Page 78 - 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

Box _ loss 值越小网络的方框划分越准; Ob j ectness _ loss
值越小网络目标检测率越高; Classification _ loss值越小
网络的分类准确度越高。基于区域逐步搜索方法对神
经网络相关超参数进行了优选, 使网络训练准确率达
到97% ; 最后, 利用测试集对所训练网络的有效性进行
了验证, 发现所训练网络能够实现火箭发动机喷管钎
焊射线检测图像中的焊接缺陷的有效检测。

4 结论

图16 4种缺陷标签对应的特征图像 在分析火箭发动机尾喷管射线检测图像特征的

表1 参数调节过程 基础上, 提出一种基于边缘信息和结构特征提取、 分
离的图像处理和缺陷识别方法。该方法通过亮度矩
参数 第一次 第二次 第三次 第四次
阵法、 高斯滤波等实现了原始图像灰度统一和滤波
learnin g _ rate 0.001 0.01 0.01 0.01
预处理; 利用 Cann y 算子、 霍夫变换、 自适应阈值处
e p ochs 100 100 150 150
理提取和识别边缘、 直线及类正弦结构信息; 最后通
batch _ size 16 16 16 8
3.3 网络训练结果 过对边缘信息、 线段信息、 类正弦结构信息进行差分
训练过程loss值变化曲线如图 17 所示, 可见 处理从而实现缺陷判定。

图17 训练过程loss值变化曲线
基于所提算法开发了相应处理软件, 利用实 动机变壁厚产品检测中的试验研究[ J ] . 宇航材料工
际喷管射线检测图像对所提图像处理算法和软件 艺, 2021 , 51 ( 6 ): 85-88.
进行了有效性验证。结果表明, 所提方法能够摒 [ 2 ] 江瑞柱, 闫志鸿, 白立来, 等. 焊缝射线检测图像的缺
除区域灰度不均匀、 结构与缺陷信息混叠等问题 陷搜寻与算法优化[ J ] . 电焊机, 2017 , 47 ( 8 ): 38-43.
[ 3 ] 雷铮强, 张丰, 林嵩, 等. 管道环焊缝检测图像智能识
的影响, 实现对射线检测图像的有效处理和缺陷
别技术研究[ J ] . 管道技术与设备, 2022 ( 3 ): 36-40.
识别标记。
[ 4 ] 姜文涛, 刘荣海, 杨迎春, 等.X 射线数字影像尺寸测
基于深度学习方法实现了对火箭发动机喷管
量软件开发与应用[ J ] . 软件, 2018 , 39 ( 5 ): 207-211.
钎焊射线检测图像的缺陷自动检出与识别, 即利
[ 5 ] WICHTOWSKI B , HOŁOWATY J.Anal y sis of

用 YOLOV5卷积神经网络对喷管钎焊缝不良缺 technolo g icalcracks in welded j oints of railwa y

陷进行智能识别, 然后利用测试集对所训练网络 brid g es [ J ] .Pa p ers , 2021 , 4 ( 2 ): 223-228.

的有效性进行了验证, 发现所训练网络能够实现 [ 6 ] HWANGJ , HWANGJ.Ima g eanal y sisfors p ecific

发动机喷管钎焊射线检测图像中焊接缺陷的有效 re g ionse g mentationofsteel-tuberadio g ra p hicima g es

检测与识别。 [ J ] .ITC-CSCC : InternationalTechnicalConferenceon

CircuitsS y stems , Com p utersand Communications ,
参考文献: 2007 , 9 : 44-47.
( 下转第62页)
[ 1 ] 刘贞, 任文坚, 彭东剑, 等. 射线计算机成像技术在发
4
4
2023年 第45卷 第12期
无损检测