Page 77 - 无损检测2023年第十二期

康乐乐, 等:

发动机喷管钎焊缝射线检测的图像处理方法

图14 去除类正弦结构信息与直线结构信息的缺陷信息
图11 反色锐化处理后的射线图像
图13 ( a ) 差分去除图12及图13 ( b ), 得到图14所示
去除类正弦结构信息与直线结构信息的缺陷信息。
进一步在检测图像中进行缺陷标记, 可得到图15所
示缺陷检测结果。可以看出, 所有焊接不良部位, 均
得到了有效抽取和标注。

图15 缺陷提取结果标识
展亦依赖于深度学习。首先基于常规图像处理方法
对图像进行预处理, 在神经网络训练过程中, 图像预
处理是其中的重要环节。通过图像变换对数据集进
行扩充后作为样本投入网络, 基于卷积神经网络实
现射线检测图像的缺陷检出, 达到更高的检测效率
图12 射线检测图像的自适应阈值分割结果
与精度。

3.1 YOLOV5数据集制作
采用神经网络进行训练时首先需要准备数
据集, 利用 Labelim g 软件生成 .xml文件用于网
络训练。对于发动机焊缝射线检测图像的缺陷

检测, 研 究 设 定 的 标 签 分 为 4 种, 即 Circular
defect ( 圆 形 缺 陷), Incom p letep enetration ( 未 焊

(
透), Solderbuildu p 焊 料 堆 积), Corru g atedp late
( 波纹板结构), 4 种缺陷标签对应的特征图像如
图13 射线图像的 Cann y 边缘检测以及霍夫变换信息
图 16 所示。
提取结果
3.2 网络训练及调参
3 基于深度学习的缺陷识别与分类 基于逐步搜索的方法对网络的相关超参数进行

了优选, 对learnin grate ( 学习率), e p ochs ( 迭代次
_
随着深度学习的发展, 其在各领域都具有广泛 数) 以及batch _ size ( 一次训练抓取的样本量) 参数
应用, 无损检测领域中缺陷检出与识别智能化的发
进行调节, 参数调节过程如表1所示。
3
4
2023年 第45卷 第12期
无损检测