分析faster R-CNN在工業(yè)CT圖像缺陷檢測中的應用

薛帥

摘要：本文將通過對現(xiàn)階段工業(yè)CT圖像存在的測量方法和成像方面的問題以及檢測技術(shù)方面的缺陷進行詳細分析，結(jié)合faster R-CNN測量方法，闡述如何在現(xiàn)階段工業(yè)CT圖像中通過熟知faster R-CNN主要計算原理、了解faster R-CNN檢測難點以及模型訓練相結(jié)合的方式，靈活使用faster R-CNN。

關(guān)鍵詞：faster R-CNN;工業(yè)CT;圖像缺陷;檢測應用

前言：

現(xiàn)階段的工業(yè)CT圖像是通過計算機掃描所成像的，雖然可以在對檢測物體無損傷的情況下進行，但是還是存在一定的局限性。而相對于faster R-CNN而言，它是一個比較成功的目標檢測算法，將兩者相結(jié)合使用將會大大提升工作效率，完善工業(yè)CT呈現(xiàn)技術(shù)。

1現(xiàn)階段工業(yè)CT圖像存在的缺陷

1.1測量方法及成像方面

對于工業(yè)CT而言可以分為表面檢測方法和內(nèi)部檢測的方法，而這其中又呈現(xiàn)出許多不同種類的測量及成像方式，但是也存在一定的局限性[1]。例如：超聲檢測（UT），雖然設(shè)備相對輕便，操作的安全度比較大也易于實現(xiàn)自動化的檢測，但是不適合檢測形狀復雜的工件，易受雜亂反射波的影響。超聲波衍射時差法（TOFD），雖然檢測的敏感度比較高，能達到實時成像的效果，但是對缺陷處的走向不敏感，近表面存在一定的盲區(qū)。而像射線檢測（RT）雖然成本較低，圖像在成像的質(zhì)量方面也比較高，但是對于膠片的成像以及存儲的環(huán)境要求比較高，并且成像的時間也比較長。計算機X線照相（CR）雖然是數(shù)字化的圖像，易于儲存，IP板的可重復利用率也比較高，但是他的空間分辨率較低，因此在工作效率上就大打折扣。

1.2檢測技術(shù)方面

工業(yè)CT常見的掃描分類有X射線斷層掃描（XCT）、康普頓散射斷層掃描（CST）、繆斯堡爾效應斷層掃描（MCT）等。而涉及到的系統(tǒng)也較多，常見的有射線源、輻射探測器、樣品掃描系統(tǒng)以及計算機系統(tǒng)（硬件和軟件）等。相對于射線源種類的檢測，X射線的能譜比較多色性，而這種連續(xù)能譜的X射線會造成能譜的硬化從而產(chǎn)生偽像情況的發(fā)生，會影響對圖像的判斷。而射線本身的能量又比較小，能夠檢測的物品也非常具有局限性。輻射探測器中的氣體探測器的效率較低、應用存在一定的局限性。面探測器也同樣存在效率過低，無法限制散射以及竄擾，高范圍應用的效果比較差的問題。

2如何開展faster R-CNN在工業(yè)CT圖像中的實際應用

2.1熟知faster R-CNN主要計算原理

faster R-CNN可以說是非常成功的將深度運用到目標檢測的一種計算方式。它有區(qū)別于傳統(tǒng)的工業(yè)CT圖像的檢測。它可以逐一考察檢測目標的所有可能性，對所檢測的目標出現(xiàn)的所有可能性區(qū)域進行提取，并通過圖像識別的方式來進行分類，最終成功分類的區(qū)域?qū)⑼ㄟ^非極大值抑制的方式取得結(jié)果，而這種非最大值抑制的結(jié)果體現(xiàn)形式可以將邊緣細化，也應用于減薄邊緣當中。然后得出相關(guān)結(jié)論，并且這樣得出的結(jié)論是成功的、可靠的。而這也是一種依靠計算機高速運算和精準度比較高的計算方式，延續(xù)了窮舉法的特性。目前很多的工業(yè)材料存在著材質(zhì)缺陷問題，導致只能靠人工檢測，而局限性較大。而faster R-CNN在進行提取特征這一步時有區(qū)別于傳統(tǒng)的尺度不變特征變換和方向梯度直方圖特征的圖像處理方法，轉(zhuǎn)換成了深度卷積網(wǎng)絡(luò)提取的特征。這樣也比傳統(tǒng)的工業(yè)目標檢測要更精細、準確。faster R-CNN在計算時，首先要輸入需要檢測的圖像，然后faster R-CNN再將整張的圖像輸入到卷積精神網(wǎng)絡(luò)當中進行區(qū)域特征的提取，在通過風險順序數(shù)生成建議窗口（proposals），每張圖片都生成大約300個建議窗口，此過程也有助于衡量圖像工藝方面的缺陷，以便于采取相關(guān)預防措施減少工藝變化，使后續(xù)工藝更加可靠。

2.2了解faster R-CNN檢測難點

在目標檢測的歷史中RCNN將深度學習和檢測目標結(jié)合在了一起，而從RCNN到FAST-RCNN再到faster R-CNN，存在著緊密的聯(lián)系，也是一種不斷進化的關(guān)系。所以這三種目標檢測計算方式，都要了解其檢測的難點及缺陷在哪里。以便日后在工業(yè)CT圖像缺陷檢測中的應用。RCNN作為基礎(chǔ)，它的訓練分為多個階段，步驟相對復雜繁瑣，訓練的耗時也比較大，并且占用的磁盤空間也不少，5000張的圖像就可以生成幾百G的特征文件，這樣的話速度就會比較慢。而它的測試速度也比較慢，每一個候選的區(qū)域需要運行整個前向卷積神經(jīng)網(wǎng)絡(luò)的計算。支持向量機和回歸是事后的操作，在支持向量機和回歸中卷積神經(jīng)網(wǎng)絡(luò)的特征沒有被學習更新。而FAST-RCNN相比R-CNN在最后一層的卷積層后加了一個ROI pooling layer，其中損失函數(shù)使用了了多任務損失函數(shù)，將邊框的回歸直接加入到了卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)的訓練當中。而大大改善了R-CNN的速度的問題，faster R-CNN又在FAST-RCNN的基礎(chǔ)上將原來的Selective Search方法產(chǎn)生建議窗口替換成了Region Proposal Network，將原來的建議框數(shù)目從2000個改為300個。而其主要的檢測難點就變成自然場景文本的檢測，例如：自然場景中的背景光線、噪聲等都會給檢測造成難點，所以在靈活運用faster R-CNN的同時，要深度學習文本檢測算法。

結(jié)語：總之，工業(yè)CT這種工業(yè)中常用的核成像技術(shù)存在普遍性，而faster R-CNN對于工業(yè)CT的圖像運用幫助極大，只有不斷學習，保持與時俱進的觀念才能夠不斷優(yōu)化工業(yè)CT圖像技術(shù)。也希望工業(yè)CT圖像得到faster R-CNN的幫助，系統(tǒng)將更加走向成熟。

參考文獻：

[1]譚川東，何泳江，羅雪清，等.基于鄰層數(shù)據(jù)匹配的工業(yè)CT圖像生成G代碼方法[J].儀器儀表學報，2021，42（4）：265-274.

[2]齊子誠，倪培君，張維國，等.工業(yè)CT檢測中小缺陷定量方法[J].科學技術(shù)與工程，2021，21（3）：958-964.