[发明专利]一种基于深度卷积神经网络模型的船舶焊缝缺陷检测方法

说明书

本发明公开了一种基于深度卷积神经网络模型的船舶焊缝缺陷检测方法。首先采用基于距离最值的M‑SMOTE算法进行焊缝样本不平衡数据集处理，实现少数类新样本的精细化生成；然后构建包括13层的面向船舶焊缝缺陷检测的深度卷积神经网络模型，输入层的输入取对船舶X射线焊缝图像集的特征数据进行改进近邻传播聚类的结果，深度卷积神经网络中间各层的输入数据采用自适应PCA降维；接着对深度卷积神经网络模型进行训练；最后利用训练好的深度卷积神经网络模型进行焊缝缺陷检测。本发明的船舶焊缝缺陷检测方法有效解决了焊缝数据不平衡、缺陷特征选择以及数据高维等技术难点，实现了船舶焊缝缺陷的高效和有效检测。

技术领域

本发明属于模式识别技术领域，涉及基于X射线焊缝图像集的船舶焊缝缺陷检测技术，尤其涉及一种基于深度卷积神经网络模型的船舶焊缝缺陷检测方法。

背景技术

焊接是船舶建造的主要工艺，但由于焊接过程是一个多因素耦合的复杂相变过程，极易受到外部环境和人为因素的干扰，在焊缝成型过程中通常会产生夹渣、裂纹、气孔、未焊透等难以预测的焊接缺陷，这些缺陷会严重降低焊接构件的机械性能，从而对船舶关键零部件的安全性能往往造成很大的不利影响。为了及时发现焊缝存在的缺陷，焊接缺陷无损检测成为了主要技术手段，而X射线无损检测技术以其无损、精准、快捷等优点在实际焊接缺陷检测过程中得到了广泛应用。

随着计算机视觉的发展，基于X射线焊缝图像集的焊缝缺陷检测技术得到了快速发展和应用。现有的焊缝缺陷检测大致分为两类：基于数字图像处理以及基于机器学习的缺陷检测。前者包括：基于Canny算子的边缘提取、基于局部特征提取、基于OSTU的边缘检测等，这些方法普遍存在易受噪音、相似背景颜色及多种缺陷混杂的影响；后者包括：人工神经网络、支持向量机等，然而其学习性能十分依赖于样本库对缺陷的代表能力，以及学习模型的准确程度。

得益于大数据的发展和强大计算能力的提升，深度学习因具有特征自动学习优点，并能通过将学习融入到模型建立过程中来减少人为设计特征可能，已成为当前焊缝缺陷识别领域的热点机器学习方法，尤其在船舶焊缝缺陷检测中也开始尝试使用，但该方法十分依赖数据集，在应用中仍然存在以下技术难点：

(1)在船舶实际焊接过程中，每一种缺陷(如夹渣、裂纹、气孔、未焊透)产生的概率不是等同的，因此利用X射线探测所获得图片通常可能出现严重的不平衡类问题，不平衡缺陷数据会影响模型学习，进而降低模型泛化能力且容易发生欠拟合；

(2)现有船舶焊接缺陷的特征提取主要是基于焊缝的几何和强度特性进行，但不同类型焊接缺陷的灰度值分布往往不同于其背景，在特征提取时忽略了背景对比反差的影响，这对深度学习网络模型的训练影响非常大，而且直接影响到识别准确率；

(3)由于深度卷积神经网络模型具有大量可训练变量的体系结构，模型在识别准确率上往往表现卓越，但因为结构较为复杂，模型需要大量存储空间，且运算速度慢，常见方法是主成分降维法，但传统的PCA算法需要对降维对象有一定的先验知识，也无法通过参数化等方法对降维过程进行干预，可能得不到预期效果，效率也不高。

因此，基于深度学习的船舶焊缝缺陷检测需要突破数据不平衡、缺陷特征选择以及数据高维等技术难点，才能实现船舶焊缝缺陷的高效和有效检测。

发明内容

本发明的目的在于针对基于X射线焊缝图像的船舶焊缝缺陷检测，提出了一种基于深度卷积神经网络模型的船舶焊缝缺陷检测方法。

本发明融合多特征聚类处理及降维的深度卷积神经网络模型，从而提高船舶焊缝缺陷识别准确率，降低模型训练时间和减少模型存储容量。

为了实现上述目的，本发明采取如下技术方案予以实现：

一种基于深度卷积神经网络模型的船舶焊缝缺陷检测方法，具体采用如下步骤：

(1)获取船舶焊缝图像；

(2)基于距离最值M-SMOTE算法处理不平衡数据集；