[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

摘要

本发明公开了一种基于深度学习技术的焊缝超声TOFD‑D扫描缺陷类型的自动识别方法。首先，通过超声TOFD‑D扫描技术采集焊缝典型缺陷的D扫描图像数据；其次，在MATLAB编程环境中搭建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；最后，对Faster R‑CNN深度学习网络进行分阶段训练。网络测试结果显示Faster R‑CNN网络具备高效识别焊缝D扫描图像中缺陷类型的能力。本发明所公开的方法，充分利用了FasterR‑CNN识别网络对图像识别的优势，将其应用在焊缝超声TOFD‑D扫描图像检测中，避免了检测人员主观因素的影响，有效的提高了对TOFD‑D扫描图像中缺陷类型的识别能力及效率，具有检测准确率高、鲁棒性好、抗干扰性强的优点，可应用于智能化无损检测技术中。

主权项

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，所述方法包括模型训练过程和识别过程，如下：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：设置缺陷的置信度阈值，高于阈值的缺陷置信度确定为该类缺陷；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。