基于深度学习的船舶焊缝数字射线缺陷自动识别技术研究

作     者：卢志鹏 

作者单位：江苏科技大学 

学位级别：硕士

导师姓名：李永正

授予年度：2022年

学科分类：08[工学] 081104[工学-模式识别与智能系统] 0824[工学-船舶与海洋工程] 0811[工学-控制科学与工程] 082401[工学-船舶与海洋结构物设计制造] 

主      题：焊缝缺陷 无损检测 DR 图像处理 深度学习 

摘      要：焊接技术是船舶建造不可缺少的施工技术,该技术的成熟度决定了船舶建造质量。焊缝是焊接结构中最为薄弱的部分,焊缝质量直接影响着船舶的结构强度、使用寿命和安全可靠性。为了确保船体结构因焊接质量引起各项性能的可靠性,必须要对船体上的焊缝进行无损检测。无损检测技术在船舶建造中应用较为广泛,其中X射线检测以清洁、方便、便于查看等优点在实际生产检测过程中被广泛应用。然而,目前X射线检测仍然采用传统胶片拍片,存在检测周期长、胶片成本很高、保存要求高、判断主观性强、不利于环境保护等问题。当今船舶行业焊缝缺陷的识别依旧采用的是人工的方式,人工评片会受到很多主观因素的影响,故本文对基于深度学习的焊缝缺陷图像数字化自动识别模型展开深入研究。主要研究内容如下:（1）本文首先以船舶建造中常见的平板对接焊缝为实验对象,研究X射线数字化检测工艺,采集得到符合行业标准的焊缝数字图像;针对船舶建造中平对接焊接接头数字射线检测是否可以等效替代常规胶片检测,开展了射线数字化检测和常规胶片射线检测等效性研究,研究表明,DR数字化射线检测具备相同的缺陷检出能力。（2）针对图像存在噪声、对比度低等问题,采用中值滤波法减少图像中的噪声,并用限制对比度自适应直方图均衡化来提高图像的对比度;针对图像数据过少的问题,采取图像水平翻转、图像随机90°、180°和270°旋转、亮度变换、对比度增强等方法对焊缝图像进行在线增强。（3）根据焊缝缺陷的特点,针对Faster-RCNN目标检测模型开展了改进设计,采用Res Net-50作为主干网络来减少梯度弥散现象,提高模型准确率,并利用焊缝缺陷目标小的特点对RPN网络锚点参数进行改进优化,引入FPN网络提取缺陷特征从而提高对小目标的识别率,搭建基于Pytorch的深度学习实验平台验证改进的模型,并与其他模型进行了对比实验,验证了该模型的有效性。