基于深度学习的焊缝缺陷检测方法综述

焊缝缺陷检测是材料加工和成型过程中不可或缺的一环。焊接质量直接影响着焊件的使用性能,因此对于焊缝质量进行全面、准确地检测显得尤为重要。近年来,深度学习因其特征提取精度高和通用性强等优势,在焊缝缺陷检测领域扮演着重要角色。文中首先介绍了常见的焊缝缺陷类型;然后,从图像分类、目标检测和图像分割三方面对基于深度学习的焊缝缺陷检测算法的研究进展进行了全面综述;最后,总结了基于深度学习技术进行焊缝缺陷检测时需要解决的问题,并对未来发展趋势进行了展望。

基于改进Yolov8的焊缝缺陷检测研究

在工业生产中,焊缝质量是关键因素之一,而传统的焊缝缺陷检测方法受限于数据量和算法性能。为了解决此问题,本文基于YOLOv8的改进算法,提出了一种焊缝缺陷检测方法。并提出了两个创新点:一是改进了SPPF(Spatial Pyramid Pooling-Fast)模块,通过引入膨胀卷积分支增强模型对不同尺度焊缝缺陷的感知能力;二是改进了PAN(Path Aggregation Network)模块,通过增强对不同尺度特征的融合能力,提高了模型对焊缝缺陷的检测性能。实验结果表明,所提出的改进方法在焊缝缺陷检测任务中取得了显著的性能提升。通过综合评估,改进后的模型在准确率、召回率和精确率等评价指标上均取得了较大的提升,验证了改进方法的有效性和实用性。本研究对于提高焊缝缺陷检测的精度和鲁棒性具有重要意义,为工业领域的焊接质量检测提供了有力的支持。

基于卷积神经网络的焊缝缺陷检测方法

压力容器其本体是由多块钢板焊接组成,焊缝质量好坏对压力容器的制造质量和安全使用至关重要。X射线检测是工业无损检测的重要方法之一,因此在生产中对压力容器焊缝进行X射线检测有利于在制造中发现缺陷,有利于提升产品质量和生产效益。X射线检测可以使焊缝内部缺陷显现在底片图像上,由于焊缝射线图像评定具有较强的复杂性,因此以往采取的传统检验人员凭借经验对焊缝图像进行评定的方式进行焊缝的质量检测效率相对较差,且存在局限性,因此需要以卷积神经网络为基础形成一种焊缝X射线图像智能识别方法,能够提高检测效率与检测精度,进而达到预期的检测目标。

改进YOLOv3的轮毂焊缝缺陷检测

为了实现轮毂焊缝缺陷的智能化检测,本文对深度学习目标检测算法(You Only Look Once version3,YOLOv3)进行改进,得到YOLOv3-MC算法用于轮毂焊缝缺陷的检测。首先,使用工业相机采集轮毂焊缝图像,然后标注图像制作数据集,并且通过数据增强方法扩充数据集。接着,为了提高算法检测精度,使用Mish激活函数替换YOLOv3主干网络中的激活函数。修改算法的损失函数,使用完备交并比(Complete Intersection over Union,CIoU)的计算方法提升算法检测的定位精度。最后使用训练集训练算法模型,再使用验证集和测试集图像数据进行检测试验,结果表明,YOLOv3-MC的最优模型在验证集上的平均准确率(Mean Average Precision,mAP)达到了98.94%,F1得分值为0.99,平均交并比(Average Intersection over Union,AvgIoU)为80.92%,检测速度为76.59帧/秒,模型大小234MB。该模型在测试集上的检测正确率达到了99.29%。相较于传统机器视觉检测方法,该方法提高了检测精度,满足轮毂生产企业的焊缝实时在线检测需求。

一种用于焊缝缺陷检测的旋转涡流探头设计

针对常规涡流探头易出现漏检、以及由于具有明显的提离效应而难以用于表面不平整焊缝缺陷检测的问题,本文基于均匀涡流检测原理设计了一种能够用于焊缝缺陷检测的旋转涡流探头。首先,通过理论计算方法研究了旋转涡流场的激励原理;接着设计了旋转涡流探头结构并仿真分析了探头的信号特征。最后,制作了旋转涡流探头实物和测试试件。通过理论分析与实验测试可知,本文设计的旋转涡流探头能够有效检测出钢板试件表面各个方向的缺陷;在0.3 mm^1.2 mm的提离范围内,提离对焊缝缺陷信号产生的影响相对较小,能够较好的适应焊缝凹凸不平的表面,有效识别焊缝缺陷。

基于X射线数字成像技术的管母线焊缝缺陷检测实验研究

焊缝缺陷是影响管母线性能的主要因素。根据管母线典型焊缝缺陷的特征,结合X射线数字成像(DR)系统Rhythm软件测量技术,推导了特定缺陷实际尺寸的理论计算方法,提出了一套基于DR技术的焊缝缺陷实际尺寸计算方法。利用本文提出的方法计算了像质计的长度并与实际尺寸进行了对比,充分验证了本文提出的基于DR技术的焊缝缺陷实际尺寸计算方法的正确性,根据实验室拍摄得到的管母线焊缝缺陷的X射线数字图像,利用该方法对气孔、未焊透等缺陷实际尺寸进行了计算,为定量研究管母线焊缝缺陷对其性能的奠定了基础。

基于Curvelet变换的机器视觉系统在焊缝缺陷检测中的应用

焊缝缺陷检测对于焊接结构件的可靠性具有重要意义。使用机器视觉系统替代人工检测,不但节省劳动力,而且检测精度更高。由于焊缝缺陷图像常存在噪声、对比度不强的现象,以及焊缝缺陷形态具有多样性的特征,使得焊缝缺陷难以准确检测出来,容易造成漏检或误检。使用各向异性的Curvelet变换技术,处理焊缝缺陷图像后,焊缝缺陷边缘更清晰。根据Curvelet系数的特征,对不同尺度层分别计算自适应阈值的值,再使用该阈值根据半软阈值函数的方法对Curvelet系数进行处理,经Curvelet反变换后图像能够保存边缘细节的同时,滤除焊缝缺陷图像中的噪声,使焊缝缺陷边缘十分清晰,从而提高焊缝缺陷的检测精度。

基于机器视觉方法的焊缝缺陷检测及分类算法

对于在工业生产中如何有效地识别薄壁金属罐焊缝的缺陷及其类型判别的问题,提出了一种基于机器视觉技术的自动化焊缝缺陷检测及分类算法。利用混合高斯模型,提出了一种改进的背景差分法,主要用来提取焊缝缺陷的特征区域。在此基础上,以不同缺陷类型的缺陷面积、亮度及波形特征等差别作为依据,对焊缝缺陷进行了分类。实验检测结果表明,算法可以对主流的薄壁金属制罐焊缝缺陷类型进行准确的识别和归类,达到了96%以上的精确度。同时,算法的运算时间也能够满足在实际生产中的高实时性需求。

基于改进YOLOv5的金属焊缝缺陷检测

为提高工业上焊缝缺陷自动检测与处理的效率,基于深度学习提出一种改进的YOLOv5焊缝缺陷检测方法。针对焊缝样本数据不足的问题,提出一种Mosaic+Mixup的数据增强策略,同时为减少网络的计算量和网络参数量,引入轻量型的GhostNet网络代替YOLOv5主干网络中CSP1模块中的残差模块,并且采用CIOU_Loss作为坐标位置损失提高算法的收敛速度与准确率。最后使用测试集进行焊缝缺陷检测,改进的YOLOv5的平均精度均值(mAP)达到96.88%,单张图片检测时间不超过50 ms,优于传统机器学习算法,能够满足实际工程中对焊缝缺陷的实时性检测要求。

改进的Faster-RCNN在焊缝缺陷检测中的应用

针对传统检测算法在焊缝缺陷检测上的局限性,以及现有检测模型准确率较低等问题,提出了一种改进Faster-RCNN焊缝缺陷检测模型。该模型以基于ResNet101的Faster-RCNN目标检测网络为原型,引入K-means算法对锚框进行优化,改善目标框定位问题。为避免由于数据集过小产生的过拟合现象,采用传统图像增强方法对样本进行扩充。引入FPN多尺度检测网络并加入DCR解耦分类细化结构提高精度与检测速度。结果表明,该改进模型训练所得模型具有良好的鲁棒性,相比原始Faster-RCNN算法召回率提高了14.7%,精确度提高了2.4%,AP值提高了0.113,每副图像检测时间为0.245 s。在真实样本中表现好,可有效利用于焊缝缺陷检测。

基于轻量化YOLO网络的实时X射线焊缝缺陷检测

X射线无损检测是进行焊缝焊接质量检查的重要方法,为了提高射线评片效率和准确率,本文提出了基于轻量化YOLO网络的实时X射线焊缝缺陷检测方法。首先,在分析焊缝射线检测图像特征的基础上,为提升焊缝图像缺陷检测精度与速度,设计了级联缺陷检测模型,先使用经过轻量化设计的焊缝定位网络定位缺陷集中分布的焊缝区域,再使用滑窗裁剪操作,将切割的小图输入到缺陷检测网络中进行精准的缺陷检测。然后,为了应对缺陷样本过少导致的网络过拟合问题,本文提出了基于负样本正常图像的Copy-Pasting数据增强策略,提升了缺陷检测精度。实验结果表明,本文提出的方法能够有效降低网络模型大小,同时mAP0.5达到99.5%,精确率99.8%,召回率99.6%,检测速度在20 frame/s至33 frame/s,能够满足实时辅助评片的要求。

基于改进YOLOv5算法的钢管焊缝缺陷检测

针对X光图像下钢管焊缝缺陷对比度弱﹑缺陷尺寸大小不一﹑同类缺陷形状变化大等因素导致的缺陷检测率不高的问题,提出一种改进YOLOv5的焊缝缺陷检测算法。首先,对X光图像进行去模糊处理,获得较清晰的焊缝图像;其次,在YOLOv5的主干网络中引入动态区域感知卷积代替标准卷积,保证参数不增加的情况下,增强特征提取能力;进一步针对YOLOv5中CSP特征金字塔融合准则过于简单的问题,采用了一种高效的特征融合机制以增强特征表达能力;最后,在检测头部分引入可学习权重参数,实现检测头中的特征自适应融合。实验结果表明,与传统YOLOv5算法相比,虽然检测速度从32.2 fps降到27.5 fps,但是检测的mAP提高了3.3%,达到94.6%,初步满足实际生产中钢管焊缝缺陷自动检测需求。

基于改进深度学习模型的焊缝缺陷检测算法

针对传统深度学习模型在进行焊缝缺陷检测时对小缺陷目标检测效果不理想问题,提出基于改进深度学习Faster RCNN模型的焊缝缺陷检测算法,算法通过多层特征网络提取多尺度特征图并共同作用于模型后续环节,以充分利用模型中的低层特征,增加细节信息;改进模型的区域生成网络,加入多种滑动窗口,从而优化了模型锚点的长宽比设置,提高检测能力。实验表明,改进Faster RCNN模型取得最优的缺陷检测结果,对于小缺陷目标仍取得较好的检测精度,从而验证了算法的有效性。

基于超声检测技术的主蒸汽管道对接焊缝缺陷检测

为研究超声检测技术在大型锅炉管道焊缝缺陷检测中的应用,利用常规超声检测(UT)、超声衍射时差法(TOFD)和全聚焦超声相控阵(TFM)共3种方法,对锅炉主蒸汽管道模拟试块焊缝缺陷进行全面检测,分析了典型焊接缺陷在不同超声无损检测技术中的信号响应情况。试验结果显示:常规UT、TOFD、TFM 3种超声检测技术均能对锅炉主蒸汽管道对接焊缝的常见埋藏缺陷实现信号显示,但对表面裂纹缺陷的检出存在盲区。TOFD和TFM检测技术在对缺陷的精确定量方面更具优势,常规UT检测成本虽低,但更依赖操作人员的经验且对缺陷定性困难。通过对3种超声检测技术在主蒸汽管道焊缝缺陷检测中的对比研究,为锅炉管道缺陷的识别提供了重要保障,为大型锅炉的检验检测提供技术支持。

基于改进Attention-RPN的焊缝缺陷检测

针对新能源电池组外壳焊缝缺陷检测时存在的缺陷样本少、缺陷目标尺度不一致而导致检测准确率较低问题,提出了一种改进Attention-RPN的小样本焊缝缺陷检测模型。该模型引入了FPN多尺度检测网络和深度布朗距离协方差模块来改善类间相似度的划分,以提高检测精度。结果表明,该模型具有良好的鲁棒性,能够提高检测速度,检测精度可以达到94%。基于真实样本测试表明,本模型可用于新能源锂电池焊缝缺陷检测中。

基于改进的YOLOv3模型的焊缝缺陷检测方法研究

文章针对目前汽车生产线中焊接检测自动化程度较低、检测鲁棒性较差等问题,利用深度学习算法的特征提取能力,提出了一种基于改进的YOLOv3模型的焊缝缺陷检测方法。该方法基于连通域提取工件上的焊缝图像,并将提取到的焊缝图像输入到改进的深度学习模型中进行训练,通过融合大、中、小3个尺度的感受野,实现不同尺度焊缝缺陷的高精度识别和定位。试验结果表明,本方法可准确识别焊缝缺陷,且具有抗干扰能力强、识别速度快等优点,可有效提升焊装生产线的自动化水平。

基于改进MaskRCNN算法的管道焊缝缺陷检测

针对传统管道焊缝缺陷检测方法的实用性差、准确率低的问题,文章基于MaskRCNN算法,融入空洞卷积(Dilated Convolution,DC),提出一种改进的DCMask RCNN管道焊缝缺陷检测算法,自动提取缺陷的特征,捕获多尺度上下文信息,扩大感受野以获取更精细的特征,提升模型在训练过程中的特征提取能力,并且使用同一基线实现焊缝缺陷分割与焊缝缺陷检测。另外,采用切片采样加拼接的一种数据增强方法,以扩充数据,缓解管道焊缝缺陷X射线图像数据匮乏问题,避免模型过拟合。实验证明,所提出的方法可实现管道焊缝缺陷的准确检测。

管道焊接中焊缝缺陷检测的研究现状

文中研究了管道焊接领域焊缝缺陷检测方法的现状及发展趋势。通过对传统非破坏性检测方法和计算机深度学习技术检测方法的综合比较,发现传统方法在准确性和效率方面存在局限性。因此,引入计算机深度学习技术,介绍了基于各种算法的焊缝缺陷检测方法。结果表明,这些方法在焊缝检测中优于传统方法。未来将引入新的模型,使管道焊缝检测技术向自动化和智能化、全数字化和信息化发展,并探索其在实际工程中的应用前景,以提高管道焊接质量和安全性。

基于改进YOLOv8的地铁列车焊缝缺陷轻量化检测方法

针对现有的地铁列车车体焊接质量检测技术存在检测模型较大、检测精度和效率较低的问题,提出一种基于改进YOLOv8的焊缝缺陷轻量化检测方法。首先,利用相控阵超声波检测仪采集对接焊缝内部缺陷图像,通过图像预处理制作成焊缝缺陷数据集。然后,在YOLOv8模型基础上,利用Inner-SIoU优化原有损失函数、采用C2f-PConv替换C2f模块、引入大型可分离核注意力(LSKA)模块和挤压激励(SE)注意力机制,建立了基于改进YOLOv8的地铁列车车体焊缝缺陷质量检测模型,以提高焊缝缺陷特征提取和多尺度特征融合的能力。最后,利用改进的YOLOv8模型对焊缝缺陷数据集进行训练和测试。结果表明,改进的YOLOv8模型大小为7.91 M,对于焊缝缺陷的检测精度达到98.30%,检测速度达到138.9帧/s,与YOLOv8原始模型相比,模型更小,检测精度更高。

基于深度学习的焊缝缺陷自动检测算法研究与改进

随着工业制造水平的快速发展,焊接技术已经成为制造业中最重要的工艺技术之一,所以对焊缝缺陷进行检测有着非常重要的意义。本文首先收集大量焊缝X射线底片,进行图像预处理和数据增强,制作焊缝数据集。再在该焊缝数据集进行研究探索,通过实验对比,最终采用单阶段的CenterNet算法作为焊缝缺陷自动检测算法的基准模型。本文根据CenterNet算法的网络结构特点,先对骨干网络的下采样结构进行了改进,接着对残差模块的降维结构进行了优化,最后在残差模块里增加了自校正注意力机制来提升网络泛化能力。经过改进后的CenterNet算法相比于原算法,在检测速度相当的情况下,检测准确率mAP提升了2.0%,AP50提升了1.0%,AP75提升了3.4%。