基于深度学习网络的射线图像缺陷识别方法.pptx

基于深度学习网络的射线图像缺陷识别方法

X射线、γ射线、中子射线检测物体形成的像。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）。需要辨识的类型（6类）：正常、裂纹、气孔、夹杂、未熔合、未焊透。射线图像

卷积神经网络图1CNN网络结构

径向基网络图2RBF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：

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：在CNN最后一层降采样层与输出层之间添加RBF隐层。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。径向基网络

本文中的深度学习网络

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。生长式网络结构

0102C1、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2C3、S4层特征图数量为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。网络生长规则

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。网络训练方法

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

C1层：2张特征图1S2层：2张特征图2C3层：3张特征图3S4层：3张特征图4C5层：32个神经元5RBF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6输出层：6个独立神经元7初始卷积网络CNN-1

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logo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1C3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。

实验结果表3对比试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