[发明专利]一种基于卷积神经网络的X射线焊缝缺陷检测方法

权利要求书

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；

所述高效卷积注意力模块包括顺次连接的通道注意力模型和空间注意力模型，所述通道注意力模型为：输入特征图F为残差网络C5层输出的特征图F，首先经过平均池化AvgPool，生成1×1×C的特征向量，再经过一维卷积跨通道信息交互，经Relu激活为通道注意力特征图M_C，M_C再与特征图F融合，以生成通道注意力特征图F'；其具体计算方式为：用矩阵W_k表示学习到的通道注意力，W_k包含了k×C个参数，C表示特征图通道数量，k表示每个通道的相邻通道数量；

C＝φ(k)＝2^γ×k-b         (1.8)

式中为将k和C之间定义为2次幂非线性映射关系，ψ是的反函数，γ值为2，b的值为1；σ表示Relu激活函数，i取值为1至C，表示为第i个通道，ω_i为第i通道经过一维卷积后的权重；y表示1×1×C的输入特征向量，即通道权重向量，y_i为y中的元素，表示第i通道的权重；表示y_i的k个相邻通道的集合；|t|_odd代表了t的最近奇数；

所述空间注意力模型为：首先将通道注意力特征图F'进行最大池化MaxPool和平均池化AvgPool的操作，生成和两个二维特征图，分别代表最大池特征和平均池特征，然后经过一个卷积层将其减小为一个通道，再经过Sigmoid函数激活生成空间注意力特征图M_S，最后将该特征图M_S与最初输入的通道注意力特征图F'相乘以输出最后的高效卷积注意力特征图F；数学表达式为公式(1.12)-公式(1.13)：

式中：σ表示Sigmoid激活函数，表示逐元素相乘，f^7×7表示卷积运算，其卷积核大小为7×7。

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。