金属焊接结构的缺陷会导致关键设备在服役过程中产生严重危害,传统的缺陷识别主要以人工检测为主,但实际检测数据量庞大,而且缺陷形状和大小各异,导致检测结果容易受各种因素影响。提出基于多层特征融合目标检测网络对钢板焊缝的超声全聚焦图像进行智能识别。由于超声图像中缺陷的像素占比低且存在较多噪声和伪影等,使用具有特征复用且参数更少的Dense Net(Dense convolutional network)换原有的VGG(Visual geometry group)主干网络以优化模型的计算资源和速度。同时嵌入多层网络融合模块,将上下相邻网络特征图进行融合,充分结合大尺寸特征与小尺寸特征,提高模型的检测能力。此外,还嵌入空间注意力机制来增强缺陷信息并抑制背景噪声,最后将原有SSD(Singleshotmultiboxdetector)中的交并比(Intersection over union,Io U)非极大值抑制算法替换为距离交并比(Distance-IoU,DIoU),以更好地检测缺陷图像中间距较小的缺陷。利用仿真和试验获取典型焊缝缺陷的超声全聚焦数据集进行模型测试,结果表明,该模型比原有SSD模型平均AP值(Mean average precision,mAP)提高了10.45%,检测帧率(Frames per second,FPS)提高了17%。提出的多层特征融合目标检测网络可以用于大批量焊接钢结构超声全聚焦检测结果的快速、准确、自动识别。
