改进的Faster-RCNN算法在聚乙烯管接头内部缺陷检测中的应用.pdf
《改进的Faster-RCNN算法在聚乙烯管接头内部缺陷检测中的应用.pdf》由会员分享,可在线阅读,更多相关《改进的Faster-RCNN算法在聚乙烯管接头内部缺陷检测中的应用.pdf(9页珍藏版)》请在咨信网上搜索。
1、第 42 卷 第 5 期Vol.42,No.52023 年 9 月Journal of Applied AcousticsSeptember,2023 研究报告 改进的Faster-RCNN算法在聚乙烯管接头内部缺陷检测中的应用彭伊娟1王振超1,2张秋菊1(1 江南大学机械工程学院无锡214122)(2 罗森博格(无锡)管道技术有限公司无锡214161)摘要:超声相控阵技术是目前聚乙烯管道热熔接头内部缺陷检测的一种主流方法。提出了基于注意力机制的改进Faster-RCNN目标检测网络用于超声相控阵D扫图聚乙烯管接头内部缺陷检测。针对聚乙烯管道热熔接头内部超声相控阵D扫图小缺陷较多、特征信息容易
2、丢失的问题,将残差网络(ResNet50)与特征金字塔网络(FPN)相结合作为骨干网络,并引入卷积注意力模块(CBAM)自适应细化特征。将SSD网络框架和Faster-RCNN网络框架用于模型训练和测试,使用VGG16、ResNet50、ResNet50+FPN、ACBM+ResNet50+FPN作为骨干网络依次对超声相控阵聚乙烯管道热熔对接接头内部缺陷样本进行训练对比。结果表明,改进的Faster-RCNN网络模型在聚乙烯管接头内部缺陷检测和分类方面有明显改进,对小缺陷的检测性能有了显著的提高。关键词:缺陷检测;超声相控阵;卷积注意力模块;残差网络;特征金字塔中图法分类号:TP183;O42
3、9文献标识码:A文章编号:1000-310X(2023)05-0984-09DOI:10.11684/j.issn.1000-310X.2023.05.011Application of improved Faster-RCNN algorithm in internal defect detection ofpolyethylene pipe jointPENG Yijuan1WANG Zhenchao1,2ZHANG Qiuju1(1 School of Mechanical Engineering,Jiangnan University,Wuxi 214122,China)(2 Roth
4、enberger Wuxi Pipe Technologies Co.,Ltd.,Wuxi 214161,China)Abstract:Ultrasonic phased array technology is a mainstream method to detect the internal defects ofpolyethylene(PE)pipe hot melt joint.In this paper,an improved Faster-RCNN target detection networkbased on attention mechanism is proposed fo
5、r ultrasonic phased array D-sweep PE pipe joint internal defectdetection.To solve the problem that there are many small defects in ultrasonic phased array D-sweeppattern inside hot melt joint of PE pipeline and feature information is easy to be lost,residual network(ResNet50)is combined with feature
6、 pyramid network(FPN)as the backbone network,and convolution blockattention module(CBAM)is introduced to self-refine feature.SSD network framework and Faster-RCNNnetwork framework were used for model training and testing.VGG16,ResNet50,ResNet50+FPN andACBM+ResNet50+FPN backbone networks were used as
7、 backbone networks to train and compare theinternal defect samples of ultrasonic phased array PE pipeline hot melt butt joint.The results show that theimproved Faster-RCNN network model has obvious improvement in the detection and classification of internaldefects of PE pipe joints,and the detection
8、 performance of small defects is significantly improved.2022-06-13收稿;2022-08-02定稿作者简介:彭伊娟(1998),女,江苏南通人,硕士研究生,研究方向:缺陷检测。通信作者 E-mail:第42卷 第5期彭伊娟等:改进的Faster-RCNN算法在聚乙烯管接头内部缺陷检测中的应用985Keywords:Defect detecting;Ultrasonic phased array;Convolutional block attention module;Residual net-work;Feature pyrami
9、d0 引言管道运输多用于液体和气体物资的长距离输送,在聚乙烯(Polyethylene,PE)管道的热熔对接过程中,受到工艺、设备、环境等因素的不良影响,易在热熔接头处产生各种各样的缺陷(如气孔、夹杂、裂纹等)。这些缺陷容易导致熔接接头质量不佳而发生泄漏和破坏,是整个PE管道中最薄弱的地方,极大地影响着PE管道的安全使用。这就需要对管道接头内部缺陷进行有效的检测,及时发现存在的安全隐患。目前,PE管道热熔接头的无损检测方法主要有X射线检测1、红外热成像检测和超声检测(衍射时差法和超声相控阵)等2。超声检测是近年来较为有效的无损检测方法。传统的超声波检测受到PE管表面多次反射回波信号的干扰,并且
10、由于PE材料具有声波衰减性,PE热熔接头缺陷识别很难实现,而超声相控阵检测技术能够实现声束偏转以及声束集中,所以能够很好地克服这一困难3。不同种类的缺陷具有不同的失效形式,因此在对PE管道热熔接头进行超声相控阵检测时,需要根据超声相控阵图谱识别出缺陷的种类。采用人工形式对超声相控阵检测图像中的缺陷评定往往存在误差且效率不高,随着计算机技术的发展,传统的图像处理方法被广泛使用。费学智等4通过分析目标缺陷轨迹和缺陷自身的面积来综合判断是否为真实缺陷。Rostami等5对PE管电熔接头超声图谱的数字格式采用形态学技术重新构建图像来补充缺失信息,从而实现目标特征分区,但未能实现特征缺陷的识别。然而上述
11、采用图像处理的方法对含有多种缺陷的PE管道热熔接头未能进行有效识别。近年来随着深度学习的迅速发展,基于深度学习的目标检测方法在效率和精度上相较于传统的图像检测方法都有很大提升,逐渐成为国内外学者的研究热点。这部分研究主要集中在两个方面,一方面是采用特征提取加浅层神经网络的方法对检测数据进行分类,另一方面是采用深度学习方法,输入数据主要是人工提取的特征值,近年逐渐发展到自动提取特征6。在浅层神经网络方面,盛雄7采用BP神经网络实现对PE管电熔接头缺陷图像检测特征区域的准确分类以及缺陷识别。Sambath等8对检测到的回波离散小波变换表示缺陷特征向量,并利用BP神经网络进行分类。在深度学习方面,要
12、追溯到2014年,Girshick等9将卷积神经网络(Convolu-tional neural networks,CNN)10与目标检测结合,提出R-CNN 算法。2015 年,Song等11将R-CNN和SPPNet进一步提高,提出Fast-RCNN算法,在相同的网络配置下同时实现区域的特征提取、分类和边界框回归。2017年,Ren等12将 Fast-RCNN与区域候选网络(Region proposal network,RPN)相结合,提出Faster-RCNN算法,实现端到端的接近实时的检测,提高检测速度与精度。在超声缺陷检测领域也有不少学者采用深度学习方法进行缺陷识别。Meng等13
13、用小波变换系数来学习每个信号的有效表示,使用深度神经网络进行炭纤维缺陷检测。万陶磊等14提取超声信号的无量纲参数和小波包能量系数组成多维特征向量,然后利用BP神经网络进行缺陷检测。张重远等15采用基于相似矩阵的盲源分离方法对超声检测信号进行预处理,使用CNN 进行信号识别。目前为止,多数研究者都是采用信号处理方法来提取特征从而提高缺陷识别准确率,然后采用BP 神经网络来进行缺陷分类。本文直接将超声相控阵采集的超声D扫图作为输入,针对超声D扫视图中缺陷小且密集的状况,以Faster-RCNN网络为基础,采用不同的骨干网络结构对缺陷进行检测,并对Faster-RCNN网络进行优化,实现检测能力的提
14、升。1Faster-RCNN网络介绍Faster-RCNN目标检测模型提出了与RCNN、SPPNet、Fast-RCNN不一样的RPN网络模型,该模型突破了Fast-RCNN在时间上的性能瓶颈。其网络结构图如图1所示。由图1可知,Faster-RCNN可以分为4个主要内容:9862023 年 9 月ReshapeSoftmaxReshapeProposalROI poolingbbox_predSoftmaxcls_probPTQMTNConvReLUPoolingFull connection13-Conv?13-ReLU?4-PoolingFeature map3T31T11T136im_
15、info1.?2.?4.?3.?图1Faster-RCNN网络结构图Fig.1 Structure diagram of Faster-RCNN network(1)骨干网络(Backbone)。Faster-RCNN首先使用一组基础的卷积、激活、池化层用来提取图像的特征图。(2)区域候选网络(RPN)。输入特征图,使用RPN层生成候选框,进行是否含有物体的二分类。(3)感兴趣区域池化(ROI pooling)。将各个不同尺寸的特征图通过ROI pooling层缩放到同样大小的特征图。(4)分类以及回归(Classification and regres-sion)。将大小一致的特征图送到全连
16、接层,进行目标的分类并且完成边界框回归,获得检测框最终的精确位置。Faster-RCNN加入了RPN层来产生候选框,PRN层可以和检测网络共享卷积层,并且可以在每个位置同时预测目标边界和objectness得分,实现了端到端的检测,提升了模型精度。然而Faster-RCNN 也存在着一些问题:Faster-RCNN网络具有大量的参数,需要花费大量的时间,容易出现过拟合,此外在卷积过程中小目标容易丢失,导致对小缺陷的识别效果不佳。2 改进的Faster-RCNN网络超声相控阵检测出的热熔接头内部D扫视图缺陷相较于寻常目标识别对象,面积小且密集。本文提出了一种基于轻量级卷积注意力模块(Convol
17、utional block attention module,CBAM)的Faster-RCNN算法应用于超声相控阵PE管道热熔接头内部缺陷检测,将深度残差网络(ResNet50)与特征金字塔(Feature pyramid network,FPN)集成形成骨干网络,引入通道注意力模块和空间注意力模块提高网络对超声相控阵D扫图小缺陷的学习能力。2.1CBAMCBAM是一个作用于前馈CNN的注意力模块,它结合了通道和空间两种注意力模块,相比于只关注通道的SE注意力机制有更好的效果。CBAM以一个中间特征映射F RCHW作为输入,该模块将根据通道维数c R11C和空间维数MS R1HW来推断注意力
18、图,然后将注意力图与输入特征图相乘,自适应细化特征16,计算公式见式(1):F=c(F)F,F=MS(F)F,(1)式(1)中:表示元素级乘法,F是最终特征输出。图2显示了每个注意力模块的计算进度。通道注意力模块关注输入图片中有意义的特征信息17,如图2(a)所示。首先将输入的特征图经过两个并行的最大池化层和平均池化层,将特征图从C H W 变为C 1 1的大小。然后经过两层的神经网络共享全连接层,第一层神经元个数为C/r(r为减少率),第二层神经元个数为C,激活第42卷 第5期彭伊娟等:改进的Faster-RCNN算法在聚乙烯管接头内部缺陷检测中的应用987FMC?(a)?F?(b)?MS图
19、2CBAM模块的结构Fig.2 Structure of CBAM model函数为ReLU。将MLP输出特征进行element-wise加和操作,再通过一个sigmoid 激活函数生成最终的通道注意力特征图,即MC,计算公式见式(2)。最后,将MC和输入特征图F 相乘生成空间注意力模块的输入特征F,见式(1)。MC(F)=(MLP(avgpool(F)+(MLP(maxpool(F)=(W1(W0(Fcavg)+W1(W0(Fcmax),(2)式(2)中,W0 RC/rC,W1 RCC/r,表示sigmoid激活函数。空间注意图是根据特征间的空间关系生成的,空间注意模块主要关注特征信息的位置
20、18,是对通道注意力的补充,如图2(b)所示。首先,在通道轴上应用平均池化与最大池化来生成两个特征图,FSavg和FSmax,将两个特征图进行通道拼接,生成有效的特征描述符,通过卷积层将描述符简化为一个通道。然后使用sigmoid 函数将其激活,生成空间注意图,计算公式见式(3)。最后空间注意力图乘以输入特征图,得到最终的注意力特征图F,见式(1)。MS(F)=(f77(avgpool(F);maxpool(F)=(f77(FSavg;FSmax),(3)式(3)中:表示sigmoid激活函数,f77表示卷积核为7 7的卷积。CBAM补充了由通道注意力聚焦的语义信息和由空间注意力聚焦的位置信息
21、,本文将CBAM加入到骨干网络中,来关注深层网络中PE管接头超声相控阵D扫图小缺陷的特征信息,提升对小缺陷的检测性能。2.2骨干网络本文将ResNet50与FPN相融合形成骨干网络。ResNet50通过构建残差块可以解决深度网络退化问题。如图3所示,其中x表示残差模块的输入,当特征图输入到特征提取网络中,通过11的卷积核进行降维、33的卷积核进行特征提取、11的卷积核进行升维,最后得到256维度的特征图。而残差模块在输入和输出之间建立了直接连接,Conv,BN,ReLU,1T1,64Conv,BN,ReLU,1T1,256Conv,BN,ReLU,3T3,64+256-dReLUxFxStri
22、de:1Stride:1Stride:1Fxx图3ResNet50残差结构Fig.3 Residual structure of ResNet509882023 年 9 月F(x)表示残差模块的拟合功能,输出结果为H(x)=F(x)+x。如果某一层的梯度消失,则该层的输出等于该层的输入,从而形成一个恒等映射,不会影响后续网络的学习,这样在加深网络的同时准确率也不会降低。原始Faster-RCNN是自底向上卷积,使用最后一层特征图进行预测,这是因为最高层的特征具有最丰富的语义信息。这对于大目标的检测很有效,但是对于小缺陷来说,当进行卷积、激活、池化到最后一层,实际上语义信息已经没有了,导致小缺陷
23、容易检测不到或者效果不佳。由于PE管热熔接头内部超声相控阵D扫视图缺陷特征都比较小,加入低层特征图信息能更好地识别出小缺陷,本研究在残差网络中加入FPN19。FPN模型通将低分辨率、高语义信息的高层特征和高低语义信息的特征进行自上而下的侧边连接,使得所有尺度下的特征都有丰富的语义信息,且每一层都独立预测,从而提升对小缺陷的检测效果。其核心思想包括3部分:一个自底向上的线路、一个自顶向下的线路、横向连接。ResNet50+FPN网络模型如图4所示。Conv5_xConv4_xConv3_xConv2_xConv1(BN+ReLU)Conv2d1T1,s1Conv2d1T1,s1Conv2d1T1
24、,s1Conv2d1T1,s1Conv2d3T3,s1Conv2d3T3,s1Conv2d3T3,s1Conv2d3T3,s1Maxpool1T1,s2UpsampleUpsampleUpsample+P6P5P4P3P2C5C4C3C220T20T204840T40T102480T80T515160T160T25680T80T256160T160T25620T20T25640T40T25610T10T25620T20T25640T40T25680T80T256160T160T256640T640T3ResNet50 FPN图4FPN与ResNet50网络结构图Fig.4 Structure
25、diagram of FPN and ResNet50 network由ResNet50+FPN网络结构图可知,FPN取ResNet50的输出特征图作为输入,对C5使用1 1的卷积进行降为处理,再经过33的卷积处理输出P5,C5上采样后与经过降维处理过的C4相加,再经3 3卷积处理,得到P4,以此类推,从而生成了不同尺度的特征图,这样用于检测的特征图就包含了多个阶段的特征。然后将FPN生成的多层特征图P2P5传入RPN层生成候选框,此时需要将候选框映射到相应的特征图从而进行接下来的ROIpooling操作20,具体映射方式见式(4)。k=k0+log2(wh/224),(4)式(4)中:k0是
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 改进 Faster RCNN 算法 聚乙烯 管接头 内部 缺陷 检测 中的 应用
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。