邢秀文 沈洋 李靜

摘 要：本研究利用卷積神經(jīng)網(wǎng)絡(luò)LeNet識別了一批焊接缺陷圖像，發(fā)現(xiàn)圖像的分辨率對于缺陷的識別正確率有很大的影響;發(fā)現(xiàn)原始的LeNet在各種情況下具有高度的穩(wěn)定性，而幾個變形網(wǎng)絡(luò)結(jié)構(gòu)雖然在存儲空間以及運(yùn)算速度方面有一定的優(yōu)勢，但是穩(wěn)定性都不及原始的網(wǎng)絡(luò)結(jié)構(gòu)。

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò);LeNet;焊接缺陷識別

一、引言

利用深度卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)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(tǒng)檢測行業(yè)的形態(tài)。在醫(yī)學(xué)檢測領(lǐng)域，人工智能在識別CT圖像方面的能力，已經(jīng)超過中等能力的專家。而在工業(yè)檢測領(lǐng)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(shù)字射線、CT、磁共振等新的檢測手段以及成像技術(shù)的發(fā)展，使得數(shù)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(chǎn)品規(guī)格單一，數(shù)量巨大，所以很多企業(yè)采用了自動焊接，數(shù)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(shù)據(jù)

我們采用軟件模擬的方式，仿制了一批數(shù)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(xùn)練數(shù)據(jù)，200張驗證數(shù)據(jù)。4類缺陷合計3200張訓(xùn)練圖片，800張驗證圖片。

三、網(wǎng)絡(luò)結(jié)構(gòu)

LeNet是卷積神經(jīng)網(wǎng)絡(luò)的祖師爺LeCun在1998年提出的，用于解決手寫數(shù)字識別的視覺任務(wù)，主要應(yīng)用于銀行系統(tǒng)的支票識別，取得了極大的成功。該網(wǎng)絡(luò)能夠處理的圖像分辨率不低于32×32，它的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示：

四、不同分辨率圖片的預(yù)測準(zhǔn)確率

我們將圖像的分辨率分別調(diào)整為32×32，64×64，128×128，用訓(xùn)練集的3200張圖像訓(xùn)練網(wǎng)絡(luò)參數(shù)，然后用驗證集的800張圖片預(yù)測種類。如此反復(fù)執(zhí)行30遍，原則上，每多訓(xùn)練一遍，預(yù)測的正確率都會提高一點。實測結(jié)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(yù)測準(zhǔn)確率也在提高。當(dāng)分辨率為64×64時，準(zhǔn)確率約為98%;當(dāng)圖片分辨率為128×128時，準(zhǔn)確率約為100%.

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

五、改變LeNet的結(jié)構(gòu)

原始的LeNet網(wǎng)絡(luò)預(yù)測效果雖然很好，但是它的參數(shù)量較大，運(yùn)行時間也不夠快。如果我們將該網(wǎng)絡(luò)放到移動端設(shè)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(wǎng)絡(luò)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(shù)，都設(shè)定為2的冪次。

1. 經(jīng)過實測，LeNet1的預(yù)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(shù)量為61196，LeNet1為59904，LeNet2的參數(shù)量為10972。所以LeNet2更適合放到存儲空間受限的設(shè)備中。

3.預(yù)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(jié)論

從測試結(jié)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(jīng)過簡單變形的網(wǎng)絡(luò)，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(xiàn)

[1] 肖智清. 神經(jīng)網(wǎng)絡(luò)PyTorch實戰(zhàn)[M]. 機(jī)械工業(yè)出版社. 2018.8

[2] 言有三. 深度學(xué)習(xí)之圖像識別[M]. 機(jī)械工業(yè)出版社. 2019.7

[3] 吳茂貴等. Python深度學(xué)習(xí)[M]. 機(jī)械工業(yè)出版社. 2019.10

[4] 張若愚. Python科學(xué)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(xué)珠海學(xué)院教師，歷任大學(xué)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(xué)基礎(chǔ)、射線檢測、機(jī)器視覺。