[發(fā)明專利]一種基于改進(jìn)型YOLOX的焊縫缺陷檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202111240117.3
• 申請(qǐng)日: 2021-10-25
• 公開(kāi)（公告）號(hào): CN114240821A
• 公開(kāi)（公告）日: 2022-03-25
• 發(fā)明（設(shè)計(jì)）人: 陳云霞;程松;楊洪剛;徐瀟;徐學(xué)謙
• 申請(qǐng)（專利權(quán)）人: 上海電機(jī)學(xué)院
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06V10/40;G06V10/764;G06V10/82;G06V10/774;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 北京律遠(yuǎn)專利代理事務(wù)所(普通合伙) 11574
• 代理人: 樊喜鋒

1.一種基于改進(jìn)型YOLOX的焊縫缺陷檢測(cè)方法，其特征在于：包括以下步驟：

S1：對(duì)采集到的X射線焊縫內(nèi)部缺陷圖，通過(guò)數(shù)據(jù)增強(qiáng)對(duì)焊縫內(nèi)部缺陷數(shù)據(jù)集進(jìn)行擴(kuò)充，并對(duì)缺陷進(jìn)行標(biāo)注，將擴(kuò)充后的數(shù)據(jù)集為訓(xùn)練集與驗(yàn)證集；

S2：構(gòu)建對(duì)焊縫內(nèi)部缺陷進(jìn)行檢測(cè)與識(shí)別的目標(biāo)檢測(cè)模型，包括主干特征提取模塊、加強(qiáng)特征提取模塊及輸出預(yù)測(cè)模塊；

S3：將擴(kuò)充后的數(shù)據(jù)集輸入到目標(biāo)檢測(cè)模型中進(jìn)行特征提取與預(yù)測(cè)；

S4：調(diào)整好模型訓(xùn)練過(guò)程中的參數(shù)及方法，通過(guò)步驟S3中的方法及步驟S1得到的數(shù)據(jù)集對(duì)目標(biāo)檢測(cè)模型進(jìn)行訓(xùn)練，達(dá)到所設(shè)定的epoch即停止訓(xùn)練。

2.根據(jù)權(quán)利要求1所述的基于改進(jìn)型YOLOX的焊縫缺陷檢測(cè)方法，其特征在于：步驟S1中的X射線焊縫內(nèi)部缺陷圖包括氣孔、夾渣及未焊透三種缺陷,將三種缺陷通過(guò)旋轉(zhuǎn)、裁剪及對(duì)比度增強(qiáng)等方法進(jìn)行數(shù)量的擴(kuò)充。通過(guò)標(biāo)注工具對(duì)圖中所有缺陷位置及類別進(jìn)行標(biāo)注。

3.根據(jù)權(quán)利要求1所述的基于改進(jìn)型YOLOX的焊縫缺陷檢測(cè)方法，其特征在于：步驟S2中：

主干特征提取模塊依次包括Focus模塊、第一個(gè)深度可分離卷積、第一個(gè)注意力機(jī)制、第一個(gè)CSP1模塊、第二個(gè)深度可分離卷積、第二個(gè)注意力機(jī)制、第二個(gè)CSP1模塊、第三個(gè)深度可分離卷積、第三個(gè)CSP1模塊、第四個(gè)深度可分離卷積、SPP模塊、第四個(gè)CSP1模塊、第一個(gè)CBA模塊；其中Focus模塊用于實(shí)現(xiàn)對(duì)輸入圖像進(jìn)行切片操作，實(shí)現(xiàn)沒(méi)有信息丟失的下采樣；深度可分離卷積用于改變卷積方式減少卷積的執(zhí)行次數(shù)；注意力機(jī)制是一種資源分配機(jī)制，用于給相應(yīng)的通道分配權(quán)重使得模型更加注重有用信息；CSP1模塊通過(guò)兩個(gè)支路相連，其中一條支路是對(duì)輸入特征層進(jìn)行卷積標(biāo)準(zhǔn)化與激活函數(shù)的操作，另一條支路通過(guò)激活函數(shù)處理后在經(jīng)過(guò)n個(gè)Bottle模塊進(jìn)行處理，最后兩個(gè)支路相連；SPP模塊用于通過(guò)不同池化核大小對(duì)輸入的特征層進(jìn)行最大池化后與包含輸入的特征層短接邊堆疊作為該模塊的輸出；

加強(qiáng)特征提取模塊通過(guò)CSP2模塊與上采樣組成的結(jié)構(gòu)對(duì)模型上下文提取到的特征信息進(jìn)行整合；其中CSP2模塊包括兩個(gè)支路，一個(gè)支路對(duì)輸入進(jìn)來(lái)的特征層進(jìn)行激活函數(shù)處理，另一條支路對(duì)輸入的特征層進(jìn)行兩個(gè)激活函數(shù)與深度可分離卷積的處理，最后將兩個(gè)支路相連；

輸出預(yù)測(cè)模塊主要對(duì)加強(qiáng)特征提取網(wǎng)絡(luò)提取到的特征層進(jìn)行一系列的激活函數(shù)與向量卷積運(yùn)算的分支解耦操作，通過(guò)Sigmoid函數(shù)對(duì)目標(biāo)的類別預(yù)測(cè)的cls與目標(biāo)框是前景還是背景的obj進(jìn)行判斷，并對(duì)預(yù)測(cè)框進(jìn)行訓(xùn)練調(diào)整獲得最后的預(yù)測(cè)框。