Page 108 - 无损检测2023年第十二期

马金鑫, 等:

基于无人机智能视觉的大型特种设备表面缺陷检测

图2 基于 FasterR-CNN 神经网络的裂纹缺陷检测算法步骤

图4 单个像元实际大小的计算原理示意
习神经网络检测出的缺陷很有可能包括锈斑、 水渍
以及物体间隙等伪裂纹缺陷, 所以需要对检测出裂
图3 裂纹参数识别与评价算法流程图
纹的区域做进一步确认。考虑到真实裂纹大多数情

纹像素数 N p ixels2 ⑥ 根据无人机拍摄时距物体的实 况下具有较大的长宽比, 而伪裂纹则相反, 通常是一
;
际距离, 然后根据相关公式计算单个像元的实际大 些小圆点或小块。因此, 当检测出的裂纹具有大的
小, 最后计算裂纹的面积、 长度、 宽度等参数。 长宽比以及面积较小时, 就可以认为其是真裂纹, 反
单个像元实际大小的计算原理如图4所示。图 之则为伪裂纹。
4中 s 为单个像元的大小, 为相机焦距, H 近似为 1.4 基于无人机视觉的结构表面裂纹检测流程
f
无人机距拍摄物体的实际距离, 则d 为单个像元对 编写 MATLAB 程序, 调用裂纹缺陷检测与识别
应的实际大小, d 的计算公式见式( 1 )。 算法, 批量完成缺陷的自动检测。首先利用无人机去

(
d= s×H )/ ( 1 ) 集图像, 然后利用FasterR-CNN 网络对采集到的图像
f
将单个像元形状视为正方形, 即可根据式( 2 ) 得 进行检测, 检测到有裂纹则用裂纹的最小外接矩形框
到裂纹的实际长度L , 根据式( 3 ) 得到裂纹真实面积 圈出, 再将圈出的区域提取出来; 最后, 调用1.3节的
S , 最后根据式( 4 ) 计算裂纹平均宽度 D 。 算法去除伪裂纹, 其检测流程如图5所示。
( 2 )
2 试验结果与分析
L= d×N p ixels2
( 3 )
S= d×d×N p ixels1

D = S / L ( 4 ) 2.1 裂纹的定性检测试验
由于大型特种设备种类多且杂, 且具有复杂的 试验中采用的深度学习框架为 TensorFlow , 同
表面背景以及其他干扰因素, FasterR-CNN 深度学 时为了加快训练的进度还可以使用 GPU 对其进行训

7
0
2023年 第45卷 第12期
无损检测