基于NDT的射線技術(shù)對(duì)焊接內(nèi)部缺陷識(shí)別技術(shù)優(yōu)化

李鋼卿,周慶祥 ,范瑞峰 , 陳 航 ,甘雨露,馬 蘭,崔 健,王 晨

(1.中車(chē)青島四方機(jī)車(chē)車(chē)輛股份有限公司,山東 青島 266111；2.北京大學(xué),北京 100871)

焊縫缺陷檢測(cè)在工業(yè)領(lǐng)域是一項(xiàng)非常重要的工作，它是利用多種無(wú)創(chuàng)技術(shù)來(lái)判斷金屬焊接區(qū)域是否存在缺陷，這種技術(shù)稱(chēng)為無(wú)損檢測(cè)技術(shù)(NDT)[1]。其是通過(guò)不改變材料內(nèi)部結(jié)構(gòu)的情況下，利用外部的探測(cè)技術(shù)進(jìn)行內(nèi)部結(jié)構(gòu)的探測(cè)，發(fā)現(xiàn)內(nèi)外部存在的缺陷。目前常用的無(wú)損檢測(cè)技術(shù)主要包括：射線檢驗(yàn)、超聲檢測(cè)、磁粉檢測(cè)和滲透檢測(cè)。其中射線檢測(cè)技術(shù)在航空航天、考古、醫(yī)療、承壓容器、船舶制造等多個(gè)工業(yè)和民用領(lǐng)域都有廣泛的應(yīng)用。本文主要研究射線檢測(cè)技術(shù)用于檢測(cè)焊縫內(nèi)部缺陷，針對(duì)表面缺陷的識(shí)別也會(huì)有所提及。傳統(tǒng)的焊縫識(shí)別是在拍攝完成后，人工利用眼睛進(jìn)行視覺(jué)判別，容易因?yàn)榻?jīng)驗(yàn)的問(wèn)題出現(xiàn)誤判，同時(shí)效率較低，容易受特殊情況外部干擾影響判別結(jié)果[2]。在真實(shí)復(fù)雜的工業(yè)環(huán)境中，焊縫的檢測(cè)面臨諸多挑戰(zhàn)，例如：存在射線強(qiáng)度、曝光時(shí)間、多種缺陷混合且不易識(shí)別的情況；另外，圖像成像過(guò)程中的噪聲、明暗度及工件放置的角度等，均會(huì)對(duì)最終的成像帶來(lái)很多干擾。

對(duì)焊縫的缺陷檢測(cè)基于檢測(cè)網(wǎng)絡(luò)的模型，主流的檢測(cè)網(wǎng)絡(luò)包含F(xiàn)aster R-CNN[3]、SSD[4]和YOLO[5]等；Sang-jin Oh[6]為保證計(jì)算的效率，從原有的321張像素為4 900×1 200的高分辨的圖片進(jìn)行切分，在數(shù)據(jù)集中總共有4種分類(lèi)的數(shù)據(jù)集，包含了569個(gè)缺陷，設(shè)置的閾值為0.5，步長(zhǎng)為8，錨點(diǎn)為10、40、80像素，在輸入網(wǎng)絡(luò)時(shí)為了提升效率圖片被切分為更小的尺寸，同時(shí)為了對(duì)比Faster R-CNN的優(yōu)勢(shì)，分別在原有數(shù)據(jù)集上訓(xùn)練ResNet和Inception-ResNet V2的2個(gè)模型作為對(duì)比實(shí)驗(yàn)，證明即使基于網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)勢(shì)Faster R-CNN也在缺陷檢測(cè)上有較大的優(yōu)勢(shì)。有學(xué)者利用本學(xué)校開(kāi)發(fā)的WDXI數(shù)據(jù)集對(duì)數(shù)據(jù)集的內(nèi)容進(jìn)行了精選，稱(chēng)為WDIOD數(shù)據(jù)集，并對(duì)數(shù)據(jù)集進(jìn)行了標(biāo)注，主要涵蓋了7種缺陷類(lèi)型。對(duì)于Faster R-CNN模型的核心參數(shù)設(shè)置方面，學(xué)習(xí)率設(shè)置為0.000 1，衰減率為0.001，損失函數(shù)的優(yōu)化器選擇了Momentum算法，針對(duì)三通道的圖片輸入方面，將焊縫灰度圖像的值進(jìn)行復(fù)制，以滿足模型的實(shí)際需要，通過(guò)最終的測(cè)試7個(gè)缺陷的平均準(zhǔn)確率為58%左右，相較于WDXI初次發(fā)布時(shí)的模型準(zhǔn)確率有所提升[7]。

1 圖像獲取與預(yù)處理

1.1 CR系統(tǒng)簡(jiǎn)介

金屬焊縫缺陷X射線圖像獲取的途徑主要有3種：傳統(tǒng)的膠片成像技術(shù)、計(jì)算機(jī)X射線影像技術(shù)(Computed radiography，CR)[8]、數(shù)字化X射線影像技術(shù)(Digital radiography，DR)[9]。CR系統(tǒng)通過(guò)將射線透過(guò)工件后的信息記錄在成像板上，經(jīng)過(guò)掃描儀裝置讀取，再由計(jì)算機(jī)生成數(shù)值化的圖像。CR系統(tǒng)由記錄圖像信息的成像板、激光掃描儀、軟件和硬件組成。DR系統(tǒng)這是通過(guò)光電技術(shù)將X射線數(shù)據(jù)轉(zhuǎn)化成圖像信息，可以實(shí)時(shí)的獲取圖像信息，平板探測(cè)器是其關(guān)鍵部件。CR和DR技術(shù)都是數(shù)字化圖像技術(shù)，傳統(tǒng)的膠片成像技術(shù)需要通過(guò)對(duì)膠片進(jìn)行掃描完成焊縫數(shù)據(jù)的數(shù)字化。

常見(jiàn)的CR檢測(cè)設(shè)備主要由：X射線機(jī)、IP板、CR掃描儀、處理軟件等關(guān)鍵設(shè)備組成，如圖1所示。X射線機(jī)通過(guò)發(fā)射射線，通過(guò)待檢測(cè)的金屬后相關(guān)信息將留存在IP(Image Plate)板上，通過(guò)CR掃描儀可以將IP板上的信息進(jìn)行讀取，同時(shí)對(duì)IP板上信息進(jìn)行擦除，從而保證下次能夠采集圖像信息，獲取圖像信息之后，便可以通過(guò)人工或自動(dòng)識(shí)別的方式識(shí)別焊縫缺陷信息。

圖1 CR系統(tǒng)關(guān)鍵部件組成圖Fig.1 Composition diagram of key components of CR system

1.2 數(shù)據(jù)集簡(jiǎn)介

目前在焊縫檢測(cè)領(lǐng)域公開(kāi)了的數(shù)據(jù)集國(guó)外的僅有GDXray[10]，GDXray數(shù)據(jù)集是基于X射線應(yīng)用的數(shù)據(jù)集，總共由19 407張圖片組成，大小為3.5 Gb，它由德國(guó)BAM聯(lián)邦材料研究和測(cè)試研究所搜集和整理，并不僅僅涵蓋焊縫領(lǐng)域數(shù)據(jù)。涵蓋5個(gè)分類(lèi)：鑄件、焊縫、行李、自然物體和裝置，它主要用于研究和學(xué)習(xí)領(lǐng)域，是目前焊縫檢測(cè)領(lǐng)域可找到的唯一公開(kāi)數(shù)據(jù)集，但是GDXray在焊縫檢測(cè)方面僅有88張圖片，每張圖片接近5 000像素，都經(jīng)過(guò)了較為細(xì)致的標(biāo)注。

面向焊接缺陷的X射線圖像(X-ray Image for Weld Defects，WDXI)[11]數(shù)據(jù)集由北京郵電大學(xué)和中國(guó)特種設(shè)備檢驗(yàn)研究院在2018年共同收集完成，研究人員通過(guò)高分辨率的掃描儀將原有的膠片數(shù)據(jù)轉(zhuǎn)化成數(shù)字圖片，總共涵蓋了16 950張圖片，圖像以16位TIF格式保存，其中13 766張圖片有標(biāo)注信息嚴(yán)格按照國(guó)標(biāo)進(jìn)行了標(biāo)注，涵蓋了典型的8個(gè)不同的缺陷類(lèi)型；同時(shí)，研究人員利用5層的卷積神經(jīng)網(wǎng)絡(luò)在此數(shù)據(jù)集上進(jìn)行了初步實(shí)驗(yàn)，準(zhǔn)確率達(dá)到了46.6%，雖然識(shí)別率不高，但是起到了示范作用。相比GDXray而言，WDXI數(shù)據(jù)集是專(zhuān)門(mén)針對(duì)焊縫缺陷的專(zhuān)用數(shù)據(jù)集，從規(guī)模大小、標(biāo)注種類(lèi)都較GDXray豐富，但是自2018年發(fā)表論文以來(lái)，未找到獲取此數(shù)據(jù)集的渠道和下載鏈接，因此要實(shí)際應(yīng)用也很困難。通過(guò)搜索國(guó)內(nèi)研究人員利用過(guò)此數(shù)據(jù)集開(kāi)展研究，表1是對(duì)WDXI和GDXray數(shù)據(jù)集進(jìn)行比較的結(jié)果。

表1 X射線焊縫檢測(cè)數(shù)據(jù)集對(duì)比表Tab.1 Comparison table of X-ray weld inspection data set

金屬缺陷的形成可以分為使用產(chǎn)生的缺陷、焊接產(chǎn)生的缺陷和產(chǎn)品成型過(guò)程中產(chǎn)生的缺陷。缺陷的發(fā)現(xiàn)和判別是研究的重點(diǎn)，國(guó)標(biāo)分類(lèi)主要包括：燒穿、裂紋、夾渣、焊瘤、氣孔、咬邊、未焊透、未熔合等8種焊縫缺陷[12]。在制造的過(guò)程中由于各種原因，焊接件的表面和內(nèi)部都會(huì)形成特殊的結(jié)構(gòu)，因此都會(huì)在視覺(jué)上形成特殊的視覺(jué)效果。本文通過(guò)對(duì)GDXray中的數(shù)據(jù)進(jìn)行篩選，主要剔除管狀X射線數(shù)據(jù)，具體結(jié)果如圖2所示；結(jié)合利用CR系統(tǒng)獲取的圖片，結(jié)果如圖3所示。利用伽馬變換、旋轉(zhuǎn)等數(shù)據(jù)擴(kuò)增技術(shù)，構(gòu)成本文算法所使用的基礎(chǔ)數(shù)據(jù)集，訓(xùn)練數(shù)據(jù)總共115張，驗(yàn)證集38張，測(cè)試集38張。因原始數(shù)據(jù)集規(guī)模較小，利用數(shù)據(jù)標(biāo)注工具僅對(duì)焊縫區(qū)域、氣孔和其他缺陷進(jìn)行了標(biāo)注。

圖2 GDXray數(shù)據(jù)集標(biāo)注圖Fig.2 GDXray dataset annotation diagram

圖3 CR系統(tǒng)獲取X射線圖像標(biāo)注圖Fig.3 CR system acquires X-ray image annotation map

1.3 圖像預(yù)處理

焊接作業(yè)中常見(jiàn)的焊接件主要是板件和管件，板件之間的焊縫為縱縫；管件之間的焊縫為環(huán)縫。射線檢測(cè)的工藝有單壁透照、雙壁透照、中心透照等[13]。膠片圖像通過(guò)掃描獲得數(shù)字圖像，CR和DR技術(shù)可直接獲得數(shù)字圖片，在對(duì)圖像進(jìn)行缺陷檢測(cè)之前，通常采用圖像預(yù)處理方法來(lái)改變圖像的質(zhì)量，通常使用的處理手段有圖像降噪、灰度或色階調(diào)整、對(duì)比度調(diào)整等。其中，降噪是這些處理技術(shù)中最重要的步驟，主要用來(lái)去除圖像中的噪聲，讓圖像更為清晰。針對(duì)圖像中常見(jiàn)的椒鹽、高斯噪聲等，對(duì)傳統(tǒng)的中值濾波和均值濾波進(jìn)行了改進(jìn)，利用概率的方式解決噪聲的判斷問(wèn)題，從而達(dá)到濾波的作用，通過(guò)實(shí)驗(yàn)驗(yàn)證了所提降噪及增強(qiáng)方法的可行性及優(yōu)勢(shì)。在發(fā)電站制冷水管焊縫圖像中利用中值濾波來(lái)對(duì)圖像進(jìn)行去噪處理，為了彌補(bǔ)射線圖像的不足利用伽馬變換增強(qiáng)圖像，同時(shí)利用直方圖均衡化增加對(duì)比，最后結(jié)合深度學(xué)習(xí)技術(shù)將識(shí)別率提升至96%[14]；還有，分別利用焊縫圖像的多尺度的特征，應(yīng)用于實(shí)際的研究工作中，其中尹立航在對(duì)復(fù)雜圖像的識(shí)別率超過(guò)了91.71%[15-16]。DR系統(tǒng)拍攝的圖像為16位的灰度范圍，通過(guò)金字塔模型獲取各個(gè)尺度的圖像信息，為了讓圖像細(xì)節(jié)更加豐富，利用高斯平滑技術(shù)進(jìn)行了細(xì)節(jié)處理，為了能夠重構(gòu)圖像提高識(shí)別率，增強(qiáng)環(huán)節(jié)用S型函數(shù)對(duì)細(xì)節(jié)進(jìn)行了增強(qiáng)[17]。

在實(shí)際的檢測(cè)過(guò)程中，有經(jīng)驗(yàn)的專(zhuān)業(yè)人員通常會(huì)對(duì)原始的圖像進(jìn)行變換，主要有對(duì)比度調(diào)整、圖片明暗調(diào)整、去噪處理等操作。本文以基礎(chǔ)的數(shù)據(jù)集進(jìn)行圖像擴(kuò)增處理，以伽馬變換為基礎(chǔ)，總共獲得191張圖像，作為初始的數(shù)據(jù)集用于基礎(chǔ)實(shí)驗(yàn)。

2 算法簡(jiǎn)介

YOLO模型的版本較多，利用V4版本在進(jìn)行焊縫檢測(cè)時(shí)進(jìn)行了優(yōu)化，將原有的YOLOv4進(jìn)行了網(wǎng)絡(luò)結(jié)構(gòu)的改進(jìn)，減少了訓(xùn)練參數(shù)，同時(shí)通過(guò)取消采樣，結(jié)合聚類(lèi)算法修改了原有網(wǎng)絡(luò)的先驗(yàn)框，數(shù)據(jù)集方面通過(guò)收集790張的包含3種缺陷的數(shù)據(jù)集，對(duì)數(shù)據(jù)集進(jìn)行了擴(kuò)增至2801張，最終優(yōu)化后的YOLOv4模型的各類(lèi)別平均精度值(mAP)為88.52%[18]。YOLOv5模型為其上一個(gè)版本的改進(jìn)版本，利用YOLOv5網(wǎng)絡(luò)在進(jìn)行基礎(chǔ)的數(shù)據(jù)增強(qiáng)和數(shù)據(jù)預(yù)處理的情況下，對(duì)包含8種缺陷的鋼管焊縫缺陷數(shù)據(jù)進(jìn)行了分析，總共的原始數(shù)據(jù)量為3 408張，算法的準(zhǔn)確率為97.8%[19]。

針對(duì)本文涉及的焊縫檢測(cè)任務(wù)，我們利用SwinTransformer[20]豐富的層次化信息理解能力，結(jié)合跨尺度連接的特征金字塔網(wǎng)絡(luò)優(yōu)化設(shè)計(jì)，設(shè)計(jì)了一種針對(duì)焊縫檢測(cè)小目標(biāo)檢測(cè)任務(wù)的加強(qiáng)版YOLOv5模型，算法總體結(jié)構(gòu)如圖4所示。由于焊縫缺陷的識(shí)別目標(biāo)相對(duì)較小，設(shè)計(jì)了一些針對(duì)小目標(biāo)檢測(cè)的方法，基于到以往的3頭結(jié)構(gòu)的方法，我們的4頭結(jié)構(gòu)可以緩解劇烈的物體尺度變化帶來(lái)的負(fù)面影響。

圖4 算法總體結(jié)構(gòu)圖Fig.4 The overall structure of the algorithm

從圖4可以看出，添加的預(yù)測(cè)頭是從低級(jí)別、高分辨率的特征圖生成的，該特征圖對(duì)微小物體更敏感。在添加額外的檢測(cè)頭后，雖然計(jì)算和內(nèi)存成本增加，但微小物體檢測(cè)的性能會(huì)變得更高。受SwinTransformer的啟發(fā)，我們將原始版本的YOLOv5中的一些卷積塊和瓶頸塊替換為SwinTransformer編碼器塊。 與原始瓶頸塊相比，認(rèn)為SwinTransformer編碼器塊可以捕獲全局信息和豐富的上、下文信息。為了獲得更豐富的感受野信息，我們采用了跨尺度連接的方法來(lái)改進(jìn)特征金字塔網(wǎng)絡(luò)，以獲得更豐富多層次的特征信息；實(shí)驗(yàn)證明這對(duì)焊縫小目標(biāo)檢測(cè)有較好的效果。

2.1 基于YOLOv5的主干網(wǎng)絡(luò)介紹

圖5為YOLOv5的網(wǎng)絡(luò)結(jié)構(gòu)圖，主要分為輸入端、主干網(wǎng)絡(luò)、頸部、預(yù)測(cè)4個(gè)部分。在輸入端，YOLOv5的輸入端采用了Mosaic數(shù)據(jù)增強(qiáng)的方式，將隨機(jī)縮放、隨機(jī)裁剪、隨機(jī)排布的方式進(jìn)行拼接，以增強(qiáng)對(duì)小目標(biāo)檢測(cè)的效果；針對(duì)不同數(shù)據(jù)集設(shè)置了不同的初始長(zhǎng)寬的錨框。在網(wǎng)絡(luò)訓(xùn)練中，網(wǎng)絡(luò)會(huì)把真實(shí)框和在初始錨框基礎(chǔ)上輸出的預(yù)測(cè)框進(jìn)行比較，計(jì)算差距并反向傳播更新網(wǎng)絡(luò)參數(shù)，在YOLOv5中將這一過(guò)程嵌入到代碼中，實(shí)現(xiàn)計(jì)算不同訓(xùn)練集中最佳錨框大小的自適應(yīng)方式。此外，在常用的目標(biāo)檢測(cè)算法中，不同的圖片的寬、高比是不同的，因此通常將這些圖像縮放成一樣的尺寸在送入模型訓(xùn)練，這樣會(huì)損失信息。通常采用縮放填充來(lái)解決這一問(wèn)題，但存在填充較多帶來(lái)的信息冗余問(wèn)題，并對(duì)降緩?fù)评硭俣取OLOv5對(duì)原始圖像采用自適應(yīng)添加最少的黑邊，來(lái)解決這一問(wèn)題；主干網(wǎng)絡(luò)設(shè)計(jì)了2種CSP結(jié)構(gòu)，具體如圖5所示。頸部采用FPN+PAN[21]的結(jié)構(gòu)，同時(shí)借鑒了CSPnet設(shè)計(jì)的CSP2結(jié)構(gòu)，加強(qiáng)了網(wǎng)絡(luò)多感受野特征融合的能力；輸出端部分YOLOv5使用CIOU作為回歸框的損失函數(shù)，并采用加權(quán)非極大值抑制進(jìn)行后處理。

圖5 YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.5 YOLOv5 network structure diagram

2.2 SwinTransformer模塊介紹

SwinTransformer網(wǎng)絡(luò)結(jié)構(gòu)，具體如圖6所示。

圖6 SwinTransformer網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.6 SwinTransformer network structure diagram

SwinTransformer采用層次化的設(shè)計(jì)，包含4個(gè)狀態(tài)，每一個(gè)狀態(tài)都會(huì)擴(kuò)大特征圖的感受野，在輸入端將圖片切塊，然后做嵌入；在每一個(gè)狀態(tài)里由切塊圖的融合和多個(gè)子結(jié)構(gòu)組成，其中切塊圖的融合是為了在每個(gè)狀態(tài)開(kāi)始前降低圖片的分辨率；每一個(gè)子結(jié)構(gòu)的具體結(jié)構(gòu)主要是由歸一化層、多層感知機(jī)、窗口注意力機(jī)制、滑動(dòng)窗口注意力機(jī)制組成。SwinTransformer在輸入進(jìn)入子結(jié)構(gòu)前，需要將圖片切塊，然后嵌入向量，具體做法是對(duì)原始圖片進(jìn)行裁剪，裁剪為長(zhǎng)寬均為塊長(zhǎng)度的窗口大小，此處可以通過(guò)步長(zhǎng)和卷積核均設(shè)置為塊長(zhǎng)度的大小，窗口注意力機(jī)制是關(guān)鍵，傳統(tǒng)的Transformer都是基于全局來(lái)計(jì)算注意力，因此時(shí)間復(fù)雜度很高。而SwinTransformer將注意力的計(jì)算限制在每個(gè)窗口內(nèi)，減少了計(jì)算量；但窗口注意力機(jī)制是在每個(gè)窗口下計(jì)算注意力，不同的窗口之間沒(méi)有進(jìn)行注意力的計(jì)算。為了更好的和其他窗口進(jìn)行交互，引入了滑動(dòng)窗口的操作，通過(guò)對(duì)特征圖移位并給注意力設(shè)置掩碼來(lái)間接實(shí)現(xiàn)不同窗口的注意力計(jì)算。

2.3 跨尺度連接的特征金字塔網(wǎng)絡(luò)介紹

跨尺度連接比較，具體如圖7所示。

(a)特征金字塔網(wǎng)絡(luò)(FPN)

多尺度特征融合的目的是對(duì)不同分辨率下的特征進(jìn)行聚合。在之前的研究中，比如FPN已經(jīng)指出了不同層之間特征融合的重要性，并且用了一種比較簡(jiǎn)單的把底層的特征乘以一定的倍數(shù)和淺層相加來(lái)融合的方法，具體如圖7(a)所示。之后，人們也試了各種別的融合方法，比如圖7(b)所示的PANet采用先自底向上連，再自頂向下連接的方法[21]；圖7(c)展示的NAS-FPN則采用了神經(jīng)架構(gòu)搜索的方法來(lái)實(shí)現(xiàn)更佳的跨尺度連接，但是計(jì)算開(kāi)銷(xiāo)非常大，并且發(fā)現(xiàn)的網(wǎng)絡(luò)不規(guī)則，難以解釋或修改。上述都是一些人工各種連接的設(shè)計(jì)，包含卷積、求和、拼接、改變圖像大小、跳躍連接等操作。

為了提高模型的效率，有學(xué)者提出一種新的跨尺度連接方法，具體如圖7(d)所示。首先，刪除那些只有一個(gè)輸入邊的節(jié)點(diǎn)，因?yàn)槿绻粋€(gè)節(jié)點(diǎn)只有一條輸入邊而沒(méi)有特征融合的話，那么它對(duì)融合不同特征的特征網(wǎng)絡(luò)的貢獻(xiàn)其實(shí)會(huì)很小；其次，添加一個(gè)跳躍連接，在同一尺度的輸入節(jié)點(diǎn)到輸出節(jié)點(diǎn)之間加一個(gè)跳躍連接，因?yàn)樗鼈冊(cè)谙嗤瑢樱诓辉黾犹嘤?jì)算成本的同時(shí)，融合了更多的特征；最后，把每個(gè)自頂向下和自底向上的路徑看作是一個(gè)特征網(wǎng)絡(luò)層，同時(shí)，同一層多次重復(fù)，以此來(lái)實(shí)現(xiàn)更高層次的特征融合[22]。

3 實(shí)驗(yàn)及結(jié)果分析

我們使用GDxray Weld[10]公開(kāi)數(shù)據(jù)集中的60張圖像和中車(chē)公司的20張圖像作為數(shù)據(jù)集，按照0.6∶0.2∶0.2的比例劃分訓(xùn)練集、測(cè)試集和驗(yàn)證級(jí)，標(biāo)簽分為焊縫、缺陷、氣泡3個(gè)類(lèi)別，使用預(yù)測(cè)類(lèi)別準(zhǔn)確率(Precision)、平均精確度(mAP)來(lái)衡量模型的表現(xiàn)。

3.1 實(shí)驗(yàn)細(xì)節(jié)描述

模型運(yùn)行在Pytorch1.11上，所有模型都在NVIDIA Tesla M40上進(jìn)行訓(xùn)練和測(cè)試。在訓(xùn)練階段，用了部分來(lái)自YOLOv5s預(yù)訓(xùn)練的的權(quán)重，因?yàn)閮H改變了部分層，沒(méi)有把結(jié)構(gòu)全部改變，有很多權(quán)重是可以從YOLOv5s向模型轉(zhuǎn)移的，這樣可以節(jié)省大量的訓(xùn)練時(shí)間。

由于訓(xùn)練集比較小，因此只在訓(xùn)練集上訓(xùn)練100個(gè)循環(huán)的模型，前2個(gè)循環(huán)用于熱身。在優(yōu)化器上使用ADAM進(jìn)行訓(xùn)練，并使用3×10-4作為余弦學(xué)習(xí)率的初始學(xué)習(xí)率。最后一個(gè)循環(huán)學(xué)習(xí)率會(huì)衰減到初始學(xué)習(xí)率的0.12。

3.2 數(shù)據(jù)分析

根據(jù)先前的經(jīng)驗(yàn)，數(shù)據(jù)分析是很重要的一個(gè)步驟，對(duì)數(shù)據(jù)進(jìn)行全方面的分析往往會(huì)對(duì)結(jié)果的提升帶來(lái)較大的幫助；圖8為數(shù)據(jù)分析圖。

圖8 數(shù)據(jù)分析圖Fig.8 Data analysis chart

從圖8可以看出，分析了數(shù)據(jù)集中的回歸框的類(lèi)別分布和尺寸分布，有1 386個(gè)缺陷，721個(gè)氣泡，191個(gè)焊縫區(qū)域，且大量的回歸框集中寬、高尺寸均小于0.2的部分。因此，重點(diǎn)為一些小目標(biāo)的檢測(cè)。

3.3 實(shí)驗(yàn)結(jié)果比較

本設(shè)計(jì)的焊縫識(shí)別方法和之前方法對(duì)比結(jié)果，具體如表2所示。

表2 焊縫識(shí)別方法對(duì)比結(jié)果Tab.2 Comparison results of weld identification methods

由表2可知，實(shí)驗(yàn)共設(shè)置了10個(gè)組，分別使用YOLOv5s(640)、YOLOv5s(1280)、YOLOv5m(640)、YOLOv5m(1280)、YOLOv5l(640)、YOLOv5l(1280)、YOLOv5x(640)、YOLOv5x(1280)、基于SwinTransformer的YOLOv5s(640)、基于SwinTransformer的YOLOv5s(640)這些模型來(lái)進(jìn)行訓(xùn)練，其中括號(hào)內(nèi)的數(shù)字表示圖片統(tǒng)一縮放后的大小，訓(xùn)練完成后分別保存最好的權(quán)重文件用來(lái)做推斷。

3.4 實(shí)驗(yàn)結(jié)果可視化

圖9、圖10分別展示了部分測(cè)試集的真實(shí)標(biāo)注和測(cè)試集的模型預(yù)測(cè)結(jié)果，通過(guò)比較模型預(yù)測(cè)結(jié)果和真實(shí)標(biāo)注，可以看到模型在回歸框生成和類(lèi)別預(yù)測(cè)方面準(zhǔn)確率方面做得都比較好。

圖9 測(cè)試集的標(biāo)準(zhǔn)值Fig.9 Standard value of the test set

圖10 測(cè)試集的預(yù)測(cè)效果Fig.10 Prediction effect of the test set

3.5 實(shí)驗(yàn)結(jié)果分析

由表2可知，(1)對(duì)于焊縫檢測(cè)任務(wù)，在僅有不到100張圖像的數(shù)據(jù)量下，分類(lèi)性能可以達(dá)到94.63%，平均精準(zhǔn)度可以達(dá)到69.82%。(2)如果對(duì)圖片做較小尺寸的縮放，會(huì)損失大量的信息，說(shuō)明輸入圖片的縮放尺寸在合適范圍內(nèi)越大越好。(3)在模型結(jié)構(gòu)相同的情況下，一般來(lái)說(shuō)模型越大效果會(huì)越好；但這并不絕對(duì)，這是因大參數(shù)量的模型需要大量數(shù)據(jù)來(lái)訓(xùn)練，否則難以收斂。(4)提出的模型改進(jìn)方案在2項(xiàng)評(píng)價(jià)指標(biāo)上都有較好表現(xiàn)，但需要更多的數(shù)據(jù)才能展現(xiàn)其優(yōu)越的性能。

4 結(jié)語(yǔ)

本設(shè)計(jì)在YOLOv5中添加了一些前沿技術(shù)，如Swintransformer、Bi-FPN和一些經(jīng)驗(yàn)豐富的技巧，在焊縫檢測(cè)的任務(wù)上取得了不錯(cuò)的表現(xiàn)，該檢測(cè)器尤其適用于焊縫檢測(cè)場(chǎng)景下的小目標(biāo)缺陷檢測(cè)。嘗試了大量功能，并使用其中一些功能來(lái)提高目標(biāo)檢測(cè)器的準(zhǔn)確性。未來(lái)希望在擴(kuò)大數(shù)據(jù)集的基礎(chǔ)上進(jìn)一步驗(yàn)證提出模型的優(yōu)越性，同時(shí)開(kāi)展無(wú)監(jiān)督方向的研究；希望本文能為開(kāi)發(fā)者和研究人員在分析和處理焊縫檢測(cè)場(chǎng)景方面提供更多的幫助。