[发明专利]一种基于深度学习的焊缝超声TOFD‑D扫描缺陷类型的自动识别方法

权利要求书

1.基于深度学习的焊缝超声TOFD-D扫描缺陷类型的自动识别方法，所述方法包括模型训练过程和识别过程，如下：

深度学习网络的训练过程S1为：采集焊缝TOFD-D扫描图像数样本并进行样本扩充；在MATLAB编程环境中配置Faster R-CNN深度学习网络；通过ImageNet数据集对识别网络进行预训练；采用D扫描图像样本对RPN网络和FRCN网络分别训练；共享VGG16网络对RPN网络和FRCN网络进行整体训练直至网络收敛，得到Faster R-CNN识别网络最终模型；

缺陷识别过程S2为：设置缺陷的置信度阈值，高于阈值的缺陷置信度确定为该类缺陷；将TOFD-D扫描图像输入训练完成的Faster R-CNN网络进行测试，得到测试结果。

2.根据权利要求1所述基于深度学习的焊缝超声TOFD-D扫描缺陷类型的自动识别方法，其特征在于，训练过程S1的步骤如下：

S11、通过超声TOFD-D扫描技术采集焊缝典型缺陷的TOFD-D扫描图像数据，并通过试验方法扩充图像样本，图像样本分为训练集、验证集、测试集；

S12、在MATLAB编程环境中搭建由特征图提取卷积神经网络VGG16、区域提议网络RPN以及FRCN网络构成FasterR-CNN深度学习网络框架；

S13、利用ImageNet数据集对S12中得到的FasterR-CNN网络框架中VGG16网络进行预训练，初始化VGG16网络中各层卷积神经网络层的权值，得到一个具有提取图像特征图能力的VGG16特征提取网络；

S14、将S11中所得的TOFD-D扫扫查图像样本输入VGG16特征提取网络，对RPN网络和FRCN网络进行分别训练并调整学习速率，得到一个具有初步目标预测能力的RPN网络和初步分类能力的FRCN网络；

S15、将VGG16特征提取网络的输出同时接入S14中分别训练得到的RPN网络和FRCN网络进行联合训练且采用与步骤S14相同的方法调整学习速率，利用FRCN网络初始化RPN网络并共享VGG16深度卷积层，对RPN网络权值进行联合调优，得出FasterR-CNN识别网络最终模型。

3.根据权利要求1所述基于深度学习的焊缝超声TOFD-D扫描缺陷类型的自动识别方法，其特征在于，测试过程S2的步骤如下：

S21、设定置信度阈值，输出的置信度大于该阈值表示可识别该缺陷；否则无法识别缺陷；

S22、将S11中所得的图像样本中的测试集输入S15中训练完成的FasterR-CNN识别网络最终模型进行测试，获得缺陷类型的自动识别效果。

4.根据权利要求2所述焊缝典型缺陷类型，其特征在于，S11中焊缝典型缺陷类型为：未焊透、未熔合、夹渣、裂纹、气孔。

5.根据权利要求2所述图像样本扩充方法，其特征在于，S11中图像样本扩充通过改变探头频率、楔块角度、PCS、深度范围、扫描方向获得同一焊缝缺陷的具有一定缩放和变形特征的D扫描图像。

6.根据权利要求2所述分别训练方法，其特征在于，S14中分别训练应先对RPN网络进行训练，再对FRCN网络进行训练；训练时，应对各网络的权值和总体网络的学习速率进行调整。

7.根据权利要求6所述RPN网络训练方法，其特征在于，RPN网络训练时应将目标提议框配置为宽高比1:1或1:2的像素框、宽度范围设置128和256两种像素尺寸，即RPN目标区域建议框的像素尺寸为：128×128、256×256、128×256、256×512共四种。

8.根据权利6所述网络权值和学习速率调整方法，其特征在于，各层网络权值初始化时，应直接将VGG16网络中的参数值拷贝至RPN网络、FRCN网络与VGG16网络共有的卷积层参数，剩余的卷积层参数通过标准差等于0.01的高斯分布进行设置；学习速率调整方法为，当整个网络对验证集拟合程度较差时调大学习速率，而拟合较好时则调小学习速率，直到网络在验证集上的误差达到一定阈值时即停止训练。

9.根据权利要求3所述置信度阈值设置方法，其特征在于，S21中置信度阈值设置为0.6，即：置信度高于0.6时设为确认缺陷，低于0.6时设为不确定是否存在缺陷。

10.根据权利要求3所述缺陷类型判别方法，其特征在于，S22中缺陷类型判别通过设置目标提议框为不同颜色进行区分，其中：夹渣—黄色、气孔—绿色、未焊透—白色、未熔合—灰色、裂纹—红色。