基于改进ResNet50的石油管道焊缝缺陷分类

摘要

目前对金属管道焊缝缺陷图像识别主要采用人工评片和机器视觉等方式,人工评片的方式由于主观性等原因导致错检或漏检情况较多,而机器视觉的检测方式受到光照的影响使得模型的鲁棒性较差。为了提高对石油管道焊缝缺识别的准确率和速度,提出结合深度卷积神经网络对石油管道焊缝缺陷识别。在ResNet50网络的基础上进行改进,网络中添加可变形卷积学习缺陷的不规则特征;为了提高模型训练速度,添加深度可分离卷积减少了模型参数;为了增强模型的表达能力,在ResNet50中设置了3种卷积核,融合不同层的通道。实验中有圆形、裂纹、烧穿缺陷和正常图片,每种数据约有2000张图片。改进后的模型训练200个epoch,对焊缝缺陷数据具有良好的泛化能力,测试精度达到99%,速度为10ms/张。