一种基于卷积神经网络的X射线焊缝缺陷检测方法技术

本发明专利技术为一种基于卷积神经网络的X射线焊缝缺陷检测方法，该检测方法包括以下内容：建立包含不同种类焊缝缺陷的焊缝图像数据集，数据集中所有焊缝图片标注焊缝标签；建立AF

【技术实现步骤摘要】
一种基于卷积神经网络的X射线焊缝缺陷检测方法


[0001]本专利技术属于焊接缺陷检测领域，具体涉及一种基于卷积神经网络的焊缝缺陷检测方法。

技术介绍

[0002]焊接结构已广泛用于许多领域，例如建筑，车辆，航空航天，铁路，石化和机械电气。 由于环境条件和焊接技术的不同，焊接过程中不可避免地出现焊接缺陷，因此检查焊缝的质 量以确保结构的可靠性和安全性至关重要。X射线焊缝缺陷检测是检测焊接质量的无损检测 技术最常用方法之一，研究人员在X射线焊缝缺陷自动检测方面进行了大量研究，也取得了 很多重要的成果。
[0003]在焊缝缺陷检测领域，传统的检测方法要求检测人员具有足够的经验判断，检测结果易 受检测人员主观影响。同时需要进行大量标注工作，容易受现场检测环境等因素的干扰，造 成误检和漏检等一系列问题。为能够准确判定焊缝质量，研究学者引入了卷积神经网络(CNN) 等模型对焊缝缺陷进行智能检测。
[0004]目前基于深度学习的目标检测算法包括单阶段和双阶段两种模式。SSD和YOLO算法是 目前应用较为广泛且发展较为迅速的单阶段目标检测算法，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的X射线焊缝缺陷检测方法，其特征在于，该检测方法包括以下内容：建立包含不同种类焊缝缺陷的焊缝图像数据集，数据集中所有焊缝图片标注焊缝标签；建立AF
‑
RCNN模型，AF
‑
RCNN模型包括主干网络模块、区域生成模块和目标分类与位置回归模块；所述主干网络模块采用残差网络(ResNet)与特征金字塔网络(FPN)结构，并在残差网络(ResNet)与特征金字塔网络(FPN)之间引入高效卷积注意力模块，以增强网络对不明显缺陷和小目标特征的学习能力，同时引入CIOU损失函数，增强瞄框的定位能力；利用建立的数据集训练AF
‑
RCNN模型，用于焊缝缺陷的分类与定位。2.根据权利要求1所述的检测方法，其特征在于，所述数据集的建立过程是：采集焊缝缺陷X射线原始图片，原始图片的大小为3000*1000以上，原始图片的数量为10
‑
30张，每张原始图片中包含不同种焊缝缺陷；利用滑动窗口的方式将每张原始图片按照160
×
160、240
×
240以及320
×
320三种不同像素大小分割为若干数量的小图片，并统一尺度为160
×
160像素，获得小图片集合，从小图片集合中选取具有缺陷特征的图片，按照不同的缺陷类型进行分类，形成最终的焊缝图像数据集，数据集包括同时含有多种缺陷的图片，同一缺陷在最终的焊缝图像数据集图像中大小不同，使缺陷分布在数据集图片中的不同位置，相同的缺陷呈现出不同的大小，以保证数据集的多样性；利用lableimg软件进行人工标注焊缝标签，并保存为Pascal VOC数据集的格式，以此得到统一尺寸的新的焊缝图像数据集；将所有标注的焊缝图片随机分为训练集、验证集和测试集，其数量比例为4:3:3，焊缝缺陷包括气孔p、夹渣s、未熔合lof、未焊透lop、裂纹c、咬边u共六种类型。3.根据权利要求1所述的检测方法，其特征在于，所述残差网络ResNet共有五层，分别为C1、C2、C3、C4、C5层，其中共包括了16个残差模块；所述残差模块包括三个依次连接的卷积层，输入x经第一个卷积层和Relu激活函数，进入第二个和第三个卷积层，第三个卷积层的输出和原始输入x做残差，得到残差模块的输出；每个残差模块只需要学习输入与输出的残差，最终输出F(x)+x作为下一个残差模块的输入；其中C1层包括160*160的输入层、卷积核为7
×
7的卷积层、池化层；C2层内共有三个残差模块，每个残差模块的三个卷积层依次为：1
×
1Conv,64,1,1、3
×
3Conv,64,3,1、1
×
1Conv,256,1,1，C2层第一个残差模块的输入和输出之间设置有1
×
1Conv,256,1,1的卷积层；C3层内共有四个残差模块，每个残差模块的三个卷积层依次为：1
×
1Conv,128,1,1、3
×
3Conv,128,3,1、1
×
1Conv,512,1,1，C3层第一个残差模块的输入和输出之间设置有1
×
1Conv,512,1,2的卷积层；C4层内共有六个残差模块，每个残差模块的三个卷积层依次为：1
×
1Conv,256,1,1、3
×
3Conv,256,3,2、1
×
1Conv,1024,1,1，C3层第一个残差模块的输入和输出之间设置有1
×
1Conv,1024,1,2的卷积层；C5层内共有三个残差模块，每个残差模块的三个卷积层依次为：1
×
1Conv,512,1,1、3
×
3Conv,512,3,2、1
×
1Conv,2048,1,1，C5层第一个残差模块的输入和输出之间设置有1
×
1Conv,2048,1,1的卷积层；其中1
×
1Conv,64,1,1代表卷积核大小为1，数量为64，步长为1的卷积操作；3
×
3Conv,512,3,2代表卷积核大小为3，数量为512，步长为2的卷积操作；焊缝图像输入到C1层经过卷积、池化和Relu函数激活下采样操作进入C2层，C2层输出特征再依次经过C3、C4、C5层三次学习和下采样，充分学习特征和语义信息，输出包含深层缺陷信息的特征图，其分辨率达到最低；在C5层的输出特征图F之后引入了高效卷积注意力模块，高效卷积注意力模块分为通道注意力模块C和空间注意力模块S，焊缝缺陷经过通道注意力模型生成的特征细化学习之后生成通道注意力特征图M
C
，M

【专利技术属性】
技术研发人员：刘卫朋，山圣旗，王睿，陈海永，孙嘉明，崔晓锋，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：