基于SSD的交流电磁场缺陷智能识别方法

2022-08-24杨会敏李春棚袁新安杨建龙刘子淇梁登博

无损检测 2022年8期

杨会敏，李春棚，袁新安，杨涛，杨建龙，刘子淇，梁登博

(1.核工业工程研究设计有限公司，北京 101300;2.中国石油大学(华东) 海洋油气装备与安全技术研究中心，青岛 266580)

在核设施建造过程中，传统胶片射线检测是主要的体积检验技术，但射线检测需要专用的时间窗口和作业场所，焊接施工和检测无法并行进行，同时射线检测结果通常需滞后一天，影响安装施工顺序，射线检测的辐射安全风险也比较大[1]。因此，为提高核设施建造项目的检测效率，规避大面积射线检验带来的辐射安全风险，必须采用先进可靠的检测技术克服上述难题[2]。

交流电磁场检测(ACFM)技术可检测工件结构表面或亚表面是否存在缺陷并对缺陷进行可视化评估，具有适应性强、可操作性强、效率高、准确率高等优点[3]。

应用ACFM技术检测缺陷时，如果引入图像处理和智能识别技术，能减少人工评判，降低误判和漏判的可能性，减少工程事故的发生[4]。目前国内外基于ACFM技术的缺陷识别方法主要分为以下两类：① 依据特征信号或者时基图，该方法很难对缺陷信号进行自动判定与智能识别，易造成缺陷的误判和漏判；② 基于C扫描方法或特征信号显示方法，该方法不能直观地反映缺陷结构，很难准确地获得缺陷的类型和形貌[5-6]。这两种方法都难以实现缺陷的实时智能识别。

深度学习目标检测算法[7-8]可以为交流电磁场缺陷智能识别与判定[9]提供一个有效的解决方案。单发多盒检测器(SSD)算法就是一种深度学习目标检测算法[10]，其采用不同深度的卷积特征层来进行检测，浅层的特征层可以检测一些小缺陷，深层的特征层可以检测大缺陷。因此，文章针对传统交流电磁场检测仪器的局限性，建立基于SSD的交流电磁场缺陷智能识别方法。先通过仿真试验建立缺陷数据库；然后基于SSD算法建立交流电磁场缺陷智能识别方法；最后通过试验验证了基于SSD的交流电磁场缺陷智能识别方法的有效性。

1 缺陷数据库的建立

利用COMSOL仿真软件建立缺陷的ACFM仿真模型(见图1)。仿真模型主要由空气区域、线圈、U型磁芯、检测工件和缺陷等组成。

图1 交流电磁场有限元仿真模型

通电线圈缠绕在U型磁芯上，放置于被检测工件的正上方，将缺陷设置为一般开口裂纹，整体模型放置于空气域中。对模型进行网格划分，频率设置为1 kHz,采用参数化扫描方式求解，提取缺陷上方畸变磁场信号Bz(见图2)。

图2 一般裂纹特征信号Bz

使用梯度算法对一般裂纹缺陷进行表面轮廓重构，对归一化特征信号求取灰度图，得到裂纹表面轮廓可视化图像[11]，一般裂纹灰度图如图3所示。

图3 一般裂纹灰度图

同时，建立不规则裂纹和腐蚀坑缺陷的仿真模型，进行仿真分析，提取缺陷上方的畸变磁场信号Bz，反演出不规则裂纹和腐蚀坑缺陷的灰度图，不规则裂纹灰度图如图4所示，腐蚀坑灰度图如图5所示。

图4 不规则裂纹灰度图

图5 腐蚀坑灰度图

为了实现缺陷轮廓数据的智能识别，统一采用单向梯度算法对所有缺陷数据进行处理，形成不同类型缺陷表面轮廓可视化成像结果。针对3种类型缺陷，使用仿真方法建立由不规则裂纹、一般裂纹和腐蚀坑表面轮廓组成的成像数据库，每组图片经过处理后变为28像素×28像素(长×宽)的灰度图，不同类型缺陷的灰度图像数据库如图6所示。

图6 不同类型缺陷的灰度图像数据库示意

为了对得到的各类型缺陷数据库进行数据增强，分别进行5种不同角度的旋转和镜像翻转，扩充得到1 050张缺陷灰度图。利用labelImg软件对数据库的缺陷图像进行手工标注，并且按照训练集与验证集比例为7:3进行数据库图像随机划分，为下一步的SSD模型训练提供数据支撑。

2 SSD智能识别方法

2.1 SSD算法模型

SSD算法的结构由两部分组成：基础网络层和额外特征层。把VGG-16网络的全连接层FC6和FC7转换成普通的卷积层就是SSD网络模型的基础网络层，SSD算法网络结构如图7所示。

图7 SSD算法网络结构示意

SSD算法的预测特征网络由6个预测特征层组成，不同特征层上可以预测不同尺度的目标。预测前，首先需要在不同尺度特征层上产生不同比例和横宽比的默认框，默认框的比例和横宽比设定有一定的规则。各个预测特征层的每个单元产生默认框数量以及横宽比如表1所示，总计可得到8 732个默认框。

表1 各预测特征层的默认框数量以及横宽比

2.2 训练过程

在训练过程中，需要按规则选取正样本和负样本。训练图片中真实框需要与一个默认框相匹配，该默认框为正样本，并且负责预测对应的真实框。

在训练模型时，需要计算损失函数进行反向传播更新权重。基于SSD的交流电磁场智能识别算法的损失函数L(x，c，l，g)由类别损失和位置损失两部分组成，即

(1)

式中：N为默认框的正样本个数；c为类别置信度，权重系数α设置为1;l为预测框参数;g为真实标签值框参数;x为待检默认框。

类别损失计算方法如下，分为正样本的损失和负样本的损失。损失函数的大小取决于默认框与匹配到的真实框且预测正确的概率，概率越大，损失越小，即

(2)

通过对模型训练，计算损失函数，降低学习率，使得损失不断降低，保证模型收敛。设置训练周期为18,学习率为0.000 5,模型训练完每周期的mAP(结果平均精度)变化曲线如图8所示。模型训练时的mAP整体随周期增加而增大。将A点mAP为0.997 1训练所保存的权重作为预测权重。

图8 mAP变化曲线

模型训练损失和学习率随着迭代周期的变化曲线如图9所示，黑色曲线代表了损失变化，红色曲线代表了学习率的变化。训练损失整体随着迭代周期增加而降低，在模型训练结束时，模型损失为1.957 9，学习率接近于0。

图9 训练损失和学习率随迭代周期的变化曲线

2.3 缺陷预测

缺陷的预测流程如图10所示，首先加载预测权重，并且读取缺陷的类别文件；然后输入缺陷图像，将图像送入SSD模型，在SSD中得到预测特征层；在不同尺度的预测特征层生成预测框，并将8 732个预测框送入检测器；检测器根据置信度确定类别以及边框回归；经过非极大值抑制去除重叠率较高的边框；最后在缺陷图上画出预测框并且给出缺陷的类别以及置信度，输出打印预测框的左上顶点的像素坐标、右下顶点的像素坐标以及整个预测过程的时间。