Page 62 - 无损检测2022年第八期

杨会敏,等:
基于 SSD 的交流电磁场缺陷智能识别方法

(
L ( x , c , l , ) 1 [ L conf x , c ) αL loc x , l , )]( 1 )
(
g =
+
g
N
式中: N 为默认框的正样本个数; c 为类别置信度,
权重系数 α 设置为1 ; l为预测框参数; 为真实标签
g
值框参数; x 为待检默认框。
类别损失计算方法如下, 分为正样本的损失和
负样本的损失。损失函数的大小取决于默认框与匹
配到的真实框且预测正确的概率, 概率越大, 损失越
小, 即
N 图 9 训练损失和学习率随迭代周期的变化曲线
L conf x , c ) =- ∑ x i j lo g^ i - ∑ lo g^c i 2
(
( )()
p
( )
p
0
c
i ∈Pos i ∈Ne g
p 为第 i 个默认框匹配到的第 j 个P 类别的
式中: x i j
p 为 1 或 0 ; 为预测的第i 个默认框
真实框的标签, ^c i
0 为网络预测第 i 个默认框为
属于P 类别的概率; ^c i
背景的概率。
通过对模型训练, 计算损失函数, 降低学习率,
使得损失不断降低, 保证模型收敛。设置训练周期

为18 , 学习率为0.0005 , 模型训练完每周期的 mAP
( 结果平均精度) 变化曲线如图 8 所示。模型训练时
的 mAP 整体随周期增加而增大。将 A 点 mAP 为

0.9971 训练所保存的权重作为预测权重。
图 10 缺陷预测流程图
下顶点的像素坐标以及整个预测过程的时间。
从3 种缺陷类型的数据库中各挑选 50 张图片
进行检测, 将图片依次输入预测程序, 并将检测结果
自动保存。各类型缺陷检测结果如图 11 所示。
各类型缺陷的检测准确率如表 2 所示, 从每种
类型缺陷中各随机选取 50 张图片, 均正确检测出
49 张, 准确率达 98% , 与模型训练 mAP 值 99.71%
图 8 mAP 变化曲线
相近, 并且 正 确 检 测 出 的 缺 陷 置 信 度 基 本 在 95%
模型训练损失和学习率随着迭代周期的变化曲
左右。
线如图 9 所示, 黑色曲线代表了损失变化, 红色曲线 表 2 各类型缺陷检测准确率
代表了学习率的变化。训练损失整体随着迭代周期
缺陷类型 正确检测数量 未正确检测数量
准确率 / %
增加而降低, 在模型训练结束时, 模型损失为 1.957
腐蚀坑 49 1 98
9 , 学习率接近于 0 。
一般裂纹 49 1 98
2.3 缺陷预测
不规则裂纹 49 1 98
缺陷的预测流程如图 10 所示, 首先加载预测权
重, 并且读取缺陷的类别文件; 然后输入缺陷图像, 将
3 试验验证
图像送入 SSD 模型, 在 SSD 中得到预测特征层; 在不
同尺度的预测特征层生成预测框, 并将 8732 个预测 笔者开展了缺陷检测试验以验证基于 SSD 的

框送入检测器; 检测器根据置信度确定类别以及边框 交流电磁场缺陷智能识别方法的有效性, 搭建了如
回归; 经过非极大值抑制去除重叠率较高的边框; 最 图 12 所示的 ACFM 检测系统, 对试件表面不同类
后在缺陷图上画出预测框并且给出缺陷的类别以及 型的缺陷进行扫查。 ACFM 检测系统主要由检测
置信度, 输出打印预测框的左上顶点的像素坐标、 右 探头、 数据采集卡、 信号发生器和计算机等组成。
8
2
2022 年 第 44 卷 第 8 期

无损检测