基于深度学习网络的射线图像缺陷识别方法

1、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、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

2、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

3、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 S

4、2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