邢秀文 沈洋 李静

摘 要：本研究利用卷积神经网络LeNet识别了一批焊接缺陷图像，发现图像的分辨率对于缺陷的识别正确率有很大的影响;发现原始的LeNet在各种情况下具有高度的稳定性，而几个变形网络结构虽然在存储空间以及运算速度方面有一定的优势，但是稳定性都不及原始的网络结构。

关键词：卷积神经网络;LeNet;焊接缺陷识别

一、引言

利用深度卷积神经网络实现人工智能，已然是一种时髦的趋势，也很有可能剧烈的改变传统检测行业的形态。在医学检测领域，人工智能在识别CT图像方面的能力，已经超过中等能力的专家。而在工业检测领域，人工智能判别缺陷类别的工作，尚处于起始阶段。由于TOFD、相控阵、数字射线、CT、磁共振等新的检测手段以及成像技术的发展，使得数字图像的获取变得非常容易，也使得人工智能识别缺陷成为可能。

在輸油管道等制造中，因为产品规格单一，数量巨大，所以很多企业采用了自动焊接，数字射线半自动化检测的流程。自动化焊接的焊缝波纹很小，表面平整光滑，故而射线图像没有多余的干扰，非常适合智能识别。

二、数据

我们采用软件模拟的方式，仿制了一批数字射线图像（见图1），分为4类：完好无缺陷、裂纹、未焊透、圆形缺陷。每类图像1000张，分拆为800张训练数据，200张验证数据。4类缺陷合计3200张训练图片，800张验证图片。

三、网络结构

LeNet是卷积神经网络的祖师爷LeCun在1998年提出的，用于解决手写数字识别的视觉任务，主要应用于银行系统的支票识别，取得了极大的成功。……