基于X射线探伤图像的焊接缺陷人工智能鉴别

【作者】 郑皓元； 杨绍斌； 薛维华； 王晓亮；

【机构】 辽宁工程技术大学材料科学与工程学院；

【摘要】 X射线探伤是焊接缺陷检验的常规方法之一。缺陷类型的鉴别通常需要有资质的人员进行目视确定,效率较低。基于图像分析技术辅助进行焊接缺陷鉴别是提高鉴别效率、改善劳动条件的有效手段之一。所用图像分析技术多采用图像增强/图像分割等方法,检出效率及抗干扰能力都会受到图像质量与缺陷特点的影响。当前,基于深度学习的人工智能目标识别算法发展迅速,为X射线探伤图像的缺陷鉴定提供了一个新途径。为此,本研究针对传统检测方式所存在的问题,提出一种应用改进的YOLOv5算法进行X射线缺陷检测方式。本研究所采用的训练集包含初始缺陷图像40张,以及通过图像增强操作生成的图像245张,手工标注图像中的缺陷部位。基于Python3.8环境和PyTorch包建立构建深度学习网络结构,导入训练集进行训练。为突出缺陷位置,首先将待检测的图像分解成多个小图像进行检测,再将检测后的小图像重组,重新计算相对位置,并进行标注。为了提高小目标缺陷的检测性能,调整初始锚框的尺寸大小,并增大下采样获得的特征层尺寸,减小每个特征层的感受视野尺寸,提高模型检测小目标的性能。通过对网络置信度阈值以及IOU阈值的动态调整,使模型适用于不同工业应用场景。基于改进的YOLOv5算法对检测集中的170张光片(包括150张合格片,20张含缺陷片)进行检测,检测结果表明:合格片的检出率为98.7%,合格片的检出正确率达到了100%,缺陷片的检出率为100%,缺陷片的检出正确率达到了90.9%,改进算法具有较好的检测性能。传统的人工检查受到检测人员主观因素以及检测水平的影响,容易出现漏检与错检,且工作效率低、工作量大。通过本研究的算法辅助工业生产中的人工检测工作,可以大大提高工作效率,同时减轻工作人员的工作负担。更多还原