趙先圣，馮 鵬, ，沈 寬，楊敬軒，漆 偉，羅 燕，何 鵬,，劉 鑫

(1.重慶大學(xué) 光電技術(shù)及系統(tǒng)教育部重點(diǎn)實(shí)驗(yàn)室，重慶 400044;2.重慶大學(xué) 工業(yè)CT無(wú)損檢測(cè)教育部工程研究中心，重慶 400044)

0 引言

近些年來(lái)，隨著中國(guó)鐵路運(yùn)輸?shù)母咚侔l(fā)展，對(duì)鐵路運(yùn)輸零部件的安全問(wèn)題提出了更高的要求，其中搖枕、側(cè)架是鐵路鑄件零部件中比較重要的零部件之一，它們的制造質(zhì)量直接決定了鐵路運(yùn)輸?shù)陌踩c效率。在鐵路運(yùn)輸過(guò)程中，當(dāng)受到過(guò)大的載荷交變應(yīng)力作用時(shí)，容易導(dǎo)致?lián)u枕、側(cè)架斷裂，造成重大經(jīng)濟(jì)損失，因此,提高對(duì)鐵路鑄件缺陷檢測(cè)的效率和精度十分必要。X射線DR(Digital Radiography)是一種射線數(shù)字檢測(cè)技術(shù)，DR技術(shù)因?yàn)闄z測(cè)速度快、探測(cè)效率高、價(jià)格成本低、分辨率好、更能適應(yīng)現(xiàn)代工業(yè)生產(chǎn)快速在線檢測(cè)要求等諸多優(yōu)點(diǎn)得到越來(lái)越廣泛的重視和應(yīng)用。目前，對(duì)于鑄件X射線DR圖像分類(lèi)分級(jí)的主要研究方法是圖譜經(jīng)驗(yàn)判別法，通過(guò)人工判定被測(cè)工件是否含有和標(biāo)準(zhǔn)缺陷圖譜上相同的缺陷類(lèi)型。采用的主要標(biāo)準(zhǔn)有我國(guó)的TB/T3105[1]、美國(guó)的ASTM系列標(biāo)準(zhǔn)[2-4]和歐盟的EN 12681[5]標(biāo)準(zhǔn)。該方法存在勞動(dòng)強(qiáng)度大、工作效率低、易發(fā)生漏判誤判等情況，無(wú)法進(jìn)行大規(guī)模檢測(cè)。隨著計(jì)算機(jī)技術(shù)與人工智能技術(shù)的不斷發(fā)展，基于DR圖像的自動(dòng)檢測(cè)方法也層出不窮，可以分為以下三類(lèi)：第一類(lèi)是基于數(shù)字圖像處理技術(shù)進(jìn)行直接缺陷檢測(cè)。通過(guò)手工進(jìn)行特征設(shè)計(jì)，并用數(shù)字圖像處理算法實(shí)現(xiàn)圖像某些類(lèi)特征的提取，從而實(shí)現(xiàn)目標(biāo)檢測(cè)。例如，Dalal等提出的HOG[6]算法，通過(guò)對(duì)圖像局部梯度方向做統(tǒng)計(jì)直方圖，經(jīng)歸一化后，實(shí)現(xiàn)對(duì)圖像輪廓特征的提取。Ojala T等提出的LBP[7]算法，通過(guò)獲取像素點(diǎn)的局部二進(jìn)制值來(lái)提取圖像局部紋理特征。第二類(lèi)是采用傳統(tǒng)機(jī)器學(xué)習(xí)網(wǎng)絡(luò)與淺層神經(jīng)網(wǎng)絡(luò)(如支持向量機(jī)、貝葉斯分類(lèi)器等[8])進(jìn)行圖像缺陷檢測(cè)。例如，Xiao-Cong L等提出的基于量子粒子群算法(QPSO)來(lái)計(jì)算SVM分類(lèi)器參數(shù)，進(jìn)而識(shí)別表面缺陷的方法[9]；第三類(lèi)是基于深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行缺陷識(shí)別與檢測(cè)。在保證高準(zhǔn)確度的同時(shí)，具有識(shí)別速度快、泛化性更高，以及實(shí)時(shí)檢測(cè)等優(yōu)勢(shì)。主要分為雙階段檢測(cè)算法和單階段檢測(cè)算法。雙階段檢測(cè)算法是以R-CNN系列為代表的基于候選區(qū)域的目標(biāo)檢測(cè)算法；單段檢測(cè)算法是以Yolo、SSD為代表的基于回歸分析的目標(biāo)檢測(cè)算法[10]。而目前，將Yolo系列算法應(yīng)用于鑄件X射線DR圖像缺陷檢測(cè)研究較少，所以，利用Yolo v5算法對(duì)鑄件X射線DR圖像進(jìn)行分級(jí)分類(lèi)以及自動(dòng)檢測(cè)缺陷具有重要的理論和應(yīng)用價(jià)值。

1 方法

1.1 算法整體理論框架

針對(duì)鐵軌鑄件射線DR圖像存在的問(wèn)題，以及需要對(duì)鐵軌鑄件缺陷實(shí)現(xiàn)精確的檢測(cè)，本文提出了如圖1所示的算法整體理論框架：數(shù)據(jù)采集模塊、數(shù)據(jù)預(yù)處理模塊、目標(biāo)檢測(cè)算法模塊。

圖1 Yolo v5算法整體理論框架

數(shù)據(jù)采集模塊主要是用于獲取鐵軌鑄件射線DR圖像，構(gòu)建用于目標(biāo)檢測(cè)算法的原始圖像數(shù)據(jù)集。數(shù)據(jù)預(yù)處理模塊主要是為了抑制DR圖像中的散射噪聲，提高圖像對(duì)比度。目標(biāo)檢測(cè)算法模塊的作用主要是學(xué)習(xí)鐵軌鑄件缺陷的分布特征，根據(jù)學(xué)習(xí)規(guī)律，實(shí)現(xiàn)鐵軌鑄件缺陷的目標(biāo)檢測(cè)。

1.2 數(shù)據(jù)預(yù)處理

工件缺陷檢測(cè)的難點(diǎn)主要在于工件本身結(jié)構(gòu)復(fù)雜、缺陷種類(lèi)多，缺陷的形狀、位置、區(qū)域面積多樣化。而鑄件的X射線DR圖像存在圖像邊緣模糊，灰度值與背景差異較小等問(wèn)題，導(dǎo)致工件缺陷的高精度檢測(cè)存在較大的難度。

針對(duì)以上問(wèn)題，本文算法首先對(duì)DR圖像開(kāi)展預(yù)處理，進(jìn)行導(dǎo)向?yàn)V波，在抑制噪聲的同時(shí)，保持圖像的邊緣信息，增強(qiáng)圖像對(duì)比度。該算法需要一個(gè)引導(dǎo)圖像I，本文采用的引導(dǎo)圖像為原圖像本身，此時(shí)導(dǎo)向?yàn)V波轉(zhuǎn)化為Edge-preserving濾波器，可以用于圖像的平滑降噪。對(duì)于一個(gè)輸入的圖像p，通過(guò)引導(dǎo)圖像I，經(jīng)過(guò)濾波后得到輸出圖像q，其中p和I都是算法的輸入，對(duì)于i位置的像素點(diǎn)，得到的濾波輸出是一個(gè)加權(quán)平均值，濾波器定義如式(1)所示：

(1)

式中，i和j分別表示像素下標(biāo)。Wij(I)表示引導(dǎo)圖像來(lái)確定加權(quán)平均的權(quán)值。得到平滑處理的圖像后，為了使細(xì)節(jié)和紋理更清晰，本文將原圖I和平滑圖像q做相減運(yùn)算得到圖像的細(xì)節(jié)和大致輪廓，對(duì)其進(jìn)行放大運(yùn)算，系數(shù)為λ,再與平滑圖像q進(jìn)行相加運(yùn)算得到最后的增強(qiáng)圖像Ie,如式(2)所示：

Ie=(I-q)×λ+q

(2)

經(jīng)過(guò)數(shù)據(jù)調(diào)整發(fā)現(xiàn)，當(dāng)λ=4.5時(shí)，圖像增強(qiáng)效果為最佳值。

1.3 Yolo v5的目標(biāo)檢測(cè)算法

Yolo v5的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，主要由Backbone模塊、Neck模塊和Output模塊三個(gè)部分組成。

圖2 Yolo v5的網(wǎng)絡(luò)結(jié)構(gòu)圖

(1)Backbone模塊

Backbone模塊主要作用是在不同圖像細(xì)粒度上聚合并形成圖像特征的卷積神經(jīng)網(wǎng)絡(luò)。Backbone前端使用了Focus模塊對(duì)圖像進(jìn)行步長(zhǎng)為2的采樣操作，并將采樣得到的切片堆疊。Focus模塊切片示意圖如圖3所示，得到長(zhǎng)寬均為原圖像一半，維度擴(kuò)張為原來(lái)4倍的特征圖。通過(guò)這種無(wú)信息損失的2倍鄰近下采樣，將輸入特征圖的通道數(shù)加以擴(kuò)張，使得輸入特征能更好的被后續(xù)神經(jīng)網(wǎng)絡(luò)提取。

圖3 Focus模塊切片示意圖

Backbone模塊采用CSPDarkNet結(jié)構(gòu)，該結(jié)構(gòu)在Yolo v3的DarkNet基礎(chǔ)上結(jié)合CSPNet得到。CSPNet將輸入基礎(chǔ)特征層分為兩部分：第一部分為輸入特征層的副本；另一部分與DarkNet中的Res Block連接，如圖4所示。輸出經(jīng)過(guò)Partial Transition Layer后再與第一部分中輸入特征層的副本合并，將輸入特征層的副本隨神經(jīng)網(wǎng)絡(luò)傳播到下個(gè)階段。通過(guò)這種跨階段合并特征層的方式，有效降低網(wǎng)絡(luò)反演過(guò)程中重復(fù)的梯度信息。CSPNet結(jié)構(gòu)能提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，并在保證網(wǎng)絡(luò)精度的同時(shí)降低計(jì)算瓶頸，提高計(jì)算速度。

圖4 CSP結(jié)構(gòu)與Res Block結(jié)合示意圖

(2)Neck模塊

Neck模塊主要作用是將一系列混合和組合圖像特征的網(wǎng)絡(luò)層，并將圖像特征傳遞到預(yù)測(cè)層。Neck模塊的主要組成部分是路徑聚合網(wǎng)絡(luò)PANet(Path Aggregation Network)[16]，如圖5所示。該結(jié)構(gòu)自頂而下與自底向上兩種特征金字塔橫向連接構(gòu)成。而PANet結(jié)合了自頂而下與自底向上兩種特征金字塔結(jié)構(gòu)，使得特征空間分辨率保持不變，并顯著提高了推演速度，簡(jiǎn)化了網(wǎng)絡(luò)結(jié)構(gòu)。

圖5 路徑聚合網(wǎng)絡(luò)PANET結(jié)構(gòu)

(3)Output模塊

Output模塊主要作用是對(duì)圖像特征進(jìn)行預(yù)測(cè)，生成邊界框并預(yù)測(cè)類(lèi)別。其主要包括了損失函數(shù)和加權(quán)非極大值抑制算法。

1)損失函數(shù)。目標(biāo)檢測(cè)任務(wù)的損失函數(shù)一般由分類(lèi)損失函數(shù)Classification Loss和回歸損失函數(shù)Bounding Box Regression Loss兩部分構(gòu)成。Yolo v5采用GIoU(Loss Generalized Intersection over Union)代替?zhèn)鹘y(tǒng)的IoU_Loss做Bounding box的損失函數(shù)，如式(3)所示。

(3)

如式(3)所示，其中IoU是兩個(gè)區(qū)域重疊的部分除以?xún)蓚€(gè)區(qū)域的集合部分得出的結(jié)果。首先計(jì)算兩個(gè)框的最小閉包區(qū)域面積AC(同時(shí)包含了預(yù)測(cè)框和真實(shí)框的最小框的面積)及IoU，再計(jì)算閉包區(qū)域AC中不屬于兩個(gè)框的區(qū)域占閉包區(qū)域的比重，最后用IoU減去該比重得到GIoU。最終的損失函數(shù)如式(4)所示：

LGIoU=1-GIoU

(4)

2)加權(quán)非極大值抑制算法(NMS)；物體檢測(cè)中應(yīng)用NMS算法的主要目的是當(dāng)有多個(gè)預(yù)測(cè)框出現(xiàn)交叉重疊(兩預(yù)測(cè)框的IoU大于設(shè)定閾值)時(shí)，取預(yù)測(cè)效果最好的預(yù)測(cè)框留下，抑制其余重疊的預(yù)測(cè)框，從而找到最佳物體檢測(cè)位置。

2 實(shí)驗(yàn)結(jié)果及分析

本文實(shí)驗(yàn)的環(huán)境具體設(shè)置為Intel(R)Core(TM)i5-9300H，Windows10，顯卡為NVIDIA-TITAN-XP，使用的深度學(xué)習(xí)框架為Pytorch1.8.1，Python版本為3.8。

2.1 鐵軌鑄件數(shù)據(jù)的增強(qiáng)

圖6為經(jīng)過(guò)增強(qiáng)后的圖像與原始圖像的細(xì)節(jié)對(duì)比，不難看出經(jīng)過(guò)導(dǎo)向?yàn)V波及細(xì)節(jié)增強(qiáng)處理后，圖像中缺陷的特征更加突出。在不損傷圖像輪廓的前提下，圖像的細(xì)節(jié)與紋理得以增強(qiáng)，霧化現(xiàn)象明顯削弱，缺陷的可識(shí)別性進(jìn)一步提高。

圖6 圖像增強(qiáng)結(jié)果對(duì)比圖

2.2 鐵軌鑄件數(shù)據(jù)集的制作

本文實(shí)驗(yàn)數(shù)據(jù)來(lái)自車(chē)間實(shí)際生產(chǎn)的搖枕與側(cè)架鐵路鑄件的射線DR圖像。數(shù)據(jù)集的制作流程包括圖像裁剪、圖像增強(qiáng)和圖像標(biāo)注。首先是圖像裁剪，將原始圖像一分為二，這樣能夠使有用特征(缺陷)的占比得到提高，進(jìn)而提高識(shí)別的準(zhǔn)確度；其次是圖像增強(qiáng)，采用導(dǎo)向?yàn)V波能在不損傷圖像輪廓的前提下使圖像的細(xì)節(jié)與紋理得以增強(qiáng)；最后由工廠質(zhì)控人員采用Labelme軟件對(duì)缺陷類(lèi)型與位置進(jìn)行標(biāo)注，形成數(shù)據(jù)集。對(duì)于圖像標(biāo)注，其數(shù)據(jù)格式參考VOC數(shù)據(jù)集的形式。參照美國(guó)ASTM國(guó)際標(biāo)準(zhǔn)，并結(jié)合本課題實(shí)際情況，將需要標(biāo)注的缺陷分為：氣孔類(lèi)與疏松類(lèi)。這兩種缺陷在鑄造缺陷中最為常見(jiàn)，對(duì)其進(jìn)行缺陷檢測(cè)尤為重要。其中，氣孔類(lèi)缺陷(用a表示)又細(xì)分為兩個(gè)等級(jí)：a1和a2；疏松類(lèi)缺陷(用c表示)細(xì)分為3個(gè)等級(jí)：c1，c2和c3；缺陷類(lèi)別和等級(jí)示意如圖7所示，缺陷的等級(jí)主要根據(jù)缺陷的面積與深度來(lái)進(jìn)行劃分。

圖7 缺陷類(lèi)別和等級(jí)示意圖

使用Labelme軟件對(duì)這5種缺陷進(jìn)行標(biāo)注，生成json格式的標(biāo)簽文件，標(biāo)注界面如圖8。本文鐵路鑄件X射線DR圖像均通過(guò)同一臺(tái)掃描儀得到，掃描儀的相關(guān)參數(shù)無(wú)區(qū)別，本次實(shí)驗(yàn)收集了2017年至2019年的中車(chē)公司某下屬子公司的鐵路鑄件X射線DR圖像共600張，將經(jīng)過(guò)預(yù)處理的鐵路鑄件X射線DR圖像截成左右相等的兩部分得到1200張圖片，其中搖枕400張，側(cè)架800張。對(duì)其進(jìn)行標(biāo)注，得到1169個(gè)標(biāo)簽文件與8783個(gè)標(biāo)簽示。設(shè)定訓(xùn)練集與測(cè)試集的比例為7∶3，其中訓(xùn)練集中又劃分30%作為驗(yàn)證集。

圖8 標(biāo)注界面示意圖

2.3 算法評(píng)價(jià)體系

Yolo v5模型檢測(cè)精度指標(biāo)主要包括常用的性能指標(biāo)精確率(P)，召回率(R)，IoU閾值為0.5時(shí)的平均AP大小(mAP@0.5)，以及定義預(yù)測(cè)的平均置信度(AC)等作為網(wǎng)絡(luò)性能的評(píng)價(jià)指標(biāo)。

精確率P定義如式(5)所示：

(5)

式中，TP是預(yù)測(cè)框與真實(shí)框IoU>0.5的個(gè)數(shù)，F(xiàn)P是預(yù)測(cè)框與真實(shí)框IoU<0.5的個(gè)數(shù)。精確率P的大小即為所有預(yù)測(cè)框中屬于正確檢測(cè)的比例，P可以反映模型的正檢率。

召回率R定義如式(6)所示：

(6)

式中，F(xiàn)N是指被遺漏的真實(shí)框的個(gè)數(shù)，召回率R表示在所有正樣本中被正確預(yù)測(cè)的比例。

平均精確度AP：表示在每次目標(biāo)檢測(cè)所對(duì)應(yīng)的P-R曲線和橫縱坐標(biāo)所圍起來(lái)的面積，它表示網(wǎng)絡(luò)對(duì)數(shù)據(jù)集在不同閾值下對(duì)某一類(lèi)別的目標(biāo)檢測(cè)的效果。一般而言，AP越高表示目標(biāo)檢測(cè)效果越好。平均精確度AP定義見(jiàn)式(7)：

(7)

式中，p(r)表示精確率P與召回率R所表示的曲線。

平均精確度均值mAP：表示網(wǎng)絡(luò)對(duì)數(shù)據(jù)集中所有類(lèi)別的AP值的均值，它是衡量網(wǎng)絡(luò)對(duì)所有類(lèi)別目標(biāo)的檢測(cè)效果，也是本文針對(duì)多目標(biāo)分類(lèi)的檢測(cè)重要指標(biāo)之一。平均精確度均值mAP定義見(jiàn)式(8)：

(8)

預(yù)測(cè)平均置信度AC定義見(jiàn)式(9)：

(9)

式中，TB表示所有與真實(shí)框IoU>0.5檢測(cè)框的總個(gè)數(shù)，TC表示IoU>0.5檢測(cè)框的置信度之和。

這4項(xiàng)指標(biāo)從不同方面反應(yīng)了目標(biāo)檢測(cè)模型對(duì)數(shù)據(jù)集中目標(biāo)的檢測(cè)能力，通過(guò)對(duì)目標(biāo)檢測(cè)模型之間的性能指標(biāo)分析，可以得到適合用于鐵路鑄件射線DR圖像缺陷檢測(cè)的目標(biāo)檢測(cè)模型。

2.4 實(shí)驗(yàn)結(jié)果分析及對(duì)比

本文實(shí)驗(yàn)結(jié)果分析主要根據(jù)模型檢測(cè)精度指標(biāo)以及實(shí)驗(yàn)結(jié)果圖和局部結(jié)果放大圖來(lái)進(jìn)行分析和對(duì)比，模型檢測(cè)精度指標(biāo)主要包括精確率(P)，召回率(R)，IoU閾值為0.5時(shí)的平均AP大小(mAP@0.5)、定義預(yù)測(cè)的平均置信度(AC)以及檢測(cè)時(shí)間這五個(gè)指標(biāo)。表1反映了本文算法檢測(cè)后的各項(xiàng)缺陷的平均檢測(cè)精度(mAP)以及模型的整體檢測(cè)精度。

表1 缺陷mAP值

由表1可以看出，除氣泡a1與疏松c1類(lèi)兩類(lèi)缺陷，其余3類(lèi)缺陷的mAP@0.5均在95%以上，達(dá)到了較高的檢測(cè)精度。可見(jiàn)Yolo v5對(duì)這三類(lèi)缺陷的特征識(shí)別能力較強(qiáng)，檢測(cè)效果較好。對(duì)于相對(duì)識(shí)別精度較低的a1類(lèi)與c1類(lèi)缺陷，由于數(shù)據(jù)集中兩類(lèi)缺陷相對(duì)較少，標(biāo)簽數(shù)量有限，導(dǎo)致泛化能力不高；且缺陷本身較淺，尺寸較小，與周?chē)鷧^(qū)域灰度差異不大，不易被特征提取網(wǎng)絡(luò)提取特征并識(shí)別，因此Yolo v5對(duì)其的識(shí)別精度相比較差。

表2包含了5類(lèi)缺陷各自的正檢率、誤檢率、漏檢率與平均置信度，反映出每類(lèi)缺陷中被正確識(shí)別(正檢)、被識(shí)別為其他類(lèi)缺陷(誤檢)、被識(shí)別為背景(漏檢)的比例，以及正確識(shí)別時(shí)的平均置信度(可靠程度)的大小，從而更直觀的展示本文算法對(duì)各級(jí)缺陷的識(shí)別情況。

表2 各類(lèi)缺陷識(shí)別結(jié)果

由表2可以看出，本文算法對(duì)a1類(lèi)缺陷的正檢率最低，有22%的a1類(lèi)缺陷沒(méi)有被檢測(cè)出來(lái)。對(duì)于c1類(lèi)缺陷的正檢率也相對(duì)較低，其中有14%的c1沒(méi)有被檢測(cè)出來(lái)。但本文算法對(duì)5類(lèi)缺陷的誤檢率都較低，說(shuō)明a1類(lèi)與c1類(lèi)缺陷是由于其本身特征不明顯且標(biāo)簽數(shù)目太少，從而不易于被Yolo v5網(wǎng)絡(luò)識(shí)別，這一點(diǎn)從平均置信度大小也可以看出來(lái)。整體而言基于Yolo v5的鐵路鑄件缺陷檢測(cè)的檢測(cè)精度較高，整體漏檢率與誤檢率均在較低范圍之內(nèi)，且有較大的改進(jìn)空間與發(fā)展?jié)摿Α?/p>

將本文的檢測(cè)結(jié)果與基于Yolo v3的檢測(cè)結(jié)果進(jìn)行對(duì)比驗(yàn)證。圖9展示了不同檢測(cè)算法在軌道鑄件DR圖片數(shù)據(jù)集上的缺陷檢測(cè)效果，其中第一行至第四行分別表示圖9(a)～圖9(d)。圖9(a)對(duì)應(yīng)2張軌道鑄件DR圖片經(jīng)過(guò)預(yù)處理之后的原圖；圖9(b)表示一線工人標(biāo)注的數(shù)據(jù)集圖片；圖9(c)表示采用Yolo v3的檢測(cè)結(jié)果；圖9(d)表示采用本文算法的檢測(cè)結(jié)果。而圖10則展示了與圖9所對(duì)應(yīng)的圖片和算法的局部對(duì)比缺陷檢測(cè)效果。

對(duì)于Yolo v3缺陷檢測(cè)算法，從圖9(c)和圖10(c)能夠看出該算法能夠較好地識(shí)別出缺陷所在大體位置以及缺陷的類(lèi)型，但是對(duì)于缺陷的等級(jí)識(shí)別以及識(shí)別的精確度方面表現(xiàn)較差，且存在較多的漏檢情況和部分的缺陷等級(jí)識(shí)別有誤差的誤檢情況。對(duì)于本文算法，從圖9(d)和圖10(d)能夠看出該算法能夠基本識(shí)別出缺陷所在大體位置以及缺陷的類(lèi)型，通過(guò)和圖9(b)一線工人標(biāo)注的數(shù)據(jù)集圖片比較來(lái)看，分別出現(xiàn)錯(cuò)檢1個(gè)特征和多檢1個(gè)特征。證明此算法對(duì)于缺陷的等級(jí)識(shí)別以及識(shí)別的精確度方面表現(xiàn)較好，對(duì)于a1類(lèi)特征存在較多的漏檢情況，其他類(lèi)型和等級(jí)缺陷的漏檢率不是很高。

圖9 實(shí)驗(yàn)對(duì)比結(jié)果

圖10 局部對(duì)比結(jié)果

表3給出了不同算法在測(cè)試集檢測(cè)后的mAP值與平均置信度?？梢钥吹結(jié)olo v3的mAP值僅為56.1%，本文算法則達(dá)到了87.4%。對(duì)于平均置信度而言，本文算法達(dá)到了78.0%，有較高的可信度，說(shuō)明了其能夠基本識(shí)別出缺陷所在大體位置以及缺陷的類(lèi)型，對(duì)于缺陷的等級(jí)識(shí)別以及識(shí)別的精確度方面表現(xiàn)較好。

表3 兩種網(wǎng)絡(luò)結(jié)構(gòu)識(shí)別性能對(duì)比

表4給出了兩種算法的時(shí)間消耗情況。在模型檢測(cè)速度方面，采用 FPS(Frame Per Second)即每秒鐘處理的圖片數(shù)量作為評(píng)價(jià)指標(biāo)。可以看到，本文算法的檢測(cè)速度較Yolo v3高13 frame/s，檢測(cè)速度有較大提升。

表4 兩種網(wǎng)絡(luò)結(jié)構(gòu)識(shí)別圖像消耗時(shí)間對(duì)比

3 結(jié)論

本文基于Yolo v5深度學(xué)習(xí)相關(guān)理論，結(jié)合傳統(tǒng)圖像處理方法，開(kāi)展鐵路鑄件X射線DR圖像缺陷檢測(cè)算法的研究，旨在探索快速、高準(zhǔn)確度、輕量化的缺陷檢測(cè)模型。利用Yolo v5深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行缺陷識(shí)別，將生成Region Proposals與目標(biāo)分類(lèi)合二為一，降低了DR圖像缺陷檢測(cè)的誤檢和漏檢，達(dá)到較高的識(shí)別精度，避免了傳統(tǒng)方法分級(jí)分類(lèi)精度較差的問(wèn)題。實(shí)驗(yàn)數(shù)據(jù)表明，本文算法可以對(duì)鑄件射線DR圖像的氣孔、疏松缺陷進(jìn)行檢測(cè)且初步分類(lèi)分級(jí)，且具有較高的精度。在后續(xù)研究中，將會(huì)繼續(xù)擴(kuò)大數(shù)據(jù)集的樣本數(shù)據(jù)量，改進(jìn)深度模型算法，進(jìn)一步提高檢測(cè)精度和速度，嘗試對(duì)其他缺陷類(lèi)型進(jìn)行檢測(cè)。并嘗試以本文的方法為基礎(chǔ)，推廣到其他鑄件射線DR圖像的缺陷檢測(cè)，為工業(yè)缺陷檢測(cè)智能化提出解決方法。