圖譜數(shù)據(jù)深度學(xué)習(xí)融合模型及焊縫缺陷識別方法

支澤林,姜洪權(quán),楊得焱,程志翔,高建民,王泉生,王曉橋,王景人,石養(yǎng)鑫

(1.西安交通大學(xué)機(jī)械制造系統(tǒng)工程國家重點(diǎn)實(shí)驗(yàn)室,710049,西安;2.陜西省特種設(shè)備檢驗(yàn)檢測 研究院,710048,西安;3.西安優(yōu)耐特容器制造有限公司,710201,西安)

能源動力、航空航天、船舶等領(lǐng)域大型裝備制造過程中大量采用焊接工藝,焊縫缺陷的檢測與評價(jià)是保證裝備在服役過程中安全可靠運(yùn)行的重要手段。超聲衍射時差法(TOFD)具有檢測信息豐富、抗噪聲強(qiáng)、效率高、定位定量準(zhǔn)確等優(yōu)勢,已成為最為廣泛的焊縫無損檢測方法之一[1-2]。例如,陜西省特檢院在特種設(shè)備焊縫檢驗(yàn)檢測過程中采用了TOFD檢測技術(shù),2020年全年的TOFD檢測焊縫圖譜數(shù)據(jù)累計(jì)已達(dá)5萬余米。目前在利用數(shù)據(jù)進(jìn)行缺陷識別時主要采用人工評判方式,受成像機(jī)理、焊縫組織、檢測環(huán)境的影響,TOFD檢測圖譜數(shù)據(jù)易產(chǎn)生噪聲及條紋干擾[3],缺陷識別效率低下、主觀性大、誤判率高。因此,開展以TOFD檢測圖譜數(shù)據(jù)為對象的焊縫缺陷類型識別方法,對提升缺陷檢測能力及裝備質(zhì)量管控能力具有重要意義。

隨著TOFD檢測技術(shù)逐步應(yīng)用和檢測數(shù)據(jù)的積累,如何利用圖像處理及模式識別技術(shù)提高缺陷識別效率、減少人工識別不一致性已經(jīng)成為重點(diǎn)關(guān)注問題[4]。文獻(xiàn)[5]利用傅里葉變換對TOFD衍射信號(A掃波形信息)的頻率進(jìn)行分段特征分析,并結(jié)合神經(jīng)網(wǎng)絡(luò)進(jìn)行缺陷檢測;文獻(xiàn)[6]利用TOFD-D掃圖像數(shù)據(jù),首先提出一種基于分水嶺的缺陷區(qū)域分割技術(shù),再利用人工識別以提高缺陷識別的準(zhǔn)確性;文獻(xiàn)[7]通過對TOFD直通波信息進(jìn)行分析與特征提取,并采用BP神經(jīng)網(wǎng)絡(luò)對近表面缺陷進(jìn)行識別分類;文獻(xiàn)[8]利用TOFD-B掃圖像轉(zhuǎn)化成波信號,通過分析波的傳播時間、振幅大小等特征實(shí)現(xiàn)厚壁構(gòu)件進(jìn)行表面缺陷的分析。以上主要是以區(qū)域分割—特征提取—類型識別的串聯(lián)式思路進(jìn)行研究,且主要關(guān)注近表面缺陷分析。顯然,串聯(lián)式方法每個環(huán)節(jié)的準(zhǔn)確與否對于最終識別精度和效率有著重要影響。隨著深度學(xué)習(xí)等理論的發(fā)展,以無損檢測圖像數(shù)據(jù)為對象開展端對端識別方法的研究逐步引起關(guān)注[9],但在以TOFD檢測圖像數(shù)據(jù)為對象的缺陷識別技術(shù)研究還不多見。文獻(xiàn)[10]首先探討了TOFD-D掃描圖像缺陷輪廓與圖像特征的關(guān)系,然后利用快速卷積神經(jīng)網(wǎng)絡(luò)(Faster RCNN)對缺陷進(jìn)行分類,該方法可以克服傳統(tǒng)串聯(lián)式方法的不足,但容易對TOFD數(shù)據(jù)中的界面波及噪聲造成缺陷誤判。

綜上所述,傳統(tǒng)串聯(lián)式技術(shù)思路已經(jīng)不能滿足當(dāng)前具有海量數(shù)據(jù)特征的TOFD檢測數(shù)據(jù)的分析與應(yīng)用,以深度學(xué)習(xí)理論為基礎(chǔ)的端到端方法將是未來研究重點(diǎn)之一[11-12]。雖然TOFD檢測圖譜的波形數(shù)據(jù)和圖像數(shù)據(jù)分別蘊(yùn)含有重要的缺陷信息,但現(xiàn)有方法主要分別以A掃、B掃、D掃產(chǎn)生的波形數(shù)據(jù)或者圖像數(shù)據(jù)單獨(dú)進(jìn)行分析,缺乏兩種數(shù)據(jù)的綜合分析,制約了缺陷的識別效率和精度。

針對以上問題,本文提出了一種可實(shí)現(xiàn)圖像特征、波形特征融合分析的TOFD焊縫缺陷類型識別技術(shù)。首先,結(jié)合TOFD圖譜成像特點(diǎn),提出了一種綜合考慮圖像和波形的缺陷數(shù)據(jù)集構(gòu)建方法;然后,構(gòu)建了一種可分別對TOFD圖像數(shù)據(jù)和波形數(shù)據(jù)進(jìn)行分析的多模塊深度學(xué)習(xí)網(wǎng)絡(luò)模型,并在全連接層采用特征自適應(yīng)融合方法實(shí)現(xiàn)缺陷類型的識別。最后,本文以企業(yè)實(shí)際TOFD檢測數(shù)據(jù)對所提方法進(jìn)行了驗(yàn)證。

1 TOFD焊縫缺陷表征及數(shù)據(jù)集構(gòu)建

1.1 TOFD檢測技術(shù)概述

TOFD檢測是一種可利用從待檢試件內(nèi)部缺陷的“端角”和“端點(diǎn)”處得到的衍射能量來檢測缺陷的方法[1,13]。TOFD檢測技術(shù)及圖譜成像原理如圖1所示,TOFD檢測過程中采用雙探頭一發(fā)一收模式,兩個探頭具有相同頻率、角度及晶片尺寸,可將探頭橫跨焊縫兩側(cè)進(jìn)行非平行及平行掃查。如圖1a所示,當(dāng)發(fā)射縱波遇到缺陷后,將在缺陷上、下端點(diǎn)產(chǎn)生衍射波2和3,接收探頭在接收A掃描信號的同時,同步產(chǎn)生相對應(yīng)的D掃二維圖像,圖像中會在直通波1和底面反射波4之間出現(xiàn)缺陷波。通過一系列A掃描信號構(gòu)成一幅TOFD檢測圖像,如圖1b所示,接收衍射波A掃信號經(jīng)過處理形成不同的灰度圖像,利用灰階度表示波幅大小,例如當(dāng)波形向正半周期變化時,灰度向白色漸變;當(dāng)波形向負(fù)半周期變化時,灰度向黑色漸變。

1—直通波;2—上端點(diǎn)衍射波;3—下端點(diǎn)衍射波;4—底面反射波。

1.2 綜合圖像與波形特征的缺陷表征及數(shù)據(jù)集構(gòu)建

TOFD圖譜數(shù)據(jù)實(shí)際上包含了圖像和波形兩種數(shù)據(jù),即缺陷的特征信息應(yīng)該從圖像數(shù)據(jù)和波形數(shù)據(jù)兩個方面來考慮。實(shí)際上,當(dāng)前TOFD技術(shù)人員在分析缺陷時,既要觀察圖像數(shù)據(jù),也要結(jié)合波形數(shù)據(jù)進(jìn)行分析。

在TOFD檢測圖像數(shù)據(jù)中截取可以完整包含缺陷的區(qū)域,TOFD檢測焊縫缺陷類型如圖2所示。一般的,TOFD檢測缺陷類型可分為表面開口型缺陷和內(nèi)部埋藏型缺陷。本文主要關(guān)注內(nèi)部埋藏型缺陷的識別問題,可以分為4種類型:①點(diǎn)狀缺陷一般為氣孔和點(diǎn)狀夾渣,危害程度小,缺陷呈雙曲線弧狀,缺陷圖像尾部向底面墜落,不具有長度和高度;②線狀缺陷一般為裂紋缺陷,缺陷的上下端點(diǎn)衍射信號混疊,兩端曲線接近水平,不具有明顯高度;③條狀缺陷一般為夾渣、未熔合、未焊透等缺陷,顯示為長條狀,上下兩個端點(diǎn)產(chǎn)生的衍射信號,且靠近底面處產(chǎn)生的衍射信號相位與直通波相位相同,靠近掃查面處端點(diǎn)產(chǎn)生的衍射信號相位與直通波相位;④無缺陷是在焊縫中不會有衍射信號,在圖像沒有明顯的灰度變化。

圖2 TOFD檢測焊縫缺陷類型示意圖Fig.2 Weld defect types detected by TOFD

圖3 缺陷區(qū)域及其A掃波位置示意圖Fig.3 Defect region and A-scan position

(a)缺陷左端點(diǎn)處波形圖

(b)缺陷d/2處波形圖

(c)缺陷右端點(diǎn)處波形圖圖4 缺陷圖譜中不同位置點(diǎn)對應(yīng)的A掃波形圖Fig.4 A-scan waveforms corresponding to different positions in defect spectrum

由圖1b可知,缺陷圖譜中每一列即對應(yīng)著不同的波形數(shù)據(jù),尤其是在缺陷區(qū)域兩個端點(diǎn)處,波形將會有明顯的區(qū)別。假設(shè)獲取缺陷長度為d,缺陷區(qū)域及其A掃波位置如圖3中的虛線框及垂直線段所示,則可分別在缺陷左端點(diǎn)、d/2處、右端點(diǎn)3個位置處獲取對應(yīng)的A掃波形數(shù)據(jù)。圖4給出了缺陷圖譜中不同位置點(diǎn)對應(yīng)的波形圖?？梢钥闯?獲得的3個波形數(shù)據(jù)具有不同的形式,且可以明確表達(dá)缺陷灰度變化情況。因此,依據(jù)缺陷圖像數(shù)據(jù)和波形數(shù)據(jù)可以更加完整地表征該類缺陷,可以用來作為缺陷類型識別的數(shù)據(jù)基礎(chǔ)。

2 基于深度學(xué)習(xí)融合模型的缺陷類型識別方法

2.1 基于卷積神經(jīng)網(wǎng)絡(luò)與時間卷積網(wǎng)絡(luò)的深度學(xué)習(xí)融合模型構(gòu)建

針對缺陷類型的識別需要綜合考慮TOFD圖像數(shù)據(jù)和波形數(shù)據(jù)需求,本文以深度學(xué)習(xí)理論中卷積神經(jīng)網(wǎng)絡(luò)(CNN)和時間卷積神經(jīng)網(wǎng)絡(luò)(TCN)[14-17]為基礎(chǔ),提出一種可綜合考慮兩種類型數(shù)據(jù)的深度學(xué)習(xí)融合模型(DLFM),如圖5所示。DLFM包括3個部分,即用于分析缺陷二維圖像數(shù)據(jù)特征的CNN模塊、用于分析一維波形數(shù)據(jù)特征的TCN模塊以及用于特征自適應(yīng)融合分類模塊。

在CNN模塊中,本文采用7層的卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)缺陷二維圖像特征分析。CNN[14]是當(dāng)前圖像識別領(lǐng)域應(yīng)用最廣泛的圖像特征提取方法,它的本質(zhì)是一種能夠?qū)W習(xí)輸入到輸出的映射關(guān)系,而不需要任何輸入和輸出之間的精確數(shù)學(xué)表達(dá)式,只要用已知的模式對卷積網(wǎng)絡(luò)加以訓(xùn)練,網(wǎng)絡(luò)就具有輸入輸出對之間的映射能力。本文采用的CNN模塊結(jié)構(gòu)如表1所示,輸入層為Input,卷積層為Conv;池化層為全局最大池化層MaxPooling,使用全0填充,激活函數(shù)使用線性整流函數(shù)ReLu;展開層為Flatten;全連接層為Dense;s和c分別代表卷積核的移動步長和個數(shù);n代表全連接層神經(jīng)元的個數(shù)。Input層中(N,64,64,1)的4個量分別代表圖像個數(shù)、圖像寬、高以及圖像通道數(shù)。本文輸入圖像寬×高為64×64,圖像通道數(shù)為1,即為灰度圖像;輸出為長度32的一維圖像特征向量;同時,也將輸出32個特征對應(yīng)的重要性系數(shù)αi(i=0,1,…,31)。

表1圖像特征提取的CNN模塊結(jié)構(gòu)

2.2 基于TCN的缺陷波形數(shù)據(jù)特征分析

在用于分析缺陷波形數(shù)據(jù)特征的TCN模塊,考慮到A掃波形遇到缺陷信號會發(fā)生衍射現(xiàn)象,將產(chǎn)生明顯的幅值波動,而反映到圖譜中則是具有明顯的灰度變化,因此,可采用反應(yīng)數(shù)據(jù)波動變化的方差作為衡量波形幅值波動程度的指標(biāo),其計(jì)算公式如下

(1)

例如,設(shè)缺陷圖像高91、寬103,圖像的超聲信號波動分布如圖6所示,則利用式(1)對其響應(yīng)A掃波的波動程度計(jì)算結(jié)果為

S=(s1,…,s102,s103)=(8.56,83.8,…,9.79)

(2)

圖5 基于CNN和TCN的缺陷識別雙通道深度學(xué)習(xí)模型Fig.5 A dual-channel deep learning model for defect recognition based on CNN and TCN

圖6圖像的超聲信號波動分布圖Fig.6 Distribution of ultrasonic signal fluctuation in image

表2所示為本文所用TCN模塊的結(jié)構(gòu)。其中,輸入層Input中的(N,64,3)分別代表波形數(shù)據(jù)組的個數(shù)、波形長度和一個波形組含有3段超聲波序列。其中dccn為TCN的基本模塊,dccn中的卷積核大小指的是殘差連接中兩個非1×1卷積核的大小,卷積核的滑動步長設(shè)置為1,網(wǎng)絡(luò)中用到的激活函數(shù)為ReLu。

表2 波形特征提取的TCN模塊結(jié)構(gòu)參數(shù)

圖7 基于時間卷積神經(jīng)網(wǎng)絡(luò)(TCN)的波形特征分析模型Fig.7 Analysis model of waveform features based on time convolution neural network (TCN)

通過利用TCN深度學(xué)習(xí)網(wǎng)絡(luò),可以捕捉缺陷TOFD檢測波形數(shù)據(jù)在時序上的依賴關(guān)系,同時也可以捕捉到波形數(shù)據(jù)局部變化特征信息。

2.3 CNN與TCN模型的特征自適應(yīng)融合策略

由于不同的特征對缺陷類型分析具有不同的重要程度,因此在融合CNN模塊和TCN模塊特征時需要重點(diǎn)解決特征的重要性問題[19-20]。對于獲得的32個圖像特征及其32個特征對應(yīng)的重要性系數(shù)αi(i=0,1,…,31),和32個波形特征及其32個特征對應(yīng)的重要性系數(shù)βi(i=0,1,…,31),在融合模塊中增加以下約束關(guān)系

αi+βi=1,i=0,1,…,31

(3)

上述αi(i=0,1,…,31)和βi(i=0,1,…,31)可以作為對應(yīng)特征重要性系數(shù)進(jìn)行融合分析。

圖8 缺陷的圖像特征與波形特征自適應(yīng)融合Fig.8 Adaptive fusion of image features and waveform features of defects

具體的,在CNN模塊和TCN模塊基礎(chǔ)上構(gòu)建一個特征自適應(yīng)融合分類模塊,如圖8所示,CNN圖像處理模塊提取的特征向量會輸入到共享全連接層1,在輸出32個圖像特征向量的同時,會輸出同樣維度的圖像特征重要性向量;TCN波形處理模塊提取的特征向量輸入到共享全連接層2,在輸出32個波形特征的同時,會輸出同樣維度的波形特征重要性向量。兩種特征的重要性向量通過一個Sigmoid函數(shù)進(jìn)行歸一化,使得兩者之和為1,計(jì)算出圖像特征重要性系數(shù)和波形特征重要性系數(shù),再與圖像特征和波形特征相乘之后相加,即可獲得自適應(yīng)融合特征。需要指出的是,CNN模塊和TCN模塊獲得的高維特征(如fpic-0,…,fpic-31等)是對輸入圖數(shù)據(jù)或者波數(shù)據(jù)的特征提取結(jié)果,不包括重要度信息。其計(jì)算過程如下

fpic=FCNN(Dimage)

(4)

fwav=FTCN(Dwaves)

(5)

ffu-i=fpic-iαi+fwav-iβi

(i=0,1,…,31)

(6)

式中:FCNN、FTCN分別是CNN模塊和TCN模塊所代表的變換函數(shù)。

最后,利用Softmax層進(jìn)行缺陷類型的分類。Softmax層作為分類器相當(dāng)于多層感知機(jī),如圖5所示,輸入TOFD檢測焊縫缺陷的融合特征后,即輸入長度32的一維特征向量,輸出為每個類別對應(yīng)的概率大小,概率最大的即為缺陷分類結(jié)果。此外,本文所述模型的損失函數(shù)選擇交叉熵?fù)p失函數(shù)如下式

(7)

式中:L為損失值,yi為真實(shí)值,ai為預(yù)測值;網(wǎng)絡(luò)參數(shù)的自適應(yīng)學(xué)習(xí)使用Adam優(yōu)化器,Adam可以替代傳統(tǒng)隨機(jī)梯度下降過程,它能基于訓(xùn)練數(shù)據(jù)迭代地更新神經(jīng)網(wǎng)絡(luò)權(quán)重,具有很強(qiáng)的魯棒性。

綜上所述,對于待分析缺陷的TOFD檢測圖譜,通過CNN模塊、TCN模塊及特征自適應(yīng)融合分類模塊,可以綜合考慮圖像特征和波形特征進(jìn)行缺陷類型分類。

3 實(shí)例說明

本文利用某企業(yè)在2020年檢測壓力球罐的TOFD數(shù)據(jù)進(jìn)行驗(yàn)證。數(shù)據(jù)集包括1 432例TOFD缺陷檢測圖譜數(shù)據(jù)劃分,如表3所示,數(shù)據(jù)集類型分為無缺陷、點(diǎn)狀缺陷、線狀缺陷、條狀缺陷4類;并按照8∶1∶1的比例,將數(shù)據(jù)集隨機(jī)劃分為訓(xùn)練集、驗(yàn)證集、測試集,其中訓(xùn)練集1 143例,驗(yàn)證集147例,測試集142例。訓(xùn)練集用來訓(xùn)練所提模型參數(shù),驗(yàn)證集則是在訓(xùn)練的過程中調(diào)整模型參數(shù),測試集用來評價(jià)模型識別結(jié)果。

表3 TOFD焊縫缺陷數(shù)據(jù)劃分

為驗(yàn)證本文所提基于DLFM方法的有效性,將基于DLFM與傳統(tǒng)TCN、CNN、CNN-TCN的方法進(jìn)行對比分析?；赥CN的方法是依據(jù)本文2.2節(jié)所述僅采用TOFD波形數(shù)據(jù)進(jìn)行缺陷識別分析,基于CNN的方法是依據(jù)本文2.1節(jié)所述僅對TOFD圖像數(shù)據(jù)進(jìn)行缺陷識別分析,基于CNN-TCN的方法是在無重要性系數(shù)時圖像特征與波形特征融合進(jìn)行缺陷識別分析。4種方法共同采用表3所述的數(shù)據(jù)進(jìn)行訓(xùn)練、驗(yàn)證和測試,迭代次數(shù)均為500。為避免實(shí)驗(yàn)過程的隨機(jī)性影響,按照表3所示訓(xùn)練集、驗(yàn)證集及測試集劃分比例對整個數(shù)據(jù)集進(jìn)行隨機(jī)選取,重復(fù)進(jìn)行9次實(shí)驗(yàn),并計(jì)算實(shí)驗(yàn)平均值及上下偏差作為該方法的最終識別結(jié)果。

表4所示為分別采用基于TCN、CNN、CNN-TCN以及本文所提方法實(shí)現(xiàn)缺陷類型識別的結(jié)果?？梢钥闯?相對于基于CNN、DLFM、CNN-TCN的方法,基于TCN的方法在驗(yàn)證集和測試集上識別率都是最低的,且識別率與其他方法相差較大。這是因?yàn)門CN主要關(guān)注的是一維序列的波形特征,這類特征顯然不足以有效刻畫不同缺陷模式的區(qū)別;而基于CNN、CNN-TCN和DLFM的方法都包含對圖像特征的分析,由圖2可以看出,不同缺陷模式的圖像特征是很明顯的,因此,包含圖像特征的缺陷類型識別方法將明顯提高識別率。同時,表4也表明基于DLFM的方法由于結(jié)合了TOFD檢測數(shù)據(jù)的波形特征和圖像特征并且考慮了重要性系數(shù),因此在測試集上具有最好的缺陷識別率((88.028±0.70)%)。

表4 不同方法對不同種類缺陷分類測試結(jié)果對比

表5所示為基于TCN、CNN、CNN-TCN及本文所提方法DLFM 4種方法對于不同缺陷種類的分類結(jié)果。首先,可以看出對無缺陷模式,4種方法在測試集上都可達(dá)到100%的識別精度,即利用TOFD檢測數(shù)據(jù)對產(chǎn)品缺陷檢測率非常高。實(shí)際上,TOFD作為一種先進(jìn)無損檢測方法,其檢測數(shù)據(jù)中的無缺陷模式與有缺陷模式具有很強(qiáng)的區(qū)別(如圖4所示),在圖譜上很容易判別無缺陷模式,因而相對無損射線檢測等其他檢測方法,TOFD檢測技術(shù)在檢測產(chǎn)品內(nèi)部缺陷時具有較高的靈敏度和可靠性。

由表5可以看出,不同方法對于不同缺陷類型具有不同的識別率。其中,基于TCN的方法不但對所有缺陷類型識別率低,尤其是對線狀缺陷識別率最低,即將37.14%線狀缺陷錯分為條狀缺陷。由圖7所示的TCN模型可知,由于線狀缺陷與條狀缺陷主要在缺陷高度上存在較小差異,僅依據(jù)貫穿于缺陷區(qū)域的3條波形特征很難表現(xiàn)這種差異性,因此基于TCN的方法對線狀缺陷產(chǎn)生較大的誤判率?；贑NN的方法對于3種缺陷模式的識別率有了很大提高,但卻將20%的線狀缺陷誤判為點(diǎn)狀缺陷。由圖2所示的缺陷形貌特征可看出,線狀缺陷與點(diǎn)狀缺陷在高度上較為相似,在長度上有較大差異;但由于基于CNN的方法僅僅采用缺陷圖像特征進(jìn)行分析,因此CNN網(wǎng)絡(luò)在池化及網(wǎng)絡(luò)參數(shù)學(xué)習(xí)過程中體現(xiàn)該兩類缺陷長度上差異,因此對線狀缺陷產(chǎn)生較高的誤判?；贑NN-TCN的方法對點(diǎn)狀缺陷和線狀缺陷的識別率反而低于基于CNN的方法,這是因?yàn)椴ㄐ翁卣骱蛨D像特征的重要程度不一,簡單特征融合無法計(jì)算出兩者重要度信息,導(dǎo)致識別精度反而降低。

表5 不同方法對不同種類缺陷分類結(jié)果對比

由表5不難看出,本文所提基于DLFM的方法在點(diǎn)狀缺陷和線狀缺陷類型識別上表現(xiàn)出最好的識別率,尤其對其他方法時誤判率較高的線狀缺陷取得了最大的識別率(85.71%)。這是由于DLFM方法包含TCN模塊,且基于TCN的方法對線狀缺陷和點(diǎn)狀缺陷具有較好的區(qū)分能力(例如,僅采用基于TCN的方法時,只有8.57%的線狀缺陷誤判為點(diǎn)狀缺陷)。因此DLFM方法對線狀缺陷與點(diǎn)狀缺陷具有較強(qiáng)的區(qū)分能力,即沒有1例線狀缺陷誤判為點(diǎn)狀缺陷。DLFM方法對線狀缺陷與條狀缺陷類型的區(qū)分能力(14.29%誤判率)高于TCN的方法(37.14%的誤判率),而低于CNN的方法(5.71%的誤判率),即將14.29%的線狀缺陷誤判為條狀缺陷;并且,DLFM的方法識別條狀缺陷類型正確率(72.22%),略低于CNN對條狀缺陷的識別率(75.00%),表明DLFM中TCN模塊的影響比重較大,降低了對線狀缺陷與條狀缺陷的區(qū)分能力。

總體而言,本文所提DLFM方法在保證3種缺陷類型高識別率基礎(chǔ)上,對實(shí)際TOFD檢測過程中最難區(qū)分的線狀缺陷具有較高識別率,表明了本文所述DLFM方法的有效性。

4 結(jié) 論

本文提出了一種圖譜數(shù)據(jù)深度學(xué)習(xí)融合模型及焊縫缺陷識別方法,并通過缺陷識別實(shí)例驗(yàn)證了本文方法的有效性,主要結(jié)論如下:

(1)本文以焊縫缺陷TOFD檢測數(shù)據(jù)為對象,構(gòu)建了一種綜合TOFD檢測波形特征與圖像特征的缺陷數(shù)據(jù)集表征方法,克服了傳統(tǒng)超聲檢測缺陷僅依據(jù)波形或僅依據(jù)圖像表征缺陷類型方法的不足。

(2)基于傳統(tǒng)CNN與TCN方法,提出了一種可進(jìn)行缺陷圖像特征和波形特征綜合分析的深度學(xué)習(xí)融合模型(DLFM)及自適應(yīng)特征融合策略,擴(kuò)展了現(xiàn)有深度學(xué)習(xí)模型構(gòu)建方法,實(shí)現(xiàn)了波形序列與圖像兩類數(shù)據(jù)的綜合分析,提高了深度學(xué)習(xí)模型的模式識別能力。

(3)以企業(yè)實(shí)際TOFD檢測焊縫缺陷數(shù)據(jù)對所提方法進(jìn)行了驗(yàn)證,結(jié)果表明所提DLFM方法比傳統(tǒng)CNN、TCN和CNN-TCN方法具有更高的識別率,尤其對于難以識別線狀缺陷具有較高識別準(zhǔn)確率,為當(dāng)前TOFD檢測數(shù)據(jù)的深層分析與應(yīng)用提供技術(shù)途徑。同時,本文方法具有一定普適性,在技術(shù)上可以推廣應(yīng)用到常規(guī)超聲、相控陣、太赫茲等具有波和圖特征的檢測數(shù)據(jù)分析領(lǐng)域;在應(yīng)用上也可以推廣到醫(yī)學(xué)影像等其他領(lǐng)域。