[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

说明书

技术领域

本发明涉及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，属于超声波无损检测及图像自动识别领域。

背景技术

超声衍射时差法（Time of flight Diffraction，TOFD）是应用最广泛的焊缝成像检测方法之一。基于TOFD-D扫描图像的缺陷类型识别受检测员经验、专业知识、检测环境的影响，存在检测效率、检测结果争议大、缺乏可靠性等问题。因此，采用图像自动识别方法对D扫描图像进行缺陷类型识别具有重要意义。

通常采用人工提取的图像特征结合传统机器学习方法实现图像的自动识别，人工特征提取时常常面临特征选择及优化难、理论分析困难、需要经验和技巧等问题。Faster R-CNN识别网络具有自动提取特征、泛化能力强以及准实时性的特点，识别结果对于图像中目标的平移、比例缩放、倾斜或者其它形式的变形具有高度的不变性，可用于易受检测条件影响、结构复杂的超声TOFD-D扫描缺陷图像的自动识别。

本发明设计了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。通过样本扩展、网络配置及训练优化提高了网络的识别效率，实现了对焊缝超声TOFD-D扫描图像中典型缺陷类型的自动识别。

缩略语和关键术语定义

TOFD：Time Of Flight Diffraction 超声波衍射时差法。

PCS：ProbesCenterSpacing探头间距。

CNN：Convolutional Neural Networks卷积神经网络。

RCNN：RegionBased Convolutional Neural Networks 区域卷积神经网络。

FRCN：Fast Region based Convolutional Neural Networks 快速区域神经网络。

Faster R-CNN：FasterRegion-based Convolutional Neural Network 高速区域神经网络。

RPN：RegionProposalNetworks区域提议网络。

NMS：Non-maximum Suppression 非极大值抑制算法。

发明内容

发明目的：本发明针对超声衍射时差法（TOFD）D扫描图像中缺陷类型的人工识别可靠性低、争议大且效率低的问题，提供了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，以提高焊缝超声TOFD-D扫描图像中缺陷类型的识别能力和效率。

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：设置缺陷类型的置信度阈值，高于该置信度阈值的判定缺陷；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。

训练过程S1的包含以下子步骤：

步骤S11、通过超声TOFD-D扫描检测试验采集焊缝典型缺陷（未焊透、未熔合、夹渣、裂纹、气孔）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。将经过扩充的图像分为训练集、验证集、测试集。

步骤S12、在MATLAB编程环境中配置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。

步骤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，得到一个具有提取特征图能力的VGG16特征提取网络；

步骤S14、将S11中所得的TOFD-D扫扫查图像样本送入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。