基于高效特征提取与精准定位的焊缝DR缺陷智能识别OA
射线数字成像(Digital Radiography,DR)以其高分辨力、实时成像能力及灵活的图像后处理优势,在焊缝检测领域已发展为重要的无损检测手段之一。基于人工智能的缺陷智能识别技术逐步成为DR图像处理的重要发展方向,能够在多个应用场景下显著提高检测效率。然而不同种类焊缝缺陷尺寸差异大仍然是现有缺陷智能识别方法面临的挑战。为此,提出一种基于高效特征提取及精准缺陷定位的EP-YOLO模型。该模型主干网络通过复合缩放策略与参数分配优化,实现了对缺陷的多尺度特征高效提取;同时,损失函数通过采用目标尺寸自适应惩罚因子和基于锚框质量梯度调节策略,显著提升了缺陷目标的定位精度与收敛速度。试验结果表明:EP-YOLO模型表现出色,在精确定位和分类任务中实现了mAP@50为93.1%的良好性能,且平均召回率达到91%,有效降低了缺陷漏检现象,与主流YOLO系列算法相比具有明显优势。特别地,该模型在小尺度气孔缺陷检测中表现突出,AP@50和召回率分别优于表现最优的主流工业检测模型8.2%和7.8%。此外,EP-YOLO模型仅有4.6M的参数量和8.4GFLOPs的计算复杂度,达到了与主流YOLO系列相当的高效检测速度,帧率可达70FPS。该模型兼具高精度与高检测速度,为焊缝缺陷智能识别的实际应用与部署提供了强有力的技术支撑。
王俊龙;徐喆;刘伟达;严宇;刘玲玲;胡辰萱;杨会敏;陈春林
中国核工业二三建设有限公司,北京101300核工业工程研究设计有限公司,北京101300核工业工程研究设计有限公司,北京101300中国核工业二三建设有限公司,北京101300南昌航空大学无损检测技术教育部重点实验室,江西南昌330063南昌航空大学无损检测技术教育部重点实验室,江西南昌330063中国核工业二三建设有限公司,北京101300中国核工业二三建设有限公司,北京101300
矿业与冶金
无损检测射线数字成像缺陷智能识别多尺度特征
《金属加工(热加工)》 2026 (7)
P.80-90,11
国家自然科学基金项目(62361044)江西省自然科学基金项目(20232BAB212001)无损检测技术教育部重点实验室开放基金项目(EW201908440)南昌航空大学博士研究启动基金项目(EA202008060)。
评论