基于SSD的交流電磁場(chǎng)缺陷智能識(shí)別方法

楊會(huì)敏 ，李春棚 ，袁新安 ，楊 濤，楊建龍，劉子淇，梁登博

(1.核工業(yè)工程研究設(shè)計(jì)有限公司，北京 101300;2.中國(guó)石油大學(xué)(華東) 海洋油氣裝備與安全技術(shù)研究中心，青島 266580)

在核設(shè)施建造過(guò)程中，傳統(tǒng)膠片射線檢測(cè)是主要的體積檢驗(yàn)技術(shù)，但射線檢測(cè)需要專用的時(shí)間窗口和作業(yè)場(chǎng)所，焊接施工和檢測(cè)無(wú)法并行進(jìn)行，同時(shí)射線檢測(cè)結(jié)果通常需滯后一天，影響安裝施工順序，射線檢測(cè)的輻射安全風(fēng)險(xiǎn)也比較大[1]。因此，為提高核設(shè)施建造項(xiàng)目的檢測(cè)效率，規(guī)避大面積射線檢驗(yàn)帶來(lái)的輻射安全風(fēng)險(xiǎn)，必須采用先進(jìn)可靠的檢測(cè)技術(shù)克服上述難題[2]。

交流電磁場(chǎng)檢測(cè)(ACFM)技術(shù)可檢測(cè)工件結(jié)構(gòu)表面或亞表面是否存在缺陷并對(duì)缺陷進(jìn)行可視化評(píng)估，具有適應(yīng)性強(qiáng)、可操作性強(qiáng)、效率高、準(zhǔn)確率高等優(yōu)點(diǎn)[3]。

應(yīng)用ACFM技術(shù)檢測(cè)缺陷時(shí)，如果引入圖像處理和智能識(shí)別技術(shù)，能減少人工評(píng)判，降低誤判和漏判的可能性，減少工程事故的發(fā)生[4]。目前國(guó)內(nèi)外基于ACFM技術(shù)的缺陷識(shí)別方法主要分為以下兩類：① 依據(jù)特征信號(hào)或者時(shí)基圖，該方法很難對(duì)缺陷信號(hào)進(jìn)行自動(dòng)判定與智能識(shí)別，易造成缺陷的誤判和漏判；② 基于C掃描方法或特征信號(hào)顯示方法，該方法不能直觀地反映缺陷結(jié)構(gòu)，很難準(zhǔn)確地獲得缺陷的類型和形貌[5-6]。這兩種方法都難以實(shí)現(xiàn)缺陷的實(shí)時(shí)智能識(shí)別。

深度學(xué)習(xí)目標(biāo)檢測(cè)算法[7-8]可以為交流電磁場(chǎng)缺陷智能識(shí)別與判定[9]提供一個(gè)有效的解決方案。單發(fā)多盒檢測(cè)器(SSD)算法就是一種深度學(xué)習(xí)目標(biāo)檢測(cè)算法[10]，其采用不同深度的卷積特征層來(lái)進(jìn)行檢測(cè)，淺層的特征層可以檢測(cè)一些小缺陷，深層的特征層可以檢測(cè)大缺陷。因此，文章針對(duì)傳統(tǒng)交流電磁場(chǎng)檢測(cè)儀器的局限性，建立基于SSD的交流電磁場(chǎng)缺陷智能識(shí)別方法。先通過(guò)仿真試驗(yàn)建立缺陷數(shù)據(jù)庫(kù)；然后基于SSD算法建立交流電磁場(chǎng)缺陷智能識(shí)別方法；最后通過(guò)試驗(yàn)驗(yàn)證了基于SSD的交流電磁場(chǎng)缺陷智能識(shí)別方法的有效性。

1 缺陷數(shù)據(jù)庫(kù)的建立

利用COMSOL仿真軟件建立缺陷的ACFM仿真模型(見(jiàn)圖1)。仿真模型主要由空氣區(qū)域、線圈、U型磁芯、檢測(cè)工件和缺陷等組成。

圖1 交流電磁場(chǎng)有限元仿真模型

通電線圈纏繞在U型磁芯上，放置于被檢測(cè)工件的正上方，將缺陷設(shè)置為一般開(kāi)口裂紋，整體模型放置于空氣域中。對(duì)模型進(jìn)行網(wǎng)格劃分，頻率設(shè)置為1 kHz,采用參數(shù)化掃描方式求解，提取缺陷上方畸變磁場(chǎng)信號(hào)Bz(見(jiàn)圖2)。

圖2 一般裂紋特征信號(hào)Bz

使用梯度算法對(duì)一般裂紋缺陷進(jìn)行表面輪廓重構(gòu)，對(duì)歸一化特征信號(hào)求取灰度圖，得到裂紋表面輪廓可視化圖像[11]，一般裂紋灰度圖如圖3所示。

圖3 一般裂紋灰度圖

同時(shí)，建立不規(guī)則裂紋和腐蝕坑缺陷的仿真模型，進(jìn)行仿真分析，提取缺陷上方的畸變磁場(chǎng)信號(hào)Bz，反演出不規(guī)則裂紋和腐蝕坑缺陷的灰度圖，不規(guī)則裂紋灰度圖如圖4所示，腐蝕坑灰度圖如圖5所示。

圖4 不規(guī)則裂紋灰度圖

圖5 腐蝕坑灰度圖

為了實(shí)現(xiàn)缺陷輪廓數(shù)據(jù)的智能識(shí)別，統(tǒng)一采用單向梯度算法對(duì)所有缺陷數(shù)據(jù)進(jìn)行處理，形成不同類型缺陷表面輪廓可視化成像結(jié)果。針對(duì)3種類型缺陷，使用仿真方法建立由不規(guī)則裂紋、一般裂紋和腐蝕坑表面輪廓組成的成像數(shù)據(jù)庫(kù)，每組圖片經(jīng)過(guò)處理后變?yōu)?8像素×28像素(長(zhǎng)×寬)的灰度圖，不同類型缺陷的灰度圖像數(shù)據(jù)庫(kù)如圖6所示。

圖6 不同類型缺陷的灰度圖像數(shù)據(jù)庫(kù)示意

為了對(duì)得到的各類型缺陷數(shù)據(jù)庫(kù)進(jìn)行數(shù)據(jù)增強(qiáng)，分別進(jìn)行5種不同角度的旋轉(zhuǎn)和鏡像翻轉(zhuǎn)，擴(kuò)充得到1 050張缺陷灰度圖。利用labelImg軟件對(duì)數(shù)據(jù)庫(kù)的缺陷圖像進(jìn)行手工標(biāo)注，并且按照訓(xùn)練集與驗(yàn)證集比例為7:3進(jìn)行數(shù)據(jù)庫(kù)圖像隨機(jī)劃分，為下一步的SSD模型訓(xùn)練提供數(shù)據(jù)支撐。

2 SSD智能識(shí)別方法

2.1 SSD算法模型

SSD算法的結(jié)構(gòu)由兩部分組成：基礎(chǔ)網(wǎng)絡(luò)層和額外特征層。把VGG-16網(wǎng)絡(luò)的全連接層FC6和FC7轉(zhuǎn)換成普通的卷積層就是SSD網(wǎng)絡(luò)模型的基礎(chǔ)網(wǎng)絡(luò)層，SSD算法網(wǎng)絡(luò)結(jié)構(gòu)如圖7所示。

圖7 SSD算法網(wǎng)絡(luò)結(jié)構(gòu)示意

SSD算法的預(yù)測(cè)特征網(wǎng)絡(luò)由6個(gè)預(yù)測(cè)特征層組成，不同特征層上可以預(yù)測(cè)不同尺度的目標(biāo)。預(yù)測(cè)前，首先需要在不同尺度特征層上產(chǎn)生不同比例和橫寬比的默認(rèn)框，默認(rèn)框的比例和橫寬比設(shè)定有一定的規(guī)則。各個(gè)預(yù)測(cè)特征層的每個(gè)單元產(chǎn)生默認(rèn)框數(shù)量以及橫寬比如表1所示，總計(jì)可得到8 732個(gè)默認(rèn)框。

表1 各預(yù)測(cè)特征層的默認(rèn)框數(shù)量以及橫寬比

2.2 訓(xùn)練過(guò)程

在訓(xùn)練過(guò)程中，需要按規(guī)則選取正樣本和負(fù)樣本。訓(xùn)練圖片中真實(shí)框需要與一個(gè)默認(rèn)框相匹配，該默認(rèn)框?yàn)檎龢颖?，并且?fù)責(zé)預(yù)測(cè)對(duì)應(yīng)的真實(shí)框。

在訓(xùn)練模型時(shí)，需要計(jì)算損失函數(shù)進(jìn)行反向傳播更新權(quán)重?；赟SD的交流電磁場(chǎng)智能識(shí)別算法的損失函數(shù)L(x，c，l，g)由類別損失和位置損失兩部分組成，即

(1)

式中：N為默認(rèn)框的正樣本個(gè)數(shù)；c為類別置信度，權(quán)重系數(shù)α設(shè)置為1;l為預(yù)測(cè)框參數(shù);g為真實(shí)標(biāo)簽值框參數(shù);x為待檢默認(rèn)框。

類別損失計(jì)算方法如下，分為正樣本的損失和負(fù)樣本的損失。損失函數(shù)的大小取決于默認(rèn)框與匹配到的真實(shí)框且預(yù)測(cè)正確的概率，概率越大，損失越小，即

(2)

通過(guò)對(duì)模型訓(xùn)練，計(jì)算損失函數(shù)，降低學(xué)習(xí)率，使得損失不斷降低，保證模型收斂。設(shè)置訓(xùn)練周期為18,學(xué)習(xí)率為0.000 5,模型訓(xùn)練完每周期的mAP(結(jié)果平均精度)變化曲線如圖8所示。模型訓(xùn)練時(shí)的mAP整體隨周期增加而增大。將A點(diǎn)mAP為0.997 1訓(xùn)練所保存的權(quán)重作為預(yù)測(cè)權(quán)重。

圖8 mAP變化曲線

模型訓(xùn)練損失和學(xué)習(xí)率隨著迭代周期的變化曲線如圖9所示，黑色曲線代表了損失變化，紅色曲線代表了學(xué)習(xí)率的變化。訓(xùn)練損失整體隨著迭代周期增加而降低，在模型訓(xùn)練結(jié)束時(shí)，模型損失為1.957 9，學(xué)習(xí)率接近于0。

圖9 訓(xùn)練損失和學(xué)習(xí)率隨迭代周期的變化曲線

2.3 缺陷預(yù)測(cè)

缺陷的預(yù)測(cè)流程如圖10所示，首先加載預(yù)測(cè)權(quán)重，并且讀取缺陷的類別文件；然后輸入缺陷圖像，將圖像送入SSD模型，在SSD中得到預(yù)測(cè)特征層；在不同尺度的預(yù)測(cè)特征層生成預(yù)測(cè)框，并將8 732個(gè)預(yù)測(cè)框送入檢測(cè)器；檢測(cè)器根據(jù)置信度確定類別以及邊框回歸；經(jīng)過(guò)非極大值抑制去除重疊率較高的邊框；最后在缺陷圖上畫(huà)出預(yù)測(cè)框并且給出缺陷的類別以及置信度，輸出打印預(yù)測(cè)框的左上頂點(diǎn)的像素坐標(biāo)、右下頂點(diǎn)的像素坐標(biāo)以及整個(gè)預(yù)測(cè)過(guò)程的時(shí)間。

圖10 缺陷預(yù)測(cè)流程圖

從3種缺陷類型的數(shù)據(jù)庫(kù)中各挑選50張圖片進(jìn)行檢測(cè)，將圖片依次輸入預(yù)測(cè)程序，并將檢測(cè)結(jié)果自動(dòng)保存。各類型缺陷檢測(cè)結(jié)果如圖11所示。

圖11 各類型缺陷檢測(cè)結(jié)果

各類型缺陷的檢測(cè)準(zhǔn)確率如表2所示，從每種類型缺陷中各隨機(jī)選取50張圖片，均正確檢測(cè)出49張，準(zhǔn)確率達(dá)98%，與模型訓(xùn)練mAP值99.71%相近，并且正確檢測(cè)出的缺陷置信度基本在95%左右。

表2 各類型缺陷檢測(cè)準(zhǔn)確率

3 試驗(yàn)驗(yàn)證

筆者開(kāi)展了缺陷檢測(cè)試驗(yàn)以驗(yàn)證基于SSD的交流電磁場(chǎng)缺陷智能識(shí)別方法的有效性，搭建了如圖12所示的ACFM檢測(cè)系統(tǒng)，對(duì)試件表面不同類型的缺陷進(jìn)行掃查。ACFM檢測(cè)系統(tǒng)主要由檢測(cè)探頭、數(shù)據(jù)采集卡、信號(hào)發(fā)生器和計(jì)算機(jī)等組成。

圖12 ACFM檢測(cè)系統(tǒng)外觀

首先對(duì)不規(guī)則裂紋、單一裂紋和腐蝕坑三種典型缺陷(見(jiàn)圖13)進(jìn)行臺(tái)架掃描試驗(yàn)，然后對(duì)掃描的Bz數(shù)據(jù)進(jìn)行反演，得到如圖14所示的缺陷圖像。

圖13 三種典型缺陷形貌

圖14 三種典型缺陷的反演圖像形貌

將缺陷圖像輸入到訓(xùn)練模型中進(jìn)行缺陷預(yù)測(cè)，得到的缺陷預(yù)測(cè)結(jié)果如圖15所示。可以看出，采用基于SSD的交流電磁場(chǎng)缺陷智能識(shí)別算法可以對(duì)三種典型類型的缺陷圖像進(jìn)行有效識(shí)別分類，并且能準(zhǔn)確框選出缺陷。

圖15 缺陷預(yù)測(cè)結(jié)果

4 結(jié)語(yǔ)

(1) 通過(guò)COMSOL軟件建立ACFM缺陷仿真模型，同時(shí)建立缺陷數(shù)據(jù)庫(kù)，進(jìn)行了數(shù)據(jù)增強(qiáng)，為ACFM缺陷的智能識(shí)別提供了數(shù)據(jù)支持。

(2) 建立了基于SSD的交流電磁場(chǎng)缺陷智能識(shí)別方法，模型訓(xùn)練和試驗(yàn)驗(yàn)證結(jié)果表明，基于該缺陷智能識(shí)別方法能有效對(duì)缺陷進(jìn)行分類識(shí)別和定位。