劉 洋，李全勇，顧 健，楊 帆，王文博

(1.長(zhǎng)春理工大學(xué) 光電工程學(xué)院 光電測(cè)控與光信息傳輸技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，長(zhǎng)春 130022； 2.長(zhǎng)春理工大學(xué) 光電工程學(xué)院 光電工程國(guó)家級(jí)教學(xué)示范中心，長(zhǎng)春 130022)

隨著生產(chǎn)力與工藝水平的提高，工業(yè)領(lǐng)域?qū)Σ牧闲阅艿囊笠膊粩嗵岣?，在這種趨勢(shì)下，碳纖維復(fù)合材料憑借其遠(yuǎn)超其他材料的強(qiáng)度與比模量脫穎而出[1-2]，在眾多行業(yè)發(fā)揮了舉足輕重的作用，但其加工工藝復(fù)雜，生產(chǎn)過(guò)程中會(huì)不可避免地出現(xiàn)內(nèi)部缺陷[3-4]，不僅會(huì)縮短材料壽命和降低性能，還有可能在使用中造成嚴(yán)重事故，因此準(zhǔn)確識(shí)別缺陷的位置與面積在材料性能檢測(cè)中十分重要。目前超聲檢測(cè)在碳纖維材料缺陷無(wú)損檢測(cè)領(lǐng)域已經(jīng)有比較成熟的應(yīng)用[5-8]，但尚未提出一種比較成熟的缺陷識(shí)別方法。針對(duì)實(shí)際應(yīng)用中缺陷識(shí)別存在的效率較低、精度不高等問(wèn)題，BOHLOULI 等[9]使用超聲相控陣系統(tǒng)對(duì)聚乙烯管道電熔接頭進(jìn)行檢測(cè)，利用基于小波變換的人工神經(jīng)網(wǎng)絡(luò)檢測(cè)成像圖進(jìn)行缺陷識(shí)別，提升了缺陷識(shí)別的精度，但網(wǎng)絡(luò)模型的計(jì)算復(fù)雜度高，實(shí)時(shí)更新難度較大；RHIM等[10]對(duì)碳纖維復(fù)合材料的超聲信號(hào)進(jìn)行模態(tài)分析，使用所得傳遞函數(shù)的零極點(diǎn)為分類的特征值，再進(jìn)行BP網(wǎng)絡(luò)訓(xùn)練，但碳纖維復(fù)合材料具有各向異性的特性，該方法的識(shí)別精度有限；XU等[11]使用改進(jìn)的 Faster R-CNN算法檢測(cè)混凝土柱的損傷，但其將識(shí)別過(guò)程分為兩階段，使得識(shí)別速度受到影響，而YOLO系列算法[12]將兩階段合并，實(shí)現(xiàn)了更快的檢測(cè)速度，更適用于碳纖維復(fù)合材料的自動(dòng)化檢測(cè)。謝經(jīng)明等[13]基于X射線焊縫圖像采用輕量化的YOLO網(wǎng)絡(luò)進(jìn)行識(shí)別，大大降低了網(wǎng)絡(luò)模型的計(jì)算量，加快了識(shí)別速度，但精度有所損失。

為滿足碳纖維復(fù)合材料缺陷位置與面積快速準(zhǔn)確的識(shí)別需求，基于YOLO V5網(wǎng)絡(luò)模型，通過(guò)超聲相控陣系統(tǒng)采集碳纖維復(fù)合材料的預(yù)置缺陷，對(duì)檢測(cè)結(jié)果圖像進(jìn)行數(shù)據(jù)增強(qiáng)，以解決樣本不足和缺陷數(shù)據(jù)分布不均的問(wèn)題；為解決特征融合時(shí)忽略了通道間和區(qū)域間聯(lián)系的問(wèn)題，添加了改進(jìn)的通道注意力機(jī)制和空間注意力機(jī)制；為提高計(jì)算速度，使用k-means++聚類算法對(duì)缺陷數(shù)據(jù)集重新聚類，得到適用于碳纖維復(fù)合材料缺陷的先驗(yàn)框，并改進(jìn)了損失函數(shù)的計(jì)算方法。在文章建立的數(shù)據(jù)集上進(jìn)行訓(xùn)練與測(cè)試，通過(guò)與其他網(wǎng)絡(luò)模型訓(xùn)練的結(jié)果進(jìn)行對(duì)比，結(jié)果表明該算法在精度與速度上均具有一定的優(yōu)勢(shì)。

1 改進(jìn)的YOLO算法

1.1 網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化

為進(jìn)一步彌補(bǔ)YOLO V5算法的缺陷，提高網(wǎng)絡(luò)性能，通過(guò)以下兩方面對(duì)算法進(jìn)行改進(jìn)。

(1) 添加通道注意力機(jī)制。原算法對(duì)統(tǒng)一大小的特征圖使用串聯(lián)操作融合，該方法僅將特征在同一通道維度上進(jìn)行連接，忽略了不同通道上特征存在的內(nèi)部聯(lián)系，導(dǎo)致融合后的特征不能很好地描述目標(biāo)。故文章在特征融合時(shí)引入通道注意力機(jī)制。

由于經(jīng)典的SENet算法計(jì)算了所有通道間的依賴關(guān)系并對(duì)特征圖進(jìn)行了降維操作，過(guò)程效率低，對(duì)網(wǎng)絡(luò)性能影響較大。因此文章使用一種能實(shí)現(xiàn)跨通道交互的ECANet注意力模塊算法，其能夠在不降低維度的全局平均池化(GAP)下計(jì)算每個(gè)通道與其k臨近通道間的依賴關(guān)系，同時(shí)，為減少特征信息的損失，文章額外增加全局最大池化(GMP)的分支，在分別獲取兩個(gè)分支的依賴關(guān)系后進(jìn)行加權(quán)，從而獲得更準(zhǔn)確的通道間信息。改進(jìn)的通道注意力模塊結(jié)構(gòu)如圖1所示(C為向量長(zhǎng)度)。

圖1 改進(jìn)的通道注意力模塊結(jié)構(gòu)

對(duì)輸入的特征通道u分別進(jìn)行全局平均池化和全局最大池化，得到全局最大池化后的特征向量(Fm)和全局平均池化后的特征向量(Fa)分別為

(1)

(2)

式中：W和H分別為當(dāng)前通道的寬度和高度；uij為當(dāng)前通道第i行第j列像素點(diǎn)。

由于對(duì)每個(gè)通道計(jì)算權(quán)重時(shí)僅考慮其k個(gè)相鄰?fù)ǖ?，因此分支?quán)重vi為

(3)

通過(guò)使用卷積核大小為r的一維卷積核即可實(shí)現(xiàn)通道間的交互，即兩分支權(quán)重v1和v2分別為

v1=σ[C1Dr(Fm)]

(4)

v2=σ[C1Dr(Fa)]

(5)

式中：C1D為包含r個(gè)參數(shù)的一維卷積，綜合考慮計(jì)算效率與模型大小，取r=3。

通過(guò)對(duì)兩分支進(jìn)行加權(quán)計(jì)算得到最終通道權(quán)重ω為

ω=p·v1+q·v2

(6)

式中：p和q為網(wǎng)絡(luò)自動(dòng)優(yōu)化調(diào)整的動(dòng)態(tài)系數(shù),p+q=1。

最終輸出的特征u′為

u′=ω·u

(7)

(2) 添加空間注意力機(jī)制。經(jīng)通道注意力機(jī)制重新分配通道權(quán)重后的特征圖能夠更重視有用的通道，但在進(jìn)行目標(biāo)識(shí)別與定位時(shí),特征圖中的各個(gè)區(qū)域也不是同等重要的，因此添加改進(jìn)的空間注意力算法進(jìn)行區(qū)域權(quán)重分配,其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 改進(jìn)的空間注意力模塊

空間注意力模塊壓縮輸入特征的維度，將W×H×C的特征圖變?yōu)閃×H×1，文章為保證特征完整性，在原全局平均池化的基礎(chǔ)上增加全局最大池化操作，將得到的兩個(gè)一維通道特征圖拼接后，利用卷積核和Sigmoid函數(shù)得到空間域權(quán)重系數(shù)ω′，計(jì)算方法為

ω′=σ{fn×n{[Avgpool(u′);Maxpool(u′)]}}

(8)

式中：fn×n為大小為n的卷積核，文章取n=3；Maxpool為全局最大池化函數(shù)；Avgpool為全局平均池化函數(shù)。

特征圖t先后經(jīng)過(guò)通道注意力和空間注意力的輸出t″可表示為

t'″=ω′t′×t′=w′[w(t)×t]×[w(t)×t]

(9)

通過(guò)添加該模塊，能夠在不損失網(wǎng)絡(luò)性能和特征信息的情況下獲得不同通道和不同區(qū)域的相互關(guān)系，重要信息將在融合后的特征中被增強(qiáng)，無(wú)用信息則被抑制。

1.2 先驗(yàn)框參數(shù)優(yōu)化

初始先驗(yàn)框的選擇很大程度決定了算法的性能，YOLO V5采用k-means算法制定了9個(gè)先驗(yàn)框，由于文章數(shù)據(jù)集的待檢測(cè)目標(biāo)與原數(shù)據(jù)集的目標(biāo)均不同，故需要重新計(jì)算先驗(yàn)框。由于k-means算法需要預(yù)先定義先驗(yàn)框數(shù)量，且初始中心位置對(duì)聚類結(jié)果的影響較大，因此采用k-means++算法進(jìn)行聚類以彌補(bǔ)這些不足，其采用交互比代替原本使用的歐氏距離，評(píng)估標(biāo)準(zhǔn)為：

d(bbox,cent)=1-Iou(bbox,cent)

(10)

式中：d(bbox,cent)為邊界框到中心點(diǎn)的距離；Iou(bbox,cent)為先驗(yàn)框與實(shí)際目標(biāo)區(qū)域的交并比。

d(bbox,cent)的值越小，越能提升先驗(yàn)框的聚類效果。k-means++與k-means算法獲取的先驗(yàn)框數(shù)量與Iou的關(guān)系如圖3所示，可以看出k-means++的聚類效果更好，且隨著先驗(yàn)框數(shù)量的增加，曲線的增長(zhǎng)變得越來(lái)越緩慢，超過(guò)6個(gè)時(shí)已趨于穩(wěn)定。原算法為每個(gè)尺度設(shè)置3個(gè)先驗(yàn)框，是為了提升識(shí)別重疊目標(biāo)時(shí)的精度，由于缺陷目標(biāo)基本不存在重疊現(xiàn)象，因此降低先驗(yàn)框數(shù)量也不會(huì)造成漏檢，故選擇新的先驗(yàn)框數(shù)量為6個(gè)，其尺寸分別為156×269,103× 151,72 × 97,56 × 78,38×40,21×24(單位均為像素)。

圖3 兩種算法下先驗(yàn)框數(shù)量與Iou的關(guān)系

1.3 改進(jìn)的損失函數(shù)

YOLO V5的損失函數(shù)共包含3部分，分別是目標(biāo)分類誤差I(lǐng)cls、置信度誤差I(lǐng)obj以及邊界框位置預(yù)測(cè)誤差I(lǐng)bbox。原網(wǎng)絡(luò)采用GIoU_Loss函數(shù)對(duì)邊界框位置誤差進(jìn)行預(yù)測(cè)，但該計(jì)算方法存在不足，當(dāng)多個(gè)目標(biāo)框均完全包含先驗(yàn)框，且各先驗(yàn)框大小一致時(shí)，由于這些先驗(yàn)框與目標(biāo)框具有相同的差集，GIoU_Loss函數(shù)會(huì)將其視為同種情況，無(wú)法區(qū)分先驗(yàn)框的具體位置，從而產(chǎn)生較大的邊界回歸誤差。

為避免數(shù)據(jù)集在訓(xùn)練時(shí)被該問(wèn)題影響，采用EIoU_Loss函數(shù)來(lái)定義YOLO V5算法在目標(biāo)檢測(cè)中的損失函數(shù)。EIoU_Loss將邊框回歸時(shí)的3個(gè)影響因素都考慮在內(nèi)，包括重疊面積誤差，中心點(diǎn)誤差和寬高誤差。其表達(dá)式為

IEIOU=1-Iou+ρ2(b,bgt)/c2+

(11)

式中：ρ(b,bgt)為先驗(yàn)框與目標(biāo)框的中心距離；ρ(ω,ωgt)為先驗(yàn)框與目標(biāo)框的寬度差；ρ(h,hgt)為先驗(yàn)框與目標(biāo)框的高度差；當(dāng)外接框同時(shí)包含先驗(yàn)框與目標(biāo)框時(shí)，c為外接框的最小對(duì)角線距離；cω為外接框的最小寬度；ch為外接框的最小高度;IEIOU為回歸框預(yù)測(cè)損失。

EIoU_Loss函數(shù)彌補(bǔ)了GIoU_Loss函數(shù)的不足，并且提升了精度和收斂速度，能夠達(dá)到更好的計(jì)算效果。

2 試驗(yàn)與結(jié)果分析

2.1 樣件制備

使用的碳纖維復(fù)合材料樣件尺寸為10 cm×10 cm×0.4 cm(長(zhǎng)×寬×厚)，制備方法如下：首先在模具上涂一層有機(jī)粘膠，均勻纏繞厚為2 mm的碳纖維布，之后按照設(shè)計(jì)圖的位置放置厚度為0.2 mm，形狀分別為圓形、正方形及扇形的聚四氟乙烯薄膜(見(jiàn)圖4);然后繼續(xù)纏繞碳纖維布直至厚度達(dá)到4 mm，最后將其熱壓72 h后進(jìn)行脫模處理。記錄各缺陷的位置及面積以驗(yàn)證算法性能。

圖4 碳纖維復(fù)合材料樣件設(shè)計(jì)示意及實(shí)物

2.2 建立數(shù)據(jù)集

共設(shè)計(jì)制作樣件150塊，其中預(yù)置圓形缺陷、正方形缺陷、扇形缺陷的樣件各50塊，分別對(duì)每塊樣件使用超聲相控陣系統(tǒng)進(jìn)行微調(diào)參數(shù)的多次掃查，采集到碳纖維復(fù)合材料缺陷圖像共250張。YOLO V5算法在進(jìn)行訓(xùn)練時(shí)需要大量的圖像數(shù)據(jù)，樣本不足容易造成網(wǎng)絡(luò)性能和識(shí)別精度下降。由于條件限制無(wú)法制作足夠多的樣本，因此采用數(shù)據(jù)增強(qiáng)的方式進(jìn)行數(shù)據(jù)集的擴(kuò)充。分別對(duì)采集的圖像分別進(jìn)行了旋轉(zhuǎn)、裁剪、添加噪聲等操作，最終得到各類缺陷的圖像共900張。數(shù)據(jù)增強(qiáng)后得到的圖像如圖5所示。將缺陷圖像大小統(tǒng)一為416×416(像素)，按照4…1的比例分配，分別作為訓(xùn)練集圖像和測(cè)試集圖像。

圖5 數(shù)據(jù)增強(qiáng)后得到的樣件圖像

研究設(shè)置的網(wǎng)絡(luò)參數(shù)如下：初始學(xué)習(xí)率為1×10-3；下降方式為隨機(jī)梯度下降；最大迭代次數(shù)為400，單批次訓(xùn)練量為16，權(quán)重衰減率為1×10-3。共訓(xùn)練3個(gè)模型，分別是YOLO V3，YOLO V5和改進(jìn)的YOLO V5模型。

2.3 試驗(yàn)結(jié)果與分析

采用準(zhǔn)確率(P)和召回率(R)對(duì)訓(xùn)練結(jié)果進(jìn)行評(píng)價(jià)，其計(jì)算方法為

(12)

(13)

式中:T為缺陷目標(biāo)被正確識(shí)別為缺陷的個(gè)數(shù)；F為非缺陷目標(biāo)被錯(cuò)誤識(shí)別為缺陷的個(gè)數(shù)；N為缺陷目標(biāo)未被識(shí)別到的個(gè)數(shù)。

各模型的訓(xùn)練結(jié)果如圖6所示，可以看出在迭代300次時(shí)，損失函數(shù)基本收斂，且改進(jìn)后YOLO V5算法的損失值更低，平均損失為0.017；改進(jìn)后YOLO V5算法的準(zhǔn)確率與召回率分別為98.8%和98.1%，與改進(jìn)前相比分別提高了10.4%和6.6%，與YOLO V3算法相比分別提高了15.1%和10.8%；與YOLO V3和YOLO V5相比，文章算法的準(zhǔn)確率和召回率均有所提升，說(shuō)明該方法在提高碳纖維材料缺陷的識(shí)別效果上有一定作用。

圖6 各模型的訓(xùn)練結(jié)果

在相同的訓(xùn)練參數(shù)下，為驗(yàn)證算法改進(jìn)的效果，額外增加兩組模型，僅改進(jìn)YOLO V5的網(wǎng)絡(luò)結(jié)構(gòu)與優(yōu)化先驗(yàn)框和損失函數(shù)，得到不同算法的識(shí)別效果如表1所示。從表1可以看出，添加通道注意力機(jī)制后，精度提升較大，但會(huì)略微降低檢測(cè)速度，而對(duì)先驗(yàn)框和損失函數(shù)進(jìn)行優(yōu)化后，不僅能夠改善其檢測(cè)速度下降的問(wèn)題，對(duì)提升準(zhǔn)確度也有一定幫助。

表1 不同算法識(shí)別效果對(duì)比

改進(jìn)YOLO V5算法對(duì)部分缺陷的識(shí)別效果如圖7所示，其中，圓形缺陷圖像分別為3塊不同樣件的檢測(cè)結(jié)果，纏繞碳纖維布時(shí)樣件的預(yù)應(yīng)力不一致，導(dǎo)致局部較松，因此圖像中存在較多條紋；扇形缺陷圖像為同一樣件經(jīng)微調(diào)相控陣參數(shù)多次掃查得到的結(jié)果，由于聚焦深度不一致，各缺陷色度有差別；方形缺陷圖像為同一檢測(cè)圖像經(jīng)旋轉(zhuǎn)與添加噪聲得到的擴(kuò)充數(shù)據(jù)；通過(guò)對(duì)預(yù)測(cè)框內(nèi)目標(biāo)進(jìn)行形態(tài)學(xué)分析得到了其面積與坐標(biāo)。

圖7 改進(jìn)YOLO V5對(duì)部分缺陷的識(shí)別結(jié)果

各缺陷面積與位置的平均誤差如表2～4所示(以圖像左上角為原點(diǎn))，分析表中數(shù)據(jù)，缺陷中心位置橫坐標(biāo)最大誤差為2.3 mm，縱坐標(biāo)最大誤差為2.8 mm，缺陷面積最大誤差為5.54%。綜合所有數(shù)據(jù)，缺陷中心位置橫縱坐標(biāo)平均誤差均小于2 mm，面積識(shí)別平均誤差小于5%，在實(shí)際檢測(cè)允許的誤差范圍內(nèi)。

表2 圓形缺陷面積與位置的平均誤差

表3 扇形缺陷面積與位置的平均誤差

表4 方形缺陷面積與位置的平均誤差

3 結(jié)論

為解決碳纖維復(fù)合材料無(wú)損檢測(cè)中缺陷識(shí)別準(zhǔn)確率低、效率差的問(wèn)題，使用YOLO V5算法對(duì)碳纖維復(fù)合材料預(yù)置缺陷的超聲無(wú)損檢測(cè)結(jié)果進(jìn)行識(shí)別。通過(guò)添加注意力機(jī)制、優(yōu)化先驗(yàn)框和損失函數(shù)等措施對(duì)YOLO V5算法進(jìn)行改進(jìn)，并通過(guò)數(shù)據(jù)增強(qiáng)提高模型的泛化能力，實(shí)現(xiàn)了對(duì)不同大小、不同形態(tài)缺陷的識(shí)別。試驗(yàn)結(jié)果顯示優(yōu)化后的算法精度和速度都有所提升，平均識(shí)別精度超過(guò)98%，位置計(jì)算誤差小于2 mm，面積計(jì)算誤差低于5%，該模型體積小，魯棒性高，為碳纖維材料缺陷的實(shí)時(shí)檢測(cè)提供了方法。