□ 韩少恒

上海电气集团股份有限公司 中央研究院 上海 200070

1 研究背景

随着信息化和智能化技术的发展,焊缝缺陷检测技术将会趋向自动化、精益化、快速化[1]。通过数字化手段,将大量物理胶片电子化存档,为焊缝缺陷检测系统的实现提供了数据基础。由于视觉信息具有方便直观、信息量大、易于处理的特点,因此在管道焊缝缺陷检测等方面具有广阔的应用空间。

当前,计算资源算力提高,使复杂、大规模、多层级的深度学习神经网络模型的训练成为可能[2]。通过输入大量已标注好的缺陷图像,针对已设计好的焊缝缺陷检测深度学习神经网络进行训练,可以得到有很高检测准确率的焊缝缺陷检测模型。相对于人通过肉眼的识别,深度学习模型具有更快的识别速度,并且可以检测出更微小的缺陷。

在焊缝缺陷检测系统中,规范、统一、高质量的数据有助于提高检测模型的性能,便于后期模型训练的升级迭代和数据分析,提高数据利用率,对提高焊缝缺陷检测系统的性能有着重要作用[3]。压力容器生产企业普遍采用射线透照的方式来检测焊缝区域的焊接质量,由此积攒了大量物理胶片档案,这为深度学习模型提供了丰富的训练样本。这些历史胶片样本数据如果可以被充分用于模型训练,将提高模型的鲁棒性和泛化能力。同类型缺陷胶片样本的增加,也可以有效提高该类缺陷检测的准确率。除此之外,胶片数字化后,不再受时空限制,可以通过网络实现远程评片[4]。……