Page 61 - 无损检测2022年第八期
P. 61
杨会敏,等:
基于 SSD 的交流电磁场缺陷智能识别方法
缺陷, 使用仿真方法建立由不规则裂纹、 一般裂纹和 处理后变为 28 像素 ×28 像素( 长 × 宽) 的灰度图,
腐蚀坑表面轮廓组成的成像数据库, 每组图片经过 不同类型缺陷的灰度图像数据库如图 6 所示。
图 6 不同类型缺陷的灰度图像数据库示意
为了对得到的各类型缺陷数据库进行 数据增 框数量以及横宽比如表 1 所示, 总计可得到 8732
强, 分别进行 5 种不同角度的旋转和镜像翻转, 扩充 个默认框。
得到1050 张缺陷灰度图。利用labelIm g 软件对数 表 1 各预测特征层的默认框数量以及横宽比
据库的缺陷图像进行手工标注, 并且按照训练集与 预测特征层 每个单元默认框数量( a ) 默认框横宽比
验证集比例为 7 : 3 进行数据库图像随机划分, 为下 Conv4 _ 3 4 1 , 1 / 2 , 2
一步的 SSD 模型训练提供数据支撑。 Conv7 6 1 , 1 / 3 , 1 / 2 , 2 , 3
Conv8 _ 2 6 1 , 1 / 3 , 1 / 2 , 2 , 3
2 SSD 智能识别方法 Conv9 _ 2 6 1 , 1 / 3 , 1 / 2 , 2 , 3
2.1 SSD 算法模型 Conv10 _ 2 4 1 , 1 / 2 , 2
Conv11 _ 2 4 1 , 1 / 2 , 2
SSD 算法的结构由两部分组成: 基础网络层和
额外特征层。把 VGG-16 网络的全连接层 FC6 和 2.2 训练过程
FC7 转换成普通的卷积层就是 SSD 网络模型的基 在训练过程中, 需要按规则选取正样本和负样
础网络层, SSD 算法网络结构如图 7 所示。 本。训练图片中真实框需要与一个默认框相匹配,
SSD 算法的预测特征网络由 6 个预测 特征层 该默认框为正样本, 并且负责预测对应的真实框。
组成, 不同特征层上可以预测不同尺度的目标。预 在训练模型时, 需要计算损失函数进行反向传
测前, 首先需要在不同尺度特征层上产生不同比例 播更新权重。基于 SSD 的交流电磁场智能识别算
和横宽比的默认框, 默认框的比例和横宽比设定有 法的损失函数 L ( x , c , l , ) 由类别损失和位置损失
g
一定的规则。各个预测特征层的每个单元产生默认 两部分组成, 即
图 7 SSD 算法网络结构示意
7
2
2022 年 第 44 卷 第 8 期
无损检测
