基于有监督对比学习的焊缝缺陷X射线检测方法

【目的】基于深度学习的表面缺陷检测算法广泛应用于表面缺陷检测。然而,在焊缝缺陷检测领域,焊缝缺陷外观特征上具有同类别样本偏差大而不同类别样本偏差小的特点,这给焊缝缺陷的有效识别带来了挑战。【方法】为此,提出一种有监督对比学习的焊缝缺陷检测方法(SCL-DD),将有监督对比学习拓展到焊缝缺陷检测领域,通过正负样本进行有效的相似计算,使同一类别的缺陷样本在嵌入空间上更加接近,不同类别的缺陷彼此远离,降低类间偏差和跨类偏差对检测性能的不良影响。【结果】引入余弦分类器,通过计算特征编码与分类原型之间的余弦相似度,提高差异性缺陷样本的检测性能。在钢管焊缝表面缺陷数据集上验证所提出方法的性能。【结论】SCL-DD方法平均精度为96.9,优于其他深度学习网络。