【技术实现步骤摘要】
本专利技术属于工业射线图像检测，具体是基于长条形状感知和特征调节的小径管焊接缺陷检测方法，可用于工业领域中各种焊接结构的缺陷检测。
技术介绍
1、随着工业技术持续发展，小径管的使用越来越广泛。小径管是指壁厚4～14mm、外径32～89mm的管子。其广泛应用于用于电站以及锅炉受热面，如省煤器、水冷壁、过热器、再热器等，像循环流化床锅炉还有旋风分离器等，这些系统都是由小径管成排组装而成，组成了整个锅炉系统的主要工作部分。无论何种缺陷都会严重影响工业产品的质量和使用性能，存在安全隐患。所以需要在制造安装过程中对小径管焊接接头作严格的无损检测。由于其曲率半径较小，壁厚小，很难进行超声波检测，目前，小径管焊接缺陷检测一般通过x射线无损检测技术来保证焊接质量。
2、x射线检测给管道环焊缝质量检测带来了极大的便利，相比于传统的胶片成像，x射线不仅可以应用于绝大部分的材料，数字化成像技术也可以使检测结果长期保存。x射线无损检测技术主要利用x射线穿透待检测的工件，由于管材的材料和焊接缺陷部位的薄厚、材料性质不同，射线会存在不同程度的削减，得到灰度值不同的灰度图像，从而反应工件的内部结构。传统的方法需要人工通过肉眼观察是否灰度图像是否存在缺陷、缺陷类别等，因此检测结果会受到检测人员的经验、专业程度、疲劳程度的影响，这种主观的检测方法导致了检测效率和准确率都无法满足日益增长的小径管焊接质量检测需求。随着计算机视觉技术的不断发展，基于计算机图像辅助检测已成为一种趋势。但仍需要人工干预和辅助，人工设计缺陷的具体特点，受到人工主观因素的影响，无
3、近年来，基于深度学习的目标检测技术可以自动提取图像中目标特征，因此深度学习的方法应用于焊接缺陷检测任务时，不需要人工评定或者设计缺陷特征。从而减少了人工主观因素的影响。基于深度学习的方法直接将预处理后的图片输入到模型网络中训练，卷积网络会学习缺陷的纹理、颜色等特征，最终实现缺陷的定位和分类任务。由于小径管焊接缺陷检测具有部分缺陷呈现细长且在图片横跨区域广、小面积目标多等特点，常规的缺陷检测模型难以有效检测焊接缺陷。
技术实现思路
1、针对现有技术的不足，本专利技术拟解决的技术问题是，提出一种基于长条形状感知和混合特征调节小径管焊接缺陷检测方法。
2、本专利技术解决所述技术问题采用的技术方案如下：设计基于长条形状感知和特征调节的小径管焊接缺陷检测方法，其特征在于，该方法包括如下步骤：
3、第一步、获取一定数量带有缺陷定向边界框和缺陷类别标签标注的x射线小径管焊接图像，对其进行尺寸归一化处理，图像尺寸为300*300，得到用于训练模型的数据集；
4、第二步、以深度学习网络为基础，构建缺陷检测模型；缺陷检测模型主要包括三部分:基于混合视觉调节的cspdarknet-hvr主干网络、基于长条形状感知的特征金字塔网络和三个检测头；
5、所述cspdarknet-hvr主干网络包括五层卷积结构和一个hvr模块，五层的卷积结构包括第一卷积结构layer1、第二卷积结构layer2、第三卷积结构layer3、第四卷积结构layer4和第五卷积结构layer5，第一卷积结构layer1、第二卷积结构layer2、第三卷积结构layer3、第四卷积结构layer4、第五卷积结构layer5、hvr模块依次顺接；x射线小径管焊接图像为第一卷积结构layer1的输入，第一卷积结构layer1的输出c1为第二卷积结构layer2的输入，第二卷积结构layer2的输出c2为第三卷积结构layer3的输入，第三卷积结构layer3的输出c3为第四卷积结构layer4的输入，第四卷积结构layer4的输出c4为第五卷积结构layer5的输入，第五卷积结构layer5的输出c5为hvr模块的输入；第三卷积结构layer3的输出c3、第四卷积结构layer4的输出c4以及hvr模块的输出作为所述特征金字塔网络的输入；
6、所述cspdarknet-hvr主干网络的五层卷积结构的参数设置如表1所示：
7、表1 cspdarknet-hvr主干网络的五层卷积结构的参数设置
8、
9、
10、所述hvr模块包括由轻量化mlp分支、局部注意力分支和分支融合模块构成，主干网络中的特征图c5作为hvr模块的输入，首先输入到stem模块，得到特征图xin；特征图xin分别通过并行的轻量化mlp分支和局部注意力分支，特征图mout为轻量化mlp的输出，特征图lout作为局部注意力分支的输出，特征图mout和lout作为分支融合模块的输入，分支融合模块输出的特征图bout为hvr模块的输出；
11、其中，stem模块的操作如下式所示：
12、xin＝σ(bn(tconv7(c5))) (1)
13、其中tconv7表示7×7的卷积操作；bn表示批归一化操作，σ表示relu激活函数；
14、所述轻量化mlp分支包括基于深度卷积的残差模块和基于信道mlp的残差模块，深度卷积的残差模块的输出为基于信道mlp的残差模块的输入，基于信道mlp的残差模块的输出为轻量化mlp分支的输出特征图mout；在所述基于深度卷积模块中，特征图xin依次通过组归一化操作、深度卷积操作，之后再依次经过特征图通道缩放处理和正则化技术处理，减少神经网络中的过拟合，得到的结果再与输入的特征图xin进行残差连接，得到输出特征图x1；在所述基于信道mlp的残差模块中，特征图x1作为输入，首先依次通过组归一化、通道mlp操作，通道mlp操作可以捕获长期依赖，提高全局特征表示能力，之后再依次经过特征图通道缩放处理和正则化技术处理，得到的结果再与输入的特征图x1进行残差连接，生成特征图mout；
15、所述轻量化mlp分支的具体操作过程如下所示：
16、
17、其中tdc(·)表示深度分组1×1卷积；gn表示group normalization，即组归一化；表示残差连接操作，dp表示正则化，cs表示通道缩放；
18、
19、其中lmlp表示轻量化mlp操作，cmlp表示信道mlp，信道mlp为由两个1×1卷积和gelu激活函数实现的两个全连接层，通过卷积核共享实现通道信息交互功能，表示残差连接；
20、局部注意力分支包括一个卷积组合块、relu激活函数和局部注意力模块，其中卷积组合块包括两个卷积分支；对于输入的特征图xin，卷积组合块的一个分支依次进行1×1卷积、3×3卷积、1×1卷积，另一个分支先进行1×1卷积然后再进行批归一化操作，两个分支分别对特征图xin进行处理，两个分支的结果进行相加操作后，再经relu激活函数，得到局部注意力模块的输入特征图lin，操作过程公式如下所示：
21、lin＝relu(tconv1(tconv3(tconv1(xin)))+bn(tconv1(xin))) 本文档来自技高网...
【技术保护点】
1.基于长条形状感知和特征调节的小径管焊接缺陷检测方法，其特征在于，该方法包括如下步骤：
2.根据权利要求1所述的基于长条形状感知和特征调节的小径管焊接缺陷检测方法，其特征在于，第一步中的用于训练模型的数据集中图片的数量不少于2000张。
3.根据权利要求1所述的基于长条形状感知和特征调节的小径管焊接缺陷检测方法，其特征在于，第一步中的用于训练模型的数据集中图片的缺陷类别标签具体包括：圆形缺陷circular、未焊透未熔合缺陷lp_lf、焊瘤缺陷flash、圆形异物缺陷c_foreign、条形缺陷stripy。
4.根据权利要求1所述的基于长条形状感知和特征调节的小径管焊接缺陷检测方法，其特征在于，第四步中设置最大训练轮次为300，学习率为0.01，批次大小为16。
【技术特征摘要】
1.基于长条形状感知和特征调节的小径管焊接缺陷检测方法，其特征在于，该方法包括如下步骤：
2.根据权利要求1所述的基于长条形状感知和特征调节的小径管焊接缺陷检测方法，其特征在于，第一步中的用于训练模型的数据集中图片的数量不少于2000张。
3.根据权利要求1所述的基于长条形状感知和特征调节的小径管焊接缺陷检测方法，其特征在于，第一...
【专利技术属性】
技术研发人员：石陆魁，温嘉伟，杨博，高英杰，吉振鹏，张子轩，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。