[发明专利]基于多域表达数据增强及模型自优化的不锈钢焊缝缺陷检测方法

说明书

本发明公开了一种基于多域表达数据增强及模型自优化的不锈钢焊缝缺陷高效检测方法。本发明方法将一维回波时域信号衍生至时频域、格拉姆角场域和马尔可夫转移场域等空间域；将各空间域构建的数据集依次输入MobileNetV3神经网络，选择特征表达最丰富的空间域作为最终训练数据集；构建多尺度深度可分离卷积对MobileNetV3进行改进，以增强网络的识别性能；同时，提出粒子群‑混沌麻雀搜索算法用于网络结构及参数的自动寻优；采用“CPU+FPGA”异构协同计算加快缺陷的推理识别应用速度。以未熔合、气孔、夹渣、未焊透、裂纹五类焊缝缺陷为对象，对五类焊缝缺陷的识别准确率可达98.75%，具有实际工程应用价值。

技术领域

本发明涉及焊缝缺陷类型识别技术领域，具体为一种基于多域表达数据增强及模型自优化的不锈钢焊缝缺高效陷检测方法。

背景技术

焊接工艺广泛应用于航天、机械、能源动力等重要领域，对焊缝缺陷进行检测是保证安全生产的重要环节。目前，工业生产中仍大量应用人工检测方法对焊缝缺陷进行检测识别，需要专业检测人员分析缺陷的严重程度并对缺陷类型定性。随着人工智能的发展，计算机视觉和机器学习已经成功于不锈钢焊缝检测领域。

Silva Lucas C等人提出了一个利用超声TOFD信息识别焊缝未熔合、未焊透、夹渣、气孔和无缺陷五种类型的决策支持系统，该决策支持系统以极限学习机为基础，采用TOFD信号分段的频谱作为训练特征，识别准确率最高可达97％。Muravyov,S.V.等人提出了一种自动缺陷识别算法，用于通过摄影图像对焊接缺陷进行检测和分类。该算法在分割后的图像中选择缺陷域，提取图像的几何特征，并将缺陷分为无缺陷、空腔、纵向裂纹、横向裂纹、烧穿和多缺陷六类，识别准确率可达85％。Xiong Zhang等人采用多通道融合模型对太阳能电池板表面破细胞壁、裂纹和拆焊区缺陷达到了平均98.3％的识别率。尹立航等人提出一种多尺度采样分析的焊缝缺陷识别方法，实现了对包含裂纹、夹杂、气泡、未焊透、夹钨、未熔合六类缺陷及正常X射线图像的识别，最高识别率达91.71％。胡宏伟等人使用LBP-KPCA算法对焊缝缺陷回波数据进行特征提取，在夹渣、气孔和未焊透3类焊缝缺陷上达到了96.7％的分类精度。Xiaokai Wang等人从时域和频域特征出发，在最终提取了9个特征值的情况下，对良好点焊接头、合格点焊接头和不合格点焊接头使用PSO-SVM算法达到了95％的识别率。Zhifen Zhang等人提出了一种基于随机森林和电弧光谱的机器人电弧焊铝合金在线缺陷检测方法，选择了六个光谱特征并根据构造模式进行了分析，最终实现了对不完全渗透，烧穿和孔隙三类缺陷97.75％的平均准确率。

近年来，凭借着在图像分类任务中的优势，深度学习开始广泛应用于各个领域。相比传统机器学习方法，深度学习的方法不需要人工设计特征提取器，可以通过神经网络的训练实现图像特征的自动提取，为不锈钢焊缝缺陷检测提供了新思路。