彭伊娟 王振超 張秋菊

(1 江南大學(xué)機(jī)械工程學(xué)院 無錫 214122)

(2 羅森博格(無錫)管道技術(shù)有限公司 無錫 214161)

0 引言

管道運(yùn)輸多用于液體和氣體物資的長(zhǎng)距離輸送，在聚乙烯(Polyethylene,PE)管道的熱熔對(duì)接過程中，受到工藝、設(shè)備、環(huán)境等因素的不良影響，易在熱熔接頭處產(chǎn)生各種各樣的缺陷(如氣孔、夾雜、裂紋等)。這些缺陷容易導(dǎo)致熔接接頭質(zhì)量不佳而發(fā)生泄漏和破壞，是整個(gè)PE 管道中最薄弱的地方，極大地影響著PE 管道的安全使用。這就需要對(duì)管道接頭內(nèi)部缺陷進(jìn)行有效的檢測(cè)，及時(shí)發(fā)現(xiàn)存在的安全隱患。目前，PE管道熱熔接頭的無損檢測(cè)方法主要有X 射線檢測(cè)[1]、紅外熱成像檢測(cè)和超聲檢測(cè)(衍射時(shí)差法和超聲相控陣)等[2]。超聲檢測(cè)是近年來較為有效的無損檢測(cè)方法。傳統(tǒng)的超聲波檢測(cè)受到PE 管表面多次反射回波信號(hào)的干擾，并且由于PE 材料具有聲波衰減性，PE 熱熔接頭缺陷識(shí)別很難實(shí)現(xiàn)，而超聲相控陣檢測(cè)技術(shù)能夠?qū)崿F(xiàn)聲束偏轉(zhuǎn)以及聲束集中，所以能夠很好地克服這一困難[3]。

不同種類的缺陷具有不同的失效形式，因此在對(duì)PE 管道熱熔接頭進(jìn)行超聲相控陣檢測(cè)時(shí)，需要根據(jù)超聲相控陣圖譜識(shí)別出缺陷的種類。采用人工形式對(duì)超聲相控陣檢測(cè)圖像中的缺陷評(píng)定往往存在誤差且效率不高，隨著計(jì)算機(jī)技術(shù)的發(fā)展，傳統(tǒng)的圖像處理方法被廣泛使用。費(fèi)學(xué)智等[4]通過分析目標(biāo)缺陷軌跡和缺陷自身的面積來綜合判斷是否為真實(shí)缺陷。Rostami等[5]對(duì)PE 管電熔接頭超聲圖譜的數(shù)字格式采用形態(tài)學(xué)技術(shù)重新構(gòu)建圖像來補(bǔ)充缺失信息，從而實(shí)現(xiàn)目標(biāo)特征分區(qū)，但未能實(shí)現(xiàn)特征缺陷的識(shí)別。然而上述采用圖像處理的方法對(duì)含有多種缺陷的PE 管道熱熔接頭未能進(jìn)行有效識(shí)別。

近年來隨著深度學(xué)習(xí)的迅速發(fā)展，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法在效率和精度上相較于傳統(tǒng)的圖像檢測(cè)方法都有很大提升，逐漸成為國(guó)內(nèi)外學(xué)者的研究熱點(diǎn)。這部分研究主要集中在兩個(gè)方面，一方面是采用特征提取加淺層神經(jīng)網(wǎng)絡(luò)的方法對(duì)檢測(cè)數(shù)據(jù)進(jìn)行分類，另一方面是采用深度學(xué)習(xí)方法，輸入數(shù)據(jù)主要是人工提取的特征值，近年逐漸發(fā)展到自動(dòng)提取特征[6]。

在淺層神經(jīng)網(wǎng)絡(luò)方面，盛雄[7]采用BP 神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)PE 管電熔接頭缺陷圖像檢測(cè)特征區(qū)域的準(zhǔn)確分類以及缺陷識(shí)別。Sambath等[8]對(duì)檢測(cè)到的回波離散小波變換表示缺陷特征向量，并利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類。在深度學(xué)習(xí)方面，要追溯到2014 年，Girshick等[9]將卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural networks,CNN)[10]與目標(biāo)檢測(cè)結(jié)合，提出R-CNN 算法。2015 年，Song等[11]將R-CNN和SPPNet 進(jìn)一步提高，提出Fast-RCNN 算法，在相同的網(wǎng)絡(luò)配置下同時(shí)實(shí)現(xiàn)區(qū)域的特征提取、分類和邊界框回歸。2017 年，Ren等[12]將Fast-RCNN與區(qū)域候選網(wǎng)絡(luò)(Region proposal network,RPN)相結(jié)合，提出Faster-RCNN 算法，實(shí)現(xiàn)端到端的接近實(shí)時(shí)的檢測(cè)，提高檢測(cè)速度與精度。

在超聲缺陷檢測(cè)領(lǐng)域也有不少學(xué)者采用深度學(xué)習(xí)方法進(jìn)行缺陷識(shí)別。Meng等[13]用小波變換系數(shù)來學(xué)習(xí)每個(gè)信號(hào)的有效表示，使用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行炭纖維缺陷檢測(cè)。萬陶磊等[14]提取超聲信號(hào)的無量綱參數(shù)和小波包能量系數(shù)組成多維特征向量，然后利用BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行缺陷檢測(cè)。張重遠(yuǎn)等[15]采用基于相似矩陣的盲源分離方法對(duì)超聲檢測(cè)信號(hào)進(jìn)行預(yù)處理，使用CNN 進(jìn)行信號(hào)識(shí)別。

目前為止，多數(shù)研究者都是采用信號(hào)處理方法來提取特征從而提高缺陷識(shí)別準(zhǔn)確率，然后采用BP 神經(jīng)網(wǎng)絡(luò)來進(jìn)行缺陷分類。本文直接將超聲相控陣采集的超聲D 掃圖作為輸入，針對(duì)超聲D 掃視圖中缺陷小且密集的狀況，以Faster-RCNN網(wǎng)絡(luò)為基礎(chǔ)，采用不同的骨干網(wǎng)絡(luò)結(jié)構(gòu)對(duì)缺陷進(jìn)行檢測(cè)，并對(duì)Faster-RCNN網(wǎng)絡(luò)進(jìn)行優(yōu)化，實(shí)現(xiàn)檢測(cè)能力的提升。

1 Faster-RCNN網(wǎng)絡(luò)介紹

Faster-RCNN 目標(biāo)檢測(cè)模型提出了與RCNN、SPPNet、Fast-RCNN 不一樣的RPN 網(wǎng)絡(luò)模型，該模型突破了Fast-RCNN 在時(shí)間上的性能瓶頸。其網(wǎng)絡(luò)結(jié)構(gòu)圖如圖1所示。

圖1 Faster-RCNN 網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 Structure diagram of Faster-RCNN network

由圖1 可知，F(xiàn)aster-RCNN 可以分為4 個(gè)主要內(nèi)容：

(1) 骨干網(wǎng)絡(luò)(Backbone)。Faster-RCNN 首先使用一組基礎(chǔ)的卷積、激活、池化層用來提取圖像的特征圖。

(2) 區(qū)域候選網(wǎng)絡(luò)(RPN)。輸入特征圖，使用RPN層生成候選框，進(jìn)行是否含有物體的二分類。

(3) 感興趣區(qū)域池化(ROI pooling)。將各個(gè)不同尺寸的特征圖通過ROI pooling 層縮放到同樣大小的特征圖。

(4) 分類以及回歸(Classification and regression)。將大小一致的特征圖送到全連接層，進(jìn)行目標(biāo)的分類并且完成邊界框回歸，獲得檢測(cè)框最終的精確位置。

Faster-RCNN 加入了RPN 層來產(chǎn)生候選框，PRN 層可以和檢測(cè)網(wǎng)絡(luò)共享卷積層，并且可以在每個(gè)位置同時(shí)預(yù)測(cè)目標(biāo)邊界和objectness 得分，實(shí)現(xiàn)了端到端的檢測(cè)，提升了模型精度。然而Faster-RCNN 也存在著一些問題：Faster-RCNN網(wǎng)絡(luò)具有大量的參數(shù)，需要花費(fèi)大量的時(shí)間，容易出現(xiàn)過擬合，此外在卷積過程中小目標(biāo)容易丟失，導(dǎo)致對(duì)小缺陷的識(shí)別效果不佳。

2 改進(jìn)的Faster-RCNN網(wǎng)絡(luò)

超聲相控陣檢測(cè)出的熱熔接頭內(nèi)部D 掃視圖缺陷相較于尋常目標(biāo)識(shí)別對(duì)象，面積小且密集。本文提出了一種基于輕量級(jí)卷積注意力模塊(Convolutional block attention module,CBAM)的Faster-RCNN算法應(yīng)用于超聲相控陣PE 管道熱熔接頭內(nèi)部缺陷檢測(cè)，將深度殘差網(wǎng)絡(luò)(ResNet50)與特征金字塔(Feature pyramid network,FPN)集成形成骨干網(wǎng)絡(luò)，引入通道注意力模塊和空間注意力模塊提高網(wǎng)絡(luò)對(duì)超聲相控陣D 掃圖小缺陷的學(xué)習(xí)能力。

2.1 CBAM

CBAM 是一個(gè)作用于前饋CNN 的注意力模塊，它結(jié)合了通道和空間兩種注意力模塊，相比于只關(guān)注通道的SE 注意力機(jī)制有更好的效果。CBAM以一個(gè)中間特征映射F ∈RC×H×W作為輸入，該模塊將根據(jù)通道維數(shù)ωc ∈R1×1×C和空間維數(shù)MS ∈R1×H×W來推斷注意力圖，然后將注意力圖與輸入特征圖相乘，自適應(yīng)細(xì)化特征[16]，計(jì)算公式見式(1)：

式(1)中：?表示元素級(jí)乘法，F(xiàn)′′是最終特征輸出。圖2顯示了每個(gè)注意力模塊的計(jì)算進(jìn)度。

圖2 CBAM 模塊的結(jié)構(gòu)Fig.2 Structure of CBAM model

通道注意力模塊關(guān)注輸入圖片中有意義的特征信息[17]，如圖2(a)所示。首先將輸入的特征圖經(jīng)過兩個(gè)并行的最大池化層和平均池化層，將特征圖從C×H ×W變?yōu)镃×1×1 的大小。然后經(jīng)過兩層的神經(jīng)網(wǎng)絡(luò)共享全連接層，第一層神經(jīng)元個(gè)數(shù)為C/r(r為減少率)，第二層神經(jīng)元個(gè)數(shù)為C，激活函數(shù)為ReLU。將MLP 輸出特征進(jìn)行element-wise加和操作，再通過一個(gè)sigmoid 激活函數(shù)生成最終的通道注意力特征圖，即MC，計(jì)算公式見式(2)。最后，將MC和輸入特征圖F相乘生成空間注意力模塊的輸入特征F′，見式(1)。

式(2)中，W0∈RC/r×C，W1∈RC×C/r，σ表示sigmoid激活函數(shù)。

空間注意圖是根據(jù)特征間的空間關(guān)系生成的，空間注意模塊主要關(guān)注特征信息的位置[18]，是對(duì)通道注意力的補(bǔ)充，如圖2(b)所示。首先，在通道軸上應(yīng)用平均池化與最大池化來生成兩個(gè)特征圖，F(xiàn)Savg和FSmax，將兩個(gè)特征圖進(jìn)行通道拼接，生成有效的特征描述符，通過卷積層將描述符簡(jiǎn)化為一個(gè)通道。然后使用sigmoid 函數(shù)將其激活，生成空間注意圖，計(jì)算公式見式(3)。最后空間注意力圖乘以輸入特征圖，得到最終的注意力特征圖F′′，見式(1)。

式(3)中：σ表示sigmoid 激活函數(shù)，f7×7表示卷積核為7×7的卷積。

CBAM 補(bǔ)充了由通道注意力聚焦的語義信息和由空間注意力聚焦的位置信息，本文將CBAM加入到骨干網(wǎng)絡(luò)中，來關(guān)注深層網(wǎng)絡(luò)中PE 管接頭超聲相控陣D 掃圖小缺陷的特征信息，提升對(duì)小缺陷的檢測(cè)性能。

2.2 骨干網(wǎng)絡(luò)

本文將ResNet50 與FPN 相融合形成骨干網(wǎng)絡(luò)。ResNet50 通過構(gòu)建殘差塊可以解決深度網(wǎng)絡(luò)退化問題。如圖3 所示，其中x表示殘差模塊的輸入，當(dāng)特征圖輸入到特征提取網(wǎng)絡(luò)中，通過1×1的卷積核進(jìn)行降維、3×3 的卷積核進(jìn)行特征提取、1×1 的卷積核進(jìn)行升維，最后得到256 維度的特征圖。而殘差模塊在輸入和輸出之間建立了直接連接，F(xiàn)(x)表示殘差模塊的擬合功能，輸出結(jié)果為H(x)=F(x) +x。如果某一層的梯度消失，則該層的輸出等于該層的輸入，從而形成一個(gè)恒等映射，不會(huì)影響后續(xù)網(wǎng)絡(luò)的學(xué)習(xí)，這樣在加深網(wǎng)絡(luò)的同時(shí)準(zhǔn)確率也不會(huì)降低。

圖3 ResNet50 殘差結(jié)構(gòu)Fig.3 Residual structure of ResNet50

原始Faster-RCNN是自底向上卷積，使用最后一層特征圖進(jìn)行預(yù)測(cè)，這是因?yàn)樽罡邔拥奶卣骶哂凶钬S富的語義信息。這對(duì)于大目標(biāo)的檢測(cè)很有效，但是對(duì)于小缺陷來說，當(dāng)進(jìn)行卷積、激活、池化到最后一層，實(shí)際上語義信息已經(jīng)沒有了，導(dǎo)致小缺陷容易檢測(cè)不到或者效果不佳。由于PE 管熱熔接頭內(nèi)部超聲相控陣D 掃視圖缺陷特征都比較小，加入低層特征圖信息能更好地識(shí)別出小缺陷，本研究在殘差網(wǎng)絡(luò)中加入FPN[19]。FPN 模型通將低分辨率、高語義信息的高層特征和高低語義信息的特征進(jìn)行自上而下的側(cè)邊連接，使得所有尺度下的特征都有豐富的語義信息，且每一層都獨(dú)立預(yù)測(cè)，從而提升對(duì)小缺陷的檢測(cè)效果。其核心思想包括3部分：一個(gè)自底向上的線路、一個(gè)自頂向下的線路、橫向連接。ResNet50+FPN網(wǎng)絡(luò)模型如圖4所示。

圖4 FPN 與ResNet50 網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.4 Structure diagram of FPN and ResNet50 network

由ResNet50+FPN 網(wǎng)絡(luò)結(jié)構(gòu)圖可知，F(xiàn)PN 取ResNet50 的輸出特征圖作為輸入，對(duì)C5使用1×1的卷積進(jìn)行降為處理，再經(jīng)過3×3的卷積處理輸出P5，C5 上采樣后與經(jīng)過降維處理過的C4 相加，再經(jīng)3×3 卷積處理，得到P4，以此類推，從而生成了不同尺度的特征圖，這樣用于檢測(cè)的特征圖就包含了多個(gè)階段的特征。然后將FPN 生成的多層特征圖P2–P5 傳入RPN 層生成候選框，此時(shí)需要將候選框映射到相應(yīng)的特征圖從而進(jìn)行接下來的ROI pooling操作[20]，具體映射方式見式(4)。

式(4)中：k0是映射到w×h=224×224的ROI目標(biāo)級(jí)別，設(shè)置為4，w和h是ROI區(qū)域的長(zhǎng)和寬，224是ImageNet數(shù)據(jù)集的預(yù)訓(xùn)練圖像大小，k值應(yīng)該做取整處理，即所使用的特征層。

本文將CBAM 和ResNet50+FPN 組合在一起，形成了一種改進(jìn)的骨干網(wǎng)絡(luò)模型?？紤]到隨著CNN 的加深，PE 管接頭內(nèi)部超聲相控陣D 掃圖小缺陷信息出現(xiàn)丟失的現(xiàn)象，在ResNet50 和FPN之間設(shè)置了兩個(gè)注意模塊，來關(guān)注深層網(wǎng)絡(luò)中PE管接頭超聲相控陣小缺陷的特征信息，實(shí)現(xiàn)更優(yōu)的檢測(cè)性能。然后，將特征信息輸入到FPN 中，進(jìn)一步融合深層和淺層的特征信息，使它們得到充分研究。最后將FPN 生成的多層特征圖輸入到RPN 層完成是否包含目標(biāo)的二分類問題，本文使用的骨干網(wǎng)絡(luò)結(jié)構(gòu)如圖5 所示，其中C 表示高效通道注意模塊，S表示空間注意模塊。

圖5 CBAM+ResNet50+FPN 網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 Structure diagram of CBAM+ResNet50+FPN network

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)環(huán)境與實(shí)驗(yàn)數(shù)據(jù)

由于目前國(guó)內(nèi)在超聲相控陣熱熔接頭焊縫缺陷領(lǐng)域沒有公開響應(yīng)的權(quán)威大型數(shù)據(jù)集，本研究采用友聯(lián)公司MagicScan-UX 超聲相控陣模塊，并搭配5L32-0.6×10 超聲相控陣探頭以及橫波楔塊(N55S) 作為超聲相控陣無損檢測(cè)設(shè)備，進(jìn)行PE 管道熱熔對(duì)接接頭內(nèi)部進(jìn)行圖像采集。根據(jù)上海市2017 年頒布的DB31/T1058–2017《燃?xì)庥镁垡蚁?PE)管道焊接接頭相控陣超聲檢測(cè)》[21]，PE 管道熱熔接頭內(nèi)部缺陷系統(tǒng)地分為孔洞、裂紋、熔合面夾雜3 種，本文采集了含有孔洞缺陷、裂紋缺陷、融合面夾雜缺陷的超聲相控陣D 掃檢測(cè)圖并對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)充，共2450 張，這些缺陷均采用人工預(yù)制，如圖6所示，可以看出PE管接頭內(nèi)部缺陷特征圖都比較小。孔洞缺陷檢測(cè)圖如圖6(a)所示，接頭檢測(cè)區(qū)域中存在一個(gè)明顯的反射信號(hào)且邊緣較為圓潤(rùn)呈圓形或者橢圓狀，熱熔對(duì)接接頭可能存在孔洞缺陷。裂紋的檢測(cè)圖如圖6(b)所示，接頭檢測(cè)區(qū)域中存在兩個(gè)明顯的反射信號(hào)且在同一垂直線上，接頭局部區(qū)域可能存在縫隙。熔合面夾雜缺陷如圖6(c)所示，接頭檢測(cè)區(qū)域內(nèi)反射信號(hào)較弱，并且邊緣比較模糊，接頭疑似存在外來夾雜物[22]。此外使用Labelimg 對(duì)圖像進(jìn)行標(biāo)記，以遵循PASCAL VOC數(shù)據(jù)集的格式，訓(xùn)練集、驗(yàn)證集和測(cè)試集的數(shù)量比為7:1:2。

圖6 不同種類焊縫缺陷圖Fig.6 Different types of weld defects

試驗(yàn)平臺(tái)windows10，CUDA11.3，處理器為Intel i9-10900X，顯卡為NVIDIA GeForce RTX 2080Ti，使用python 語言與pytorch 深度學(xué)習(xí)框架作為開發(fā)環(huán)境。

3.2 改進(jìn)網(wǎng)絡(luò)的目標(biāo)檢測(cè)結(jié)果

本文采用了目標(biāo)檢測(cè)中常用的COCO 數(shù)據(jù)集的評(píng)價(jià)指標(biāo)，如式(5)～(7)所示：

其中：精確度P指模型預(yù)測(cè)為正的樣本中實(shí)際也為正的PE 管接頭內(nèi)部缺陷樣本占被預(yù)測(cè)為正的缺陷樣本的比例，用來衡量檢測(cè)系統(tǒng)的查準(zhǔn)率；召回率R指實(shí)際為正的PE 管接頭內(nèi)部缺陷樣本中被預(yù)測(cè)為正的樣本所占實(shí)際為正的缺陷樣本的比例，用來衡量檢測(cè)系統(tǒng)的查全率；AP是P-R曲線下的面積，AP 值越大，檢測(cè)性能越好，mAP 是多個(gè)類別AP 的平均值；TP代表被模型預(yù)測(cè)為正的超聲相控陣PE管接頭內(nèi)部缺陷正樣本的數(shù)量；FP代表被模型預(yù)測(cè)為正的超聲相控陣PE 管接頭內(nèi)部缺陷負(fù)樣本的數(shù)量；FN代表被模型預(yù)測(cè)為負(fù)的超聲相控陣PE 管接頭內(nèi)部缺陷負(fù)樣本的數(shù)量。COCO評(píng)價(jià)指標(biāo)及其意義如表1所示。

表1 COCO 目標(biāo)檢測(cè)評(píng)價(jià)指標(biāo)及其意義Table 1 Evaluation indexes of COCO target detection and its meaning

本文將SSD 網(wǎng)絡(luò)框架和Faster-RCNN 網(wǎng)絡(luò)框架用于模型訓(xùn)練和測(cè)試，使用VGG16、ResNet50、ResNet50+FPN、ACBM+ResNet50+FPN 作為骨干網(wǎng)絡(luò)模型，依次對(duì)超聲相控陣D 掃圖PE 管道熱熔對(duì)接接頭內(nèi)部缺陷樣本進(jìn)行訓(xùn)練對(duì)比。初始學(xué)習(xí)率設(shè)為0.01，動(dòng)量值為0.9，訓(xùn)練輪數(shù)(epochs)設(shè)為50。實(shí)驗(yàn)結(jié)果和比較如表2 所示，AP 值的變化曲線如圖7所示。

表2 不同網(wǎng)絡(luò)模型的實(shí)驗(yàn)結(jié)果比較Table 2 Comparison of experimental results of different network models

圖7 AP 值變化曲線Fig.7 Change curves of AP value

由表2可知，對(duì)于超聲相控陣PE管熱熔接頭缺陷檢測(cè)，SSD 網(wǎng)絡(luò)中缺陷數(shù)據(jù)集的mAP 為70.3%，而對(duì)于小缺陷檢測(cè)，APS僅為49.2%。相比之下，使用VGG16 骨干網(wǎng)絡(luò)的傳統(tǒng)Faster-RCNN，mAP為77.5%，APS達(dá)到56.1%。與SSD 網(wǎng)絡(luò)的結(jié)果相比，傳統(tǒng)Faster-RCNN 網(wǎng)絡(luò)的mAP 和APS分別增長(zhǎng)7.3%和6.9%，證明Faster-RCNN 網(wǎng)絡(luò)比SSD網(wǎng)絡(luò)更適合超聲相控陣D 掃圖PE 管接頭缺陷檢測(cè)。ResNet50的mAP 值為79.9%，略高于VGG16網(wǎng)絡(luò)。ResNet50+FPN作為骨干網(wǎng)絡(luò)具有更強(qiáng)的特征學(xué)習(xí)能力，mAP 為85.6%，比單獨(dú)使用ResNet50骨干網(wǎng)絡(luò)提高了5.7%，對(duì)于小缺陷，APS增加了3.2%，檢測(cè)能力明顯提高。改進(jìn)后的Faster-RCNN算法是將CBAM 和ResNet+FPN 相結(jié)合組成的最終骨干網(wǎng)絡(luò)，mAP 達(dá)到90.5%，相比ResNet+FPN骨干網(wǎng)絡(luò)提高了4.9%，同時(shí)小缺陷的檢測(cè)性能提升了4.2%。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的Faster-RCNN網(wǎng)絡(luò)對(duì)小缺陷的關(guān)注度更高，檢測(cè)能力更強(qiáng)，整體檢測(cè)性能較好。

圖8 顯示了超聲相控陣D 掃圖PE 管熱熔接頭缺陷檢測(cè)結(jié)果的P-R曲線，召回率R為橫坐標(biāo)，精確度P為縱坐標(biāo)，曲線和軸包圍的區(qū)域?yàn)锳P 值，區(qū)域越大，檢測(cè)性能越好，圖中紅色曲線表示CBAM和ResNet+FPN 相結(jié)合骨干網(wǎng)絡(luò)的P-R曲線。從圖8 中可以看出，改進(jìn)的Faster-RCNN 網(wǎng)絡(luò)模型在檢測(cè)方面取得了較好的效果。圖9 顯示了4 種骨干網(wǎng)絡(luò)的訓(xùn)練損失比較曲線?？梢钥闯龈倪M(jìn)的Faster-RCNN 網(wǎng)絡(luò)具有更快的訓(xùn)練收斂速度和更少的損失。

圖8 P-R 曲線圖Fig.8 P-R curves

圖9 不同網(wǎng)絡(luò)模型訓(xùn)練損失曲線圖Fig.9 Training loss value of different network model

VGG16、ResNet50、ResNet50+FPN、ACBM+ResNet50+FPN 骨干網(wǎng)絡(luò)識(shí)別效果如圖10～13所示?？梢钥闯觯琕GG16作為骨干網(wǎng)絡(luò)時(shí)，裂紋缺陷未能有效提取，出現(xiàn)了漏檢和誤判現(xiàn)象；ResNet50相較于VGG16 骨干網(wǎng)絡(luò)效果有所提升，但仍然出現(xiàn)了漏檢和誤判現(xiàn)象；ResNet50+FPN 相較于ResNet50網(wǎng)絡(luò)漏檢現(xiàn)象減少，但是對(duì)平面狀缺陷如裂紋出現(xiàn)了誤判現(xiàn)象；ACBM+ResNet50+FPN 作為骨干網(wǎng)絡(luò)，相比VGG16、ResNet50和ResNet50+FPN 對(duì)各種缺陷的提取效果都有提升，預(yù)測(cè)框的位置更加準(zhǔn)確，且誤判和漏檢現(xiàn)象較少。

圖10 VGG16 識(shí)別效果圖Fig.10 Recognition renderings of VGG16

圖11 ResNet50 識(shí)別效果圖Fig.11 Recognition renderings of ResNet50

圖12 ResNet50+FPN 識(shí)別效果圖Fig.12 Recognition renderings of ResNet50+FPN

4 結(jié)論

本文將基于注意力機(jī)制的Faster-RCNN 網(wǎng)絡(luò)應(yīng)用于超聲相控陣D 掃圖PE 管熱熔對(duì)接接頭缺陷檢測(cè)。以ResNet50+FPN 為骨干網(wǎng)絡(luò)，通過應(yīng)用輕量級(jí)通道注意力機(jī)制和空間注意力機(jī)制，顯著增強(qiáng)了神經(jīng)網(wǎng)絡(luò)對(duì)小缺陷的學(xué)習(xí)能力。試驗(yàn)結(jié)果表明，改進(jìn)的Faster-RCNN網(wǎng)絡(luò)框架相較于SSD網(wǎng)絡(luò)框架更適合應(yīng)用于超聲相控陣D掃圖PE 管接頭內(nèi)部缺陷檢測(cè)。與現(xiàn)有的目標(biāo)檢測(cè)模型相比，改進(jìn)的Faster-RCNN 網(wǎng)絡(luò)具有更好的檢測(cè)能力和更少的訓(xùn)練損失，同時(shí)對(duì)小缺陷的檢測(cè)能力有了顯著提高。在后續(xù)的研究中，將收集更多的PE 管接頭內(nèi)部缺陷超聲相控陣數(shù)據(jù)圖，并使用更多不同的網(wǎng)絡(luò)方法，提高對(duì)超聲相控陣PE管道接頭內(nèi)部缺陷的識(shí)別。