Page 93 - 《应用声学）》2023年第5期
P. 93

第 42 卷 第 5 期    彭伊娟等： 改进的 Faster-RCNN 算法在聚乙烯管接头内部缺陷检测中的应用                                   985


                 Keywords: Defect detecting; Ultrasonic phased array; Convolutional block attention module; Residual net-
                 work; Feature pyramid

                                                                   在浅层神经网络方面，盛雄              [7]  采用 BP 神经网
             0 引言
                                                               络实现对 PE 管电熔接头缺陷图像检测特征区域的
                 管道运输多用于液体和气体物资的长距离输                           准确分类以及缺陷识别。Sambath等              [8]  对检测到的
             送，在聚乙烯 (Polyethylene, PE) 管道的热熔对接                 回波离散小波变换表示缺陷特征向量，并利用 BP
             过程中，受到工艺、设备、环境等因素的不良影响，易                          神经网络进行分类。在深度学习方面，要追溯到
             在热熔接头处产生各种各样的缺陷 (如气孔、夹杂、                          2014 年，Girshick 等  [9]  将卷积神经网络 (Convolu-
             裂纹等)。这些缺陷容易导致熔接接头质量不佳而                            tional neural networks, CNN)  [10]  与目标检测结合，
             发生泄漏和破坏，是整个 PE 管道中最薄弱的地方，                         提出 R-CNN 算法。2015 年，Song 等         [11]  将 R-CNN
             极大地影响着 PE 管道的安全使用。这就需要对管                          和 SPPNet 进一步提高，提出 Fast-RCNN 算法，在
             道接头内部缺陷进行有效的检测，及时发现存在的                            相同的网络配置下同时实现区域的特征提取、分类
             安全隐患。目前，PE管道热熔接头的无损检测方法                           和边界框回归。2017 年，Ren 等          [12]  将 Fast-RCNN
             主要有 X 射线检测       [1] 、红外热成像检测和超声检测                与区域候选网络 (Region proposal network, RPN)
             (衍射时差法和超声相控阵) 等            [2] 。超声检测是近年           相结合，提出 Faster-RCNN 算法，实现端到端的接

             来较为有效的无损检测方法。传统的超声波检测受                            近实时的检测，提高检测速度与精度。
             到 PE 管表面多次反射回波信号的干扰，并且由于                              在超声缺陷检测领域也有不少学者采用深度
             PE 材料具有声波衰减性，PE 热熔接头缺陷识别很                         学习方法进行缺陷识别。Meng等              [13]  用小波变换系
             难实现，而超声相控阵检测技术能够实现声束偏转                            数来学习每个信号的有效表示，使用深度神经网络
             以及声束集中，所以能够很好地克服这一困难                     [3] 。    进行炭纤维缺陷检测。万陶磊等                [14]  提取超声信号
                 不同种类的缺陷具有不同的失效形式，因此在                          的无量纲参数和小波包能量系数组成多维特征向
             对 PE 管道热熔接头进行超声相控阵检测时，需要                          量，然后利用 BP 神经网络进行缺陷检测。张重远
             根据超声相控阵图谱识别出缺陷的种类。采用人工                            等 [15]  采用基于相似矩阵的盲源分离方法对超声检
             形式对超声相控阵检测图像中的缺陷评定往往存                             测信号进行预处理，使用CNN 进行信号识别。
             在误差且效率不高，随着计算机技术的发展，传统                                目前为止，多数研究者都是采用信号处理方法
             的图像处理方法被广泛使用。费学智等                  [4]  通过分析      来提取特征从而提高缺陷识别准确率，然后采用
             目标缺陷轨迹和缺陷自身的面积来综合判断是否                             BP 神经网络来进行缺陷分类。本文直接将超声相
             为真实缺陷。Rostami 等        [5]  对 PE 管电熔接头超声          控阵采集的超声 D 扫图作为输入，针对超声 D 扫视
             图谱的数字格式采用形态学技术重新构建图像来                             图中缺陷小且密集的状况，以Faster-RCNN网络为
             补充缺失信息，从而实现目标特征分区，但未能实                            基础，采用不同的骨干网络结构对缺陷进行检测，
             现特征缺陷的识别。然而上述采用图像处理的方法                            并对 Faster-RCNN网络进行优化，实现检测能力的
             对含有多种缺陷的 PE 管道热熔接头未能进行有效                          提升。
             识别。
                 近年来随着深度学习的迅速发展，基于深度学                          1 Faster-RCNN网络介绍
             习的目标检测方法在效率和精度上相较于传统的
             图像检测方法都有很大提升，逐渐成为国内外学者                                Faster-RCNN 目标检测模型提出了与 RCNN、
             的研究热点。这部分研究主要集中在两个方面，一                            SPPNet、Fast-RCNN 不一样的 RPN 网络模型，该
             方面是采用特征提取加浅层神经网络的方法对检                             模型突破了 Fast-RCNN 在时间上的性能瓶颈。其
             测数据进行分类，另一方面是采用深度学习方法，输                           网络结构图如图1所示。
             入数据主要是人工提取的特征值，近年逐渐发展到                                由图 1 可知，Faster-RCNN 可以分为 4 个主要
             自动提取特征      [6] 。                                 内容：
   88   89   90   91   92   93   94   95   96   97   98