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

说明书

一种基于Cascade Mask R‑CNN模型的焊缝缺陷检测方法，首先获取包含圆缺、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，并划分为训练集、验证集和测试集；再利用经图像预处理后的训练集对基于Cascade Mask R‑CNN模型搭建并优化的焊缝缺陷检测模型进行训练，采用验证集获取最优权重文件后对测试集进行测试以此评估所述焊缝缺陷检测模型的性能。本发明改善了基于单一阈值的目标检测模型精度较低问题以及直接提高阈值而产生的过拟合问题，提升了焊缝缺陷的检测精度。

技术领域

本发明涉及目标检测领域，尤其涉及一种基于Cascade Mask R-CNN模型的焊缝缺陷检测方法。

背景技术

焊接是工业化生产与制造过程中非常重要的技术之一，为了保证焊接质量则需要对焊缝进行无损检测，其中射线检测是常用的无损检测技术之一。目前射线检测的缺陷定性和定位主要依赖人工评定，即人工评片。人工评片受评片人员的专业水平和自身状况等主观因素影响较大且效率低，无法满足现代工业的自动化、智慧化检测需求。

近年来深度学习的发展不仅突破了很多难以解决的视觉难题，提升了对于图像认知的水平，更是加速了目标检测领域相关技术的进步，将深度学习中的图像特征自动学习方法应用于工业产品焊缝缺陷检测中成为了主流的研究方向。基于深度学习的目标检测模型主要分为one-stage和two-stage两类，one-stage目标检测模型使用卷积神经网络直接预测目标的类别和位置，实现分类和回归一步到位，该类模型的特点是速度快，但是精度较低；two-stage目标检测模型则是先生成可能包含目标的建议候选框，再通过预测网络进行分类和回归，该类模型的特点是速度慢，精度较高。除此之外，常见的目标检测模型在计算建议候选框与真实标注框的交并比(IoU)时，通过对比交并比(IoU)与设定的单一阈值将建议候选框分为正负样本，通常正样本会远大于负样本，在测试阶段会对正负样本进行采样使两者比例满足某个比值，但在测试阶段由于无真实标注框的对比，导致建议候选框的质量偏低，检测精度较低；因此需要一种采用级联结构的模型来突破单一阈值下焊缝缺陷检测精度的瓶颈，使得模型在每一次回归后样本都更能靠近焊缝缺陷的真实位置，适应不同建议候选框的分布。

发明内容

本发明的目的在于提供一种基于Cascade Mask R-CNN模型的焊缝缺陷检测方法，从而解决现有技术中存在的前述问题。

为了实现上述目的，本发明采用的技术方案如下：

一种基于Cascade Mask R-CNN模型的焊缝缺陷检测方法，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ROI Align统一缩放到指定大小；