基于深度学习网的射线图像缺陷识别方法.pptVIP

基于深度学习网络的射线图像缺陷识别方法 射线图像 （1）X射线、γ射线、中子射线检测物体形成的像。 （2）射线检测最主要的应用是探测试件内部的宏观几何缺陷（探伤）。 （3）需要辨识的类型（6类）： 正常、裂纹、气孔、夹杂、未熔合、未焊透。 卷积神经网络 图1 CNN网络结构 径向基网络 图2 RBF神经网络结构 每个输出RBF单元计算输入向量与参数向量之间的欧氏距离，采用高斯函数作为基函数，隐层神经元输出： 输出层神经输出为： 径向基网络 RBF网络对输入输出具有优秀的非线性映射能力。 在本文中的应用： （1）在CNN最后一层降采样层与输出层之间添加RBF隐层。 （2）增加最后一层降采样层的神经元个数，以进一步提高深度学习网络利用自学习特征来分类的能力。 本文中的深度学习网络 生长式网络结构 考虑因素： 识别能力和检测速度 生长方式： 从初始网络结构开始，根据生长规则， 自动生长到识别能力和检测速度都达到期 望阈值后停止生长。 网络生长规则 1）C1、S2、C3、S4层同步匹配增长 生长规则为： C1、S2层特征图个数每次增长2 C3、S4层特征图数量为 2）设定平均误差指标和误差收敛速度阈值。 生长网络直至达到指标为止。 网络训练方法 1）采用有监督训练的反向传播算法。 2）在训练时，采用将深度学习网络分成卷积神经网络部分和RBF网络部分，分别进行训练的策略。 实验过程 先对射线图像分割出注意区域，进一步规范化为32*32图像，再进行灰度均衡处理。 共790幅32*32注意区域图像作为样本，500幅作为学习样本，290幅作为测试样本。 图3 射线缺陷图像样本 初始卷积网络CNN-1 初始卷积网络CNN-1 C1层：2张特征图 S2层：2张特征图 C3层：3张特征图 S4层：3张特征图 C5层：32个神经元 RBF层：由欧式径向基函数单元组成，有16个神经元与C5层全连接 输出层：6个独立神经元 第一次训练 用500个样本对CNN-1进行训练，出事权重均匀分布在[-0.05,0.05]随机产生。 网络迭代36次，训练收敛时误差率超过16%。 第一次生长 C1层：4张特征图 S2层：4张特征图 C3层：9张特征图 S4层：9张特征图 C5层：32个神经元 RBF层：由欧式径向基函数单元组成，有16 个神经元与C5层全连接 输出层：6个独立神经元 第二次训练 网络迭代36次，训练收敛时误差率超过11%。 第二次生长 C1层：6张特征图 S2层：6张特征图 C3层：16张特征图 S4层：16张特征图 C5层：32个神经元 RBF层：由欧式径向基函数单元组成，有16 个神经元与C5层全连接 输出层：6个独立神经元 第三次训练 网络迭代36次，训练收敛时误差率低于5%，且误差收敛速度小于设定阈值。 第三次生长 C1层：8张特征图 S2层：8张特征图 C3层：24张特征图 S4层：24张特征图 C5层：32个神经元 RBF层：由欧式径向基函数单元组成，有16 个神经元与C5层全连接 输出层：6个独立神经元 第四次训练 网络需训练参数大大增加，网络已不能收敛。 网络结构的选择：CNN-3 表1 C3层与S2层神经元连接方式表 CNN-3实验结果 表2 深度网络对样本数据的识别率 改进径向基网络 未融合、未焊透类型识别准确率稍低，可能原因是注意区域未能含有缺陷在射线整体图像中的有关信息。 改进方法： 在CNN-3的RBF层中额外增加1个人工 特征（注意区域位置特征PST） d：注意区域重心到焊缝中心线的距离 BW：注意区域所在局部焊缝的宽度。 实验结果 直接多类支持向量机方法（DMSVM）、三层感知神经网络（MLPNN）和本文方法（CNN-3）进行对比实验 表3 对比试验结果