[发明专利]基于Mask R-CNN模型的一种射线缺陷检测方法

权利要求书

1.一种用于焊缝缺陷检测的方法，其特征在于，包括以下步骤：

A1、获取多个不同焊缝的X射线图像；

A2、对每张图像使用标注软件进行数据标注；

A3、基于TensorFLow框架搭建Mark R-CNN模型；

A4、将标记后的图像作为训练集对Mask R-CNN模型进行不少于30批次的训练，得到训练好的Mask R-CNN模型；

A5、将一张新的焊缝X射线图片作为输入，输入到训练好的Mask R-CNN模型，获得焊缝缺陷检测的结果。

2.权利要求1所述的用于检测焊缝缺陷的方法，其特征在于，步骤A1中，所获X射线图像，单张图像长宽均在100像素以上。

3.权利要求1所述的用于检测焊缝缺陷的方法，其特征在于，步骤A2中，通过标注软件所进行的数据标注，标注方式为沿着缺陷边界进行标注，单个缺陷不少于10个标注点，对每一类缺陷标记出不少于25个缺陷。

4.权利要求1所述的用于检测焊缝缺陷的方法，其特征在于，步骤A3中，训练集的样本数量不少于50张权利要求3所述的图片。

5.权利要求1所述的用于检测焊缝缺陷的方法，其特征在于，步骤A4中，Mask R-CNN模型训练过程具体如下：

B1、基于大型数据集COCO预训练得到的权重，作为Mark R-CNN模型的初始网络权重；

B2、将训练集输入主干网络中获得对应特征图；

B3、将特征图中的每一个像素点按不同长宽比例生成多个矩形候选区域，每个区域即为可能存在缺陷的区域；

B4、将候选区域输入区域生成网络进行二值分类和边框回归，选取出较大可能存在缺陷的候选区域；

B5、对边框回归进行ROIAlign操作，使边框回归和特征图相对应；

B6、将对应后获得的特征图通过头部的三个不同的卷积网络，分别获得缺陷的边框，缺陷类别，掩码部分；

B7、将得到的结果与真实结果做对比，计算损失函数，利用梯度下降法更新B1中的网络权重；

B8、重复B2～B7步骤不少于30次，即不断的基于第n-1次的模型权重调整第n次模型的权重，以使模型达到更好效果；

B9、保存Mark R-CNN模型中最后一次训练后得到的所有网络权重。

6.根据权利要求1所述的检测结果，其特征在于，输出的带有缺陷标记的缺陷图中，单个已识别出的缺陷结果包含：缺陷类型，缺陷类型的置信度，缺陷矩形边界，缺陷位置。

7.权利要求5所述的所述的Mask R-CNN模型的训练损失函数为：

L_total＝L_(RPN_class)+L_(RPN_bbox)+L_cls+L_box+L_mask

式中，L_total表示训练损失函数，L_(RPN_class)表示RPN网络中的分类损失值，L_(RPN_bbox)表示RPN网络中的边框回归损失值，L_cls表示边框的分类损失值，L_box表示边框的回归损失值，L_mask表示Mask部分的损失值。