科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对X射线图像利用RetinaNet模型进行多类焊接缺陷检测时，因焊件内部缺陷尺寸小、缺陷数据集分布不均等特点导致检测精确率较低的问题，提出一种基于改进RetinaNet的多类焊接缺陷X射线图像检测模型。首先，采用K-means算法对焊接缺陷数据集中的标注尺寸进行聚类分析并用于设计模型的锚框尺寸；然后针对训练过程中固定阈值导致模型引入低质量的训练正样本而使模型检测精确率降低的问题，使用自适应正负样本选择算法改善模型的正负样本选择方式；接着使用包含了Res2Net模块的ResNet网络模型用以增强主干网络的特征提取能力；最后使用注意力模块对特征金子塔网络的输出特征图进行处理，通过此方法让模型关注特征图中的缺陷特征。实验结果表明改进模型与RetinaNet模型相比可将多类焊接缺陷检测的召回率和准确率提升9.4和2.9个百分点，且改进模型在多类焊接缺陷检测的精确率方面高于YOLOv3和快速区域卷积神经网络（Faster-RCNN）模型。实验结果验证了基于改进RetinaNet的多类焊接缺陷X射线图像检测模型的有效性和先进性。
- 单位
