基于Faster-RCNN的船舶焊缝X射线缺陷图像检测技术应用.pdf

无损检测2023年第45卷第7 期36试验研究DOI:10.11973/wsjc202307008基于Faster-RCNN的船舶焊缝X射线缺陷图像检测技术应用卢志鹏，黄凯华，刘思明，尹嘉雯，周昌智（上海船舶工艺研究所，上海2 0 0 0 3 2）摘要：将目标检测网络Faster-RCNN应用在船舶焊缝X射线缺陷图像检测中，探讨了Faster-RCNN在X射线焊缝缺陷检测中的效果。针对船舶工业中的X射线焊缝图像，首先采用CLAHE方法对焊缝X射线图像进行预处理，并将焊缝中存在的气孔、裂纹、未熔合等5种具有典型特征的缺陷作为识别目标进行标注并对数据进行增强。在目标识别上，采用ResNet-50作为主干网络来减少梯度弥散现象提高模型准确率，并针对焊缝缺陷目标小的特点对RPN网络锚点参数进行改进优化，同时引入FPN网络提取缺陷特征。最后与其他检测算法进行对比，试验结果表明，该数据集在模型上的mAP值达到96.3 3%，可以满足X射线焊缝缺陷自动化辅助检测要求。关键词：Faster-RCNN;X射线；CLAHE；焊缝缺陷检测中图分类号：TG115.28;U671.84文献标志码：A文章编号：10 0 0-6 6 56（2 0 2 3)0 7-0 0 3 6-0 5Application of X-ray defect image detection technology for ship weldsbased on Faster-RCNNLU Zhipeng,HUANG Kaihua,LIU Siming,YIN Jiawen,ZHOU Changzhi(Shanghai Shipbuilding Technology Research Institute,Shanghai 200032,China)Abstract:In this paper,the target detection network Faster-RCNN was applied to the X-ray image defectdetection of ship welds,and the effect of Faster-RCNN in the X-ray weld defect detection was discussed.Aiming atthe X-ray weld image in the shipbuilding industry,this paper first used the CLAHE method to preprocess the weldX-ray image,and took the five types of defects with typical characteristics such as pores,cracks,and LOF in theweld as the identification target annotated and enhanced the data.In object detection,ResNet-50 was used as thebackbone network to reduce the gradient dispersion phenomenon and improve the accuracy of the model.The anchorpoint parameters of the RPN network were improved and optimized for the characteristics of small weld defects.Atthe same time,the FPN network was introduced to extract the defect features.Finally,a comparative experimentwith other detection methods was carried out.The experimental results showed that the mAp value of the data set onthe model reached 96.33%,which can meet the requirements of automatic auxiliary detection of X-ray weld defects.Key words:Faster-RCNN;X-ray;CLAHE;detection of weld defect在船舶建造中，焊接作为船舶工业的基础工艺和技术得到了十分广泛的应用。X射线检测作为船舶建造中最常见的无损检测技术，能够直观显示出焊接接头内部的缺陷位置和大小，然而其自动化程收稿日期：2 0 2 2-11-2 9作者简介：卢志鹏（1995一），男，工程师，主要从事数字射线图像自动识别与无损检测的研究工作通信作者：卢志鹏，度很低，检测仍采用人工肉眼识别的方法1，检测结果受评片人员的经验影响较大，检测效率低。因此，为了提高船舶焊缝的检测效率，对焊缝缺陷图像进行自动检测研究具有重要意义。针对船舶焊缝缺陷图像进行自动检测通常采用基于深度学习卷积神经网络的目标检测算法。目标检测分为两个任务：分类和定位2 。比较流行的目标检测算法可以大致分为两类，一种是一阶段如无损检测2023年第45卷第7 期37基于Faster-RCNN的船舶焊缝X射线缺陷图像检测技术应用卢志鹏，等：YOLO(You Only Look Once)系列3-4 ,SSD(SingleShot Multibox Detector)算法5 和二阶段算法如Faster-RCNN(Faster Region-CNN)6)。一阶段算法采用一个卷积神经网络直接预测目标的类别与位置，优点是检测速度快，但精度略低；二阶段算法是先生成目标候选框，然后再进行分类回归，优点是检测精度高，但检测速度略慢。胡晓轩等7 基于YOLO V3 网络,结合深度迁移学习方法,开发了一套焊缝表面缺陷智能识别系统。李砚峰等8 等引人特征金字塔、减小网络深度、引入跳跃连接卷积块和K-means算法等方法将深度学习网络对单个焊缝图像平均识别率提升至94.9%。笔者基于船舶焊缝数据集，采用限制对比度直方图均衡化(CLAHE)9图像处理方法对图像进行预处理，再对原始Faster-RCNN网络进行优化，采用残缺神经网络ResNet-50进行特征提取，引人特征金字塔网络（Feature Pyramid Networks，FPN)进行多尺度特征融合并优化锚框参数，获得了较高的识别率。1船舶焊缝缺陷检测模型1.1Faster-RCNN网络结构一般来说，,Faster-RCNN由以下 4个部分组成：特征提取网络、区域生成网络（RPN）、感兴趣区域池化层(ROI-Pooling）以及分类回归。首先输人网络的图像经过特征提取网络初步提取特征值，然后Faster-RCNN网络使用RPN来提取候选框生成候选区域（RegionProposal)，最后感兴趣区域池化层将不同大小的特征图统一送人全连接层进行分类和定位。Faster-RCNN主要架构如图1所示。输入特征图残缺神经网络(ResNet50)归一化指数函数分类1X1候选区域区域池化层边界回归定位3X3RPN网络分类回归1X1图1Faster-RCNN主要架构1.2区域生成网络RPN是一个全卷积网络。首先RPN会采用一个滑动窗口在特征图上进行滑窗选择，每一个点会产生 k 个坐标边界框（边框，Anchor)，一张 h大小的特征图会产生hXk个坐标边界框,再将每个点映射到一个低维向量。RPN中间会进行边框分类和边框回归，边框分类是指利用Softmax分类器分类Anchor得到相对应的前景和背景，边框回归得到回归偏移量进行修正。在RPN的最后，将边框分类和边框回归的结果进行汇总，删除不符合条件的坐标框，根据边框分类的结果采用非极大值抑制算法去除余的边界框，最后根据边框回归的结果对坐标边界框进行修正，输出需要的建议区域RPN的损失函数由分类交叉熵损失和回归SmoothL1损失组成，整个网络的损失函数定义如下1L(p:p)Lds(pi,pi)+N。cls1入Zp:Lre(t ti)(1)Nreg式中：i为坐标边界框序号；p；为第i个坐标边界框中目标的预测概率；P为其对应真实位置的预测值，如果坐标边界框中真实标签为正样本，则p=1,若真实标签为负样本，则p，=0;Nc l s 和Nreg为归一化常数，由锚点大小以及数量决定；入为平衡因子；t；为候选框相对于真实框预测的偏移量，即预测框4个坐标向量；t为候选框相对于真实框的实际偏移量。Lels（p i，p）为p；和p的对数损失，包含目标与非目标两类Las(pip)=-logpip+(1-p,)(1-p)(2)Lreg为回归损失，R为SmoothLi函数，分别定义为Lreg(ti,t)=R(t;-t)(3)R(t;一t)=SmoothLi(t;一t)=0.5(t;一t)2,It;-tIR)布置示意1/2LLeffLTdL3Ls1/2LDoF图5环缝源在内单壁单影透照方式（FR,则无需考虑搭接的问题；若FR,则需考虑搭接长度，以避免漏检。5结语（1）根据辐射角计算出射线源有效照射场范围，比较射线源有效照射场范围与平板探测器有效成像区大小，选择两者较小值作为探测器可用长度。（2）管道环焊缝曲率直径大于探测器成像长度时，几何放大比的变化对图像的影响不大，此时K值小于标准规定值，一次透照长度可取探测器有效成像长度。（3）管道环焊缝曲率直径不大于探测器成像长度时，K值的选择应满足一次透照长度小于被检工件内径，且图像灰度值满足要求，以保证该区域内的图像质量基本满足标准的要求。参考文献：1钱青江.无损检测技术在压力管道检验中的运用研究J.中国设备工程，2 0 2 2（6）：16 5-16 6.2刘全利，白世武，薛岩，等.管道环焊缝数字射线检测技术研究J.管道技术与设备，2 0 10（3）：2 0-2 2.3强天鹏.数字射线(DR十CR)检测技术MI.南京：南京出版社，2 0 2 1.4强天鹏.射线检测M.北京：中国劳动社会保障出版社,2 0 0 7.(3):84-88.8李砚峰，刘翠荣，吴志生，等.基于深度学习One-stage方法的焊缝缺陷智能识别研究J广西大学学报（自然科学版），2 0 2 1，46（2）：3 6 2-3 7 2.9郑林涛，董永生，史恒亮一种新型X射线安检图像增强算法J.科学技术与工程，2 0 14，14（2 3）：2 52-256.