(1.寧波市特種設(shè)備檢驗(yàn)研究院，寧波315048；2.南昌航空大學(xué) 無(wú)損檢測(cè)教育部重點(diǎn)實(shí)驗(yàn)室，南昌 330063)

超聲衍射時(shí)差法(Time of Flight Diffraction，TOFD)可用于缺陷類型識(shí)別及尺寸的測(cè)量，是應(yīng)用最廣的焊縫檢測(cè)方法之一。鑒于焊縫的組織結(jié)構(gòu)、缺陷形態(tài)、檢測(cè)條件及噪聲干擾的復(fù)雜性，在焊縫超聲TOFD-D掃描中，缺陷的圖像具有特征復(fù)雜、位置隨機(jī)、干擾嚴(yán)重等特點(diǎn)。再者，受檢測(cè)人員能力和主觀局限性的影響，在對(duì)D掃描圖像進(jìn)行缺陷類型的識(shí)別時(shí)，存在檢測(cè)效率低、檢測(cè)結(jié)果爭(zhēng)議大、可靠性低等問(wèn)題。傳統(tǒng)機(jī)器識(shí)別首先需增強(qiáng)圖像或信號(hào)的特征和設(shè)計(jì)數(shù)學(xué)模型提取特征，再設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)，并基于特征進(jìn)行訓(xùn)練，最后實(shí)現(xiàn)機(jī)器的自動(dòng)識(shí)別。遲大釗、盛朝陽(yáng)等[1-2]通過(guò)圖像處理技術(shù)提高了焊縫缺陷D掃描圖像的分辨率與可讀性；陳振華等[3]提出了基于直通波及BP神經(jīng)網(wǎng)絡(luò)的近表面缺陷自動(dòng)檢測(cè)分類法；林乃昌等[4]基于Gabor小波提取特征的TOFD圖像缺陷自動(dòng)定性的方法對(duì)焊縫缺陷進(jìn)行檢測(cè)。CRUZ等[5]通過(guò)離散傅里葉法、小波包技術(shù)及余弦變換提取焊縫超聲檢測(cè)信號(hào)特征，構(gòu)建了多層感知器對(duì)信號(hào)特征的分類識(shí)別。LIU等[6]采用提取點(diǎn)焊焊核多次反射波信號(hào)的小波包分解系數(shù)，并訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)完好焊核、焊核脫黏、弱結(jié)合、氣孔的自動(dòng)分類識(shí)別。盡管常規(guī)神經(jīng)網(wǎng)絡(luò)結(jié)合特征提取可用于自動(dòng)缺陷識(shí)別、部分解決人工識(shí)別的問(wèn)題，但在具體實(shí)踐中還是面臨特征選擇及優(yōu)化難、理論分析困難、需要經(jīng)驗(yàn)和技巧等問(wèn)題[7]。

深度學(xué)習(xí)網(wǎng)絡(luò)在圖像、聲音、文本等數(shù)據(jù)識(shí)別中獲得了廣泛的應(yīng)用并取得了良好的識(shí)別效果，具有隱層數(shù)多、自動(dòng)學(xué)習(xí)和特征提取的特點(diǎn)[8-9]。MENG等[10]提取了碳纖維復(fù)合材料超聲檢測(cè)信號(hào)的小波系數(shù)特征，并采用深度學(xué)習(xí)網(wǎng)絡(luò)提取更深層特征圖，據(jù)此對(duì)孔洞、分層缺陷信號(hào)進(jìn)行分類，還將其應(yīng)用于C掃描和三維掃描特征的前期處理中，獲得能夠表現(xiàn)缺陷類型、深度的掃描圖像。GIRSHICK等[11]于2014年提出了基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)法(RCNN)，該方法是基于區(qū)域提議識(shí)別的典型方案。在此基礎(chǔ)上，基于區(qū)域的快速卷積神經(jīng)網(wǎng)絡(luò)(Faster RCNN)利用CNN網(wǎng)絡(luò)提取圖像特征，通過(guò)構(gòu)建精巧的區(qū)域網(wǎng)絡(luò)降低了計(jì)算時(shí)間,使實(shí)時(shí)識(shí)別成為可能[12-14]。Faster RCNN網(wǎng)絡(luò)識(shí)別結(jié)果對(duì)于目標(biāo)圖像的平移、比例縮放、傾斜或者其他形式的變形具有高度的不變性，有望用于易受檢測(cè)條件影響、結(jié)構(gòu)復(fù)雜的焊縫超聲TOFD-D掃描圖像中缺陷類型的自動(dòng)識(shí)別。

筆者分析了焊縫缺陷的超聲TOFD-D掃描圖像特征，揭示了圖像特征與缺陷輪廓的關(guān)系；構(gòu)建了Faster RCNN神經(jīng)網(wǎng)絡(luò)用于自動(dòng)識(shí)別焊縫D掃描圖像的缺陷類型。在網(wǎng)絡(luò)訓(xùn)練過(guò)程中，提出了D掃描圖像樣本擴(kuò)展方法以豐富訓(xùn)練樣本、提高網(wǎng)絡(luò)的識(shí)別精度和魯棒性。此外，根據(jù)焊縫缺陷的分布特點(diǎn)，優(yōu)化和改進(jìn)了建議框設(shè)置方法，以提高訓(xùn)練和識(shí)別效率。訓(xùn)練后的Faster RCNN網(wǎng)絡(luò)可實(shí)現(xiàn)缺陷類型的自動(dòng)識(shí)別，具有優(yōu)良的識(shí)別率、魯棒性和抗干擾能力。

1 試樣制備及試驗(yàn)方法

采集20塊Q235鋼板對(duì)接焊縫試樣的超聲TOFD-D掃描圖像作為圖像特征分析與網(wǎng)絡(luò)訓(xùn)練、驗(yàn)證的樣本數(shù)據(jù)，試樣編號(hào)為N01N20，試樣中縱波聲速為5 850 m·s-1。每塊焊縫試樣中有兩處以上的自然缺陷，類型包括氣孔、裂紋、夾渣、未焊透、未熔合等。設(shè)缺陷端部距試塊邊緣的距離為L(zhǎng)F，缺陷長(zhǎng)度為fL，缺陷深度為fh，試樣厚度為T。兩參數(shù)相同的超聲TOFD專用探頭以焊縫軸線對(duì)稱分布于焊縫兩側(cè)，并沿焊縫延伸方向做D掃描成像，試樣結(jié)構(gòu)及試驗(yàn)方法示意如圖1所示。

圖1 試樣結(jié)構(gòu)及試驗(yàn)方法示意

為了通過(guò)較少的試樣獲得盡量多的圖像樣本，采用兩種檢測(cè)探頭及不同的探頭間距(PCS)對(duì)缺陷進(jìn)行多次掃描成像，獲得噪聲、分辨率、縮放比有一定差異的相同試樣(缺陷)的多幅TOFD-D掃描圖像。探頭頻率及晶片尺寸分別為5 MHz,φ6.34 mm和10 MHz,φ3 mm；斜楔角度分別為45°,60°,70°;兩種探頭在安裝楔塊后的延時(shí)均為2.75 μs。

2 缺陷的TOFD-D掃描圖像特征分析

2.1 檢測(cè)頻率及斜楔角度對(duì)缺陷D掃描圖像的影響

采用5 MHz 60°(頻率為5 MHz，楔塊角度為60°)探頭、PCS為55 mm及10 MHz 70°探頭、PCS為70 mm，提取N9試樣的缺陷D掃描圖像；N9試樣厚度T為20 mm，焊縫含有氣孔(LF=35.5 mm，fL=17 mm，fh=12 mm)及夾渣(LF=107.5 mm，fL=55 mm，fh=16 mm)缺陷。N9試樣在兩種檢測(cè)參數(shù)下的D掃描圖像如圖2所示，可見(jiàn)10 MHz 70°探頭在檢測(cè)條件下的缺陷D掃描圖像的分辨率明顯高于5 MHz 60°探頭的D掃描情況，10 MHz 70°探頭掃描圖像的噪聲顯得更為嚴(yán)重。此外，由于PCS的差異，兩種檢測(cè)條件下的D掃描圖像縮放比例也不相同,10 MHz 70°探頭檢測(cè)圖像的相對(duì)壓縮比例更大。然而，盡管兩種檢測(cè)條件下的信噪比、分辨率、長(zhǎng)寬比存在差異，但兩種缺陷的輪廓特征基本一致，夾渣圖像特征(D掃描長(zhǎng)度135 mm附近)為曲率和尺寸較大的拋物線條紋和直線條紋的組合，氣孔(D掃描長(zhǎng)度40 mm附近)則為尺寸較小且端部更尖銳的拋物線條紋。

圖2 試樣N9在兩種檢測(cè)參數(shù)下的D掃描圖像

圖3 試樣N1的根部未焊透D掃描圖像

2.2 焊縫缺陷的D掃描圖像特征分析

母材金屬未熔化導(dǎo)致焊縫金屬?zèng)]有進(jìn)入接頭根部形成未焊透，未焊透減少了焊縫的有效面積,使接頭強(qiáng)度下降。圖3是從試樣N1提取的根部未焊透D掃描圖像，可見(jiàn)其特征條紋接近底面且呈無(wú)規(guī)則長(zhǎng)條形，底面反射波條紋中斷并呈現(xiàn)向右凸出的拋物線形狀。圖像產(chǎn)生的原因是焊縫根部未填滿焊液而形成缺口，使母材處的反射波傳播路徑變長(zhǎng)，底面波時(shí)域信號(hào)向后延時(shí)導(dǎo)致TOFD圖像條紋向右側(cè)外凸。

圖4 不同試樣的夾渣、氣孔、裂紋及側(cè)壁未熔合的D掃描圖像

裂紋和未熔合是兩種典型的焊縫面型缺陷，裂紋因具有尖銳的端部及任意走向而成為危害性最大的焊縫缺陷。圖4(a)，4(b)分別為試樣N14中裂紋及試樣N3中側(cè)壁未熔合的D掃描圖像，裂紋D掃描圖像由開(kāi)口朝向底面的尖銳拋物線條紋組成，多個(gè)分支裂紋尖端在D掃描圖上表現(xiàn)為多個(gè)分散的尖銳拋物線條紋[見(jiàn)圖4(a)]；而具有一定方向且連續(xù)的側(cè)壁未熔合缺陷的上下兩端點(diǎn)在D掃描圖上表現(xiàn)為兩條平行于掃查方向的短直條紋[見(jiàn)圖4(b)]。夾渣、氣孔是典型的焊縫體積型缺陷，其危害性一般低于面積型缺陷。圖4(c),4(d)為試樣N2中夾渣及N6中氣孔的D掃描圖；其中，夾渣D掃描條紋呈向右凸的拋物線，左側(cè)開(kāi)口處出現(xiàn)與夾雜粗糙表面相關(guān)的無(wú)規(guī)則、不連續(xù)的條紋；圖4(d)是氣孔缺陷的D掃描圖，由于氣孔端面圓潤(rùn)且不會(huì)在焊縫深度方向自由擴(kuò)散，氣孔圖像的拋物線尖端比裂紋平緩。此外，由圖4(a)及4(d)對(duì)比可知，裂紋D掃描的拋物線尖端比氣孔的更為尖銳。對(duì)其他試樣中的缺陷類型進(jìn)行分析，均顯示了相似的缺陷圖像特征。超聲TOFD檢測(cè)的D掃描圖像與缺陷幾何形狀密切相關(guān)，通過(guò)D掃描圖像分析可區(qū)分缺陷類型；但由于特征結(jié)構(gòu)復(fù)雜多變，人工識(shí)別存在效率低、受主觀因素影響大的缺點(diǎn)。

3 圖像識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)及訓(xùn)練方法

Faster RCNN圖像識(shí)別系統(tǒng)由特征圖提取網(wǎng)絡(luò)VGG16、區(qū)域提議網(wǎng)絡(luò)RPN(Regional Proposal Network)以及Fast RCNN檢測(cè)網(wǎng)絡(luò)構(gòu)成。VGG16網(wǎng)絡(luò)基于卷積和池化方法提取特征參數(shù)，具有16層的深度。數(shù)據(jù)特征抽象化隨著卷積層的加深越來(lái)越顯著，最后一個(gè)卷積層可輸出用于區(qū)分目標(biāo)類型的512維特征圖(Feature Map)，目標(biāo)圖像在特征圖上具有很好的區(qū)分性。RPN網(wǎng)絡(luò)和Fast RCNN檢測(cè)網(wǎng)絡(luò)均可基于VGG16輸出的特征圖進(jìn)行區(qū)域提議及自動(dòng)識(shí)別。超聲TOFD-D掃描圖像自動(dòng)識(shí)別的Faster RCNN網(wǎng)絡(luò)結(jié)構(gòu)框圖如圖5所示,VGG16網(wǎng)絡(luò)輸出圖像特征圖經(jīng)共享卷積層輸入至RPN網(wǎng)絡(luò)進(jìn)行區(qū)域提議(Region Proposal)，提議框經(jīng)非極大值抑制NMS算法降低冗余后，輸出至Fast RCNN檢測(cè)網(wǎng)絡(luò)中的ROI pooling池化層，該池化網(wǎng)絡(luò)根據(jù)RPN輸出的區(qū)域提議框信息對(duì)每張圖像的區(qū)域提議特征圖(由共享卷積層輸入)進(jìn)行下采樣，將各提議框中的目標(biāo)圖像特征“裁剪”至相同維度后輸入至Fast RCNN檢測(cè)網(wǎng)絡(luò)的全連接層進(jìn)行分類識(shí)別，識(shí)別結(jié)果包括提議框中缺陷類型的得分(置信度01)及該缺陷提議框的修正。

圖5 Faster RCNN網(wǎng)絡(luò)結(jié)構(gòu)框圖

圖6 RPN網(wǎng)絡(luò)及Fast RCNN檢測(cè)網(wǎng)絡(luò)結(jié)構(gòu)框圖

圖6(a)為RPN網(wǎng)絡(luò)結(jié)構(gòu)框圖，通過(guò)共享卷積層的3窗口對(duì)VGG16輸出的特征圖進(jìn)行滑動(dòng)卷積掃描，獲得512維特征矩陣,輸入至目標(biāo)預(yù)測(cè)和坐標(biāo)預(yù)測(cè)回歸網(wǎng)絡(luò)中。目標(biāo)預(yù)測(cè)和坐標(biāo)預(yù)測(cè)回歸網(wǎng)絡(luò)可輸出與原始圖形某位置對(duì)應(yīng)的缺陷置信度及提議框修正，包括：① 通過(guò)目標(biāo)/背景預(yù)測(cè)網(wǎng)絡(luò)可輸出k種(一般k=9，包括3種寬高比為1…1,1…2,2…1及3種像素尺度為128,256,512)區(qū)域提議矩形框?yàn)楸尘盎蛉毕莸?個(gè)置信度(01),共2k個(gè)預(yù)測(cè)輸出；② 通過(guò)坐標(biāo)預(yù)測(cè)網(wǎng)絡(luò)輸出對(duì)這k個(gè)區(qū)域提議框的位置及尺寸的修正量[dx,dy,w,h]，其中[dx,dy]、[w,h]分別表示矩形提議框包圍缺陷時(shí)，其中心位置的偏移量及矩形框尺寸的縮放比修正(w為寬度縮放,h為高度縮放)，共4k個(gè)輸出。輸出的區(qū)域提議框大多置信度較低且存在重疊，需經(jīng)NMS算法進(jìn)行去冗余計(jì)算。NMS算法通過(guò)設(shè)定置信度極大值的個(gè)數(shù),可使每張D掃描圖有2 000個(gè)區(qū)域提議框，大大減少了特征提取計(jì)算量、提高了訓(xùn)練和識(shí)別速度。圖6(b)顯示Fast RCNN 檢測(cè)網(wǎng)絡(luò)結(jié)構(gòu)框圖，ROI pooling網(wǎng)絡(luò)根據(jù)區(qū)域提議信息對(duì)來(lái)自于共享卷積層的特征圖進(jìn)行下采樣,生成7】維的特征，每個(gè)建議框內(nèi)的特征均對(duì)應(yīng)了一個(gè)7】·12維度的特征矩陣,作為全連接層的輸入，經(jīng)全連接層輸出4 096維特征向量，分類訓(xùn)練后可輸出：① 目標(biāo)得分，即該目標(biāo)提議框內(nèi)某類缺陷的可能性(01)；② 目標(biāo)對(duì)象(缺陷)所在提議框的修正，用2個(gè)平移和2個(gè)縮放共4個(gè)參數(shù)表示。

RPN網(wǎng)絡(luò)和Fast-RCNN網(wǎng)絡(luò)都需要采用VGG16網(wǎng)絡(luò)提取特征圖進(jìn)行初始化，F(xiàn)aster RCNN圖像識(shí)別系統(tǒng)的具體訓(xùn)練方法分為以下4步。

(1) VGG16預(yù)訓(xùn)練，采用包含1 400萬(wàn)幅圖像的ImageNet數(shù)據(jù)集(Large Scale Visual Recognition Competition所采用的數(shù)據(jù)集)對(duì)VGG16網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，使網(wǎng)絡(luò)具備提取圖片的邊緣輪廓、局部能量等特征的能力。

(2) RPN單獨(dú)訓(xùn)練,用D掃描圖像構(gòu)建圖像訓(xùn)練集，但D掃描圖像與預(yù)訓(xùn)練圖像集ImageNet無(wú)論是類別、數(shù)量還是圖像樣式都存在很大的差別。在用D掃描圖像集訓(xùn)練RPN網(wǎng)絡(luò)時(shí)，直接用上一步預(yù)訓(xùn)練的VGG16初始化RPN，使用反向傳播算法及D掃描圖像對(duì)區(qū)域提議網(wǎng)絡(luò)進(jìn)行調(diào)優(yōu),使網(wǎng)絡(luò)具備區(qū)分D掃描圖像背景和目標(biāo)的能力。

(3) Faster RCNN單獨(dú)訓(xùn)練,Faster RCNN檢測(cè)網(wǎng)絡(luò)也利用VGG16預(yù)訓(xùn)練模型初始化，使該網(wǎng)絡(luò)具備分類識(shí)別ImageNet圖像類型的能力。通過(guò)預(yù)先標(biāo)記的D掃描圖像,利用反向傳播法對(duì)該檢測(cè)網(wǎng)絡(luò)進(jìn)行微調(diào)。

(4) RPN和Faster RCNN聯(lián)合訓(xùn)練,分別單獨(dú)訓(xùn)練RPN網(wǎng)絡(luò)及Fast RCNN網(wǎng)絡(luò),并不能實(shí)現(xiàn)卷積網(wǎng)絡(luò)的參數(shù)共享。聯(lián)合訓(xùn)練方法如下：首先利用Fast RCNN檢測(cè)網(wǎng)絡(luò)初始化RPN網(wǎng)絡(luò)，并固定共享深度卷積層，對(duì)RPN網(wǎng)絡(luò)的專有部分進(jìn)行調(diào)優(yōu)(Fine-tuning)，這樣兩個(gè)網(wǎng)絡(luò)就共享了深度卷積層；最后，固定共享的卷積層，對(duì)Fast RCNN的專有層(全連接層)進(jìn)行調(diào)優(yōu)。這樣，兩個(gè)網(wǎng)絡(luò)就共享了卷積層并形成了一個(gè)聯(lián)合的網(wǎng)絡(luò)。

4 網(wǎng)絡(luò)優(yōu)化及識(shí)別效果分析

4.1 樣本擴(kuò)展及建議框優(yōu)化

材料的幾何形狀、焊縫組織結(jié)構(gòu)和檢測(cè)環(huán)境容易使D掃描圖中出現(xiàn)噪聲條紋和界面波條紋，這些條紋容易與缺陷條紋混淆，降低檢測(cè)效率和準(zhǔn)確性。為使算法更有效地區(qū)分缺陷圖像、界面波條紋及噪聲條紋，在識(shí)別時(shí)，這些條紋可看作缺陷的背景[15]。網(wǎng)絡(luò)訓(xùn)練過(guò)程應(yīng)先采用ImageNet樣本集對(duì)網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，使網(wǎng)絡(luò)具備初步的目標(biāo)圖像的識(shí)別能力，再采用焊縫的D掃描圖像對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練調(diào)優(yōu)。由于焊縫試樣有限、D掃描檢測(cè)圖像樣本較少，而調(diào)優(yōu)訓(xùn)練樣本較少易導(dǎo)致過(guò)擬合。因此，應(yīng)采用試驗(yàn)方法擴(kuò)充D掃描圖像樣本。① 對(duì)同一試樣進(jìn)行多檢測(cè)參數(shù)(探頭頻率、楔塊角度、PCS)的超聲TOFD-D掃描，獲得多個(gè)訓(xùn)練樣本圖像；② 采用相反的掃描方向進(jìn)行D掃描成像，獲得兩幅方向相反、特征相同的掃描圖像。圖像擴(kuò)充方法不僅有利于擴(kuò)充訓(xùn)練集、避免過(guò)擬合，還可增強(qiáng)系統(tǒng)的抗噪聲能力和魯棒性。經(jīng)擴(kuò)展后的缺陷圖像樣本共537張(提取自20塊焊縫試樣、70個(gè)典型焊縫缺陷、7～8種檢測(cè)參數(shù))；其中，207張圖像用作網(wǎng)絡(luò)調(diào)優(yōu)的訓(xùn)練集，129張圖像作為驗(yàn)證集，201張圖像用作測(cè)試集。上述訓(xùn)練集、測(cè)試集、驗(yàn)證集分別用于訓(xùn)練網(wǎng)絡(luò)權(quán)值、測(cè)試最終的網(wǎng)絡(luò)性能、調(diào)整學(xué)習(xí)速率(權(quán)值調(diào)整步進(jìn))和停止訓(xùn)練。此外，驗(yàn)證集還用于調(diào)整學(xué)習(xí)速率，當(dāng)整個(gè)網(wǎng)絡(luò)對(duì)驗(yàn)證集擬合程度較差時(shí)應(yīng)調(diào)大學(xué)習(xí)速率,而擬合較好時(shí)則調(diào)小學(xué)習(xí)速率，直到網(wǎng)絡(luò)在驗(yàn)證集上的誤差達(dá)到一定閾值時(shí)停止訓(xùn)練。

圖片像素越高，可提取的細(xì)節(jié)特征越多，但面臨的計(jì)算量也將顯著增大。試驗(yàn)表明：RPN網(wǎng)絡(luò)矩形建議框在圖像寬度(深度)范圍內(nèi)分布600像素即可滿足要求。根據(jù)缺陷D掃描圖像特征統(tǒng)計(jì)顯示,缺陷圖像寬高比一般為1…1和2…1兩種。因此，為了進(jìn)一步降低訓(xùn)練和識(shí)別時(shí)間，在RPN網(wǎng)絡(luò)訓(xùn)練中設(shè)置初始目標(biāo)框架寬高比為1…1和2…1，即考慮到寬度方向的像素<600，圖像中任意位置的區(qū)域提議框尺寸為128×128,256×256,256×128,512256共4種，即k=4，目標(biāo)建議框示意如圖7所示。

圖7 目標(biāo)建議框示意

需要注意的是,目標(biāo)預(yù)測(cè)網(wǎng)絡(luò)輸出1…1和2…1兩種寬高比的框架，在經(jīng)RPN網(wǎng)絡(luò)中的坐標(biāo)預(yù)測(cè)回歸網(wǎng)絡(luò)調(diào)整位置和縮放比后，最終的框架寬高比可能為任何比例，但其寬度方向的像素保持為小于或等于600。

4.2 識(shí)別效果分析

Faster RCNN網(wǎng)絡(luò)對(duì)焊縫缺陷識(shí)別的效果如圖8所示，設(shè)定建議框顏色,區(qū)分缺陷類型,夾渣為黃色、氣孔為綠色、未焊透為白色、未熔合為灰色、裂紋為紅色，建議框的左上角顯示缺陷類型及置信度(01)。圖8為N6試樣在5 MHz 70°和10 MHz 70°探頭檢測(cè)條件下的D掃圖像的Faster RCNN識(shí)別效果。圖8(a)、8(b)為含裂紋及氣孔焊縫試樣的D掃描識(shí)別效果，兩種檢測(cè)條件下裂紋的識(shí)別置信度均達(dá)到1，氣孔的置信度則有0.11的差異；圖8(c)、8(d)為含氣孔及未熔合的焊縫D掃描識(shí)別效果，兩種試驗(yàn)條件下的缺陷識(shí)別效果相同，均達(dá)到最高為1的置信度。識(shí)別結(jié)果表明：由檢測(cè)參數(shù)引起的D掃描圖像的細(xì)節(jié)差異對(duì)識(shí)別效果的影響較小，F(xiàn)aster-RCNN方法具有很好的缺陷識(shí)別能力、魯棒性及抗干擾能力。

由于Faster RCNN方法的識(shí)別結(jié)果是提議框中某類缺陷的置信度，因此設(shè)置信度高于0.7時(shí)為該類缺陷,低于0.7則為無(wú)法識(shí)別。設(shè)識(shí)別率R為該類缺陷被正確識(shí)別數(shù)與該類缺陷驗(yàn)證樣本數(shù)的比值。表1列出了各類缺陷的識(shí)別效果統(tǒng)計(jì)，除48個(gè)氣孔樣本中有1個(gè)被誤識(shí)為裂紋外，其余缺陷均未被誤識(shí)。

圖8 Faster RCNN網(wǎng)絡(luò)對(duì)焊縫缺陷識(shí)別的效果

圖9 識(shí)別錯(cuò)誤結(jié)果分析

表1 各類缺陷識(shí)別效果統(tǒng)計(jì)

需要注意的是，驗(yàn)證樣本中出現(xiàn)了噪聲條紋和界面波被誤識(shí)為缺陷的情況。表2顯示有2個(gè)噪聲條紋樣本和2個(gè)界面波樣本被誤識(shí)為未焊透，7個(gè)界面波樣本被誤識(shí)為夾渣，4個(gè)噪聲條紋樣本被誤識(shí)為氣孔，未熔合無(wú)誤識(shí)。

表2 缺陷誤識(shí)數(shù)統(tǒng)計(jì)

圖9(a)顯示白色提議框框住了缺陷與底波，被誤判為未焊透；圖9(b)顯示白色提議框框住了直通波，被誤識(shí)為未焊透，黃色提議框框住了底波條紋附近的噪聲干擾,被誤識(shí)為夾渣；圖9(c)中紅色建議框中的噪聲條紋被誤識(shí)為裂紋；圖9(d)中由綠色提議框框住的噪聲條紋被誤認(rèn)為是氣孔。實(shí)際識(shí)別中，可通過(guò)分析缺陷位置的分布特點(diǎn)來(lái)避免由界面波引起的誤識(shí)。然而，很難判斷噪聲條紋引起的裂紋及氣孔，因此識(shí)別前，信號(hào)及圖像的去噪是非常必要的。

5 結(jié)論

(1) 分析焊縫典型缺陷，如裂紋、氣孔、夾渣、未焊透、未熔合的超聲TOFD-D掃描圖像特征，發(fā)現(xiàn)缺陷的幾何形狀與D掃描圖像密切相關(guān)，通過(guò)圖像特征可識(shí)別缺陷類型。

(2) 基于多層卷積神經(jīng)網(wǎng)絡(luò)輸出D掃描圖像特征，輸入至區(qū)域提議網(wǎng)絡(luò)和檢測(cè)分類網(wǎng)絡(luò)構(gòu)成Faster RCNN網(wǎng)絡(luò)，并對(duì)圖像樣本及建議框范圍進(jìn)行優(yōu)化配置，經(jīng)訓(xùn)練后可實(shí)現(xiàn)缺陷類型的自動(dòng)識(shí)別，并具有較高的識(shí)別率、魯棒性及抗干擾能力。

(3) 缺陷自動(dòng)識(shí)別網(wǎng)絡(luò)的識(shí)別效果顯示：各類缺陷間的識(shí)別和區(qū)分能力較好，由界面波及背景噪聲形成的干擾條紋對(duì)裂紋及氣孔的識(shí)別有一定影響；界面波可通過(guò)識(shí)別區(qū)域的位置避免誤識(shí)；而對(duì)于噪聲干擾，則建議對(duì)圖像進(jìn)行識(shí)別前的濾噪處理。

基于Faster-RCNN的焊縫TOFD掃描圖像缺陷類型的自動(dòng)識(shí)別技術(shù)，可有效提高對(duì)焊縫典型缺陷類型識(shí)別的效率和準(zhǔn)確性，對(duì)于降低檢測(cè)人員主觀因素干擾和工作強(qiáng)度具有重要的應(yīng)用價(jià)值。