基于深度学习的焊缝X射线典型缺陷特征识别

作     者：王靖然 

作者单位：广东工业大学 

学位级别：硕士

导师姓名：王桂棠;杨波

授予年度：2021年

学科分类：08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0811[工学-控制科学与工程] 080201[工学-机械制造及其自动化] 

主      题：深度学习 焊缝缺陷 X射线检测 图像预处理 

摘      要：焊接技术是连接各种金属构件最重要的方法,已广泛应用在起重机、压力容器等特种设备中。焊接工艺质量的高低直接影响焊接结构的使用寿命,由于受到技术上的限制焊接工艺中难免会产生一些焊接缺陷。目前主要通过无损检测手段来检验缺陷,其中X射线检测技术可以将缺陷的形状、位置等信息直观可靠地反映出来,因此在焊缝无损检测领域得到广泛应用。而对于X射线图像所得图像目前基本采用人工验片,受专业水平等主观因素影响会造成漏检或错检等情况且效率低。近年开发的机器视觉验片技术还要依靠人工选取缺陷特征,且有时候无法选出合适的特征,当所提取的缺陷特征质量欠好时,算法准确率得不到保障。本文旨在通过深度学习技术自动学习特征,建立焊缝典型缺陷自动识别模型,提高检测的准确率、效率以及自动化的水平。本文首先阐述深度学习应用在缺陷识别领域的理论基础,最终通过分析比较选取Faster R-CNN作为本课题改进的基础模型。其次针对图像数据量缺乏问题采用水平翻转、图像旋转和图像平移等数据扩增方法对焊缝DR图像进行扩增,建立了11985张4种典型焊缝缺陷数据集;针对图像噪声杂多、对比度低等问题,分析噪声特点和缺陷特征,采用中值滤波消除图像中存在的噪声,采用幂律（伽马）变换提高图像显示质量。最后结合焊缝缺陷特点对Faster R-CNN进行适应性改进,应用残差网络Res2Net替换原来的骨干网络提高特征提取能力,并且加入加权特征融合模块结合高层的丰富语义信息和低层的丰富轮廓纹理信息,在每层特征图分别进行预测,从而提高了检测性能尤其是针对圆形缺陷等小目标的检测,并搭建实验平台验证改进模型的有效性,对检测出的缺陷根据国家标准进行定量分析,最后设计开发了一套焊缝缺陷检测系统。在验证改进模型有效性过程中,保证同一硬件平台和实验参数,加入加权特征融合和用Res2Net替换骨干网络的RBFatser＿rcnn模型平均准确率达到85.5%,单张DR图像检测时间为0.588s,比只用Res2Net替换骨干网络的RFaster＿rcnn模型和原Faster R-CNN模型平均准确率分别提高了4.2%和8.2%。测试结果表明改进后的模型避免了人工选取特征的复杂性,具有缺陷识别准确率高、检测速度快等优点,在X射线检测领域具有重要的实用价值。