基于LeNet的數字射線焊接缺陷識別

邢秀文 沈洋 李靜

摘 要：本研究利用卷積神經網絡LeNet識別了一批焊接缺陷圖像，發現圖像的分辨率對于缺陷的識別正確率有很大的影響;發現原始的LeNet在各種情況下具有高度的穩定性，而幾個變形網絡結構雖然在存儲空間以及運算速度方面有一定的優勢，但是穩定性都不及原始的網絡結構。

關鍵詞：卷積神經網絡;LeNet;焊接缺陷識別

一、引言

利用深度卷積神經網絡實現人工智能，已然是一種時髦的趨勢，也很有可能劇烈的改變傳統檢測行業的形態。在醫學檢測領域，人工智能在識別CT圖像方面的能力，已經超過中等能力的專家。而在工業檢測領域，人工智能判別缺陷類別的工作，尚處于起始階段。由于TOFD、相控陣、數字射線、CT、磁共振等新的檢測手段以及成像技術的發展，使得數字圖像的獲取變得非常容易，也使得人工智能識別缺陷成為可能。

在輸油管道等制造中，因為產品規格單一，數量巨大，所以很多企業采用了自動焊接，數字射線半自動化檢測的流程。自動化焊接的焊縫波紋很小，表面平整光滑，故而射線圖像沒有多余的干擾，非常適合智能識別。

二、數據

我們采用軟件模擬的方式，仿制了一批數字射線圖像（見圖1），分為4類：完好無缺陷、裂紋、未焊透、圓形缺陷。每類圖像1000張，分拆為800張訓練數據，200張驗證數據。4類缺陷合計3200張訓練圖片，800張驗證圖片。

三、網絡結構

LeNet是卷積神經網絡的祖師爺LeCun在1998年提出的，用于解決手寫數字識別的視覺任務，主要應用于銀行系統的支票識別，取得了極大的成功。該網絡能夠處理的圖像分辨率不低于32×32，它的網絡結構如圖2所示：

四、不同分辨率圖片的預測準確率

我們將圖像的分辨率分別調整為32×32，64×64，128×128，用訓練集的3200張圖像訓練網絡參數，然后用驗證集的800張圖片預測種類。如此反復執行30遍，原則上，每多訓練一遍，預測的正確率都會提高一點。實測結果（見圖3）分析如下：

1. 若分辨率太低（32×32），則圖像不夠清晰，各種缺陷的特征不夠顯著，所以正確率不超過50%，效果差。

2. 隨著分辨率的提高，預測準確率也在提高。當分辨率為64×64時，準確率約為98%;當圖片分辨率為128×128時，準確率約為100%.

3. 無論是訓練集還是驗證集，隨著訓練次數的增加，在訓練過程中，其準確率總是有稍許跳動，原因不明。

五、改變LeNet的結構

原始的LeNet網絡預測效果雖然很好，但是它的參數量較大，運行時間也不夠快。如果我們將該網絡放到移動端設備上，則希望壓縮存儲空間，并降低對CPU計算速度的要求。我們將原始的LeNet網絡做少許的修改，看看是否有效果（圖4）。在LeNet1中，我們將5*5的卷積核替換為2個3*3的卷積核，其余不變;而在LeNet2中，我們將每一層的特征圖以及每一層的特征數，都設定為2的冪次。

1. 經過實測，LeNet1的預測正確率約為99%，LeNet2的正確率約為99%，都比LeNet0的正確率低。

2. LeNet0的參數量為61196，LeNet1為59904，LeNet2的參數量為10972。所以LeNet2更適合放到存儲空間受限的設備中。

3.預測相同的32張圖像，LeNet0用時1.56ms，LeNet1用時1.26ms，LeNet2用時1.28ms.從時間上看，它們比較接近。

六、結論

從測試結論可知，LeNet對于背景較為干凈的自動化焊接缺陷具有很高的識別正確率。而經過簡單變形的網絡，會稍微降低識別正確率，但是可以大幅度的減少存儲空間。

參考文獻

[1] 肖智清. 神經網絡PyTorch實戰[M]. 機械工業出版社. 2018.8

[2] 言有三. 深度學習之圖像識別[M]. 機械工業出版社. 2019.7

[3] 吳茂貴等. Python深度學習[M]. 機械工業出版社. 2019.10

[4] 張若愚. Python科學計算[M]. 清華大小出版社. 2018.1

作者簡介：邢秀文（1979-），男，碩士，北京理工大學珠海學院教師，歷任大學物理教研室主任，物理實驗室主任，工程物理系主任，主講聲學基礎、射線檢測、機器視覺。