Page 96 - 《应用声学》2025年第1期

92 2025 年 1 月

2.3 缺陷标注
YOLO5 属于有监督的深度学习模型，需对原
始图谱数据进行标注，为模型提供训练特征规律。
本文采用 LabelImg 标注软件对 3D-TFM 缺陷图谱
中缺陷的位置和所属缺陷类别 (ϕ1 mm、ϕ2 mm、
ϕ3 mm)进行了人工标注。所有缺陷标注完成后，图
谱中的每个缺陷都对应了一个目标框和一个名为
(a) φ1 mmഷᤰߘ (b) φ2 mmഷᤰߘ (c) φ3 mmഷᤰߘ side-drilled hole 的标签，保存在后缀为 xml 的文件
图 6 3D-TFM 缺陷检测图 中，利用格式转换脚本将其转换为 yolo txt 格式保
Fig. 6 3D-TFM defect detection diagram 存，每个 txt 文件存放一个图片的目标信息，文件的
每一行存放一个目标的信息，包括标注标签的种类
class，最后利用该标签文件和对应的缺陷图谱，生成
训练集，并设置训练集、测试集比例为8 : 2。

3 实验及结果

3.1 参数设置
图 7 整体 HDPE 试块 3D-TFM 缺陷检测图
Fig. 7 HDPE test block 3D-TFM defect detection 本文训练实验在 windows11 环境下进行，个人
diagram 主机硬件配置为：主频为 3.3 GHz 的 AMD Ryzen
2.2 图像增广 5 5600H，内存为 16G，显卡为显存 4G 的 NVIDIA
本文采用设备实时得到的缺陷图作为原始图 GeForce RTX 3050。软件系统包括：CUDA11.3，深
谱数据，最终采集得到 3D-TFM缺陷图谱 70张。由 度学习框架平台Pytorch 1.10.1等。
于训练 YOLOv5模型所需样本量较大，为了使数据 YOLOv5s 使用随机梯度下降 (Stochastic gra-
集具有多样性，配合 Mosaic 方法降低模型对同个 dient descent, SGD) 优化器对网络模型的参数进
位置缺陷的敏感性，提升模型的鲁棒性，本文基于 行优化。模型训练过程中 Batch_size 设置为 4，最
Python的OpenCV库编写代码，对原始缺陷图谱进 大训练迭代次数 Epoch 设置为 300，初始学习率
行增广，采用几何变换、随机亮度、添加噪声等手段， 为 0.01，动量为 0.937，权值衰减 (weight_decay)
如图 8 所示。得到了用于训练的 700 张 3D-TFM 缺 设 置 为 0.0005。 采 用 warmup 策 略 优 化 训 练 效
陷图谱。 果，warmup_momentum 设置为0.8，学习率为 0.1，

图 8 3D-TFM 缺陷检测图像扩增
Fig. 8 3D-TFM defect detection image amplification