基于改進Faster R-CNN的地鐵車輛焊縫缺陷檢測

鐘嘉俊，賀德強，苗劍，陳彥君，姚曉陽

基于改進Faster R-CNN的地鐵車輛焊縫缺陷檢測

鐘嘉俊1，賀德強1，苗劍1，陳彥君1，姚曉陽2

(1. 廣西大學 機械工程學院，廣西 南寧 5 30004；2. 中車株洲電力機車研究所有限公司，湖南 株洲 412001)

地鐵列車的焊接缺陷嚴重威脅到列車運行安全，針對目前地鐵車輛鋁合金車體焊縫檢測存在漏檢錯檢問題，提出一種基于改進Faster R-CNN識別焊縫缺陷的方法。運用ABAQUS對鋁合金車體焊縫缺陷進行建模仿真，獲得多組同類缺陷信號圖。基于Faster R-CNN框架對缺陷進行分類，并引入Unet模型和Resnet模型對原始Faster R-CNN框架進行改進，以提高識別精度。對人為添加噪聲的信號圖進行檢測，以驗證本文模型的魯棒性。研究結果表明：改進后的模型對于鋁合金車體焊縫缺陷檢測具有更高的識別率和魯棒性。

地鐵車輛；Faster R-CNN；無損檢測；Lamb波；焊縫缺陷

鋁合金具有高強度和良好的加工成形性，是地鐵車輛的主要材料，地鐵列車鋁合金車體的焊接方法主要為MIG焊接、TIG焊接和攪拌摩擦焊。鋁合金相較于地鐵車體的其他材料，如不銹鋼等，其焊接過程具有更多的難點，在進行鋁合金焊接時，鋁材容易膨脹變形。攪拌摩擦焊技術的出現降低了焊接鋁材殘次品的概率，但是攪拌摩擦焊技術也會產生未焊透、氣孔等缺陷[1?5]。目前對于鋁材缺陷的檢測，主要依靠人工檢測，檢測效率低下并且容易出現誤判和漏判，為解決人工檢測方法的局限性，人工智能算法開始應用于無損檢測領域[6?7]。WAN等[8]探討了動態電阻和焊縫焊接質量的關系，提出隨著焊接電流變大，電阻下降，焊接質量和最終電阻大小有直接關系。Nirbhay等[9]探討了微裂紋對Lamb波傳播的影響，提出焊縫存在微裂紋時，Lamb波的偶次諧波會隨著傳播距離振幅增長。Kim等[10]利用超聲波相控陣對奧氏體不銹鋼的焊縫進行檢測，對焊縫內部的人工缺陷能夠精確識別并定位。超聲波缺陷檢測技術已受到國內外學者廣泛關注，研究成果表明該方法可實現缺陷的識別，但目前未考慮對缺陷進行定量分析。圖像數據提取技術已被研究人員用于焊縫檢測，陳堯等[11]利用PCI算法對TOFD圖像的數據進行提取，通過動態加權處理改善TOFD圖像像素，增強缺陷信噪比，提高后處理圖像的虛擬聚焦效果，使橫向分辨率提高，有助于精準定位缺陷位置。有研究學者關注超聲波傳播失真造成的定位誤差，Metwally等[12]使用時間反轉法與聚焦法，恢復超聲波在不同介質中傳播所造成的失真，進行拓撲成像后能精準定位缺陷位置。近年來，隨著人工智能技術的發展，國內外學者開始把人工智能技術和焊接檢測結合起來，Murta等[13]利用機器學習算法對焊縫TOFD檢測信號圖進行分類，實驗表明能夠把未焊透缺陷和氣孔缺陷的分類準確率達到85%。Muniategui等[14]開發了一種深度學習方法，通過應用模糊分類算法，能夠加快從點焊生產圖提取特征的速度并且降低圖片儲存要求。CHU等[15]利用機器學習的方法，對使用激光探測的焊接缺陷進行分類處理，通過中值濾波器分割提取特征，實驗表明檢測精度符合焊接質量檢測要求。楊敬等[16]針對奧氏體不銹鋼焊縫，利用射線追蹤法確定超聲波傳播路徑，通過全聚焦成像法對焊縫缺陷進行定位。Nowers等[17]使用A*路徑尋找算法對超聲波傳播路徑進行追蹤，研究不同缺陷下的焊縫各向異性分布的振幅，實驗結果表明他們研究的模型能夠有效模擬各向異性奧氏體不銹鋼焊縫。ZHANG等[18]使用超聲波聚焦技術，驗證了在奧氏體不銹鋼中，缺陷回波和新生成的二次諧波具有一定的相位差。張聰穎[19]利用CIVA仿真軟件探索了超聲波干涉與聚焦問題。彭鴿等[20]研究了Lamb波對材料進行缺陷檢測時對傳感器位置優化的思路。現階段對使用鋁合金攪拌摩擦焊技術的焊縫進行質量檢測的方法主要為超聲波探傷、射線探傷、磁粉探傷和滲透探傷。地鐵車輛鋁合金攪拌摩擦焊在焊接過程中，如果出現摩擦熱輸出不足或者焊接速度過快，就會造成鋁材和焊條的不完全連接，從而產生裂痕缺陷；鋁材表面有氧化膜則會導致鋁合金焊接出現氣孔。本文針對鋁合金攪拌摩擦焊的氣孔缺陷和裂痕缺陷，利用超聲Lamb波進行主動激發檢測，結合深度學習圖像分類的方法，對缺陷進行定量分析。

1 Lamb波特性和鋁型材建模

超聲Lamb波檢測是超聲波無損檢測的一種檢測方式，因其能一處激發大面積傳播，所以Lamb波檢測相對于常規檢測方式具有快速、高效的特點，適合對板狀結構進行無損檢測。ABAQUS可以進行許多工程領域問題的分析，例如熱傳導、質量擴散、聲學分析、壓電介質分析，其可以仿真超聲波Lamb波在鋁型材的傳播過程。本次仿真在使用有限元仿真軟件ABAQUS仿真焊接缺陷時，每次仿真只設計一種人工焊接缺陷，進行多次仿真，以獲得同類缺陷的不同缺陷信號圖。

1.1 Lamb波頻散特性

Lamb波有對稱模式和反對稱模式，其具有頻散特性，繪制Lamb波頻散曲線能夠直觀表示板中各種模態波的相速度、群速度和頻率互相的關系，能夠極大的方便仿真參數的選擇。在自由邊界情況下，各向同性材料薄板的Lamb波表面波頻散方 程為：

式中：c和c為Lamb波的相速度和群速度。根據式(1)和式(2)可以算出鋁型材的橫波波速c= 3 090 m/s，鋁型材的縱波波速c=6 390 m/s。式(1)中，冪次取+1和?1分別表示Lamb波的對稱和反對稱模式。利用圖解法和二分法，用c，c和c將整個區間分為4個區，分別對對稱模態和反對稱模態進行求解，在MATLAB中畫出群速度和相速度的頻散曲線，如圖1和2所示。

(a) 群速度；(b) 相速度

(a) 缺陷分布設計；(b) 鋁型材氣孔缺陷示例；(c) 裂縫缺陷示例；(d) Lamb波衍射現象

1.2 地鐵鋁合金車體材料特性

本仿真采用了與地鐵車輛牽引梁相同的材料EN AW 6082-T6進行仿真，6082鋁材特性如表1所示，能夠模擬真實情況下6082鋁材出現缺陷時的信號圖特點。

利用正弦信號加載窗函數對正弦信號進行數據提取，以獲得Lamb波數據，Lamb波激勵信號為：

式中：f為激勵信號的中心頻率；為激勵信號傳播時間；為正弦波周期。

激勵信號中心頻率為150 kHz時，信號能量較為集中，因此本文選取中心頻率為150 kHz經漢寧窗調制的五周期正弦波信號為激勵信號，在MATLAB軟件中構建的激勵信號以表格的形式導入ABAQUS中。

表1 6082鋁材料特性

1.3 焊縫缺陷特征

通過ABAQUS軟件構建地鐵車輛車體鋁合金牽引梁，該鋁合金型材的材料特性如表1所示，在鋁型材上添加缺陷。在ABAQUS中構建長300 mm，寬200 mm，厚度4 mm的長方形局部鋁合金區域。激勵信號設置在鋁型材的處，接收傳感器設置在B處。在鋁型材上按照圖2(a)所示*位置設置氣孔，在*位置上交替設置氣孔缺陷，缺陷直徑分別為2 mm和3 mm，一共設置28個不同位置、不同大小直徑的氣孔。每次仿真只設置一個氣孔缺陷，結合尺寸和位置，如圖2(b)氣孔例子所示，可以生成28個不同的模擬氣孔仿真信號圖。

在鋁型材上按照圖2(a)所示*位置設置裂縫，在*位置上交替設置裂縫缺陷，缺陷長度為10 mm和12 mm，裂縫寬度設置為長度的十分之一。設置28個不同位置、不同大小直徑的裂縫。每次仿真設置一個裂縫缺陷，如圖2(c)裂縫缺陷例子所示，可以生成28個不同的模擬裂縫仿真信號圖。

根據惠更斯原理，當鋁型材出現缺陷時，Lamb波傳播經過缺陷位置會發生衍射現象。此時裂縫缺陷位置可以近似看成一個新的波源，由于裂縫一般小于波長，所以會發生較為明顯的衍射現象。如圖2(d)所示，衍射后傳感器接收到3個波峰信號：激勵波信號、缺陷發生的衍射反射信號、邊界反射 信號。

(a) 正常鋁型材信號圖；(b) 裂縫缺陷信號圖；(c) 氣孔缺陷信號圖

圖3(a)為正常鋁型材的信號圖，圖3(b)中顯示裂縫缺陷傳感器接收到的3個波。激勵波在經過裂縫缺陷時發生反射，裂縫缺陷的第一個到達波的幅值比正常鋁型材的第1個到達波幅值更小，相比正常鋁型材增加了缺陷反射波，邊界反射波相對于正常鋁型材的幅值也更小。

選取與裂縫缺陷相同位置的氣孔缺陷作為對比試驗，圖3(c)為氣孔缺陷信號圖。通過對比兩信號圖發現：氣孔信號圖的第1個到達波的幅值比裂縫缺陷的第1個到達波的幅值大，第2個到達波的幅值相等，沒有第3個到達波。產生這一現象的原因是氣孔缺陷本身體積小，激勵波在傳播經過氣孔缺陷時發生反射的波少，第1個到達波因為激勵波傳播經過氣孔缺陷過程中反射少，能量損失少，所以氣孔的第1個到達波幅值更大；氣孔的缺陷反射波比較小并和邊界反射波融合，最后傳感器只接收到了2組到達波。氣孔缺陷上的第1個波和第2個波均小于正常鋁型材上傳感器收集到的2個波。

2 圖像分類算法

數據集采用2種不同算法進行分類：YOLO V2算法，YOLO V2在保證識別速度的情況下，識別準確率高，YOLO V2框架簡單，在進行訓練時花費時間少，訓練速度快；Faster R-CNN算法，Faster R-CNN在優先保證高準確率的情況下，識別速度較快，訓練時間比YOLO V2長。

傳感器接收到的缺陷信號圖相較于光學圖像有以下特點：1) 從圖像顏色分析，缺陷信號圖是以白色為底，藍色線條構造出波峰和波谷。沒有光學圖像那么豐富的色彩信息，也沒有多姿多彩的不同背景。進行訓練時模型需要考慮魯棒性，避免過擬合。2) 缺陷信號圖沒有不同距離的尺寸變化，不需要使用FPN、SSD獲取多尺度模型特征。3) 缺陷信號圖的識別區域固定、信號類似，使用傳統圖像識別算法容易出現過擬合。

Faster R-CNN算法分為2部分，一部分為RPN網絡提取感興趣的區域；另一部分為Fast R-CNN目標檢測模塊損失函數：

圖4 Faster R-CNN算法流程圖

3 數據處理

3.1 數據集的構建與評價指標

進行模型訓練前，首先把用于訓練的缺陷信號圖利用批量重命名程序統一命名為一串6位數的數字，例如，000 000.jpg和000 001.jpg。并將重命名好的圖片，按照不同分類放入不同類別的文件夾目錄。

對信號圖使用基于pyqt4的工具進行標注，每標注一個信號圖，會生成相應的XML文件。信號圖和XML文件一一對應。XML文件記錄了對應圖片的作者、文件名、數據庫來源、類別和bounding box坐標信息。將標注好的信號圖，使用python程序進行隨機分配到訓練集、驗證集和測試集，訓練集+驗證集占整體數據集的70%，測試集占整體數據集的30%，訓練集占訓練集+驗證集里的50%，驗證集占訓練集+驗證集里的50%。具體分配情況可見表2。

表2 數據集中數據分配

針對氣孔和裂縫的識別，將測試集的結果分為4類，TP表示正確識別的正類樣本數(當判定缺陷識別結果為氣孔時，實際缺陷是氣孔；當判定缺陷識別結果為裂縫時，實際缺陷是裂縫)，TN表示正確識別的負樣本數(當判定缺陷識別結果不包含氣孔時，實際缺陷不是氣孔；當判定缺陷識別結果不包含裂縫時，實際缺陷不是裂縫)，FP表示錯誤識別的正樣本數(當判定缺陷識別結果為氣孔時，實際缺陷不是氣孔；當判定缺陷識別結果為裂縫時，實際缺陷不是裂縫)，FN表示錯誤識別的負樣本數(當判定缺陷識別結果不是氣孔時，實際缺陷是氣孔；當判定缺陷識別結果不含有裂縫時，實際缺陷是裂縫)。模型評價使用準確率()，精準率()和召回率()3個評價指標對模型進行評價，三者計算的公式如下：

3.2 模型訓練

開發環境建立在深度學習框架Pytorch上，模型訓練和測試使用YOLO V2框架和Faster R-CNN框架，均為Python版本，使用大型神經網絡VGG-16和ResNet-50作為基本網絡模型，目標檢測框架基于Faster RCNN，在此基礎上作了改進。整個訓練使用1塊GeForce GTX 1060，通過SGD優化，累計訓練5個epoch。學習率為0.001，當loss值連續3次出現迭代后反而增加時，自動將0.1*當前學習率繼續迭代，當學習率為0.00001時會自動提前終止訓練。Batch size設定為4，動量設為0.9。

3.3 與其他網絡框架的對比

YOLO V2框架使用的模型為DarkNet，訓練10個epoch。表3列舉了YOLO V2模型，Faster R-CNN模型，Faster R-CNN-ResNet50模型和本文基于Faster R-CNN改進后的框架的對比，其中YOLO V2使用的網絡為DarkNet，Faster R-CNN使用的網絡為VGG16，Faster R-CNN-ResNet50使用的網絡為Resnet50，本文改進的模型使用的網絡為基于Resnet改進的U-net模型Res-Unet。

表3 模型性能及仿真結果

由表3中可知，YOLO V2識別速度最快，但準確率最低。因為YOLO V2網絡將檢測問題轉化成了回歸問題，不同于Faster R-CNN先通過一個RPN網絡提取框，再進行分類；YOLO V2直接使用7*7網格對圖片進行劃分，每個網格輸出預測兩類物體的概率，最后綜合所有網格的輸出結果進行分類。并且Faster R-CNN網絡檢測使用滑動窗口機制，最終檢測出的物體候選區域遠多于YOLO V2網絡，所以Faster R-CNN網絡檢測精度高于YOLO V2，檢測速度則慢于YOLO V2。通過Faster R-CNN模型和YOLO模型的比較，Faster R-CNN模型充分發揮了其性能，其在圖像特征提取和對數據進行分類方面具有潛力，體現了其具有更好的泛化性。

為進一步測試本文改進的Faster R-CNN的性能，本文詳細對比了3種Faster R-CNN模型對每個缺陷的識別效果，結果如表4所示。

綜上所述，Faster R-CNN-Res-Unet相比Faster R-CNN，YOLO V2和Faster R-CNN-ResNet50，提升了準確率、精確率和召回率，ResNet50相比于VGG16有著更深的網絡，準確率更高，Res-Unet相對于ResNet50顯著提升了識別速度。在對目標圖形分辨率為3216*2461的情況下，識別速度為42 ms一張，在需要保證高準確率的情況下，能夠滿足實際中快節奏生產的要求。

表4 模型檢測精度對比

測試圖片經過算法識別后，部分識別結果統計如圖5所示。將人為添加噪聲后的缺陷信號曲線使用Faster R-CNN識別，在沒有預先進行添加噪聲訓練的情況下，能夠識別出裂縫缺陷，證明本次訓練模型具有較強的魯棒性。

(a) 氣孔缺陷；(b) 裂縫缺陷；(c) 噪聲裂縫缺陷

4 結論

1) 使用Unet模型和Resnet模型作為特征提取器改進原始Faster R-CNN模型，改進后的模型具有更深的神經網絡，對檢測信號特征提取能力更好。將改進后的模型對6082鋁材裂痕缺陷信號圖和氣孔缺陷信號圖進行檢測，識別率達到97%，與原始Faster R-CNN模型相比，準確率提升8%，精準率提升5%，召回率提升7%。

2) 改進后的模型可以消除噪聲的影響，實現鋁型材的缺陷檢測，適用于軌道交通車輛焊縫缺陷檢測。

3) 在實際Lamb波檢測中，傳感器和被測件會存在耦合不一致，各被測件的信號圖不可避免的存在差異，后續工作將進一步減弱這些因素的影響，提高檢測的魯棒性。

[1] 劉玉龍. 軌道車輛板材攪拌摩擦焊接殘余狀態仿真研究[D]. 大連: 大連交通大學, 2018. LIU Yulong. Study on residual state simulation of FSW for rail vehicle plates[D]. Dalian: Dalian Jiaotong University, 2018.

[2] 徐國富, 段雨露, 錢健, 等. Al-Mg-Mn-Sc-Zr 合金攪拌摩擦焊接頭顯微組織、力學性能及腐蝕性能[J]. 中國有色金屬學報, 2017, 27(2): 225?233. XU Guofu, DUAN Yulu, QIAN Jian, et al. Microstructure, mechanical properties and corrosion properties of friction stir welded Al-Zn-Mg-Sc-Zr alloy[J]. The Chinese Journal of Nonferrous Metals, 2017, 27(2): 225?233.

[3] 劉會杰, 李金全, 段衛軍. 靜止軸肩攪拌摩擦焊的研究進展[J]. 焊接學報, 2012, 33(5): 18?22. LIU Huijie, LI Jinquan, DUAN Weijun. Progress in the stationary shoulder friction stir welding[J]. Transactions of the China Welding Institution,2012, 33(5): 18?22.

[4] 趙雪梅. 鋁合金攪拌摩擦焊接頭超聲信號特征與質量評價方法[D]. 哈爾濱: 哈爾濱工業大學, 2010. ZHAO Xuemei. Ultrasonic signal features and quality evaluation method of friction stir welded joint of aluminum alloy[D]. Harbin: Harbin University of Civil Engineering and Architecture, 2010.

[5] Khan N Z, Khan Z A, Siddiquee A N, et al. Analysis of defects in clean fabrication process of friction stir welding[J]. Transactions of Nonferrous Metals Society of China, 2017, 27(7) :1507?1516.

[6] 李寧, 盧子廣. 基于支持向量機的焊縫缺陷類型識別研究[J]. 現代制造工程, 2017(10): 106?109. LI Ning, LU Ziguang. Type recognition of weld defects based on support vector machines[J]. Modern Manufacturing Engineering, 2017(10): 106?109.

[7] Martin O, Lopez M, Martin F. Artificial neural networks for quality control by ultrasonic testing in resistance spot welding[J]. Journal of Materials Processing Technology, 2007, 183(2?3): 226?233.

[8] WAN X, WANG Y, ZHAO D, et al. Weld quality monitoring research in small scale resistance spot welding by dynamic resistance and neural network[J]. Measurement, 2016( 99):120?127.

[9] Nirbhay M, Dixit A, Misra R K. Finite element modelling of Lamb waves propagation in 3D plates and brass tubes for damage detection[J]. Russian Journal of Nondestructive Testing, 2017, 53(4): 308?329.

[10] Kim G H, Park C K, Jin S W, et al. Qualification of phased array ultrasonic examination on T-joint weld of austenitic stainless steel for ITER vacuum vessel[J]. Fusion Engineering and Design, 2016, 109:1099?1103.

[11] 陳堯, 冒秋琴, 石文澤,等. 基于相位相干性的厚壁焊縫TOFD成像檢測研究[J]. 機械工程學報, 2019, 55(4): 42?49. CHEN Yao, MAO Qiuqin, SHI Wenzhe, et al. Research on ultrasonic TOFD imaging inspection for heavy-walled weld based on phase coherence characteristics[J]. Journal of Mechanical Engineering, 2019, 55(4): 42?49.

[12] Metwally K, Lubeigt E, Rakotonarivo S. Weld inspection by focused adjoint method[J]. Ultrasonics, 2018(83): 80– 87.

[13] Murta R H F, Vieira Flávison de A, Santos V O, et al. Welding defect classification from simulated ultrasonic signals[J]. Journal of Nondestructive Evaluation, 2018, 37(3): 40?50.

[14] Muniategui A, Heriz B, Eciolaza L, et al. Spot welding monitoring system based on fuzzy classification and deep learning[C]// IEEE International Conference on Fuzzy Systems. IEEE, 2017.

[15] CHU H H, WANG Z Y. A study on welding quality inspection system for shell-tube heat exchanger based on machine vision[J]. International Journal of Precision Engineering and Manufacturing, 2017, 18(6): 825?834.

[16] 楊敬, 吳斌, 焦敬品, 等. 各向異性焊縫缺陷超聲陣列全聚焦成像方法[J]. 聲學學報, 2019, 44(1): 127?137. YANG Jing, WU Bin, JIAO Jingpin, et al. Total focus imaging of defects in anisotropic welds using ultrasonic array[J]. Acta Acustica, 2019, 44(1): 127?137.

[17] Nowers O, Duxbury D J, Drinkwater B W. Ultrasonic array imaging through an anisotropic austenitic steel weld using an efficient ray-tracing algorithm[J]. Ndt & E International, 2016(79): 98?108.

[18] ZHANG S, LI X, Jeong H, et al. Theoretical and experimental investigation of the pulse-echo nonlinearity acoustic sound fields of focused transducers[J]. Applied Acoustics, 2017(117): 145?149.

[19] 張聰穎. 超聲相控陣檢測系統圖像處理和成像技術的研究[D]. 天津: 天津大學, 2010. ZHANG Congying. Study on image processing and imaging technology of the ultrasonic phased array testing system[D]. Tianjin: Tianjin University, 2010.

[20] 彭鴿, 袁慎芳. 主動Lamb波監測技術中的傳感元件優化布置研究[J]. 航空學報, 2006, 27(5): 957?962, 777. PENG Ge, YUAN Shenfang. Optimization for collocation of sensors in active lamb wave-based monitoring[J]. Acta Aeronautica Et Astronautica Sinica, 2006, 27(5): 957?962, 777.

Weld defect detection of metro vehicle based on improved faster R-CNN

ZHONG Jiajun1, HE Deqiang1, MIAO Jian1, CHEN Yanjun1, YAO Xiaoyang2

(1. College of Mechanical Engineering, Guangxi University, Nanning 530004, China; 2. CRRC Zhuzhou Institute Co., Ltd, Zhuzhou 412001, China)

The safety of train operation is seriously threatened by welding defects. In order to solve the problem of missing detection and wrong detection in aluminum alloy body weld of metro vehicles, a method based on improved Faster R-CNN is proposed in this paper. Firstly, the weld defects of aluminum alloy car body were simulated by Abaqus, and several groups of similar defects were obtained. Then, defects are classified based on the Faster R-CNN framework, and Unet model and Resnet model are introduced to improve the original Faster R-CNN framework to improve the recognition accuracy. Finally, the noise signal graph is detected to verify the robustness of the model. The simulation results show that the improved model has a higher recognition rate and robustness for Aluminum car body weld defect detection.

metrovehicles; Faster R-CNN; nondestructive testing; Lamb wave; weld defect

U279.4

A

1672 ? 7029(2020)04 ? 0996 ? 08

10.19713/j.cnki.43?1423/u.T20190716

2019?08?11

國家自然科學基金資助項目(51765006)；廣西自然科學基金重點資助項目(2017JJD150010)

賀德強(1973?)，男，湖南桃江人，教授，博士，從事列車故障診斷與智能維護、列車網絡與控制等研究；E?mail：hdqianglqy@126.com

(編輯 蔣學東)