[發明專利]一種基于改進型YOLOX的焊縫缺陷檢測方法

在審

• 申請號: 202111240117.3
• 申請日: 2021-10-25
• 公開（公告）號: CN114240821A
• 公開（公告）日: 2022-03-25
• 發明（設計）人: 陳云霞;程松;楊洪剛;徐瀟;徐學謙
• 申請（專利權）人: 上海電機學院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/40;G06V10/764;G06V10/82;G06V10/774;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 北京律遠專利代理事務所(普通合伙) 11574
• 代理人: 樊喜鋒

一種基于改進型YOLOX的焊縫缺陷檢測方法，屬于圖像識別技術領域。本方法采用目前使用廣泛的基于深度學習的算法實現焊縫X射線內部缺陷的檢測與識別。本發明基于YOLOX?s算法，在其主干特征提取網絡Backbone中加入注意力機制，使模型更加注重邊緣信息。其次將網絡中的部分卷積改為深度可分離卷積進行參數量的縮減。最后使用余弦退火的方法對模型訓練過程中的學習率進行調整，使其達到更優。本發明的方法可以更為快速且準確的對焊縫內部缺陷進行檢測與識別。

技術領域

本發明涉及圖像識別技術領域，特別是一種基于改進型YOLOX的焊縫缺陷檢測方法。

背景技術

工業生產中常采用射線技術對焊縫內部缺陷進行檢測，再將圖片輸入到電腦中進行人工評片，但人工檢查結果受檢測人員的水平限制易出現漏檢與錯檢、檢測工作量大且檢測效率低等問題。而傳統的內部缺陷檢測算法結構是通過圖像預處理得到便于檢測的圖像，隨后借助統計機器學習方法來提取圖像特征，進而實現缺陷檢測的目標。但圖像預處理步驟繁多且具有強烈的針對性，魯棒性差。

因此，隨著計算機和數字圖像處理技術的快速發展，需要一種對焊縫X射線探傷缺陷的自動檢測與識別的有效方法。深度學習在特征提取和定位上取得了非常好的效果，越來越多的學者和工程人員開始將深度學習算法引入到缺陷檢測領域中。因此基于深度學習的目標檢測算法尤為的重要，該目標檢測的算法從思路上來看，可以分為兩大類，一類是two stage的方法，也就是把整個分為兩部分，生成候選框和識別框內物體。主要是RCNN系列的網絡，常用的包括RCNN，Faster RCNN與Mask RCNN。但是RCNN是多階段的訓練過程，非常耗費運算和存儲資源，而Faster RCNN通過區域生成網絡RPNs，準確度提升，但速度方面依舊不是令人滿意。另一類是one stage的方法，把整個流程統一在一起，直接給出檢測結果，包括SSD，YOLOv3及YOLOv4等。因其檢測速度快，精確率高，從而被廣泛用于實時的工業檢測。但在小目標缺陷檢測時容易丟失邊緣信息，導致整體預測效果較差。

發明內容

針對上述問題，根據鋁合金焊縫內部缺陷的特性，本發明提出了一種基于深度學習網絡的鋁合金X射線焊縫內部缺陷檢測與識別的方法。

本發明提供的技術方案如下：

一種基于改進型YOLOX的焊縫缺陷檢測方法，其特征在于：包括以下步驟：

S1：對采集到的X射線焊縫內部缺陷圖，通過數據增強對焊縫內部缺陷數據集進行擴充，并對缺陷進行標注，將擴充后的數據集為訓練集與驗證集；

S2：構建對焊縫內部缺陷進行檢測與識別的目標檢測模型，包括主干特征提取模塊、加強特征提取模塊及輸出預測模塊；

S3：將擴充后的數據集輸入到目標檢測模型中進行特征提取與預測；

S4：調整好模型訓練過程中的參數及方法，通過步驟S3中的方法及步驟S1得到的數據集對目標檢測模型進行訓練，達到所設定的epoch即停止訓練；

將訓練后的權重放入模型中，對整個數據集進行測試，對模型整體檢測性能進行評估。

進一步的，步驟S2中：