基于小样本目标检测网络的焊缝缺陷的检测方法、系统技术方案

本发明专利技术公开了一种基于小样本目标检测网络的焊缝缺陷的检测方法、系统，检测方法包括：利用Faster R

【技术实现步骤摘要】
基于小样本目标检测网络的焊缝缺陷的检测方法、系统


[0001]本专利技术涉及焊缝
，特别涉及一种基于小样本目标检测网络的焊缝缺陷的检测方法、系统。

技术介绍

[0002]在焊接过程中，由于存在焊接参数(焊接功率、保护气体流量、焊接速度)调节不当及焊接环境复杂等不确定因素，导致焊缝内部容易出现气孔、未熔合、未焊透、裂纹等内部缺陷。这些缺陷不仅影响焊缝外观形貌，而且会造成焊缝连接强度下降，从而影响焊接构件产品质量，甚至会使产品报废。为了保证焊接件产品质量，需对焊缝区域进行高效、精准的缺陷检测。
[0003]为了保证产品质量，工厂通常会设置检测环节来检查焊接处是否存在缺陷以保证产品能在工业环境中安全稳定的长时间使用。而X射线成像是一种常见的焊缝无损检测手段，其图像具备焊缝缺陷目标极小，并且分布稀疏的特点。
[0004]目前常用的技术方案为基于深度学习模型的检查系统，详细如下：
[0005](1)拍摄若干包含焊缝及缺陷的图片，进行预处理并标注缺陷；
[0006](2)设计基于深度学习的神经网络模型；
[0007](3)利用标注后的图片和神经网络模型进行训练，训练后的模型可用于检测图像中的缺陷。
[0008]现有的基于深度学习模型的缺陷检测方法存在以下问题：
[0009](1)模型的训练需要输入大量图像才能达到较好效果，并且需要耗费大量人力与机器资源进行图像标注工作；
[0010](2)当样本数量较少时，缺陷检测模型不能达到良好的检测性能。
专利技术内容
[0011]本专利技术要解决的技术问题是为了克服现有技术中基于深度学习模型的缺陷检测方法存在模型的训练需要输入大量图像才能达到较好效果，并且需要耗费大量人力与机器资源进行图像标注工作，当样本数量较少时，缺陷检测模型不能达到良好的检测性能的缺陷，提供一种基于小样本目标检测网络的焊缝缺陷的检测方法、系统。
[0012]本专利技术是通过下述技术方案来解决上述技术问题：
[0013]本专利技术第一方面提供了一种基于小样本目标检测网络的焊缝缺陷的检测方法，所述检测方法包括：
[0014]利用Faster R
‑
CNN(目标检测网络)的二阶段目标检测算法和基于微调的小样本检测算法构建小样本目标检测网络；
[0015]获取小径管环焊缝区域图像；
[0016]将所述小径管环焊缝区域图像输入训练后的小样本目标检测网络，以得到小径管环焊缝的缺陷数据。
[0017]较佳地，所述小样本目标检测网络中的检测头包括CosHead(一种检测头)。
[0018]较佳地，所述Faster R
‑
CNN包括卷积神经网络、区域生成网络、特征金字塔网络和Guide Anchor RPN(导向锚框)网络。
[0019]较佳地，所述将所述小径管环焊缝区域图像输入训练后的小样本目标检测网络，以得到小径管环焊缝的缺陷数据的步骤之前，所述检测方法还包括：
[0020]获取焊缝缺陷标注数据集；
[0021]对所述焊缝缺陷标注数据集进行数据增强处理以及非线性灰度变换处理，以得到处理后的焊缝缺陷标注数据集，所述处理后的焊缝缺陷标注数据集包括训练集；
[0022]利用所述训练集训练小样本目标检测网络，以得到训练后的小样本目标检测网络。
[0023]较佳地，对所述焊缝缺陷标注数据集进行数据增强处理以及非线性灰度变换处理，以得到处理后的焊缝缺陷标注数据集的步骤包括：
[0024]采用随机翻转和/或随机裁剪算法对所述焊缝缺陷标注数据集进行数据增强处理，以得到数据增强处理后的焊缝缺陷标注数据集；
[0025]采用sin(正弦)变换对所述数据增强处理后的焊缝缺陷标注数据集进行非线性灰度变换处理，以得到处理后的焊缝缺陷标注数据集。
[0026]较佳地，所述处理后的焊缝缺陷标注数据集包括测试集，所述检测方法还包括：
[0027]利用所述测试集测试所述训练后的小样本目标检测网络，直到所述训练后的小样本目标检测网络的检测准确率达到目标条件。
[0028]较佳地，所述小样本目标检测网络包括基础模型和微调模型；
[0029]所述利用所述训练集训练小样本目标检测网络，以得到训练后的小样本目标检测网络的步骤包括：
[0030]利用所述处理后的焊缝缺陷标注数据集训练小样本目标检测网络，以得到所述基础模型；
[0031]冻结所述基础模型的权重，以形成所述微调模型；
[0032]从所述处理后的焊缝缺陷标注数据集中获取小样本焊缝缺陷标注数据集；
[0033]利用所述小样本焊缝缺陷标注数据集训练所述微调模型，以得到训练后的微调模型。
[0034]本专利技术第二方面提供了一种基于小样本目标检测网络的焊缝缺陷的检测系统，所述检测系统包括：
[0035]构建模块，用于利用Faster R
‑
CNN的二阶段目标检测算法和基于微调的小样本检测算法构建小样本目标检测网络；
[0036]焊缝区域图像获取模块，用于获取小径管环焊缝区域图像；
[0037]检测模块，用于将所述小径管环焊缝区域图像输入训练后的小样本目标检测网络，以得到小径管环焊缝的缺陷数据。
[0038]较佳地，所述小样本目标检测网络中的检测头包括CosHead。
[0039]较佳地，所述Faster R
‑
CNN包括卷积神经网络、区域生成网络、特征金字塔网络和Guide Anchor RPN网络。
[0040]较佳地，所述检测系统还包括：
[0041]数据集获取模块，用于获取焊缝缺陷标注数据集；
[0042]处理模块，用于对所述焊缝缺陷标注数据集进行数据增强处理以及非线性灰度变换处理，以得到处理后的焊缝缺陷标注数据集，所述处理后的焊缝缺陷标注数据集包括训练集；
[0043]训练模块，用于利用所述训练集训练小样本目标检测网络，以得到训练后的小样本目标检测网络。
[0044]较佳地，所述处理模块包括：
[0045]数据增强处理单元，用于采用随机翻转和/或随机裁剪算法对所述焊缝缺陷标注数据集进行数据增强处理，以得到数据增强处理后的焊缝缺陷标注数据集；
[0046]变换处理单元，用于采用sin变换对所述数据增强处理后的焊缝缺陷标注数据集进行非线性灰度变换处理，以得到处理后的焊缝缺陷标注数据集。
[0047]较佳地，所述处理后的焊缝缺陷标注数据集包括测试集，所述检测系统还包括：
[0048]测试模块，用于利用所述测试集测试所述训练后的小样本目标检测网络，直到所述训练后的小样本目标检测网络的检测准确率达到目标条件。
[0049]较佳地，所述小样本目标检测网络包括基础模型和微调模型；所述训练模块包括：
[0050]第一训练单元，用于利用所述处理后的焊缝缺陷标注数据集训练小样本目标检测网络，以得到所述基础模型；
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小样本目标检测网络的焊缝缺陷的检测方法，其特征在于，所述检测方法包括：利用Faster R
‑
CNN的二阶段目标检测算法和基于微调的小样本检测算法构建小样本目标检测网络；获取小径管环焊缝区域图像；将所述小径管环焊缝区域图像输入训练后的小样本目标检测网络，以得到小径管环焊缝的缺陷数据。2.如权利要求1所述的基于小样本目标检测网络的焊缝缺陷的检测方法，其特征在于，所述小样本目标检测网络中的检测头包括CosHead。3.如权利要求1所述的基于小样本目标检测网络的焊缝缺陷的检测方法，其特征在于，所述Faster R
‑
CNN包括卷积神经网络、区域生成网络、特征金字塔网络和Guide Anchor RPN网络。4.如权利要求1所述的基于小样本目标检测网络的焊缝缺陷的检测方法，其特征在于，所述将所述小径管环焊缝区域图像输入训练后的小样本目标检测网络，以得到小径管环焊缝的缺陷数据的步骤之前，所述检测方法还包括：获取焊缝缺陷标注数据集；对所述焊缝缺陷标注数据集进行数据增强处理以及非线性灰度变换处理，以得到处理后的焊缝缺陷标注数据集，所述处理后的焊缝缺陷标注数据集包括训练集；利用所述训练集训练小样本目标检测网络，以得到训练后的小样本目标检测网络。5.如权利要求4所述的基于小样本目标检测网络的焊缝缺陷的检测方法，其特征在于，对所述焊缝缺陷标注数据集进行数据增强处理以及非线性灰度变换处理，以得到处理后的焊缝缺陷标注数据集的步骤包括：采用随机翻转和/或随机裁剪算法对所述焊缝缺陷标注数据集进行数据增强处理，以得到数据增强处理后的焊缝缺陷标注数据集；采用sin变换对所述数据增强处理后的焊缝缺陷标注数据集进行非线性灰度变换处理，以得到处理后的焊缝缺陷标注数据集。6.如权利要求4所...

【专利技术属性】
技术研发人员：毛晴，董亚明，杨家荣，尹逊玉，张亚平，
申请(专利权)人：上海电气集团股份有限公司，
类型：发明
国别省市：