公开(公告)号：CN107451997A

公开(公告)日：2017-12-08

申请号：CN201710642922.6

申请日：2017-07-31

Applicant: 南昌航空大学

Inventor： 陈振华 ,  黄智刚 ,  卢超 ,  陈果 ,  郑志远

IPC: G06T7/00 ,  G06N3/04 ,  G06N3/08 ,  G01N29/06 ,  G01N29/26

CPC classification number: G06T7/0002 ,  G01N29/0654 ,  G01N29/26 ,  G01N2291/267 ,  G06N3/0454 ,  G06N3/08 ,  G06T2207/10132 ,  G06T2207/20084

Abstract: 本发明公开了一种基于深度学习技术的焊缝超声TOFD-D扫描缺陷类型的自动识别方法。首先，通过超声TOFD-D扫描技术采集焊缝典型缺陷的D扫描图像数据；其次，在MATLAB编程环境中搭建由特征图提取卷积神经网络VGG16、区域提议网络RPN以及FRCN网络构成FasterR-CNN深度学习网络框架；最后，对Faster R-CNN深度学习网络进行分阶段训练。网络测试结果显示：Faster R-CNN网络具备高效识别焊缝D扫描图像中缺陷类型的能力。本发明所公开的方法，充分利用了FasterR-CNN识别网络对图像识别的优势，将其应用在焊缝超声TOFD-D扫描图像检测中，避免了检测人员主观因素的影响，有效的提高了对TOFD-D扫描图像中缺陷类型的识别能力及效率，具有检测准确率高、鲁棒性好、抗干扰性强的优点，可应用于智能化无损检测技术中。