基于卷积神经网络的焊接缺陷识别技术及应用
基于卷积神经网络的产品缺陷检测研究
基于卷积神经网络的产品缺陷检测研究随着科技的不断进步，计算机视觉技术逐渐成为了解决实际问题的一种重要工具。
在生产流程中，产品缺陷检测一直是工业生产中的重要环节。
传统的产品缺陷检测主要依靠人工识别，但是人工生产效率较低，同时还会存在误判、漏判的问题。
为了解决这些问题，研究者们尝试将计算机视觉技术应用于产品缺陷检测领域。
在这个领域中，卷积神经网络（CNN）已经成为了主要的研究方法。
一、卷积神经网络介绍卷积神经网络是一种深度学习算法，其主要特点是其网络模型的特殊结构，即卷积神经元，这种神经元能够优化权值，从而使网络能够学习层次化的特征表示。
在卷积神经网络中，重要的一步是卷积操作，它能够在输入数据中寻找特定的模式，然后输出到下一层网络中，形成更加抽象的特征。
对于产品缺陷检测这种图像分类问题，卷积神经网络具有很大的优势。
对于卷积神经网络而言，其模型参数的数目非常大，需要大量的数据对模型进行训练，才能够有效地进行预测。
二、基于卷积神经网络的产品缺陷检测技术在实际应用中，基于卷积神经网络的产品缺陷检测技术已经得到了广泛的应用。
首先，通过对产品图像进行人工标注，得到训练集和测试集。
然后，将数据集输入到卷积神经网络中，进行训练。
最终，可以利用这个训练好的卷积神经网络对新的产品图像进行分类，即判断其是否存在缺陷。
三、卷积神经网络在产品缺陷检测中的应用场景卷积神经网络在产品缺陷检测中有着广泛的应用场景。
比如，在工业生产中，可以对零部件进行质检，检测其是否存在缺陷。
此外，在医学影像领域，卷积神经网络也可以协助医生进行疾病诊断，提高诊断的准确率。
除了上述领域，卷积神经网络还可以应用于车辆驾驶领域，识别驾驶员是否疲劳，从而提醒其注意安全。
同时，卷积神经网络还可以进行文本分类，帮助企业进行品牌竞争分析等工作。
四、当前的研究进展当前基于卷积神经网络的产品缺陷检测研究处于快速发展阶段。
主要的研究方向包括网络改进、数据增强、跨域识别等方面。
使用卷积神经网络进行工件缺陷检测的教程
在工业生产中，工件的质量检测一直是一个重要的环节。
而随着人工智能技术的发展，使用卷积神经网络进行工件缺陷检测成为了一种新的选择。
本文将介绍如何使用卷积神经网络进行工件缺陷检测的教程。
一、数据采集与准备首先，进行工件缺陷检测的第一步是数据的采集与准备。
需要通过相机或者其他传感器对工件进行拍摄或采集，获取包含正常和缺陷工件的图像数据。
这些图像数据需要经过标注，将正常和缺陷的部分进行标记，以便训练卷积神经网络进行分类。
二、数据预处理在进行卷积神经网络的训练之前，需要对数据进行预处理。
这包括图像的大小调整、灰度化或彩色化、数据增强等操作。
数据预处理的目的是为了使得训练数据更加准确和完整，提高卷积神经网络的训练效果。
三、建立卷积神经网络模型接下来，需要建立卷积神经网络模型。
可以选择常见的卷积神经网络架构，如LeNet、AlexNet、VGG、ResNet等，也可以根据具体的需求和数据量进行模型的设计。
在构建模型的过程中，需要考虑到工件缺陷检测的特点，使得模型能够更好地识别和分类工件图像。
四、模型训练与调优完成模型的建立之后，需要对模型进行训练与调优。
这包括选择合适的损失函数、优化器，设置训练的超参数等。
通过反复训练和验证，不断调整模型参数和结构，使得模型在工件缺陷检测上取得更好的效果。
五、模型测试与评估经过训练与调优之后，需要对模型进行测试与评估。
使用预留的测试数据集对模型进行测试，评估模型在工件缺陷检测上的准确率、精确率、召回率等指标。
通过评估结果，可以进一步优化模型，提高其在实际工件缺陷检测中的效果。
六、模型部署与应用最后，完成模型的测试与评估后，可以将训练好的模型部署到实际的工件缺陷检测系统中。
通过集成相机或传感器，将工件图像输入到训练好的模型中，实现实时的工件缺陷检测。
这样可以大大提高生产线上工件检测的效率和准确性。
在实际应用中，使用卷积神经网络进行工件缺陷检测需要综合考虑数据采集、预处理、模型建立、训练与调优、测试与评估、部署与应用等环节。
使用卷积神经网络进行工件缺陷检测的教程(Ⅰ)
随着人工智能技术的不断发展，在工业生产领域，人们开始尝试使用卷积神经网络（CNN）进行工件缺陷检测。
CNN是一种专门用于处理图像数据的深度学习模型，其在图像分类、目标检测和分割等任务中表现出色。
本文将介绍如何使用CNN进行工件缺陷检测，并且提供一些实用的技巧和注意事项。
1. 数据集的准备首先，进行工件缺陷检测的第一步是准备一个包含正常工件和缺陷工件的图像数据集。
在实际应用中，可以通过现场拍摄、传感器采集或者从网络上下载数据集。
确保数据集的质量和多样性对于CNN模型的训练非常重要。
另外，还需要对数据集进行标注，标注正常工件和不同类型的缺陷工件，以便训练模型识别缺陷。
2. 数据预处理在准备好数据集后，需要进行数据预处理。
这包括对图像进行缩放、裁剪、旋转、翻转等操作，以增加数据的多样性，同时还可以进行灰度化、归一化等操作，以便提高模型训练的效果。
在数据预处理过程中，需要注意避免过度处理导致信息丢失，同时还需要确保处理后的数据集仍然能够准确反映真实的工件情况。
3. 构建CNN模型在数据集准备和预处理完成后，接下来就是构建CNN模型。
CNN模型一般包括卷积层、池化层和全连接层等，其中卷积层用于提取图像的特征，池化层用于降低特征图的维度，全连接层用于分类。
在构建CNN模型时，可以参考已有的经典模型，如LeNet、AlexNet、VGG、ResNet等，也可以根据具体任务的需求设计自己的模型结构。
在构建模型时，需要注意选择合适的激活函数、损失函数和优化器，并且需要进行模型的训练和验证。
4. 模型训练和验证在构建好CNN模型后，就需要对模型进行训练和验证。
在训练模型时，需要将数据集划分为训练集、验证集和测试集，通常采用80%训练集、10%验证集和10%测试集的划分比例。
在训练过程中，需要进行超参数调优，如学习率、批量大小、迭代次数等，以提高模型的性能。
同时，还需要进行模型的验证，通过验证集和测试集的准确率、精确率、召回率等指标来评估模型的性能，并且根据评估结果对模型进行调整和改进。
使用卷积神经网络进行工件缺陷检测的教程(十)
使用卷积神经网络进行工件缺陷检测的教程近年来，随着深度学习技术的不断发展，卷积神经网络（CNN）在图像识别领域取得了巨大的成功。
其中，工件缺陷检测作为图像识别的一个重要应用领域，也受益于CNN的发展。
本文将介绍如何使用卷积神经网络进行工件缺陷检测，并提供基础教程。
1. 数据收集和预处理首先，进行工件缺陷检测的第一步是收集带有缺陷的工件图像数据。
这些图像可以从现实生产中获取，也可以通过模拟方法生成。
收集的数据应包括有缺陷和正常的工件图像，以便训练模型和进行测试。
然后，对收集到的数据进行预处理，包括图像的大小统一化、去除噪声、增强对比度等操作，以便提高模型的训练效果。
2. 构建卷积神经网络模型在数据准备好之后，接下来就是构建卷积神经网络模型。
通常，一个典型的CNN模型由卷积层、池化层、全连接层等组成。
在构建模型时，需要根据实际情况调整网络的深度、卷积核大小、池化方式等参数，以达到最佳的检测效果。
此外，可以选择已经训练好的CNN模型作为基础，进行迁移学习，以加快模型的训练速度和提高效果。
3. 数据训练和模型优化数据准备和模型构建完成后，就可以开始进行数据训练和模型优化了。
首先，将数据集按照一定的比例划分为训练集和测试集，用训练集对模型进行训练，用测试集对模型进行验证。
在训练过程中，可以使用各种优化算法，如随机梯度下降（SGD）、Adam等，对模型参数进行调整，以获得更好的训练效果。
4. 模型测试和评估训练完成后，就可以使用测试集对模型进行测试和评估了。
通过比较模型对正常工件和带有缺陷工件的识别准确率、召回率、精确率等指标，来评估模型的性能。
同时，可以通过混淆矩阵、ROC曲线等方式来直观地展示模型的表现。
如果模型的性能不理想，可以通过调整模型参数、增加训练数据、改变网络结构等方式进行优化。
5. 模型部署和应用最后，当模型的性能达到预期后，就可以将模型部署到实际的工件生产线上，用于实时的工件缺陷检测。
在部署过程中，需要考虑模型的计算和存储资源消耗，以及实时性要求等因素，选择合适的部署方式，如嵌入式部署、云端部署等。
使用卷积神经网络进行工件缺陷检测的教程(五)
随着工业自动化的迅速发展，工件缺陷检测成为了生产线上的重要环节。
传统的检测方法通常需要大量的人力和时间，而且准确率有限。
而卷积神经网络（Convolutional Neural Network, CNN）作为一种深度学习模型，能够通过学习大量的数据来实现高效的图像识别和分类，因此被广泛应用于工件缺陷检测领域。
本文将介绍如何使用卷积神经网络进行工件缺陷检测。
1. 数据采集与预处理首先，我们需要收集大量的包含正常工件和缺陷工件的图像数据。
这些数据可以通过现场拍摄、传感器采集等方式获取。
在数据采集过程中，需要确保图像的清晰度和真实性，以提高检测算法的准确率。
接下来，对采集到的数据进行预处理，包括图像去噪、尺寸调整、灰度处理等。
预处理的目的是为了减少噪音干扰，提高模型对图像特征的提取能力。
2. 构建卷积神经网络模型在数据预处理完成后，我们需要构建卷积神经网络模型。
卷积神经网络通常包括卷积层、池化层、全连接层等组件。
其中，卷积层用于提取图像的特征，池化层用于降维和减少参数，全连接层用于分类和输出结果。
在构建模型时，需要根据实际情况选择适当的网络结构和超参数，并且合理地初始化模型参数。
3. 数据的训练与验证模型构建完成后，我们需要将数据集划分为训练集和验证集，通常按照7:3或8:2的比例进行划分。
训练集用于模型的训练，验证集用于模型的验证和调参。
在训练过程中，我们需要选择合适的损失函数和优化算法，并且通过反向传播算法来更新模型参数。
在验证集上进行交叉验证，以评估模型的泛化能力和准确率。
如果模型出现过拟合或者欠拟合的情况，需要对模型进行调参和优化。
4. 模型的评估与应用在模型训练和验证完成后，我们需要对模型进行评估，并且将其应用于实际的工件缺陷检测中。
评估模型的指标通常包括准确率、召回率、精确率等。
通过对模型的评估，我们可以了解模型的性能和优缺点，并且对模型进行进一步的优化。
最后，将优化后的模型应用于实际的生产线上，实现工件缺陷的自动检测和分类。
基于卷积神经网的焊缝检测
基于卷积神经网的焊缝检测一、卷积神经网络概述卷积神经网络（Convolutional Neural Networks, CNNs）是一种深度学习模型，它在图像识别、视频分析和自然语言处理等领域表现出了卓越的性能。
CNNs通过模仿人类视觉系统的工作原理，能够自动学习图像中的特征并进行有效的特征提取。
本文将探讨基于卷积神经网络的焊缝检测技术，分析其重要性、挑战以及实现途径。
1.1 卷积神经网络的核心特性卷积神经网络的核心特性主要体现在以下几个方面：- 自动特征提取：CNNs能够自动从输入数据中学习到有用的特征，无需人工设计特征提取算法。
- 层次结构：CNNs具有多层结构，每一层都能够提取图像中不同层次的特征。
- 参数共享：卷积核在卷积过程中参数共享，减少了模型的参数数量，提高了模型的泛化能力。
- 平移不变性：由于卷积操作的特性，CNNs对图像中的平移、旋转等变换具有较好的不变性。
1.2 卷积神经网络的应用场景卷积神经网络的应用场景非常广泛，包括但不限于以下几个方面：- 图像分类：CNNs能够识别图像中的对象，并将其分类到不同的类别。
- 目标检测：CNNs能够定位图像中的目标，并确定其位置和大小。
- 图像分割：CNNs能够将图像分割成不同的区域，并对每个区域进行分类。
- 视频分析：CNNs能够处理视频数据，进行动作识别、事件检测等。
二、基于卷积神经网络的焊缝检测技术基于卷积神经网络的焊缝检测技术是一种利用深度学习对焊接过程中的焊缝进行自动检测的方法。
该技术能够提高检测的准确性和效率，降低人工检测的成本和时间。
2.1 焊缝检测的重要性焊缝检测的重要性主要体现在以下几个方面：- 质量控制：焊缝的质量直接影响到产品的安全性和可靠性，焊缝检测是保证产品质量的重要环节。
- 自动化生产：随着工业自动化的发展，自动焊缝检测技术能够提高生产效率，减少人工干预。
- 数据分析：焊缝检测技术可以收集大量的数据，为后续的数据分析和工艺优化提供支持。
卷积神经网络中的工业缺陷检测技术
卷积神经网络中的工业缺陷检测技术随着人工智能和深度学习的快速发展，卷积神经网络（Convolutional Neural Network，CNN）作为一种重要的机器学习算法，被广泛应用于图像处理领域。
其中，工业缺陷检测技术是CNN在实际应用中的一个重要方向。
本文将介绍卷积神经网络在工业缺陷检测中的应用，并探讨其优势和挑战。
首先，卷积神经网络在工业缺陷检测中的应用可以大大提高检测的准确性和效率。
相比传统的图像处理算法，CNN能够自动学习特征，并通过卷积和池化操作提取图像中的关键信息。
这种自动化的特征提取过程使得CNN在处理复杂的工业图像时表现出色。
例如，在电子制造业中，卷积神经网络可以检测电路板上的焊接缺陷，如焊点的缺失或短路等。
通过训练大量的正常和缺陷样本，CNN可以学习到不同缺陷的特征，并能够准确地识别出缺陷区域。
其次，卷积神经网络的深度结构使得其能够处理更加复杂的工业缺陷。
随着网络层数的增加，CNN可以学习到更高级别的特征。
这对于工业缺陷检测来说尤为重要，因为很多缺陷往往是非常微小且难以察觉的。
例如，在汽车制造业中，卷积神经网络可以检测车身上的划痕和凹陷等细微缺陷。
通过多层网络的组合，CNN 能够逐渐提取出这些细微缺陷的特征，并进行准确的分类和定位。
然而，卷积神经网络在工业缺陷检测中也面临一些挑战。
首先，数据集的标注工作是一项耗时且费力的任务。
为了训练一个准确的CNN模型，需要大量的标注数据。
而在工业缺陷检测中，获取大规模的标注数据往往是困难的。
其次，工业缺陷的种类繁多，不同类型的缺陷可能具有不同的特征。
因此，设计一个通用的CNN模型来处理各种工业缺陷是一项具有挑战性的任务。
此外，由于工业生产环境的复杂性，图像质量可能受到多种因素的影响，如光照、噪声等。
这些因素可能会干扰CNN模型的训练和推断过程，降低检测的准确性。
为应对这些挑战，研究人员提出了一系列改进的卷积神经网络模型和算法。
例如，一些研究者提出了基于迁移学习的方法，通过在大规模数据集上预训练模型，然后在工业缺陷检测任务上进行微调，来提高模型的性能。
基于深度学习的焊接缺陷检测技术研究
基于深度学习的焊接缺陷检测技术研究在工业制造领域中，焊接是常见的连接方法，但是焊接质量会影响产品性能和安全。
因此，对焊接质量进行检测尤为重要。
传统的焊接缺陷检测方法主要依靠人力进行目视检测，这种检测方法有低效、低准确性和主观性等问题。
近年来，随着深度学习技术的发展，基于深度学习的焊接缺陷检测技术受到越来越多的关注和研究。
一、深度学习技术在焊接缺陷检测中的应用深度学习是一种机器学习的方法，可以通过对大量数据进行学习，构建出具有多层结构的神经网络。
相比传统的机器学习方法，深度学习具有更强的自适应和自学习能力。
在焊接缺陷检测中，深度学习技术可以通过对焊接图像的学习和提取，实现自动化的缺陷检测。
基于深度学习的焊接缺陷检测技术主要分为两类：一类是利用卷积神经网络（CNN）进行图像特征提取和分类；另一类是基于生成对抗网络（GAN）生成合格和不合格的焊缝图像，并通过区分器对生成的图像进行分类。
其中，以CNN为基础的深度学习算法应用更为广泛。
二、基于深度学习的焊接缺陷检测技术的优势和局限性相比传统的焊接缺陷检测方法，基于深度学习的方法具有以下优势：1. 提高检测准确率。
深度学习算法具有更强的自适应和自学习能力，可以通过大量的标注数据进行训练，提高检测准确率。
2. 减少人力成本。
传统的检测方法需要依赖专业技术人员进行目视检测，而基于深度学习的方法可以实现自动化检测，减少人力成本。
3. 提高检测效率。
基于深度学习的方法可以对大批量数据进行快速处理，减少检测时间。
但是，基于深度学习的焊接缺陷检测技术也存在一些局限性：1. 对标注数据要求高。
深度学习算法需要大量的标注数据进行训练，而焊接缺陷图像数据的获取和标注需要一定的专业技术和人力成本。
2. 对模型参数调整要求高。
深度学习算法具有多个参数需要进行调整，对算法工程师的技术要求较高。
3. 对硬件计算要求高。
深度学习算法的计算量较大，需要使用高性能的计算设备进行处理。
三、未来发展趋势基于深度学习的焊接缺陷检测技术在智能制造和工业安全方面具有广阔的应用前景。
基于卷积神经网络的缺陷检测研究
基于卷积神经网络的缺陷检测研究随着人工智能技术的不断发展，越来越多的工业生产过程中使用自动化技术来提高生产效率。
其中，基于卷积神经网络的缺陷检测技术应用越来越广泛，它不仅能够提高制造业的质量检测准确性，也能够为环境保护和公共安全提供可靠的支持。
一、基于卷积神经网络的缺陷检测技术卷积神经网络是一种常用的深度学习算法，它可以处理复杂的图像数据。
缺陷检测过程中，卷积神经网络可以通过学习数据集中的缺陷特征来进行分类。
首先，卷积层通过不同的卷积核对输入图像进行特征提取，提高了检测效率和准确性。
然后，池化层通过对卷积层输出进行降维，有效减少了运算量。
最后，全连接层通过输出向量进行分类，实现对缺陷的检测。
二、卷积神经网络在缺陷检测中的应用目前，在许多领域中，卷积神经网络都被广泛应用于缺陷检测。
例如，对于工业生产中的产品缺陷检测，可以通过卷积神经网络对图像进行缺陷分类。
同时，卷积神经网络也可以通过自动检测矿区尖端设备的缺陷问题，帮助企业在一定程度上减少检查时间和费用，提高生产效率。
另外，卷积神经网络还可以应用于建筑物表面缺陷检测，精准地检测出建筑物表面的裂缝、腐蚀、变形等问题。
三、缺陷检测技术的优势基于卷积神经网络的缺陷检测技术有很多优点，其中包括：1、提高检测准确性：卷积神经网络可以通过学习数据集中的缺陷特征，提高检测的准确性，减少了人工操作的错误率。
2、简化操作流程：卷积神经网络可以针对不同形态和尺寸的缺陷进行检测，并自动分类，无需人工干预，提高了操作效率。
3、降低成本：基于卷积神经网络的缺陷检测技术可以根据不同生产设备的需求，灵活自由地进行调整，降低了企业成本。
四、结语综上所述，基于卷积神经网络的缺陷检测技术在现代化生产制造中发挥着重要作用。
通过对数据集进行学习，卷积神经网络可以有效提高缺陷检测的精度和效率。
缺陷检测技术的不断发展，将会为制造业的高质量生产，公共安全和环境保护等领域提供可靠的支持。
基于卷积神经网络的焊缝缺陷超声波识别研究
基于卷积神经网络的焊缝缺陷超声波识别研究
丁善择;马晓春;张德志;陈雨;吕琪明;钟广军
【期刊名称】《软件工程与应用》
【年(卷),期】2024(13)1
【摘要】桥梁钢结构焊接构件中,焊缝质量是影响构件力学性能的主要因素之一。
针对超声检测回波信号具有步长大、多模态、多峰分布等特点和焊缝缺陷图像进行深度学习识别已经取得了很好的效果。
本文用超声探伤仪对70个带焊缝缺陷的T 型管节点和18个对接钢板试件、25个对接钢管试件进行超声检测。
建立包含8800张超声检测回波信号图像的数据集作为网络训练、验证和测试的对象。
调整卷积神经网络MobileNet-v2的结构层、参数和权重,利用卷积神经网络MobileNet-v2进行训练和测试,得到T型管节点超声检测回波信号识别的卷积神经网络的平均识别准确率分别为91%。
计算识别精确率和召回率可作为调整后卷积神经网络识别性能的评价指标。
【总页数】8页(P108-115)
【作者】丁善择;马晓春;张德志;陈雨;吕琪明;钟广军
【作者单位】江苏建筑职业技术学院智能制造学院徐州
【正文语种】中文
【中图分类】TP3
【相关文献】
1.基于改进卷积神经网络的管焊缝X射线图像缺陷识别方法
2.基于渐进式卷积神经网络的焊缝缺陷识别
3.基于改进卷积神经网络的飞机桁架焊缝缺陷识别与测试
4.基于MobileNet卷积神经网络的焊缝缺陷识别
5.基于卷积神经网络的焊缝缺陷超声图像识别方法研究
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
该算法直接将预处理后的焊缝 ＲＴ 图像作为输入ꎬ将焊接缺陷种类作为输出ꎬ有效避免了因人为识别主观经
验对检测结果造成的不良影响ꎬ同时采用学习率逐渐降低法、随机 Ｄｒｏｐｏｕｔ 以及 Ｒｅｌｕ 激活函数以加快网络的
收敛速度ꎬ并避免了过拟合现象的发生ꎮ 实验结果表明ꎬ这种基于卷积神经网络的焊接缺陷识别技术具备较
式中:ｔ 为灰度值ꎻＰ０ ( ｔ) 为背景区域比例ꎻ
Ｐ１(ｔ)为焊缝区域比例ꎻｕ０ ( ｔ) 为背景区域灰度均
值ꎻｕ１ (ｔ)为焊缝区域灰度均值ꎻｕ 为整图均值ꎮ
采用遍历法求出满足最大类间方差的阈值 ｔꎬ
将原始 ＲＴ 图像分为焊缝缺陷和背景两部分ꎬ部
分预处理后的焊缝缺陷图像如图 １ 所示ꎬ其中ꎬ图
随着计算机视觉和深度学习技术的兴起ꎬ基 于卷积神经网络的图像识别技术在各行各业中解 决了大量实际问题ꎮ 卷积神经网络 ( ＣＮＮ) 与传 统 ＢＰ 神经网络不同ꎬ其直接以图像为输入ꎬ无需 人工提取目标特征ꎬ将特征提取转化为一个自学 习过程ꎮ 并且网络中每个卷积层的输出都可以视 为网络自学习到的特征ꎬ基于这些特征ꎬ能够进行 更深层次的相似度比较[７] ꎮ 笔者将预处理后的 焊缝 ＲＴ 图像作为卷积神经网络的输入ꎬ利用卷 积神经网络良好的容错、并行以及泛化能力ꎬ对常 见焊缝缺陷进行特征提取与识别ꎮ
１ 焊缝缺陷 ＲＴ 图像预处理
１. １ 常见的焊接缺陷 焊接缺陷根据其在焊缝中的位置ꎬ可分为焊
接外部缺陷和焊接内部缺陷ꎮ 焊接外部缺陷是指 直观呈现于焊缝外表面ꎬ用肉眼或放大镜能直接 观测到的缺陷ꎬ常见的外部缺陷包括焊缝尺寸不 符合要求、咬边、焊瘤、表面气孔和裂纹等ꎮ 而焊
收稿日期:２０１８ － ０９ － １７. 作者简介:杨志超(１９９３ － ) ꎬ男ꎬ河南信阳人ꎬ武汉理工大学物流工程学院硕士研究生ꎬ主要研究方向为人工智能、计算机视觉.
１(ａ)为夹渣样图ꎬ图 １(ｂ)为气孔样图ꎬ图 １(ｃ) 为
裂纹样图ꎬ图 １(ｄ)为烧穿样图ꎮ
图 １ 预处理后的焊缝缺陷图像
２ 卷积神经网络识别焊接缺陷
２. １ 卷积神经网络结构 卷积神经网络主要包括数据输入层、卷积计
算层、激励层、池化层、全连接层和输出层ꎮ 其中ꎬ 卷积层、激励层与池化层三者可以叠加连接ꎬ对图 像进行更加细致的特征提取ꎬ网络的全连接层则 起到分类器的作用[９] ꎮ 由于作为网络输入的焊 缝缺陷 ＲＴ 图像经过了一定的预处理ꎬ对应缺陷 特征相对明显ꎬ并考虑到本研究所用的样本集数 量相对不足ꎬ因此笔者采用如图 ２ 所示的焊接缺 陷识别卷积神经网络结构ꎮ
且对比度不高ꎬ这对于后续卷积神经网络的特征提
取带来很大的影响ꎬ为了使焊缝缺陷区域更加明
显ꎬ采用最大类间方差法(ｏｔｓｕ) 对焊缝区域与背景
区域进行阈值分割ꎬ其计算公式如式(１) 所示ꎮ
ｔｈｒｅｓｈ ＝ ｍａｘ[Ｐ０(ｔ) × (ｕ０(ｔ) － ｕ)２ ＋
Ｐ１(ｔ) × (ｕ１(ｔ) － ｕ)２]
(１)
更好的灵活性与识别精 度ꎮ ＡＣＨＥＲＪＥＥ 等[５] 应 用 ＡＮＮ 网络建立非线性焊接模型ꎬ研究焊接参数 与焊后质量之间的相关性ꎬ并将预测结果与实际 测量做对比ꎮ 王婧[６] 改进了 ＲＢＦ 神经网络ꎬ以射 线检测焊缝胶片图像为输入ꎬ实现对直线型与 Ｔ 字型焊缝缺陷类型的识别ꎬ准确率达到 ９２％ ꎮ
第 ４１ 卷 第 １ 期 ２０１９ 年 ２ 月
武 汉理工大学学报(信息与管理工程版) ＪＯＵＲＮＡＬ ＯＦ ＷＵＴ(ＩＮＦＯＲＭＡＴＩＯＮ ＆ ＭＡＮＡＧＥＭＥＮＴ ＥＮＧＩＮＥＥＲＩＮＧ)
文章编号:２０９５ － ３８５２(２０１９)０１ － ００１７ － ０５
Ｖｏｌ. ４１ Ｎｏ. １ Ｆｅｂ. ２０１９
好的识别率与泛化能力ꎬ能够为焊接质量检测的研究提供重要参考ꎬ且具备一定的工程应用价值ꎮ
关键词:焊接ꎻ缺陷识别ꎻ卷积神经网络ꎻ特征提取ꎻ深度学习
中图分类号:ＴＧ４０９
ＤＯＩ:１０. ３９６３ / ｊ. ｉｓｓｎ. ２０９５ － ３８５２. ２０１９. ０１. ００４
焊接技术凭借其精确、可靠、低成本的优势ꎬ 在现代生产过程中发挥着至关重要的作用ꎮ 但由 于焊接过程是一个多因素耦合的复杂相变过程ꎬ 极易受到外部环境和人为因素的干扰ꎬ在焊缝成 型过程中会产生咬边、气孔、未熔合、裂纹、夹渣、 烧穿等难以预测的焊接缺陷ꎬ这些缺陷会严重降 低焊接构件的机械性能[１] ꎮ 为了及时发现焊缝 存在的缺陷ꎬ焊接缺陷无损检测技术成为了学者 研究的热点ꎬ而 Ｘ 射线无损检测技术以其无损、 精准、快捷等优点在实际焊接缺陷检测过程中得 到了广泛应用ꎮ
文献标志码:Ａ
基于卷积神经网络的焊接缺陷识别技术及应用
杨志超１ꎬ周 强１ꎬ胡 侃２ꎬ赵 云２
(１. 武汉理工大学 物流工程学院ꎬ湖北 武汉 ４３００６３ꎻ２. 武汉湾流科技股份有限公司ꎬ湖北 武汉 ４３０２２３)
摘 要:针对焊缝缺陷自动检测的需要ꎬ提出了基于卷积神经网络的焊接缺陷特征自动提取及分类算法ꎮ
１８
武汉理工大学学报( 信息与管理工程版)
２０１９ 年 ２ 月
接内部缺陷位于焊缝内部ꎬ包括内部气孔、裂纹、
夹渣、未焊透等ꎬ其用肉眼无法直接观测到ꎬ需借
助无损探伤等方法才能检测到[８] ꎮ 笔者主要以
夹渣、气孔、裂纹和烧穿 ４ 种常见焊缝缺陷的 ＲＴ
图像为研究对象ꎮ
Hale Waihona Puke １. ２ 图像预处理由于原始的焊缝 ＲＴ 图像存在一定的噪声ꎬ