数据集对S12中得到的FasterR-CNN网络框架中VGG16网络进行预训练,初始化VGG16网络中各层卷积神经网络层的权值,得到一个具有提取图像特征图能力的VGG16特征提取网络;S14、将S11中所得的TOFD-D扫扫查图像样本输入VGG16特征提取网络,对RPN网络和FRCN网络进行分别训练并调整学习速率,得到一个具有初步目标预测能力的RPN网络和初步分类能力的FRCN网络;S15、将VGG16特征提取网络的输出同时接入S14中分别训练得到的RPN网络和FRCN网络进行联合训练且采用与步骤S14相同的方法调整学习速率,利用FRCN网络初始化RPN网络并共享VGG16深度卷积层,对RPN网络权值进行联合调优,得出FasterR-CNN识别网络最终模型。3.根据权利要求1所述基...
【专利技术属性】
技术研发人员:陈振华,黄智刚,卢超,陈果,郑志远,
申请(专利权)人:南昌航空大学,
类型:发明
国别省市:江西,36
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。