【技术实现步骤摘要】
本专利技术涉及一种超小低对比焊缝缺陷的检测方法，属于射线成像和无损检测。
技术介绍
1、由于焊接构件的焊接工艺和生产环境等因素，焊接构件容易出现焊缝缺陷等问题。现有技术中采用无损检测中的x射线结合深度学习检测算法来对焊接构件的焊缝进行检测分析，先通过x射线检测形成x射线底片图像，然后将x射线底片图像输入训练好的yolov5神经网络模型中进行缺陷检测。由于yolov5神经网络模型的网络结构中包含了多个下采样层，这些层会使得特征图的分辨率减小，从而导致小目标的信息丢失；同时yolov5神经网络模型在检测目标时，会把图像分成多个网格，而对于密集目标，多个目标可能会落在同一个网格中，从而导致目标的漏检和误检。因此，现有技术中的yolov5神经网络模型并不能很准确地对某些在整幅x射线底片图像中大小占比处于0.001％～0.11％之间且与周围区域灰度值偏差在10-30之间的超小低对比缺陷进行检测，漏检和误检的概率很大。
技术实现思路
1、本专利技术要解决的技术问题是：如何对焊缝在x射线底片图像中显现的超小低对比缺陷进行准确地检测。
2、本专利技术所提出的技术方案是：一种超小低对比焊缝缺陷的检测方法，包括以下步骤：
3、步骤1：将所有历史x射线底片图像中属于超小低对比焊缝缺陷的x射线底片图像收集起来形成超小低对比缺陷图像数据集；将所述超小低对比缺陷图像数据集按照经验比例划分出训练集、验证集和测试集；
4、步骤2：对标准的yolo_v5神经网络进行改进，得到改进
5、步骤2.1：在所述yolo_v5神经网络的主干网络backbone的3、6和9层上均增加一个坐标压缩感知注意力层waca，从所述yolo_ums神经网络输入信号中捕捉特征；
6、步骤2.2：将所述yolo_v5神经网络中所有的conv_hs卷积层中的leaky relu激活函数替换为hard swish激活函数，如下式(1)所示，
7、
8、步骤2.3：在所述yolo_v5神经网络中的颈部网络neck中嵌入交叉层感知算法，即完成了yolo_v5神经网络的优化改进；
9、步骤3：将所述训练集和验证集中的x射线底片图像输入改进的yolo_ums神经网络中进行训练，得到超小低对比焊缝缺陷检测模型；所述超小低对比焊缝缺陷检测模型的输入是x射线底片图像；所述超小低对比焊缝缺陷检测模型的输入是标记出超小低对比焊缝缺陷的标记图像；
10、步骤4：将所述测试集中的x射线底片图像输入所述超小低对比焊缝缺陷检测模型中进行焊缝缺陷检测，完成焊缝缺陷检测后通过下式(2)计算得到所述超小低对比焊缝缺陷检测模型的焊缝检测准确率，
11、
12、式(2)中，n是输入的x射线底片图像中超小低对比缺陷的数量；n1是经过超小低对比焊缝缺陷检测模型标记的超小低对比缺陷的数量。
13、进一步，所述步骤2.1中的所述坐标压缩感知注意力层waca的捕捉特征的具体步骤如下：
14、步骤2.1.1：将输入所述坐标压缩感知注意力层waca中的输入信号分别拆分到高通道h和宽通道w，依次进行数据压缩得到分别在高通道h和宽通道w上的特征信号，数据压缩公式如下式(3)所示，
15、
16、式(3)中，n是高通道h或者宽通道w中的一个；是所述输入信号进行压缩后的特征信号；h和w分别是输入信号拆分到高通道h和宽通道w后的横纵坐标；
17、步骤2.1.2：通过下式(4)将所述输入信号在高通道h的特征信号进行压缩感知得到所述输入信号在高通道h的关键特征信号
18、
19、通过下式(5)将所述输入信号在高通道w的特征信号进行压缩感知得到所述输入信号在宽通道w的关键特征信号
20、
21、进一步，所述waca分为两层，其中一层的结构是高通道平均池化h avg pool、高通道第一全连接hfullyconnected 1、高通道第二全连接h fullyconnected 2、高通道非线性转化h nonlinear、高通道第三全连接h fullyconnected 3和高通道h sigmod激活函数；另一层的结构是宽通道平均池化wavg pool、宽通道第一全连接wfullyconnected 1、宽通道第二全连接wfullyconnected 2、宽通道非线性转化wnonlinear、宽通道第三全连接wfullyconnected 3和宽通道wsigmod激活函数。
22、进一步，所述高通道第一全连接hfullyconnected 1和宽通道第一全连接wfullyconnected 1的大小均是和所述高通道第二全连接hfullyconnected 2和宽通道第二全连接w fullyconnected 2的大小均是和高通道第三全连接h fullyconnected 3和宽通道第三全连接w fullyconnected 3的大小均是和
23、本专利技术的有益效果：本专利技术对现有的yolo_v5神经网络进行改进，yolo_v5神经网络的主干网络backbone的3、6和9层上均增加一个坐标压缩感知注意力层waca来增加所述焊缝缺陷检测模型从数目信号中捕捉特征的能力，将yolo_v5神经网络中所有的conv_hs中的leaky relu激活函数替换为hard swish激活函数，大大提高了现有的yolo_v5神经网络对超小和低对比目标的识别，从而可以对x射线底片图像中的超小低对比焊缝缺陷进行准确地检测。
本文档来自技高网...【技术保护点】
1.一种超小低对比焊缝缺陷的检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的超小低对比焊缝缺陷的检测方法，其特征在于：所述步骤2.1中的所述坐标压缩感知注意力层WACA的捕捉特征的具体步骤如下：
3.根据权利要求1所述的超小低对比焊缝缺陷的检测方法，其特征在于：所述步骤2.1中的所述WACA分为两层，其中一层的结构是高通道平均池化H Avg Pool、高通道第一全连接HFullyconnected 1、高通道第二全连接H Fullyconnected 2、高通道非线性转化HNonlinear、高通道第三全连接H Fullyconnected 3和高通道H Sigmod激活函数；另一层的结构是宽通道平均池化WAvg Pool、宽通道第一全连接WFullyconnected 1、宽通道第二全连接WFullyconnected 2、宽通道非线性转化WNonlinear、宽通道第三全连接WFullyconnected 3和宽通道WSigmod激活函数。
4.根据权利要求3所述的超小低对比焊缝缺陷的检测方法，其特征在于：所述高通道第一全连接
...【技术特征摘要】
1.一种超小低对比焊缝缺陷的检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的超小低对比焊缝缺陷的检测方法，其特征在于：所述步骤2.1中的所述坐标压缩感知注意力层waca的捕捉特征的具体步骤如下：
3.根据权利要求1所述的超小低对比焊缝缺陷的检测方法，其特征在于：所述步骤2.1中的所述waca分为两层，其中一层的结构是高通道平均池化h avg pool、高通道第一全连接hfullyconnected 1、高通道第二全连接h fullyconnected 2、高通道非线性转化hnonlinear、高通道第三全连接h fullyconnected 3和高通道h sigmod激活函数；另一层的结构是宽通道平均池化wavg poo...
【专利技术属性】
技术研发人员：王茂振，毛长钧，郑昌云，张少勇，程向梅，任益博，张梦云，潘梁，戴明露，
申请(专利权)人：航天晨光股份有限公司，
类型：发明
国别省市：
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。