鐵路貨車鑄件DR圖像的疏松缺陷快速檢測

李小利，曾理

(1.重慶大學(xué) 數(shù)學(xué)與統(tǒng)計(jì)學(xué)院，重慶 401331；2.重慶大學(xué) 工業(yè)CT無損檢測教育部工程研究中心，重慶 400044)

作為鐵路貨車轉(zhuǎn)向架中重要的組成部分，搖枕和側(cè)架的質(zhì)量影響著貨車行駛時的安全[1]。在制造搖枕和側(cè)架等鑄件的過程中，鑄件中可能產(chǎn)生多種類型的缺陷，如疏松、裂紋和氣孔等，這些缺陷可能影響鑄件內(nèi)部質(zhì)量。因此，缺陷檢測和識別是必要的工作。在鑄件出廠前，常采用無損檢測法檢測鑄件內(nèi)部缺陷，如超聲、電磁和射線等檢測方法。數(shù)字化X射線照相(Digital Radiography，DR)是一種射線檢測方法，其主要特點(diǎn)是可以直接獲取含有缺陷的圖像，成像速度快，掃描鐵路貨車的一個鑄件只需要2～3 min，適用于鑄件的整體檢測。目前，工業(yè)上對DR圖像的缺陷檢測和識別方法主要依賴于人工目測圖像檢測法。但由于鐵路貨車鑄件DR圖像像素較多(如搖枕或側(cè)架的一幅DR圖像像素達(dá)到五千多乘兩千多)，這種方法不僅耗時費(fèi)力容易疲勞，而且依賴于檢測人員的經(jīng)驗(yàn)，不同的檢測人員可能對同一缺陷有著不同的檢測結(jié)果。人工檢測法不利于實(shí)時檢測數(shù)據(jù)龐大的DR缺陷圖像集。因此，采用自動化檢測方法實(shí)現(xiàn)DR圖像缺陷的實(shí)時檢測具有重要意義。當(dāng)前鑄件DR圖像缺陷檢測和識別的主要任務(wù)是確定缺陷存在的位置、缺陷的大小以及缺陷的類別。針對DR圖像缺陷檢測問題，大部分方法是基于圖像處理的技術(shù)。趙亞丁等[2]通過改進(jìn)Local Binary Pattern(LBP)算法，并結(jié)合參考缺陷數(shù)據(jù)庫進(jìn)行缺陷檢測，相比原LBP算法，提高了DR圖像缺陷檢測率。劉玲慧等[3]在DR圖像的缺陷檢測中采用幾何主動輪廓模型的方法，能夠較好地檢測出原DR圖像中的缺陷。周鵬飛等[4]設(shè)計(jì)了一種基于中值濾波和灰度連通性的方法，實(shí)現(xiàn)了圖像中可疑缺陷的自動檢測。曾理等[5]通過計(jì)算圖像的分形系數(shù)來確定缺陷的大致位置，再用Facet模型對定位區(qū)域進(jìn)行邊緣檢測，從而能夠確定缺陷的準(zhǔn)確形狀和位置。張靜等[6]針對金屬鑄件外觀缺陷檢測存在的問題，研究了一種基于局部二元模式和局部圖像方差強(qiáng)度的金屬紋理表面缺陷檢測方法，克服了金屬材料光照不均勻的問題，對缺陷類型具有較高的魯棒性。VALAVANIS等[7]提出了一種基于幾何和紋理特征的射線圖像缺陷檢測和分類方法，通過考慮全局圖像特征，能夠捕獲不同的感知區(qū)域。對于圖像中缺陷的分類識別問題，呂瑞宏等[8]提出了一種基于主成分分析的SVM缺陷分類方法，能夠提高準(zhǔn)確率。周鵬等[9]使用SIFT算子來獲取具有尺度旋轉(zhuǎn)不變性的特征向量，并結(jié)合歐式距離相似性判定度量進(jìn)行圖像匹配，從而識別表面缺陷。曾理等[10]研究了一種基于DR圖像多重快速分割的鑄件提取方法。以上方法基本屬于傳統(tǒng)方法的改進(jìn)，基于計(jì)算機(jī)技術(shù)的發(fā)展，許多研究者已經(jīng)將深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)方法應(yīng)用于缺陷檢測與識別的自動化。羅隆福等[11]提出了一種改進(jìn)的SSD網(wǎng)絡(luò)來對頂緊螺栓進(jìn)行缺陷檢測。蔡彪等[12]將Mask R-CNN神經(jīng)網(wǎng)絡(luò)應(yīng)用于DR圖像的缺陷檢測與識別，得到了較好的檢測識別效果。谷靜等[13]采用基于深度學(xué)習(xí)的密集連接卷積網(wǎng)絡(luò)算法，較好地提高了缺陷識別率。王憲保等[14]通過建立深度置信網(wǎng)絡(luò)和利用BP算法微調(diào)網(wǎng)絡(luò)參數(shù)的方法，能夠比較準(zhǔn)確且快速地進(jìn)行缺陷檢測。缺陷檢測與識別屬于深度學(xué)習(xí)中的實(shí)例分割任務(wù)，主流的2個實(shí)例分割方法是單階段法與兩階段法。兩階段法主要代表為R-CNN系列，主要關(guān)注檢測精度而非速度，不能達(dá)到實(shí)時的效果，如Faster R-CNN[15]，Mask R-CNN[16](其第1階段為提取候選的感興趣區(qū)域)。單階段法包括了YOLO系列，SSD[17]，YOLACT[18]，這些方法通過刪除兩階段方法中的第1個階段來達(dá)到提高速度的目的，并用其他方式來彌補(bǔ)損失的性能。DR圖像中疏松缺陷形狀復(fù)雜，可以分為樹枝狀、羽毛狀和海綿狀等，一個鑄件的局部疏松缺陷可能是多種不同形狀疏松缺陷的組合，這增加了檢測識別的難度。針對鑄件DR圖像疏松缺陷的特點(diǎn)，本文發(fā)展了一種基于YOLACT網(wǎng)絡(luò)的DR圖像疏松缺陷檢測與識別方法。基于原始DR圖像的特點(diǎn)，首先對原始DR圖像進(jìn)行反相操作和窗寬/窗位調(diào)節(jié)，由于圖像過大，采取了分割圖像操作；再利用引導(dǎo)圖像濾波以及分?jǐn)?shù)階微分對圖像進(jìn)行增強(qiáng)；最后采用標(biāo)注軟件Labelme[19]對圖像進(jìn)行標(biāo)注，得到訓(xùn)練數(shù)據(jù)集。將訓(xùn)練數(shù)據(jù)集輸入到Y(jié)OLACT網(wǎng)絡(luò)中，實(shí)現(xiàn)疏松缺陷的檢測與識別，避免了人工檢測的不一致性問題，實(shí)驗(yàn)結(jié)果驗(yàn)證了本文方法的有效性。

1 方法論述

1.1 圖像預(yù)處理

由于鑄件本身具有厚薄不均勻的特性，通過X射線掃描后，得到的原始DR圖像灰度不均并含有噪聲，而且缺陷和周邊區(qū)域灰度值差異小，缺陷邊緣部分模糊，缺陷細(xì)節(jié)不明顯。因此，必須對圖像進(jìn)行預(yù)處理，使其顯示缺陷區(qū)域。原始DR圖像如圖1所示。

圖1 原始鑄件DR圖像Fig.1 Original DR image of casting

鑄件原始DR圖像的缺陷部分難以分辨，因此通過軟件對原始DR圖像進(jìn)行反相操作，突出鑄件本身，再對圖像進(jìn)行窗寬/窗位調(diào)節(jié)，使得缺陷區(qū)域能夠暴露。為了讓DR圖像的邊緣以及缺陷部分清晰明顯，需要對圖像進(jìn)行增強(qiáng)。增強(qiáng)后的圖像更容易進(jìn)行標(biāo)記，獲取的訓(xùn)練數(shù)據(jù)更可靠。本文采用引導(dǎo)濾波結(jié)合分?jǐn)?shù)階微分的圖像增強(qiáng)方法，引導(dǎo)圖像濾波具有保邊平滑作用[20]。此算法需要輸入圖像p，引導(dǎo)圖像I，對p進(jìn)行基于I的濾波操作，濾波后輸出圖像q中某像素點(diǎn)的值(像素值的范圍為0～255)，表示如下：

其中：Pj代表的是第j個像素索引的圖像像素值；濾波核Wij(I)為引導(dǎo)圖像I的權(quán)重函數(shù)，Wij(I)=Ii和Ij為引導(dǎo)圖像中第i個和第j個像素索引的圖像像素值；ωk為方形窗口；ω為窗口中所有像素的個數(shù)；μk和σk為窗口中所有像素的均值和標(biāo)準(zhǔn)差；ε為大于0的數(shù)。因此，將輸入圖像p與濾波后的輸出圖像q進(jìn)行相減，得到圖像的大致結(jié)構(gòu)與細(xì)節(jié)，再結(jié)合輸出圖像q，得到利用引導(dǎo)圖像濾波處理后的圖像IG。其增強(qiáng)過程如圖2所示。

圖2 引導(dǎo)圖像濾波增強(qiáng)流程Fig.2 Flowchart of enhanced image of Guided Image Filtering

濾波過程中設(shè)置的引導(dǎo)圖像與輸入圖像一致，濾波后的圖像在低頻區(qū)域會有紋理和細(xì)節(jié)丟失。因此，采用分?jǐn)?shù)階微分進(jìn)行細(xì)節(jié)增強(qiáng)，由分?jǐn)?shù)階微分的Grumwald-Letnikov(G-L)定義出發(fā)，選取8個方向?qū)D像進(jìn)行微分運(yùn)算，并構(gòu)造一個5×5的分?jǐn)?shù)階微分算子[21]：

1.2 YOLACT網(wǎng)絡(luò)

本文采用的深度學(xué)習(xí)網(wǎng)絡(luò)是近年發(fā)展起來的YOLACT(You Only Look At CoefficienTs)網(wǎng) 絡(luò)[18]，該網(wǎng)絡(luò)可用于實(shí)例分割。常用的實(shí)例分割網(wǎng)絡(luò)幾乎都是基于區(qū)域建議目標(biāo)檢測網(wǎng)絡(luò)來產(chǎn)生感興趣區(qū)域，從而進(jìn)行分割與分類，但這一類網(wǎng)絡(luò)計(jì)算開銷大。同Mask R-CNN的構(gòu)造相似，YOLACT網(wǎng)絡(luò)在一個單階段目標(biāo)檢測模型上增添一個掩碼分支而形成，其依舊是一個單階段法，且速度快。YOLACT網(wǎng)絡(luò)結(jié)構(gòu)中主要包括2個部分：1)利用全卷積網(wǎng)絡(luò)(Fully Convolutional Networks，F(xiàn)CN)生成一系列原型掩碼；2)在目標(biāo)檢測上添加預(yù)測掩碼系數(shù)的頭部。YOLACT網(wǎng)絡(luò)將復(fù)雜的實(shí)例分割任務(wù)分解成2個并行的子任務(wù)，通過線性組合2個子任務(wù)的輸出結(jié)果，以得到最終的結(jié)果。YOLACT網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 YOLACT網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 YOLACT network architecture

1.2.1 主干網(wǎng)絡(luò)

YOLACT網(wǎng)絡(luò)的主干網(wǎng)絡(luò)由深度殘差網(wǎng)絡(luò)ResNet-101和特征金字塔網(wǎng)絡(luò)(Feature Pyramid Networks,FPN)構(gòu)成。將圖像輸入到ResNet-101，采取下采樣的方式，得到5種不同尺寸的特征圖，選取尺寸最小的3個特征圖輸入到特征金字塔網(wǎng)絡(luò)中。特征金字塔網(wǎng)絡(luò)可以檢測圖像中不同尺寸的目標(biāo)，并利用淺層特征和深層特征提取出目標(biāo)[22]。其不僅采用了圖像金字塔的橫向連接方式和深度卷積網(wǎng)絡(luò)(Deep Convolutional Networks,DCN)自下而上的連接方式，且添加了自上而下的連接方式，因此可將低層特征與深層特征進(jìn)行融合，得到不同尺寸的特征。FPN提取特征過程如圖4所示。

圖4 FPN提取特征過程Fig.4 FPN feature extraction process

1.2.2 原型

在計(jì)算機(jī)視覺領(lǐng)域內(nèi)，學(xué)習(xí)原型(又稱詞匯或碼本)已經(jīng)被廣泛探究。在YOLACT網(wǎng)絡(luò)中，原型生成分支可以預(yù)測整幅圖像中的原型。原型生成結(jié)構(gòu)如圖5所示，其網(wǎng)絡(luò)結(jié)構(gòu)為FCN，其輸入是特征金字塔網(wǎng)絡(luò)中P3層的特征圖，經(jīng)過卷積層的作用，輸出k個138*138的原型掩碼。P3是經(jīng)過ResNet-101中C3與特征金字塔網(wǎng)絡(luò)處理后，得到尺寸最大的一層特征圖，其保留了更多的淺層信息，更適用于逐像素的分割，并且從深層特征信息中可以產(chǎn)生更加魯棒的掩碼。在小目標(biāo)中，高分辨率的原型能產(chǎn)生高質(zhì)量的掩碼。

圖5 原型生成結(jié)構(gòu)Fig.5 Prototype generation structure

1.2.3 檢測模塊

在預(yù)測階段，基于錨的目標(biāo)檢測器一般包括分類層和回歸層。在YOLACT網(wǎng)絡(luò)中，預(yù)測分支不僅包括分類層和回歸層，還包括掩碼系數(shù)層。分類層輸出缺陷的類別；回歸層輸出預(yù)測框結(jié)果(預(yù)測缺陷的位置)；掩碼系數(shù)層主要預(yù)測生成的K個掩碼系數(shù)，每一個系數(shù)對應(yīng)于每一個生成的原型。預(yù)測分支的結(jié)構(gòu)如圖6所示。特征金字塔網(wǎng)絡(luò)中特征層Pi(i=3,4,5,6,7)的結(jié)果作為預(yù)測分支的輸入，通過共享卷積層的方式得到3組數(shù)據(jù)：對每個錨點(diǎn)預(yù)測其所屬缺陷類別、其預(yù)測(或稱回歸)框的坐標(biāo)和掩碼系數(shù)的預(yù)測。圖6中C為訓(xùn)練數(shù)據(jù)集中缺陷的類別，a為特征圖中錨點(diǎn)的數(shù)量，K為生成的原型個數(shù)。

圖6 預(yù)測分支Fig.6 Predicting branch

1.2.4 損失函數(shù)

在YOLACT網(wǎng)絡(luò)框架中，為了生成最后實(shí)例掩碼(掩碼表示分割結(jié)果)，結(jié)合原型分支和掩碼系數(shù)分支，通過對以上2個分支的結(jié)果進(jìn)行基本的矩陣乘法和Sigmoid函數(shù)作用，得到掩碼：

其中：P表示原型模板的h×w×k矩陣；C表示經(jīng)過非極大值抑制(Non-Maximum Suppression,NMS)處理和得分閾值化后保留的n個實(shí)例掩碼系數(shù)的n×k矩陣?？蚣苤?，損失函數(shù)主要由3部分組成：

其中：Losscls，Lossbox和Lossmask分別表示分類損失函數(shù)、預(yù)測框損失函數(shù)和掩碼損失函數(shù)；α和β為權(quán)重系數(shù)，分別取1.5和6.125。分類損失函數(shù)定義為交叉熵?fù)p失，預(yù)測框損失函數(shù)采用L1-smooth損失，掩碼損失函數(shù)定義為預(yù)測掩碼和ground truth(gt)掩碼之間的逐像素二進(jìn)制交叉熵：

2 方法流程

在YOLACT網(wǎng)絡(luò)的基礎(chǔ)上，增加了引導(dǎo)圖像濾波結(jié)合分?jǐn)?shù)階微分圖像增強(qiáng)等圖像預(yù)處理過程，方法流程如圖7所示。對原始DR圖像進(jìn)行反相、窗寬/窗位調(diào)節(jié)和裁剪等預(yù)處理后，采用引導(dǎo)圖像濾波結(jié)合分?jǐn)?shù)階微分的方法對圖像的細(xì)節(jié)進(jìn)行增強(qiáng)，采用標(biāo)注軟件Labelme進(jìn)行標(biāo)注得到訓(xùn)練數(shù)據(jù)集，輸入到Y(jié)OLACT網(wǎng)絡(luò)中。訓(xùn)練數(shù)據(jù)集輸入到殘差網(wǎng)絡(luò)ResNet-101，F(xiàn)PN的輸入為ResNet-101的輸出結(jié)果，F(xiàn)PN中P3層的特征圖輸入到FCN中，通過FCN向后卷積進(jìn)行上采樣，采用3×3大小的卷積核完成特征預(yù)測，并采用1×1大小的卷積核生成K個原型。另外，F(xiàn)PN的特征層的結(jié)果經(jīng)過共享FCN得到分類、預(yù)測框和掩碼系數(shù)。經(jīng)過NMS和閾值化處理后，將保留的掩碼系數(shù)與原型線性組合，并對組合結(jié)果使用Sigmoid函數(shù)，得到掩碼，根據(jù)預(yù)測框結(jié)果裁剪掩碼以保留原型中的小目標(biāo)，形成最終的分類、預(yù)測框和掩碼結(jié)果，從而達(dá)到缺陷檢測與識別的目的。

圖7 方法流程Fig.7 Method flowchart

3 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)中，圖像的大小統(tǒng)一為2 240*2 048像素，訓(xùn)練集為900張包含不同等級的疏松缺陷圖像及其對應(yīng)的標(biāo)注數(shù)據(jù)集，測試集為100張包含不同等級的疏松缺陷圖像。實(shí)驗(yàn)使用Pytorch深度學(xué)習(xí)框架，采用GTX1660顯卡。

3.1 圖像預(yù)處理結(jié)果

分別對未增強(qiáng)圖像使用引導(dǎo)圖像濾波和引導(dǎo)圖像濾波結(jié)合分?jǐn)?shù)階微分進(jìn)行增強(qiáng)，增強(qiáng)結(jié)果如圖8所示。圖8的局部放大圖如圖9所示。圖9(a)中缺陷不明顯，缺陷和背景的灰度差異小，難以辨別其缺陷的類別和等級。圖9(b)可以看出缺陷雖然有所增強(qiáng)，但圖像仍舊模糊，缺陷細(xì)節(jié)不夠清楚。相比于圖9(b)，圖9(c)中缺陷和背景的對比度得到提高。

圖8 圖像增強(qiáng)對比Fig.8 Image enhancement contrast

圖9 細(xì)節(jié)放大對比Fig.9 Details zoom in and contrast

3.2 圖像標(biāo)注

基于以上實(shí)驗(yàn)，選取引導(dǎo)圖像濾波結(jié)合分?jǐn)?shù)階微分的圖像增強(qiáng)方法對鑄件DR圖像進(jìn)行增強(qiáng)。增強(qiáng)圖像后，利用標(biāo)注軟件Labelme對其標(biāo)記疏松缺陷，標(biāo)注的形式參考目標(biāo)檢測中COCO數(shù)據(jù)集的制作，得到訓(xùn)練數(shù)據(jù)集。本實(shí)驗(yàn)中，疏松缺陷分為5個等級，數(shù)字1～5表示缺陷等級，數(shù)字越大則缺陷等級越高，字母c表示疏松。缺陷的不同等級采用不同的顏色進(jìn)行填充標(biāo)注，對屬于同一等級的多個缺陷在標(biāo)記時添加尾綴-1,-2，…，以進(jìn)行區(qū)分；若圖中同一等級的缺陷只有一個，如c1，則可以不添加尾綴，Labelme標(biāo)注過程如圖10所示。標(biāo)注完數(shù)據(jù)之后，在文件夾中生成對應(yīng)的json文件，將每個json文件轉(zhuǎn)換為COCO數(shù)據(jù)集格式，輸入到Y(jié)OLACT網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。

圖10 Labelme操作界面Fig.10 Labelme operation interface

3.3 缺陷檢測結(jié)果

3.3.1 網(wǎng)絡(luò)訓(xùn)練結(jié)果

YOLACT網(wǎng)絡(luò)在COCO數(shù)據(jù)集上訓(xùn)練得到預(yù)訓(xùn)練模型。在此模型上，本文訓(xùn)練了輸入樣本為900張包含疏松缺陷圖像的YOLACT網(wǎng)絡(luò)。網(wǎng)絡(luò)參數(shù)設(shè)置：學(xué)習(xí)率為0.000 1，批量大小為3，最大訓(xùn)練步數(shù)為360 000步。在訓(xùn)練網(wǎng)絡(luò)過程中，每隔10 000步將當(dāng)前訓(xùn)練結(jié)果寫入可視化工具Tensorboard的日志summary中。YOLACT在訓(xùn)練集上表現(xiàn)最好的檢測結(jié)果見表1，Box表示所有類型疏松缺陷的預(yù)測框平均精度(Average Precision,AP)，Mask表示所有類型疏松缺陷所生成的掩碼的平均精度。由表1可知，基于YOLACT網(wǎng)絡(luò)對DR圖像中所有類型疏松缺陷的預(yù)測框和掩碼的AP50達(dá)到82.63%和61.47%，其中APi(i=50,55,60,70)為檢測結(jié)果與ground truth的交并比(Intersection over Union,IoU)，其值大于等于i/100的平均精度，i越大，平均精度越低。

表1 訓(xùn)練檢測結(jié)果Table 1 Training detection result

3.3.2 網(wǎng)絡(luò)測試結(jié)果

YOLACT網(wǎng)絡(luò)訓(xùn)練結(jié)束后，選取網(wǎng)絡(luò)中訓(xùn)練最好的權(quán)重模型，在測試集上驗(yàn)證該模型的優(yōu)劣。輸入未標(biāo)注的疏松缺陷圖像進(jìn)行測試，測試結(jié)果示例如圖11所示。圖11中不同等級的疏松缺陷能夠被較好地識別，并且預(yù)測邊界框可以較好地包圍圖像中存在的缺陷。圖11的局部放大圖如圖12和圖13所示，圖中類別后的數(shù)字代表著置信度，置信度的范圍為0～1，數(shù)字越接近1則代表越大可能為此類別。通過對比網(wǎng)絡(luò)缺陷測試結(jié)果和依賴人工判定缺陷結(jié)果，可以發(fā)現(xiàn)二者的缺陷等級基本一致。測試結(jié)果表明該模型能夠較好地識別缺陷等級，定位、分割缺陷。

圖12 測試結(jié)果I局部放大Fig.12 Partially enlarged view of the detection result I

與人工判定結(jié)果對比，圖11(a)和圖11(b)漏檢了疏松缺陷c3；圖13(a)中將c3缺陷誤檢為c2缺陷，且預(yù)測框沒有完全包圍疏松缺陷；圖13(c)中將不是疏松缺陷的部分誤判為疏松缺陷c4。出現(xiàn)以上結(jié)果的原因有以下幾種可能：1)人工標(biāo)注疏松缺陷時，標(biāo)注框沒有完全貼合缺陷邊緣；2)圖像增強(qiáng)過程中，缺陷細(xì)節(jié)沒有充分增強(qiáng)。

圖11 YOLACT測試結(jié)果示例Fig.11 Example of YOLACT detection result

圖13 測試結(jié)果II局部放大Fig.13 Partially enlarged view of the detection result II

在測試中，可以發(fā)現(xiàn)該方法檢測速度快，單幅DR缺陷圖像的平均檢測時間為1.48 s，滿足工業(yè)實(shí)時檢測的要求。缺陷測試結(jié)果統(tǒng)計(jì)見表2，疏松缺陷的平均檢測率為60.56%，疏松Ⅱ級及以上缺陷的檢測率較高，疏松Ⅰ級缺陷的檢測率有待提高。檢測精度不高的原因包括缺陷的等級相近、灰度值差異小、形狀復(fù)雜，需要進(jìn)一步改進(jìn)算法，提高缺陷的檢測精度?？傮w上，引導(dǎo)圖像濾波結(jié)合分?jǐn)?shù)階微分增強(qiáng)方法，再結(jié)合YOLACT網(wǎng)絡(luò)，能對鑄件疏松缺陷檢測有較好的結(jié)果。

表2 缺陷測試結(jié)果統(tǒng)計(jì)Table 2 Statistics of defect test result

3.3.3 YOLACT結(jié)合引導(dǎo)圖像濾波測試結(jié)果

作為和本文方法的一種對比，將使用引導(dǎo)圖像濾波(未用分?jǐn)?shù)階微分)增強(qiáng)后的圖像及其標(biāo)注得到的數(shù)據(jù)集輸入YOLACT網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到的模型在相同的測試圖上的檢測結(jié)果如圖14所示。圖14(a)正確檢測了c5和c4缺陷，漏檢了c2和c3缺陷，誤檢c4缺陷；圖14(b)僅檢測出一個c4缺陷。表明輸入圖像的質(zhì)量影響著訓(xùn)練結(jié)果和測試結(jié)果，分?jǐn)?shù)階微分方法可有效地提高輸入圖像的質(zhì)量。

圖14 YOLACT結(jié)合引導(dǎo)圖像濾波檢測結(jié)果Fig.14 YOLACT combined with guided image filtering detection result

4 結(jié)論

1)采用引導(dǎo)圖像濾波與分?jǐn)?shù)階微分相結(jié)合的方法進(jìn)行圖像增強(qiáng)，能有效地暴露出疏松缺陷細(xì)節(jié)；采用標(biāo)定樣本訓(xùn)練網(wǎng)絡(luò)，能較好地識別缺陷。

2)本方法實(shí)現(xiàn)了對DR圖像的疏松缺陷的自動分類、分級及定位，能夠達(dá)到實(shí)時檢測的要求，并且檢測速度快。但檢測正確率僅有60%左右，還不能完全代替人工檢測，可以作為一種輔助人工檢測的手段，提醒檢測人員鑄件中可能存在缺陷的區(qū)域和可能的缺陷類型。由于鑄件疏松缺陷形狀復(fù)雜等因素，檢測難度較大，因此可增加標(biāo)記訓(xùn)練樣本的數(shù)量，或者結(jié)合部分無監(jiān)督網(wǎng)絡(luò)，可以提高檢測的正確率。