基于全特征融合的小径管焊接缺陷检测方法

石陆魁; 石波; 白佳鹏; 牛卫飞; 杨丽

doi:10.13873/J.1000-9787(2023)09-0116-05

Chinese

您当前的位置：

首页 >

文章列表页 >

基于全特征融合的小径管焊接缺陷检测方法

计算与测试 | 更新时间：2025-09-11

- 基于全特征融合的小径管焊接缺陷检测方法
- 暂无标题
- 传感器与微系统 2023年第9期页码：116-120
- 作者机构：
  
  1. 河北工业大学人工智能与数据科学学院
  2. 天津市特种设备监督检验技术研究院
  3. 石家庄学院机电学院
- 作者简介：
- 基金信息：
  
  天津市重点研发计划资助项目(20YFZCGX00490);河北省自然科学基金资助项目(F2020202008)
- DOI：10.13873/J.1000-9787(2023)09-0116-05
  中图分类号： TG441.7;TP391.41
- 纸质出版：2023
- 稿件说明：
移动端阅览
石陆魁, 石波, 白佳鹏, 等. 基于全特征融合的小径管焊接缺陷检测方法[J]. 传感器与微系统, 2023,(9):116-120.
石陆魁, 石波, 白佳鹏, 等. 基于全特征融合的小径管焊接缺陷检测方法[J]. 传感器与微系统, 2023,(9):116-120. DOI： 10.13873/J.1000-9787(2023)09-0116-05.

DOI：

摘要

针对小径管焊接X射线图像中缺陷尺寸差异大、大纵横比缺陷和回归位置偏移等问题，提出了基于全特征融合和多级检测头的检测模型，模型由全特征融合网络(FFF-Net)和基于距离交并比(IoU)散度(DI-KL)损失的多级检测头组成。FFF-Net通过双向特征均衡有效提取不同尺寸缺陷的特征，利用形状特征提取大纵横比缺陷的形状特征，并通过注意力机制提高特征的显著性；基于DI-KL损失的多级检测头将DI-KL损失作为回归损失，结合多级检测头缓解了预测框回归位置不准确的问题。实验结果表明：该模型有效提高了小径管焊接缺陷检测精度，特别是小尺寸和大纵横比缺陷的检测精度。

Abstract

关键词

Keywords

references

基于图像融合与YOLOv3的铝型材表面缺陷检测[J]. 张磊;郎贤礼;王乐.计算机与现代化,2020(11)

基于Gaussian-yolov3的铝型材表面缺陷检测[J]. 文生平;李超贤.计算机测量与控制,2020(09)

基于DenseNet网络的焊缝缺陷检测识别[J]. 谷静;王琦雯;张敏;王金金.传感器与微系统,2020(09)

融合多层次特征Faster R-CNN的金属板带材表面缺陷检测研究[J]. 王海云;王剑平;罗付华.机械科学与技术,2021(02)

基于Faster R-CNN的刨花板表面缺陷检测研究[J]. 彭煜;肖书浩;阮金华;汤勃.组合机床与自动化加工技术,2020(03)

深度卷积神经网络的X射线焊缝缺陷研究[J]. 刘梦溪;巨永锋;高炜欣;王征;武晓朦.传感器与微系统,2018(05)

Tire Defect Detection Using Fully Convolutional Network.[J]. Ren Wang;Qiang Guo;Shanmei Lu;Caiming Zhang.IEEE Access,2019

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于改进SSD的螺栓缺陷检测算法

双阈值屏幕显示缺陷检测方法

改进Faster R-CNN微缺陷检测算法研究

基于粒子群优化Gabor滤波器的钢板表面缺陷检测

基于深度学习的蚕茧智能分选方法