Page 243 - 《应用声学》2025年第2期
P. 243
赵玉琦等： 改进 Faster R-CNN 的大型铸造不锈钢机匣
第 44 卷 第 2 期 503
超声相控阵检测图像的缺陷智能识别
相较于改进前的原始 Faster RCNN 网络模
型，改进后的 Faster RCNN 网络模型 mAP 提升了 参 考 文 献
24.9%，识别分类各种缺陷类型的 AP均可达到 95%
左右，AP 值均提升了 10% 以上，识别分类群孔缺 [1] 谭毅, 杨书仪, 左建华, 等. 面向包容性的航空发动机机匣研
陷AP 值提升最大。其中，识别气孔缺陷 AP 值提升 究综述 [J]. 航空工程进展, 2022, 13(6): 17–28.
Tan Yi, Yang Shuyi, Zuo Jianhua, et al. Review of aero-
了 18.3%，识别裂纹形缺陷 AP 值提升了 23.5%，识
engine casing containment research[J]. Advances in Aero-
别疏松缺陷 AP 值提升了 13.2%，识别群孔缺陷 AP nautical Science and Engineering, 2022, 13(6): 17–28.
值提升了 44.8%。实验结果表明，改进后的 Faster [2] 刘喜双, 李艳琴, 付国华, 等. 相控阵超声检测技术在铁路装
RCNN 网络模型具有更高的识别分类精度、更强的 备产品应用分析 [J]. 设备监理, 2021(6): 34–38.
Liu Xishuang, Li Yanqin, Fu Guohua, et al. Phased ar-
泛化能力和鲁棒性，能够满足超声相控阵缺陷识别
ray ultrasonic testing technology in railway equipment
与分类的要求。 products application analysis[J]. Plant Engineering Con-
sultants, 2021(6): 34–38.
ஈᤉҒ ஈᤉՑ
[3] Girshick R, Donahue J, Darrell T, et al. Rich feature hi-
100 95.8 94.3 94.7 96.4
erarchies for accurate object detection and semantic seg-
81.5 mentation[C]//2014 IEEE Conference on Computer Vi-
80 77.5
70.8 sion and Pattern Recognition. Columbus: IEEE, 2014:
580–587.
60
AP 51.6 [4] Gieshick R. Fast R-CNN[C]//2015 IEEE International
Conference on Computer Vision (ICCV). Santiago: IEEE,
40
2015: 1440–1448.
[5] Ren S Q, He K M, Girshick R, et al. Faster R-CNN:
20
Towards real-time object detection with region proposal
networks[C]//Proceedings of the 28th International Con-
0 ference on Neural Information Processing Systems. Mon-
ඡߘ ᜈጯ Ⴀ ᐑᬷඡߘ
Ꭵᬞዝی treal: MIT Press, 2015: 91–99.
[6] Liu W, Anguelov D, Erhan D, et al. SSD: Single
图 11 算法改进前后缺陷识别准确率对比 shot multibox detector[C]//Computer Vision ECCV 2016.
Fig. 11 Comparison of defect recognition accu- Cham: Springer, 2016: 21–37.
[7] Redmon J, Divvala S, Girshick R, et al. You only look
racy before and after algorithm improvement
once: Unified, real-time object detection[C]//2016 IEEE
Conference on Computer Vision and Pattern Recognition
5 结论 (CVPR). Las-Vegas: IEEE, 2016: 779–788.
[8] Redmon J, Farhadi A. YOLO9000: Better, faster,
(1) 采用相控阵检测技术可检测到大型不锈钢 stronger[C]//2017 IEEE Conference on Computer Vision
铸造机匣的气孔、裂纹、疏松、群孔等缺陷；采用旋 and Pattern Recognition(CVPR). Honolulu: IEEE, 2017:
转、镜像、模糊、加噪声、调整亮度等方法可扩充缺 6517–6525.
[9] Redmon J, Farhadi A. YOLOv3: An incremental im-
陷图像数据集，用于网络模型的训练以防止过拟合
provement[EB/OL]. (2018-04-08) [2020-06-24]. https://
现象。 arxiv.org/pdf/1804.02767.pdf.
(2) 试验通过大量金相实验分析缺陷类型，总 [10] 余泽禹, 袁洪强, 卫小龙, 等. 基于深度学习的管道焊缝超
结出基于 4 种缺陷图像形貌的缺陷类型。算法通过 声检测缺陷识别方法 [J]. 科学技术与工程, 2022, 22(30):
13288–13292.
替换特征提取网络、结合FPN结构提高了缺陷识别 Yu Zeyu, Yuan Hongqiang, Wei Xiaolong, et al. Defect
与分类的精度。采用 ROI Align 结构提高了缺陷定 identification method of pipeline weld ultrasonic testing
位准确性。 based on deep learning[J]. Science Technology and Engi-
neering, 2022, 22(30): 13288–13292.
(3) 改进后的网络模型具有更高的缺陷识别与
[11] 彭伊娟, 王振超, 张秋菊. 改进的 Faster-RCNN 算法在聚乙
分类精度、更准确的定位能力，其对4 种缺陷图像识 烯管接头内部缺陷检测中的应用 [J]. 应用声学, 2023, 42(5):
别与分类平均准确率均值为 95.3%，相较于原始网 984–992.
络模型提升了 24.9%。该模型具有较高的识别与分 Peng Yijuan, Wang Zhenchao, Zhang Qiuju. Application
of improved Faster-RCNN algorithm in internal defects
类能力，可解决人工无法客观判读及易受外部因素
detection of polyethylene pipe joint[J]. Journal of Applied
干扰的问题。 Acoustics, 2023, 42(5): 984–992.
