一种基于改进型YOLOX的焊缝缺陷检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114240821A(43)申请公布日2022.03.25(21)申请号202111240117.3G06N3/04(2006.01)(22)申请日2021.10.25G06N3/08(2006.01)G06K9/62(2022.01)(71)申请人上海电机学院地址201111上海市闵行区江川路690号(72)发明人陈云霞程松杨洪刚徐潇徐学谦(74)专利代理机构北京律远专利代理事务所(普通合伙)11574代理人樊喜锋(51)Int.Cl.G06T7/00(2017.01)G06V10/40(2022.01)G06V10/764(2022.01)G06V10/82(2022.01)G06V10/774(2022.01)权利要求书3页说明书8页附图3页(54)发明名称一种基于改进型YOLOX的焊缝缺陷检测方法(57)摘要一种基于改进型YOLOX的焊缝缺陷检测方法，属于图像识别技术领域。本方法采用目前使用广泛的基于深度学习的算法实现焊缝X射线内部缺陷的检测与识别。本发明基于YOLOX‑s算法，在其主干特征提取网络Backbone中加入注意力机制，使模型更加注重边缘信息。其次将网络中的部分卷积改为深度可分离卷积进行参数量的缩减。最后使用余弦退火的方法对模型训练过程中的学习率进行调整，使其达到更优。本发明的方法可以更为快速且准确的对焊缝内部缺陷进行检测与识别。CN114240821ACN114240821A权利要求书1/3页1.一种基于改进型YOLOX的焊缝缺陷检测方法，其特征在于：包括以下步骤：S1：对采集到的X射线焊缝内部缺陷图，通过数据增强对焊缝内部缺陷数据集进行扩充，并对缺陷进行标注，将扩充后的数据集为训练集与验证集；S2：构建对焊缝内部缺陷进行检测与识别的目标检测模型，包括主干特征提取模块、加强特征提取模块及输出预测模块；S3：将扩充后的数据集输入到目标检测模型中进行特征提取与预测；S4：调整好模型训练过程中的参数及方法，通过步骤S3中的方法及步骤S1得到的数据集对目标检测模型进行训练，达到所设定的epoch即停止训练。2.根据权利要求1所述的基于改进型YOLOX的焊缝缺陷检测方法，其特征在于：步骤S1中的X射线焊缝内部缺陷图包括气孔、夹渣及未焊透三种缺陷,将三种缺陷通过旋转、裁剪及对比度增强等方法进行数量的扩充。通过标注工具对图中所有缺陷位置及类别进行标注。3.根据权利要求1所述的基于改进型YOLOX的焊缝缺陷检测方法，其特征在于：步骤S2中：主干特征提取模块依次包括Focus模块、第一个深度可分离卷积、第一个注意力机制、第一个CSP1模块、第二个深度可分离卷积、第二个注意力机制、第二个CSP1模块、第三个深度可分离卷积、第三个CSP1模块、第四个深度可分离卷积、SPP模块、第四个CSP1模块、第一个CBA模块；其中Focus模块用于实现对输入图像进行切片操作，实现没有信息丢失的下采样；深度可分离卷积用于改变卷积方式减少卷积的执行次数；注意力机制是一种资源分配机制，用于给相应的通道分配权重使得模型更加注重有用信息；CSP1模块通过两个支路相连，其中一条支路是对输入特征层进行卷积标准化与激活函数的操作，另一条支路通过激活函数处理后在经过n个Bottle模块进行处理，最后两个支路相连；SPP模块用于通过不同池化核大小对输入的特征层进行最大池化后与包含输入的特征层短接边堆叠作为该模块的输出；加强特征提取模块通过CSP2模块与上采样组成的结构对模型上下文提取到的特征信息进行整合；其中CSP2模块包括两个支路，一个支路对输入进来的特征层进行激活函数处理，另一条支路对输入的特征层进行两个激活函数与深度可分离卷积的处理，最后将两个支路相连；输出预测模块主要对加强特征提取网络提取到的特征层进行一系列的激活函数与向量卷积运算的分支解耦操作，通过Sigmoid函数对目标的类别预测的cls与目标框是前景还是背景的obj进行判断，并对预测框进行训练调整获得最后的预测框。4.根据权利要求3所述的基于改进型YOLOX的焊缝缺陷检测方法，其特征在于：步骤S3中具体包括以下步骤：S31：利用主干特征提取网络中的Focus结构对输入图像进行切片操作，即在一张图片中每隔一个像素拿到一个值；S32：将初步提取后的特征层输入到加强特征提取网络中；首先对主干网络提取出的最后一个特征层即第一特征层上采样与主干网络第三个CSP1模块得到的特征图进行融合得到第二特征层，将第二特征层经过CSP2模块及第二个CBA模块进行特征提取得到第三特征层，再与主干网络第二个CSP1模块得到的特征图进行融合得到第四特征层；其次将第四特2CN114240821A权利要求书2/3页征层经过CSP2模块得到第五特征层