[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

说明书

本发明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‑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。所有的缺陷准确率均达到94％以上，检测速度为11.65FPS。

技术领域

本发明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。

背景技术

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。

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。

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，单阶段检测参数量小，其训练和 检测速度较快，但是其检测精度较低。Faster-RCNN算法作为双阶段目标检测的代表，因其 精度较高而得到了工业领域的广泛应用，并得到了进一步的发展。

传统Faster-RCNN算法是以VGG网络模型作为主干网络模块，其卷积深度较浅，特征 信息学习不够充分，且由于焊缝数据集中存在缺陷目标面积小、缺陷与背景对比度低等因素， 检测精度相对较低；或者设置卷积深度过深反而造成小目标缺陷特征信息的丢失，对于灰度 值较低的裂纹缺陷检测的检测效果不佳。

发明内容

针对焊缝缺陷目标面积小、缺陷与背景对比度低等特点，本发明提出一种基于卷积神经 网络的焊缝缺陷检测方法。

本发明提出一种基于AF-RCNN模型进行X射线焊缝缺陷检测。为减小卷积过程中的缺 陷信息丢失，增强信息学习能力，本发明采用残差网络(ResNet)与特征金字塔网络(FPN)相结 合作为主干网络模块，并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。

本发明的技术方案是：

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。

所述数据集的建立过程是：