Page 114 - 无损检测2022年第四期
P. 114

雷铮强,等:
   中俄东线管道射线检测底片图像的智能识别

   选框生成阶段分为双阶段目标检测算法和单阶段目                            真正例( TP ), 实际为正例, 预测为正例; ② 真反例


   标检测算法两类。双阶段目标检测算法( 如 Faster                       ( TN ), 实际为负例, 预测为负例; ③ 假正例( FP ),

   R-CNN 算法) 先在图像中提取候选区域, 然后基                        实际为负例, 预测为正例; ④ 假反例( FN ), 实际为
   于候选区域做二次修正得到检测结果, 其检测精度                           正例, 预测为负例。
   较高, 但 检 测 速 度 较 慢; 单 阶 段 目 标 检 测 算 法 ( 如               查准率 P r  是指在所有预测为正例中真正例的
   YOLO 算法) 直接对图像进行计算, 生成检测结果,                       比例, 即预测的准确性; 查全率 R 是指在所有正例
   检测速度快, 但检测精度相对较低。                                 中被正确预测的比例, 即预测正确的覆盖率。
       笔者同时采用了这两类目标检测算法并基于不                               交并比( IoU ) 衡量的是两个区域的重叠程度,
   同缺陷数据集进行了设计和调优, 最终确定对于环                           是两个区 域 重 叠 部 分 面 积 占 二 者 总 面 积 的 比 例。
   焊缝区域和圆形缺陷的采用 FasterR-CNN 算法,                      交并比计 算 方 式 如 图 5 所 示, 两 个 矩 形 框 的 交 并

   未熔合和条形缺陷采用 YOLO 算法。                               比是红色交叉面积与红色合并面积比值。交并比

       ( 1 )环焊缝区域 检 测。焊 缝 样 本 集 具 有 以 下              为 0.5 , 并不意味着每个框刚好有 50% 与另外一个


   特点: ① 焊缝 图 像 尺 寸 变 化 范 围 较 小; ② 裁 剪 后             框面积重叠, 而是每个框大约有 2 / 3 的面积重叠。

   的焊缝 样 本 集 高 度 为 2000 像 素, 宽 度 为 100~
   600 像素; ③ 高 宽 比 为 3.3~20 的 焊 缝 图 像 占 比

   较大。
       ( 2 )圆形缺陷检测。圆形缺陷图像样本集具有                                    图 5  交并比计算方式示意


   以下特 点: ① 缺 陷 高 度 为 13~644 像 素, 宽 度 为              3.2  智能识别效果及分析

   15~213像素; ② 缺陷高宽比为 0.25~10.3 , 跨度较                   经过数据清洗和预处理, 以 3000 余张原始的


   大。圆形缺陷样本图像的面积分布如下: ① 面积小                          X 射线检 测 底 片 图 像 作 为 样 本 数 据, 进 行 缺 陷 智

       2                             2          2
   于 32 像素的占 11% ; ② 面积介于 32 像素和 96                  能识别算法的开发和调 试。由于缺陷仅存在 于 X
   像素之 间 的 占 84% ; ③ 面 积 大 于 96 像 素 的 占              射线底片 图 像 中 的 焊 缝 区 域, 笔 者 首 先 检 测 焊 缝

                                      2
   5.46% 。基于以上特点, 笔者设计了不同的网络结                        并提取 其 为 感 兴 趣 区 域 ( ROI ), 然 后 对 ROI执 行
   构、 数据增强方法、 预训练模型、 参数设置、 loss函数                    未熔合等缺陷的识别和检测算法。由于焊缝检测
   以及 nms 算法, 开展了 12 组 消 融 试 验, 并 选 择 以              采用深度 学 习 目 标 检 测 方 法, 需 对 大 量 图 像 进 行

   FasterR-CNN 作为圆形缺陷的目标检测方法, 主干                     焊缝标注, 以 得 到 用 于 训 练 焊 缝 检 测 模 型 的 样 本
   网络采用 ResNet101 , 同时考虑到缺陷尺寸变化较                     集。环焊缝及主要缺陷特征样本的智能识别结果
   大, 引入特征金字塔结构( FPN ) 来对主干网络进行                      如表 1 所示。
   改造。                                               3.2.1  环焊缝检测效果及分析

       ( 3 )未熔合和条形缺陷检测。未熔合为断续的                            采用 FasterR-CNN 最优焊缝模型对 1464 张


   细直黑线, 长宽比变化非常剧烈。条形缺陷的形状                           测试样本进行检出效果测试,设置IoU 阈值为0.5

   特征不规则, 通常将长宽比大于 3 的缺陷判断为条                         及置信度阈值为 0.8 情况下, 焊缝图像的查准率和
   形缺陷。由于 YOLO 算法有卷积层池化作用, 图像                        查全率均达到了 99.9% 。即该算法能实现焊缝区
   会不断地进行压缩。然而大部分缺陷属于小尺寸目                            域的准确 检 出, 同 时 具 有 很 低 的 误 检 率。 焊 缝 图
   标, 默认的候选边界框对小尺寸目标存在检测不准                           像的智能识别效果如图 6 所示, 可见, 焊缝智能识
   确的问题。笔者通过 K-meas聚类分析得到合适的                         别模型能 够 适 应 图 像 亮 度、 对 比 度 及 图 像 边 缘 过

   anchorbox尺寸, 并设计了 8 组消融试验, 最终确定                   渡区 域 变 化, 检 测 结 果 稳 定 且 满 足 缺 陷 检 测 的
   了超参设置和检测模型。                                       要求。
  3  缺陷智能识别效果和分析                                     3.2.2  圆形、 条形及未熔合缺陷的检测效果及分析
   3.1  评价指标                                              根据中俄东线 X 射线检测的实际缺陷数量分
      笔者采用查准率和查全率对缺陷特征的智能识                           布情况, 确定圆形缺陷、 未熔合及条形缺陷是最主要
   别检测结果进行评估。查准率和查全率通常借助混                            的 3 种 焊 接 缺 陷 类 型, 基 于 这 3 种 缺 陷 的 图 像

   淆矩阵进行得分统计, 混淆矩阵包括 4 个子定义: ①                       样 本 数 据 , 进 行 了 智 能 识 别 算 法 开 发 和 调 试 其
    7
     6
          2022 年 第 44 卷 第 4 期


          无损检测
   109   110   111   112   113   114   115   116   117   118   119