鐘嘉俊，賀德強(qiáng)，苗劍，陳彥君，姚曉陽(yáng)

基于改進(jìn)Faster R-CNN的地鐵車輛焊縫缺陷檢測(cè)

鐘嘉俊1，賀德強(qiáng)1，苗劍1，陳彥君1，姚曉陽(yáng)2

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

地鐵列車的焊接缺陷嚴(yán)重威脅到列車運(yùn)行安全，針對(duì)目前地鐵車輛鋁合金車體焊縫檢測(cè)存在漏檢錯(cuò)檢問(wèn)題，提出一種基于改進(jìn)Faster R-CNN識(shí)別焊縫缺陷的方法。運(yùn)用ABAQUS對(duì)鋁合金車體焊縫缺陷進(jìn)行建模仿真，獲得多組同類缺陷信號(hào)圖?；贔aster R-CNN框架對(duì)缺陷進(jìn)行分類，并引入U(xiǎn)net模型和Resnet模型對(duì)原始Faster R-CNN框架進(jìn)行改進(jìn)，以提高識(shí)別精度。對(duì)人為添加噪聲的信號(hào)圖進(jìn)行檢測(cè)，以驗(yàn)證本文模型的魯棒性。研究結(jié)果表明：改進(jìn)后的模型對(duì)于鋁合金車體焊縫缺陷檢測(cè)具有更高的識(shí)別率和魯棒性。

地鐵車輛；Faster R-CNN；無(wú)損檢測(cè)；Lamb波；焊縫缺陷

鋁合金具有高強(qiáng)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(guò)程具有更多的難點(diǎn)，在進(jìn)行鋁合金焊接時(shí)，鋁材容易膨脹變形。攪拌摩擦焊技術(shù)的出現(xiàn)降低了焊接鋁材殘次品的概率，但是攪拌摩擦焊技術(shù)也會(huì)產(chǎn)生未焊透、氣孔等缺陷[1?5]。目前對(duì)于鋁材缺陷的檢測(cè)，主要依靠人工檢測(cè)，檢測(cè)效率低下并且容易出現(xiàn)誤判和漏判，為解決人工檢測(cè)方法的局限性，人工智能算法開始應(yīng)用于無(wú)損檢測(cè)領(lǐng)域[6?7]。WAN等[8]探討了動(dòng)態(tài)電阻和焊縫焊接質(zhì)量的關(guān)系，提出隨著焊接電流變大，電阻下降，焊接質(zhì)量和最終電阻大小有直接關(guān)系。Nirbhay等[9]探討了微裂紋對(duì)Lamb波傳播的影響，提出焊縫存在微裂紋時(shí)，Lamb波的偶次諧波會(huì)隨著傳播距離振幅增長(zhǎng)。Kim等[10]利用超聲波相控陣對(duì)奧氏體不銹鋼的焊縫進(jìn)行檢測(cè)，對(duì)焊縫內(nèi)部的人工缺陷能夠精確識(shí)別并定位。超聲波缺陷檢測(cè)技術(shù)已受到國(guó)內(nèi)外學(xué)者廣泛關(guān)注，研究成果表明該方法可實(shí)現(xiàn)缺陷的識(shí)別，但目前未考慮對(duì)缺陷進(jìn)行定量分析。圖像數(shù)據(jù)提取技術(shù)已被研究人員用于焊縫檢測(cè)，陳堯等[11]利用PCI算法對(duì)TOFD圖像的數(shù)據(jù)進(jìn)行提取，通過(guò)動(dòng)態(tài)加權(quán)處理改善TOFD圖像像素，增強(qiáng)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(zhǔn)定位缺陷位置。有研究學(xué)者關(guān)注超聲波傳播失真造成的定位誤差，Metwally等[12]使用時(shí)間反轉(zhuǎn)法與聚焦法，恢復(fù)超聲波在不同介質(zhì)中傳播所造成的失真，進(jìn)行拓?fù)涑上窈竽芫珳?zhǔn)定位缺陷位置。近年來(lái)，隨著人工智能技術(shù)的發(fā)展，國(guó)內(nèi)外學(xué)者開始把人工智能技術(shù)和焊接檢測(cè)結(jié)合起來(lái)，Murta等[13]利用機(jī)器學(xué)習(xí)算法對(duì)焊縫TOFD檢測(cè)信號(hào)圖進(jìn)行分類，實(shí)驗(yàn)表明能夠把未焊透缺陷和氣孔缺陷的分類準(zhǔn)確率達(dá)到85%。Muniategui等[14]開發(fā)了一種深度學(xué)習(xí)方法，通過(guò)應(yīng)用模糊分類算法，能夠加快從點(diǎn)焊生產(chǎn)圖提取特征的速度并且降低圖片儲(chǔ)存要求。CHU等[15]利用機(jī)器學(xué)習(xí)的方法，對(duì)使用激光探測(cè)的焊接缺陷進(jìn)行分類處理，通過(guò)中值濾波器分割提取特征，實(shí)驗(yàn)表明檢測(cè)精度符合焊接質(zhì)量檢測(cè)要求。楊敬等[16]針對(duì)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(guò)全聚焦成像法對(duì)焊縫缺陷進(jìn)行定位。Nowers等[17]使用A*路徑尋找算法對(duì)超聲波傳播路徑進(jìn)行追蹤，研究不同缺陷下的焊縫各向異性分布的振幅，實(shí)驗(yàn)結(jié)果表明他們研究的模型能夠有效模擬各向異性?shī)W氏體不銹鋼焊縫。ZHANG等[18]使用超聲波聚焦技術(shù)，驗(yàn)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(wèn)題。彭鴿等[20]研究了Lamb波對(duì)材料進(jìn)行缺陷檢測(cè)時(shí)對(duì)傳感器位置優(yōu)化的思路?，F(xiàn)階段對(duì)使用鋁合金攪拌摩擦焊技術(shù)的焊縫進(jìn)行質(zhì)量檢測(cè)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(guò)程中，如果出現(xiàn)摩擦熱輸出不足或者焊接速度過(guò)快，就會(huì)造成鋁材和焊條的不完全連接，從而產(chǎn)生裂痕缺陷；鋁材表面有氧化膜則會(huì)導(dǎo)致鋁合金焊接出現(xiàn)氣孔。本文針對(duì)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(jìn)行主動(dòng)激發(fā)檢測(cè)，結(jié)合深度學(xué)習(xí)圖像分類的方法，對(duì)缺陷進(jìn)行定量分析。

1 Lamb波特性和鋁型材建模

超聲Lamb波檢測(cè)是超聲波無(wú)損檢測(cè)的一種檢測(cè)方式，因其能一處激發(fā)大面積傳播，所以Lamb波檢測(cè)相對(duì)于常規(guī)檢測(cè)方式具有快速、高效的特點(diǎn)，適合對(duì)板狀結(jié)構(gòu)進(jìn)行無(wú)損檢測(cè)。ABAQUS可以進(jìn)行許多工程領(lǐng)域問(wèn)題的分析，例如熱傳導(dǎo)、質(zhì)量擴(kuò)散、聲學(xué)分析、壓電介質(zhì)分析，其可以仿真超聲波Lamb波在鋁型材的傳播過(guò)程。本次仿真在使用有限元仿真軟件ABAQUS仿真焊接缺陷時(shí)，每次仿真只設(shè)計(jì)一種人工焊接缺陷，進(jìn)行多次仿真，以獲得同類缺陷的不同缺陷信號(hào)圖。

1.1 Lamb波頻散特性

Lamb波有對(duì)稱模式和反對(duì)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(tài)波的相速度、群速度和頻率互相的關(guān)系，能夠極大的方便仿真參數(shù)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L(zhǎng)amb波的相速度和群速度。根據(jù)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(duì)稱和反對(duì)稱模式。利用圖解法和二分法，用c，c和c將整個(gè)區(qū)間分為4個(gè)區(qū)，分別對(duì)對(duì)稱模態(tài)和反對(duì)稱模態(tài)進(jìn)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(shè)計(jì)；(b) 鋁型材氣孔缺陷示例；(c) 裂縫缺陷示例；(d) Lamb波衍射現(xiàn)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(jìn)行仿真，6082鋁材特性如表1所示，能夠模擬真實(shí)情況下6082鋁材出現(xiàn)缺陷時(shí)的信號(hào)圖特點(diǎn)。

利用正弦信號(hào)加載窗函數(shù)對(duì)正弦信號(hào)進(jìn)行數(shù)據(jù)提取，以獲得Lamb波數(shù)據(jù)，Lamb波激勵(lì)信號(hào)為：

式中：f為激勵(lì)信號(hào)的中心頻率；為激勵(lì)信號(hào)傳播時(shí)間；為正弦波周期。

激勵(lì)信號(hào)中心頻率為150 kHz時(shí)，信號(hào)能量較為集中，因此本文選取中心頻率為150 kHz經(jīng)漢寧窗調(diào)制的五周期正弦波信號(hào)為激勵(lì)信號(hào)，在MATLAB軟件中構(gòu)建的激勵(lì)信號(hào)以表格的形式導(dǎo)入ABAQUS中。

表1 6082鋁材料特性

1.3 焊縫缺陷特征

通過(guò)ABAQUS軟件構(gòu)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(gòu)建長(zhǎng)300 mm，寬200 mm，厚度4 mm的長(zhǎng)方形局部鋁合金區(qū)域。激勵(lì)信號(hào)設(shè)置在鋁型材的處，接收傳感器設(shè)置在B處。在鋁型材上按照?qǐng)D2(a)所示*位置設(shè)置氣孔，在*位置上交替設(shè)置氣孔缺陷，缺陷直徑分別為2 mm和3 mm，一共設(shè)置28個(gè)不同位置、不同大小直徑的氣孔。每次仿真只設(shè)置一個(gè)氣孔缺陷，結(jié)合尺寸和位置，如圖2(b)氣孔例子所示，可以生成28個(gè)不同的模擬氣孔仿真信號(hào)圖。

在鋁型材上按照?qǐng)D2(a)所示*位置設(shè)置裂縫，在*位置上交替設(shè)置裂縫缺陷，缺陷長(zhǎng)度為10 mm和12 mm，裂縫寬度設(shè)置為長(zhǎng)度的十分之一。設(shè)置28個(gè)不同位置、不同大小直徑的裂縫。每次仿真設(shè)置一個(gè)裂縫缺陷，如圖2(c)裂縫缺陷例子所示，可以生成28個(gè)不同的模擬裂縫仿真信號(hào)圖。

根據(jù)惠更斯原理，當(dāng)鋁型材出現(xiàn)缺陷時(shí)，Lamb波傳播經(jīng)過(guò)缺陷位置會(huì)發(fā)生衍射現(xiàn)象。此時(shí)裂縫缺陷位置可以近似看成一個(gè)新的波源，由于裂縫一般小于波長(zhǎng)，所以會(huì)發(fā)生較為明顯的衍射現(xiàn)象。如圖2(d)所示，衍射后傳感器接收到3個(gè)波峰信號(hào)：激勵(lì)波信號(hào)、缺陷發(fā)生的衍射反射信號(hào)、邊界反射 信號(hào)。

(a) 正常鋁型材信號(hào)圖；(b) 裂縫缺陷信號(hào)圖；(c) 氣孔缺陷信號(hào)圖

圖3(a)為正常鋁型材的信號(hào)圖，圖3(b)中顯示裂縫缺陷傳感器接收到的3個(gè)波。激勵(lì)波在經(jīng)過(guò)裂縫缺陷時(shí)發(fā)生反射，裂縫缺陷的第一個(gè)到達(dá)波的幅值比正常鋁型材的第1個(gè)到達(dá)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(duì)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(duì)比試驗(yàn)，圖3(c)為氣孔缺陷信號(hào)圖。通過(guò)對(duì)比兩信號(hào)圖發(fā)現(xiàn)：氣孔信號(hào)圖的第1個(gè)到達(dá)波的幅值比裂縫缺陷的第1個(gè)到達(dá)波的幅值大，第2個(gè)到達(dá)波的幅值相等，沒(méi)有第3個(gè)到達(dá)波。產(chǎn)生這一現(xiàn)象的原因是氣孔缺陷本身體積小，激勵(lì)波在傳播經(jīng)過(guò)氣孔缺陷時(shí)發(fā)生反射的波少，第1個(gè)到達(dá)波因?yàn)榧?lì)波傳播經(jīng)過(guò)氣孔缺陷過(guò)程中反射少，能量損失少，所以氣孔的第1個(gè)到達(dá)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(dá)波。氣孔缺陷上的第1個(gè)波和第2個(gè)波均小于正常鋁型材上傳感器收集到的2個(gè)波。

2 圖像分類算法

數(shù)據(jù)集采用2種不同算法進(jìn)行分類：YOLO V2算法，YOLO V2在保證識(shí)別速度的情況下，識(shí)別準(zhǔn)確率高，YOLO V2框架簡(jiǎn)單，在進(jìn)行訓(xùn)練時(shí)花費(fèi)時(shí)間少，訓(xùn)練速度快；Faster R-CNN算法，F(xiàn)aster R-CNN在優(yōu)先保證高準(zhǔn)確率的情況下，識(shí)別速度較快，訓(xùn)練時(shí)間比YOLO V2長(zhǎng)。

傳感器接收到的缺陷信號(hào)圖相較于光學(xué)圖像有以下特點(diǎn)：1) 從圖像顏色分析，缺陷信號(hào)圖是以白色為底，藍(lán)色線條構(gòu)造出波峰和波谷。沒(méi)有光學(xué)圖像那么豐富的色彩信息，也沒(méi)有多姿多彩的不同背景。進(jìn)行訓(xùn)練時(shí)模型需要考慮魯棒性，避免過(guò)擬合。2) 缺陷信號(hào)圖沒(méi)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(hào)圖的識(shí)別區(qū)域固定、信號(hào)類似，使用傳統(tǒng)圖像識(shí)別算法容易出現(xiàn)過(guò)擬合。

Faster R-CNN算法分為2部分，一部分為RPN網(wǎng)絡(luò)提取感興趣的區(qū)域；另一部分為Fast R-CNN目標(biāo)檢測(cè)模塊損失函數(shù)：

圖4 Faster R-CNN算法流程圖

3 數(shù)據(jù)處理

3.1 數(shù)據(jù)集的構(gòu)建與評(píng)價(jià)指標(biāo)

進(jìn)行模型訓(xùn)練前，首先把用于訓(xùn)練的缺陷信號(hào)圖利用批量重命名程序統(tǒng)一命名為一串6位數(shù)的數(shù)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(duì)信號(hào)圖使用基于pyqt4的工具進(jìn)行標(biāo)注，每標(biāo)注一個(gè)信號(hào)圖，會(huì)生成相應(yīng)的XML文件。信號(hào)圖和XML文件一一對(duì)應(yīng)。XML文件記錄了對(duì)應(yīng)圖片的作者、文件名、數(shù)據(jù)庫(kù)來(lái)源、類別和bounding box坐標(biāo)信息。將標(biāo)注好的信號(hào)圖，使用python程序進(jìn)行隨機(jī)分配到訓(xùn)練集、驗(yàn)證集和測(cè)試集，訓(xùn)練集+驗(yàn)證集占整體數(shù)據(jù)集的70%，測(cè)試集占整體數(shù)據(jù)集的30%，訓(xùn)練集占訓(xùn)練集+驗(yàn)證集里的50%，驗(yàn)證集占訓(xùn)練集+驗(yàn)證集里的50%。具體分配情況可見表2。

表2 數(shù)據(jù)集中數(shù)據(jù)分配

針對(duì)氣孔和裂縫的識(shí)別，將測(cè)試集的結(jié)果分為4類，TP表示正確識(shí)別的正類樣本數(shù)(當(dāng)判定缺陷識(shí)別結(jié)果為氣孔時(shí)，實(shí)際缺陷是氣孔；當(dāng)判定缺陷識(shí)別結(jié)果為裂縫時(shí)，實(shí)際缺陷是裂縫)，TN表示正確識(shí)別的負(fù)樣本數(shù)(當(dāng)判定缺陷識(shí)別結(jié)果不包含氣孔時(shí)，實(shí)際缺陷不是氣孔；當(dāng)判定缺陷識(shí)別結(jié)果不包含裂縫時(shí)，實(shí)際缺陷不是裂縫)，F(xiàn)P表示錯(cuò)誤識(shí)別的正樣本數(shù)(當(dāng)判定缺陷識(shí)別結(jié)果為氣孔時(shí)，實(shí)際缺陷不是氣孔；當(dāng)判定缺陷識(shí)別結(jié)果為裂縫時(shí)，實(shí)際缺陷不是裂縫)，F(xiàn)N表示錯(cuò)誤識(shí)別的負(fù)樣本數(shù)(當(dāng)判定缺陷識(shí)別結(jié)果不是氣孔時(shí)，實(shí)際缺陷是氣孔；當(dāng)判定缺陷識(shí)別結(jié)果不含有裂縫時(shí)，實(shí)際缺陷是裂縫)。模型評(píng)價(jià)使用準(zhǔn)確率()，精準(zhǔn)率()和召回率()3個(gè)評(píng)價(jià)指標(biāo)對(duì)模型進(jìn)行評(píng)價(jià)，三者計(jì)算的公式如下：

3.2 模型訓(xùn)練

開發(fā)環(huán)境建立在深度學(xué)習(xí)框架Pytorch上，模型訓(xùn)練和測(cè)試使用YOLO V2框架和Faster R-CNN框架，均為Python版本，使用大型神經(jīng)網(wǎng)絡(luò)VGG-16和ResNet-50作為基本網(wǎng)絡(luò)模型，目標(biāo)檢測(cè)框架基于Faster RCNN，在此基礎(chǔ)上作了改進(jìn)。整個(gè)訓(xùn)練使用1塊GeForce GTX 1060，通過(guò)SGD優(yōu)化，累計(jì)訓(xùn)練5個(gè)epoch。學(xué)習(xí)率為0.001，當(dāng)loss值連續(xù)3次出現(xiàn)迭代后反而增加時(shí)，自動(dòng)將0.1*當(dāng)前學(xué)習(xí)率繼續(xù)迭代，當(dāng)學(xué)習(xí)率為0.00001時(shí)會(huì)自動(dòng)提前終止訓(xùn)練。Batch size設(shè)定為4，動(dòng)量設(shè)為0.9。

3.3 與其他網(wǎng)絡(luò)框架的對(duì)比

YOLO V2框架使用的模型為DarkNet，訓(xùn)練10個(gè)epoch。表3列舉了YOLO V2模型，F(xiàn)aster R-CNN模型，F(xiàn)aster R-CNN-ResNet50模型和本文基于Faster R-CNN改進(jìn)后的框架的對(duì)比，其中YOLO V2使用的網(wǎng)絡(luò)為DarkNet，F(xiàn)aster R-CNN使用的網(wǎng)絡(luò)為VGG16，F(xiàn)aster R-CNN-ResNet50使用的網(wǎng)絡(luò)為Resnet50，本文改進(jìn)的模型使用的網(wǎng)絡(luò)為基于Resnet改進(jìn)的U-net模型Res-Unet。

表3 模型性能及仿真結(jié)果

由表3中可知，YOLO V2識(shí)別速度最快，但準(zhǔn)確率最低。因?yàn)閅OLO V2網(wǎng)絡(luò)將檢測(cè)問(wèn)題轉(zhuǎn)化成了回歸問(wèn)題，不同于Faster R-CNN先通過(guò)一個(gè)RPN網(wǎng)絡(luò)提取框，再進(jìn)行分類；YOLO V2直接使用7*7網(wǎng)格對(duì)圖片進(jìn)行劃分，每個(gè)網(wǎng)格輸出預(yù)測(cè)兩類物體的概率，最后綜合所有網(wǎng)格的輸出結(jié)果進(jìn)行分類。并且Faster R-CNN網(wǎng)絡(luò)檢測(cè)使用滑動(dòng)窗口機(jī)制，最終檢測(cè)出的物體候選區(qū)域遠(yuǎn)多于YOLO V2網(wǎng)絡(luò)，所以Faster R-CNN網(wǎng)絡(luò)檢測(cè)精度高于YOLO V2，檢測(cè)速度則慢于YOLO V2。通過(guò)Faster R-CNN模型和YOLO模型的比較，F(xiàn)aster R-CNN模型充分發(fā)揮了其性能，其在圖像特征提取和對(duì)數(shù)據(jù)進(jìn)行分類方面具有潛力，體現(xiàn)了其具有更好的泛化性。

為進(jìn)一步測(cè)試本文改進(jìn)的Faster R-CNN的性能，本文詳細(xì)對(duì)比了3種Faster R-CNN模型對(duì)每個(gè)缺陷的識(shí)別效果，結(jié)果如表4所示。

綜上所述，F(xiàn)aster R-CNN-Res-Unet相比Faster R-CNN，YOLO V2和Faster R-CNN-ResNet50，提升了準(zhǔn)確率、精確率和召回率，ResNet50相比于VGG16有著更深的網(wǎng)絡(luò)，準(zhǔn)確率更高，Res-Unet相對(duì)于ResNet50顯著提升了識(shí)別速度。在對(duì)目標(biāo)圖形分辨率為3216*2461的情況下，識(shí)別速度為42 ms一張，在需要保證高準(zhǔn)確率的情況下，能夠滿足實(shí)際中快節(jié)奏生產(chǎn)的要求。

表4 模型檢測(cè)精度對(duì)比

測(cè)試圖片經(jīng)過(guò)算法識(shí)別后，部分識(shí)別結(jié)果統(tǒng)計(jì)如圖5所示。將人為添加噪聲后的缺陷信號(hào)曲線使用Faster R-CNN識(shí)別，在沒(méi)有預(yù)先進(jìn)行添加噪聲訓(xùn)練的情況下，能夠識(shí)別出裂縫缺陷，證明本次訓(xùn)練模型具有較強(qiáng)的魯棒性。

(a) 氣孔缺陷；(b) 裂縫缺陷；(c) 噪聲裂縫缺陷

4 結(jié)論

1) 使用Unet模型和Resnet模型作為特征提取器改進(jìn)原始Faster R-CNN模型，改進(jìn)后的模型具有更深的神經(jīng)網(wǎng)絡(luò)，對(duì)檢測(cè)信號(hào)特征提取能力更好。將改進(jìn)后的模型對(duì)6082鋁材裂痕缺陷信號(hào)圖和氣孔缺陷信號(hào)圖進(jìn)行檢測(cè)，識(shí)別率達(dá)到97%，與原始Faster R-CNN模型相比，準(zhǔn)確率提升8%，精準(zhǔn)率提升5%，召回率提升7%。

2) 改進(jìn)后的模型可以消除噪聲的影響，實(shí)現(xiàn)鋁型材的缺陷檢測(cè)，適用于軌道交通車輛焊縫缺陷檢測(cè)。

3) 在實(shí)際Lamb波檢測(cè)中，傳感器和被測(cè)件會(huì)存在耦合不一致，各被測(cè)件的信號(hào)圖不可避免的存在差異，后續(xù)工作將進(jìn)一步減弱這些因素的影響，提高檢測(cè)的魯棒性。

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

[2] 徐國(guó)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(xué)性能及腐蝕性能[J]. 中國(guó)有色金屬學(xué)報(bào), 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(huì)杰, 李金全, 段衛(wèi)軍. 靜止軸肩攪拌摩擦焊的研究進(jìn)展[J]. 焊接學(xué)報(bào), 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(hào)特征與質(zhì)量評(píng)價(jià)方法[D]. 哈爾濱: 哈爾濱工業(yè)大學(xué), 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(jī)的焊縫缺陷類型識(shí)別研究[J]. 現(xiàn)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(cè)研究[J]. 機(jī)械工程學(xué)報(bào), 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(xué)學(xué)報(bào), 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(cè)系統(tǒng)圖像處理和成像技術(shù)的研究[D]. 天津: 天津大學(xué), 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(dòng)Lamb波監(jiān)測(cè)技術(shù)中的傳感元件優(yōu)化布置研究[J]. 航空學(xué)報(bào), 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(guó)家自然科學(xué)基金資助項(xiàng)目(51765006)；廣西自然科學(xué)基金重點(diǎn)資助項(xiàng)目(2017JJD150010)

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

(編輯 蔣學(xué)東)