Page 98 - 《应用声学）》2023年第5期

990 2023 年 9 月

表 1 COCO 目标检测评价指标及其意义 由表2可知，对于超声相控阵PE管热熔接头缺
Table 1 Evaluation indexes of COCO tar- 陷检测，SSD 网络中缺陷数据集的 mAP 为 70.3%，
S
get detection and its meaning 而对于小缺陷检测，AP 仅为 49.2%。相比之下，
使用 VGG16 骨干网络的传统 Faster-RCNN，mAP
评价指标 意义 评价指标 意义
为 77.5%，AP 达到 56.1%。与 SSD 网络的结果相
S
IOU= 0.5 : 0.95 IOU = 0.5
AP AP 50
时的 AP 值 时的 AP 值 比，传统 Faster-RCNN 网络的 mAP 和 AP 分别
S
IOU = 0.75
AP 75 AP S 小目标的 AP 值 增长 7.3% 和 6.9%，证明 Faster-RCNN 网络比 SSD
时的 AP 值
网络更适合超声相控阵 D 扫图 PE 管接头缺陷检
AP M 中等目标的 AP 值 AP L 大目标的 AP 值
mAP 各类别 AP 的平均值 测。ResNet50 的 mAP 值为 79.9%，略高于 VGG16
本文将 SSD 网络框架和 Faster-RCNN 网络框 网络。ResNet50+FPN作为骨干网络具有更强的特
架用于模型训练和测试，使用 VGG16、ResNet50、 征学习能力，mAP 为 85.6%，比单独使用 ResNet50
S
ResNet50+FPN、ACBM+ResNet50+FPN 作为骨 骨干网络提高了 5.7%，对于小缺陷，AP 增加了
干网络模型，依次对超声相控阵 D 扫图 PE 管道热 3.2%，检测能力明显提高。改进后的 Faster-RCNN

熔对接接头内部缺陷样本进行训练对比。初始学习 算法是将 CBAM 和 ResNet+FPN 相结合组成的最
率设为 0.01，动量值为 0.9，训练轮数 (epochs) 设为 终骨干网络，mAP 达到 90.5%，相比 ResNet+FPN
50。实验结果和比较如表2 所示，AP 值的变化曲线 骨干网络提高了 4.9%，同时小缺陷的检测性能提升
如图7所示。 了4.2%。实验结果表明，改进后的Faster-RCNN网
络对小缺陷的关注度更高，检测能力更强，整体检测
表 2 不同网络模型的实验结果比较
性能较好。
Table 2 Comparison of experimental re-
图 8 显示了超声相控阵 D 扫图 PE 管热熔接头
sults of different network models
缺陷检测结果的 P-R 曲线，召回率 R 为横坐标，精
网络模型 AP 50 AP 75 AP S AP M AP mAP 确度P 为纵坐标，曲线和轴包围的区域为AP 值，区
SSD 70.3 68.5 49.2 57.2 51.5 70.3
域越大，检测性能越好，图中红色曲线表示 CBAM
VGG16 77.2 74.9 56.1 64.3 59.3 77.5
和 ResNet+FPN 相结合骨干网络的 P-R 曲线。从
ResNet50 79.5 77.2 58.3 66.1 61.5 79.9
图 8 中可以看出，改进的 Faster-RCNN 网络模型
ResNet50+FPN 85.3 79.5 61.5 68.2 63.1 85.6
ACBM+ 在检测方面取得了较好的效果。图 9 显示了 4 种
90.1 82.5 65.7 71.1 67.0 90.5
ResNet50+FPN 骨干网络的训练损失比较曲线。可以看出改进的
Faster-RCNN 网络具有更快的训练收敛速度和更
100
少的损失。
90
1.0
80
70 0.8
AP/% 60

50 mAP 0.6
AP 75 ድᆸए
40 AP M 0.4
AP CBAM+ResNet50+FPN
AP S
30 ResNet50+FPN
0.2 ResNet50
20 VGG16
ResNet50+FPN
SSD VGG16 ResNet50 0 0 0.2 0.4 0.6 0.8 1.0
CBAM+ResNet50+FPN
Ըڀဋ
图 7 AP 值变化曲线 图 8 P-R 曲线图
Fig. 7 Change curves of AP value Fig. 8 P-R curves