关键词:
深度学习
缺陷检测
数据增强
DP_Unet
小样本语义分割
摘要:
随着我国石油天然气行业的高速发展,油气管道运输在能源调配过程中扮演着至关重要的角色,管道焊缝的质量直接影响到管道的安全性能,焊接缺陷可能会引发管道间爆炸,从而造成严重经济损失甚至人员伤亡。因此,油气管道的焊接质量问题就显得尤为重要。X射线底片成为工业界焊缝缺陷检测一个重要的研究手段,该方法是利用X射线对焊缝管道进行照射,进而获取焊缝内部的形态图像。然而,目前对焊缝缺陷的检测和质量评估仍然主要依赖工程师的经验判断。这种传统方式存在着操作繁琐、检测结果主观、工作强度大等缺陷。同时,现有的自动化检测算法存在着精度不高的问题,并且受限于缺陷图像样本不足、数据难以获取等方面的不足。为解决上述问题,本文对小样本条件下的X射线底片缺陷检测进行探索与研究,旨在有效扩充样本,建立高精度的缺陷检测算法模型,提高缺陷语义分割的精度,进一步服务于智能化无损检测行业。
本文将从两个角度做研究,一是从样本量不足扩充样本的角度解决,二是从模型优化的角度直接设计方法解决小样本问题。重点研究内容与创新点主要涉及以下三个方面:
(1)针对底片缺陷样本量不足的问题和生成对抗网络在图像数据扩增方面的劣势,本文提出改进深度卷积生成对抗网络的Prior_Information-DCGAN(PI-DCGAN)数据扩增算法。首先采用通道混洗模型代替传统卷积模型,分别加至生成器和判别器当中,可以增加不同通道之间的交互和信息传递,有助于生成更具丰富多样性的图像和提高对图像的表征能力;然后在损失函数中引入EM距离做为优化项,使模型更容易收敛;最后给模型的损失函数中添加先验条件信息,用来提升合成数据的相似度,使得判别器网络学习到良好的性能。相关实验表明,所提出的PI-DCGAN数据扩增算法在主观和客观上均有效地提升了图像质量,峰值信噪比和结构相似度相比DCGAN网络分别提升了约4.9db和0.059,达到了28.7883和0.8301,有效扩充了缺陷样本数量,达到了研究目的。
(2)针对底片缺陷特征信息提取不明显,边界分割效果不好的问题,本文提出一种基于编解码架构的膨胀池化卷积(Dilated_Pooling_Unet)网络模型。首先设计一个介于上下采样间的编解码语义信息提取模块DP_Block,通过增强焊缝缺陷信息及最大限度对缺陷进行特征提取来保留图片原始信息和提升焊缝缺陷分割效果;其次,在编码器结构中加入一种全局注意力(Global Attention Mechanism,GAM)模块,重点关注缺陷信息部分,改善缺陷分割模型效果差的问题;最后,提出一种混合损失函数Dice_BCE,用于解决网络训练时不均衡的正负类数据问题,提升焊缝缺陷边界分割精确度和模型的泛化性。实验表明,本文所提算法在公共数据集上有较好表现,Dice值达到了93.45%,与基线算法相比有显著提高,证明了该方法具有良好的分割性能。
(3)针对现有的底片缺陷小样本语义分割方法在处理特征相似度矩阵时难以准确逼近掩膜相似度矩阵的问题,本文提出了一种底片缺陷小样本语义分割方法,该方法基于注意力谱引导实现。首先引入该方法具体步骤:提取特征、消除背景影响、嵌入空间投影、注意力谱引导模块、解码;其次,采用交叉熵整体损失函数,训练阶段使用联合监督训练,提升模型的性能和泛化性;最后通过实验表明,所提方法分割性能有所提升,验证了该方法的有效性,提高了小样本缺陷语义分割的精度。