[发明专利]一种基于Cascade Mask R-CNN模型的焊缝缺陷检测方法

权利要求书

1.一种基于Cascade Mask R-CNN模型的焊缝缺陷检测方法，其特征在于，包括以下步骤：

S1、获取含有圆缺、条缺、裂纹、未焊透和未熔合五种缺陷的焊缝射线检测数字图像及其对应的标注文件；将所述焊缝射线检测数字图像和对应的所述标注文件划分为训练集、验证集和测试集；

S2、对焊缝射线检测数字图像进行图像预处理，得到增强且统一的图像；

S3、基于Cascade Mask R-CNN模型搭建并优化焊缝缺陷检测模型，所述焊缝缺陷检测模型包括特征提取的卷积神经网络和分类与回归的预测网络；

S4、利用所述训练集对所述焊缝缺陷检测模型进行训练，并采用所述验证集对每轮训练得到的权重文件进行验证，获取在验证集上表现最优的权重文件；包括如下步骤：

S41、通过所述卷积神经网络对所述焊缝射线检测数字图像进行特征提取形成特征图；

S42、利用多尺度检测算法FPN改进RPN为所述特征图生成建议候选框；

S43、将所述建议候选框映射到所述特征图中得到所对应的特征矩阵，将所述特征矩阵通过ROIAlign统一缩放到指定大小；

S44、将所述建议候选框通过由目标分类器和边界框回归器组成的三级级联检测器得到三个设定阈值下对应的缺陷类别和边界框回归参数；最后通过非极大值抑制以及滤除低概率目标得到最终的检测结果；

S45、设置所述焊缝缺陷检测模型的训练参数，采用所述训练集通过所述步骤S41-S44对所述焊缝缺陷检测模型进行训练，并采用所述验证集对每一轮训练得到的权重文件进行验证，获取在所述验证集上表现最优的权重文件；

S5、利用所述测试集对应用步骤S45得出的在验证集上表现最优的所述权重文件进行测试，以此评估该焊缝缺陷检测模型的性能。

2.根据权利要求1所述的基于Cascade Mask R-CNN模型的焊缝缺陷检测方法，其特征在于，步骤S2中进行图像预处理的方法包括图像增强与图像去噪，所述图像增强采用AHE算法对所述焊缝射线检测数字图像进行图像增强，对所述焊缝射线检测数字图像进行细节锐化，凸显缺陷特征，所述图像增强的计算公式如下：

上式中：y_i,j表示变换前的中心像素，Y_i,j表示变换后的中心像素，m_i,j表示以y_i,j为中心点的局部区域的灰度均值，T表示对该点的累积分布变换函数，k表示自适应函数，由局部区域的像素征计算得出；

所述图像去噪采用DMB算法对焊缝射线检测数字图像进行图像去噪，降低图像噪声，对缺陷特征保留并增强。

3.根据权利要求1所述的基于Cascade Mask R-CNN模型的焊缝缺陷检测方法，其特征在于，步骤S41中的所述卷积神经网络为ResNeXt-101,所述卷积神经网络包括卷积层、池化层和激活层，卷积层从输入的所述图像中提取特征，生成特征图；池化层用于去除冗余信息，减少参数量，扩大接受域；激活层增加输出的非线性，利用激活函数对输出层的结果进行卷积，得到非线性映射。

4.根据权利要求1所述的基于Cascade Mask R-CNN模型的焊缝缺陷检测方法，其特征在于，步骤S42中利用FPN改进RPN为特征图生成建议候选框，包括以下步骤：

S421：在所述卷积神经网络的前向过程中前馈ResNeXt-101的一部分，记ResNeXt-101每级最后一个残差块的输出为{C1,C2,C3,C4,C5}，首先是自底向上的过程，每一级往上采用设定步长的降采样，将不改变特征图大小的层归为一个stage以此构成特征金字塔；

S422：自顶向下采用上采样的方式将顶层的小特征图放大到与上一个stage的特征图一样的大小；

S423：所述横向连接将上采样结果和自底向上生成的相同大小的特征图进行融合，通过3×3的卷积核对每个融合结果进行卷积得到最终的特征层为P＝{P2,P3,P4,P5}。