基于一维卷积神经网络焊缝缺陷X射线图像的分类方法研究

赵红雷

(洛阳欣隆工程检测有限公司，河南 洛阳 471012)

0 引言

X射线探伤是一种有效的焊缝缺陷无损检测方法，但由于缺陷特征复杂，现阶段的检测仍采用人工评定法，存在成本高、效率低、判断结果不客观等问题。目前常见的研究方法主要针对人工选定的缺陷特征 (如周长、面积、长宽比等) 进行提取和分析，然后借助分类模型进行识别[1-2]。这类方法操作复杂，成本较高，并且人工容易遗漏图像的特征，降低分类的准确率，从而影响工程的安全性[3]。深度学习技术具有强大的特征提取能力，被广泛应用于图像处理、故障诊断、模式识别等领域[4-5]。刘涵等[7]将卷积神经网络(CNN)引入到石油钢管焊缝的缺陷检测中，并结合Softmax分类器取得了较好成效。陈本智等[8]提出基于X射线图像的厚钢管焊缝中气孔缺陷的自动检测技术。焦敬品等[9]从焊缝图像中提取出15种可用于焊缝表面缺陷状态表征的参数,结合BP神经网络进行内焊缝表面缺陷识别，但所得91%的整体识别准确率不足以应用于实际工业生产,有待进一步提高。李乐等[10]提出了一种复杂背景下的焊点气泡检测方法，该方法利用阈值分割结合特征提取标准焊点，并进一步利用射线轮廓法完成被遮挡焊点轮廓提取即背景对象提取。但是以上研究所得结果的准确率并不高并且没有将神经网络方法很好地应用于X射线图像的分类。

近年来，基于一维卷积神经网络方法得到了很快的发展。由于一维卷积神经网络具有优越的特征提取能力和快速的计算速度等特点，所以其被广泛应用于各种分类任务。例如，李晓华等[11]将一维卷积网络方法应用于心电图辅助的诊断。郭晨等[12]提出了一种基于深度多尺度一维卷积神经网络方法，并且成功应用于雷达舰船目标识别。殷和义等[13]针对人工提取高分辨率距离像(HRRP)优良特征比较困难的问题，研究了基于一维卷积神经网络的HRRP识别方法。由此可见，一维卷积神经网络在图像分类方向具有很好的优越性。为此，为了更准确地实现X射线图像的分类，本文提出了一种基于一维卷积神经网络的焊缝缺陷X射线图像的检测方法。

1 一维卷积神经网络的模型

1.1 CNN网络结构

CNN一般包括卷积层、池化层和全连接层。其实质是通过建立多个滤波器提取输入数据的特征，并利用提取的特征实现图像分类。

1.1.1卷积层

卷积层使用一个多卷积核对输入图像进行操作，得到一个特征图。卷积结构是一个复杂高维输入特征提取的有效工具。卷积运算公式为：

(1)

其中，a是输入图像，i是第i个卷积核，b是偏置，g(i)是特征图。

在完成卷积运算之后，通常使用线性整流函数(ReLU)激活函数来实现非线性转换。表达式是：

y(i)=f(g(i))=max{0,g(i)}，i=1,2,...,q

(2)

1.1.2池化层

池化层通过池化操作对输入特征向量进行数据降维，并继续提取特征。池化层最大池化和平均池化如下：

(3)

(4)

其中，al(i,t)第i个特征图的第t个神经元。w是卷积核的宽度，j是卷积核。

1.1.3全连接层

全连接层在卷积神经网络中充当“分类器”的角色。通常，在全连接层之后是Softmax回归层来完成分类。假设有一个k类的分类问题，则Softmax回归的输出可以计算如下：

1.2 提出的模型结构

由于图像信号是二维信号，因此需要将图像首先转换成一维信号，然后输入到网络。根据分类数据的复杂性，可以增加或减少CNN的层数组合。本文设计的优化算法结构见表1。经过一系列的卷积、池化和全连接操作，最后得到分类结果，其结构如图1所示。

表1 提出的1-DCNN网络结构

图1 1-DCNN的原理图

2 焊缝缺陷X射线图像分类实验

2.1 数据集描述

本研究使用的长输管道实际采集的焊缝缺陷X射线图像数据集，由于该数据集是实际工业场景下采集的，具有很高的实用价值。缺陷图像分为裂纹、条形缺陷、圆形缺陷、深孔、内凹和无缺陷共6种类别，6种类别如图2所示。实验中选取图像的大小为64×32，转为一维信号长度为2 048个点。每种类别有100个样本，共计600个样本，样本提前通过人工打好标签，其中训练样本集占70%，测试样本集占30%。

图2 6种焊缝缺陷X射线图像类别

2.2 实验结果

提出方法的过程为：第一步，将焊缝缺陷的X射线图像输入神经网络，经过1-DCNN网络中进行卷积运算，提取图像特征；然后，使用softmax分类器输出分类结果。第二步，将分类结果与图像标签进行交叉熵运算，计算损失。第三步，将交叉熵损失反向传播，进行梯度优化，得到最优的网络参数。本实验共进行10次训练，并对训练样本和测试样本进行了诊断准确性分析。训练的平均准确率为100%，测试的平均准确率为95.98%，标准差为0.032%。模型的平均训练时间为256.3 s，测试时间为2.2 s。图3显示了单次训练的损失值的变化，图4显示了训练过程中测试集准确性的变化。

图3 损失值的变化图

为了能更好地说明本文提出方法的优越性。本文设计了两种常用的分类算法进行焊缝缺陷X射线图像分类。对比方法分别为SVM和BP神经网络模型[14-15]。其对比方法与本文提出的方法数据集和参数保持一致。实验结果如图4所示，可以得出本文提出的1-DCNN模型在分类准确率和训练时间方法都要优于SVM和BP神经网络方法。因此，进一步说明了本文提出的方法可以很好地实现焊缝缺陷X射线图像的分类。

图4 测试准确率的变化

表2 诊断结果比较

3 结论

为了更好地实现焊缝缺陷X射线图像的分类，本文设计了1-DCNN神经网络，并通过实验得出以下结论：①1-DCNN可以有效地训练输入的焊缝缺陷X射线图像，得到准确的分类结果。网络性能稳定可靠，具有良好的鲁棒性。②通过不断优化网络参数，分类准确率达到95.98%，准确率高于常用的BP和SVM。③模型训练和测试时间短，可以扩展到实际应用。