趙紅雷

(洛陽欣隆工程檢測有限公司，河南 洛陽 471012)

0 引言

X射線探傷是一種有效的焊縫缺陷無損檢測方法，但由于缺陷特征復雜，現(xiàn)階段的檢測仍采用人工評定法，存在成本高、效率低、判斷結(jié)果不客觀等問題。目前常見的研究方法主要針對人工選定的缺陷特征 (如周長、面積、長寬比等) 進行提取和分析，然后借助分類模型進行識別[1-2]。這類方法操作復雜，成本較高，并且人工容易遺漏圖像的特征，降低分類的準確率，從而影響工程的安全性[3]。深度學習技術(shù)具有強大的特征提取能力，被廣泛應用于圖像處理、故障診斷、模式識別等領(lǐng)域[4-5]。劉涵等[7]將卷積神經(jīng)網(wǎng)絡(CNN)引入到石油鋼管焊縫的缺陷檢測中，并結(jié)合Softmax分類器取得了較好成效。陳本智等[8]提出基于X射線圖像的厚鋼管焊縫中氣孔缺陷的自動檢測技術(shù)。焦敬品等[9]從焊縫圖像中提取出15種可用于焊縫表面缺陷狀態(tài)表征的參數(shù),結(jié)合BP神經(jīng)網(wǎng)絡進行內(nèi)焊縫表面缺陷識別，但所得91%的整體識別準確率不足以應用于實際工業(yè)生產(chǎn),有待進一步提高。李樂等[10]提出了一種復雜背景下的焊點氣泡檢測方法，該方法利用閾值分割結(jié)合特征提取標準焊點，并進一步利用射線輪廓法完成被遮擋焊點輪廓提取即背景對象提取。但是以上研究所得結(jié)果的準確率并不高并且沒有將神經(jīng)網(wǎng)絡方法很好地應用于X射線圖像的分類。

近年來，基于一維卷積神經(jīng)網(wǎng)絡方法得到了很快的發(fā)展。由于一維卷積神經(jīng)網(wǎng)絡具有優(yōu)越的特征提取能力和快速的計算速度等特點，所以其被廣泛應用于各種分類任務。例如，李曉華等[11]將一維卷積網(wǎng)絡方法應用于心電圖輔助的診斷。郭晨等[12]提出了一種基于深度多尺度一維卷積神經(jīng)網(wǎng)絡方法，并且成功應用于雷達艦船目標識別。殷和義等[13]針對人工提取高分辨率距離像(HRRP)優(yōu)良特征比較困難的問題，研究了基于一維卷積神經(jīng)網(wǎng)絡的HRRP識別方法。由此可見，一維卷積神經(jīng)網(wǎng)絡在圖像分類方向具有很好的優(yōu)越性。為此，為了更準確地實現(xiàn)X射線圖像的分類，本文提出了一種基于一維卷積神經(jīng)網(wǎng)絡的焊縫缺陷X射線圖像的檢測方法。

1 一維卷積神經(jīng)網(wǎng)絡的模型

1.1 CNN網(wǎng)絡結(jié)構(gòu)

CNN一般包括卷積層、池化層和全連接層。其實質(zhì)是通過建立多個濾波器提取輸入數(shù)據(jù)的特征，并利用提取的特征實現(xiàn)圖像分類。

1.1.1卷積層

卷積層使用一個多卷積核對輸入圖像進行操作，得到一個特征圖。卷積結(jié)構(gòu)是一個復雜高維輸入特征提取的有效工具。卷積運算公式為：

(1)

其中，a是輸入圖像，i是第i個卷積核，b是偏置，g(i)是特征圖。

在完成卷積運算之后，通常使用線性整流函數(shù)(ReLU)激活函數(shù)來實現(xiàn)非線性轉(zhuǎn)換。表達式是：

y(i)=f(g(i))=max{0,g(i)}，i=1,2,...,q

(2)

1.1.2池化層

池化層通過池化操作對輸入特征向量進行數(shù)據(jù)降維，并繼續(xù)提取特征。池化層最大池化和平均池化如下：

(3)

(4)

其中，al(i,t)第i個特征圖的第t個神經(jīng)元。w是卷積核的寬度，j是卷積核。

1.1.3全連接層

全連接層在卷積神經(jīng)網(wǎng)絡中充當“分類器”的角色。通常，在全連接層之后是Softmax回歸層來完成分類。假設有一個k類的分類問題，則Softmax回歸的輸出可以計算如下：

1.2 提出的模型結(jié)構(gòu)

由于圖像信號是二維信號，因此需要將圖像首先轉(zhuǎn)換成一維信號，然后輸入到網(wǎng)絡。根據(jù)分類數(shù)據(jù)的復雜性，可以增加或減少CNN的層數(shù)組合。本文設計的優(yōu)化算法結(jié)構(gòu)見表1。經(jīng)過一系列的卷積、池化和全連接操作，最后得到分類結(jié)果，其結(jié)構(gòu)如圖1所示。

表1 提出的1-DCNN網(wǎng)絡結(jié)構(gòu)

圖1 1-DCNN的原理圖

2 焊縫缺陷X射線圖像分類實驗

2.1 數(shù)據(jù)集描述

本研究使用的長輸管道實際采集的焊縫缺陷X射線圖像數(shù)據(jù)集，由于該數(shù)據(jù)集是實際工業(yè)場景下采集的，具有很高的實用價值。缺陷圖像分為裂紋、條形缺陷、圓形缺陷、深孔、內(nèi)凹和無缺陷共6種類別，6種類別如圖2所示。實驗中選取圖像的大小為64×32，轉(zhuǎn)為一維信號長度為2 048個點。每種類別有100個樣本，共計600個樣本，樣本提前通過人工打好標簽，其中訓練樣本集占70%，測試樣本集占30%。

圖2 6種焊縫缺陷X射線圖像類別

2.2 實驗結(jié)果

提出方法的過程為：第一步，將焊縫缺陷的X射線圖像輸入神經(jīng)網(wǎng)絡，經(jīng)過1-DCNN網(wǎng)絡中進行卷積運算，提取圖像特征；然后，使用softmax分類器輸出分類結(jié)果。第二步，將分類結(jié)果與圖像標簽進行交叉熵運算，計算損失。第三步，將交叉熵損失反向傳播，進行梯度優(yōu)化，得到最優(yōu)的網(wǎng)絡參數(shù)。本實驗共進行10次訓練，并對訓練樣本和測試樣本進行了診斷準確性分析。訓練的平均準確率為100%，測試的平均準確率為95.98%，標準差為0.032%。模型的平均訓練時間為256.3 s，測試時間為2.2 s。圖3顯示了單次訓練的損失值的變化，圖4顯示了訓練過程中測試集準確性的變化。

圖3 損失值的變化圖

為了能更好地說明本文提出方法的優(yōu)越性。本文設計了兩種常用的分類算法進行焊縫缺陷X射線圖像分類。對比方法分別為SVM和BP神經(jīng)網(wǎng)絡模型[14-15]。其對比方法與本文提出的方法數(shù)據(jù)集和參數(shù)保持一致。實驗結(jié)果如圖4所示，可以得出本文提出的1-DCNN模型在分類準確率和訓練時間方法都要優(yōu)于SVM和BP神經(jīng)網(wǎng)絡方法。因此，進一步說明了本文提出的方法可以很好地實現(xiàn)焊縫缺陷X射線圖像的分類。

圖4 測試準確率的變化

表2 診斷結(jié)果比較

3 結(jié)論

為了更好地實現(xiàn)焊縫缺陷X射線圖像的分類，本文設計了1-DCNN神經(jīng)網(wǎng)絡，并通過實驗得出以下結(jié)論：①1-DCNN可以有效地訓練輸入的焊縫缺陷X射線圖像，得到準確的分類結(jié)果。網(wǎng)絡性能穩(wěn)定可靠，具有良好的魯棒性。②通過不斷優(yōu)化網(wǎng)絡參數(shù)，分類準確率達到95.98%，準確率高于常用的BP和SVM。③模型訓練和測試時間短，可以擴展到實際應用。