基于改进YOLOX的地铁列车焊接质量检测.pdf
《基于改进YOLOX的地铁列车焊接质量检测.pdf》由会员分享,可在线阅读,更多相关《基于改进YOLOX的地铁列车焊接质量检测.pdf(10页珍藏版)》请在咨信网上搜索。
1、第 20 卷 第 10 期2023 年 10 月铁道科学与工程学报Journal of Railway Science and EngineeringVolume 20 Number 10October 2023基于改进YOLOX的地铁列车焊接质量检测马瑞1,贺德强1,贺岁球1,陈彦君1,靳震震1,单晟2(1.广西大学 机械工程学院,广西 南宁 530004;2.中车株洲电力机车研究所有限公司,湖南 株洲412001)摘要:车体作为地铁列车的主要承载结构,主要依靠数量庞大的基础件组焊而成,其在列车运行中承受着巨大的冲击载荷,因此对焊接质量提出了更高的要求。实际焊接过程中焊接工艺复杂、焊接技术不
2、一,导致了焊接缺陷的产生。焊接缺陷会降低车体的强度和刚度,危害地铁列车的运行安全。现有的焊接质量检测技术存在智能化水平不高、检测效率低的问题。针对上述问题,提出一种基于改进YOLOX的列车车体焊接质量智能检测方法。首先,利用相控阵超声波检测仪采集焊缝缺陷图像,制作焊接缺陷数据集。然后,为提高YOLOX的检测性能,弥补YOLOX在检测精度和速度方面的不足,引入了跨阶段分部网络(Cross-stage Partial Dark Network,CSPDarkNet)、密集连接网络(Densely Connected Network,DCN)、加权双向金字塔网络(Bidirectional Feat
3、ure Pyramid Network,BiFPN)和自适应空间融合网络(Adaptively Spatial Feature Fusion,ASFF),建立基于改进的YOLOX的地铁列车车体焊接质量检测模型,提高了焊缝缺陷特征提取和多尺度特征融合的能力。最后,利用改进的YOLOX模型对焊接缺陷数据集进行训练和测试,通过实验验证所提方法的有效性和可行性。实验结果表明,改进的YOLOX模型对于焊接缺陷的检测精度达到97.30%,检测速度达到78.4 fps,与主流检测网络Faster R-CNN和YOLO V5相比,在检测精度和检测速度方面具有更大的优势。研究成果能够满足地铁列车焊接质量检测的需
4、求,实现焊接缺陷的智能检测和缺陷类型的智能判断。关键词:地铁列车;焊接缺陷;无损检测;相控阵超声波检测;深度学习中图分类号:U279.4 文献标志码:A 开放科学(资源服务)标识码(OSID)文章编号:1672-7029(2023)10-3998-10Welding quality detection of metro train based on improved YOLOXMA Rui1,HE Deqiang1,HE Suiqiu1,CHEN Yanjun1,JIN Zhenzhen1,SHAN Sheng2(1.College of Mechanical Engineering,Guan
5、gxi University,Nanning 530004,China;2.CRRC Zhuzhou Institute Co.,Ltd.,Zhuzhou 412001,China)Abstract:As the main bearing structure of the metro train,the train body is mainly welded by a large number of foundation parts.It bears huge impact load in the train operation,so the welding quality is of hig
6、her requirements.During the actual welding process,complex welding process and different welding techniques lead to welding defects,which would reduce the strength and stiffness of the train body and endanger the safe operation of metro 收稿日期:2022-11-29基金项目:国家自然科学基金资助项目(U22A2053);广西创新驱动发展专项项目(桂科AA203
7、02010)通信作者:贺德强(1973),男,湖南桃江人,教授,博士,从事机车车辆、列车状态检测和故障诊断研究;Email:DOI:10.19713/ki.43-1423/u.T20222274第 10 期马瑞,等:基于改进YOLOX的地铁列车焊接质量检测trains.The existing welding quality detection technology has the problems of low intelligence and inefficiency.To solve above problems,an intelligent detection method for w
8、elding quality of train body based on improved YOLOX was proposed.First,the images of welding defects were collected by phased array ultrasonic detector to construct the data set of welding defects.Then,in order to improve the detection performance and make up for the deficiencies of YOLOX in detect
9、ion accuracy and speed,the cross-stage partial dark network(CSPDarkNet),densely connected network(DCN),bidirectional feature pyramid network(BiFPN)and adaptively spatial feature fusion(ASFF)network were introduced to establish the metro train body welding quality detection model based on the improve
10、d YOLOX.The capacity of welding defect feature extraction and multi-scale feature fusion was improved.Finally,the improved YOLOX model was used to train and test the welding defect data set,and the effectiveness and feasibility of the proposed method were verified by experiments.The experimental res
11、ults show that the improved YOLOX model achieves the detection accuracy of 97.30%and detection speed of 78.4 fps for welding defects.Compared with the mainstream detection networks Faster R-CNN and YOLO V5,the improved YOLOX model has greater advantages in detection accuracy and detection speed.The
12、research results can meet the requirements of welding quality inspection of metro train and realize intelligent detection of welding defects and intelligent judgment of defect types.Key words:metro train;welding defects;nondestructive testing;phased array ultrasonic testing;deep learning 焊接作为金属连接的主要
13、方式之一,在地铁列车铝合金车体的生产制造中发挥着重要作用1。在实际加工过程中,焊接环境、焊接材料以及焊接技术的局限性导致了焊接缺陷的产生,因此,开展焊接质量检测非常必要2。无损检测是焊接质量检测的常用方法,相控阵超声波检测技术作为一种便捷高效环保的无损检测方式,其检测灵敏度高,可以检测出焊缝的表面和内部缺陷,内部缺陷主要有未焊透、未熔合、裂纹、气孔和夹渣3。陈选民等4对钢轨焊缝的相控阵超声定点扫查工艺进行了研究,发现扇形扫描角度范围在3070之间的检测能力最好。闫彧5通过超声波检测技术,对焊接缺陷类型、大小、位置做出了检测与评估。但是传统的无损检测方法,需要人工检测和判别缺陷类型,漏检率和误检
14、率较高。人工智能的发展为焊接质量检测提供了新思路,与机器视觉结合的无损检测方法得到广泛应用6。在传统机器视觉方面,余胜威等7提出基于 PCA(Principal Component Analysis)降维的特征焊缝提取方法,有效检测出转向架焊接表面缺陷。SUN等8提出了基于高斯混合特征提取的焊缝缺陷检测模型,实现了焊缝缺陷的识别和分类。ZHANG等9提出了一种基于支持向量机与网格搜索优化交叉验证的焊接缺陷检测模型,可以识别未焊透、烧穿等焊接缺陷。YANG等10提出了一种向量机多尺度缺陷检测方法,运用迁移学习和多尺度融合方法,对于弱纹理和弱对比度图像有较好的识别能力。以上焊缝检测模型虽然取得一定
15、成效,但是模型鲁棒性不足,缺陷识别精度较低,而深度学习算法可以弥补这一缺陷。深度学习可以实现端到端的检测,无须手动提取焊缝缺陷特征,且具有较强的特征学习和迁移学习能力,检测效率较高。在深度学习机器视觉方面,钟嘉俊等11提出了基于改进 Faster R-CNN(Faster region convolutional neural network)的车体焊缝检测方法,对焊接缺陷有较高的识别率和鲁棒性。FENG等12基于卷积神经网络对电枢焊接表面缺陷进行了研究,但其网络层数较少,所学习到的特征有限,检测精度有待提高。针对焊接缺陷数据样本不平衡的问题,GUO 等13提出了生成对抗网络对样本数量扩充,使
16、得各类缺陷数据分布均衡。在实际焊接过程中,焊接缺陷往往并不是单一存在,而是各种缺陷混杂,焊接缺陷密集分布且尺度变化较大,给焊接缺陷检测带来了巨大挑战。常见焊接缺陷的相控阵超声波图像如图1(a)1(d)所示,按照焊缝缺陷的分布情况可以分为2类,稀疏分布(图1(a)1(b)3999铁 道 科 学 与 工 程 学 报2023 年 10月和密集分布(图 1(c)1(d),其中焊接缺陷密集分布情况较为常见。各种检测网络中,YOLOX对混杂的焊接缺陷进行精确定位,对密集分布和尺度变化较大的焊接缺陷有较好的特征提取能力,YOLOX对图1(a)1(d)特征提取的热力图如图1(e)1(h)所示,焊接缺陷被较好地
17、识别。此外,YOLOX具有YOLO(you only look once)系列不生成候选框直接进行检测、检测速度快的优势,也用anchor free方法减少负样本数,缓解正负样本不平衡的问题,提高检测精度14。但是YOLOX模型存在梯度流消失问题,多尺度特征融合能力需要进一步加强。YI等15引入MobileViT(mobile vision transformer)模块对YOLOX模型改进,增强了其主干网络的特征提取能力,但其 80.67%的检测精度,40.37 fps 的检测速度,难于满足实际应用需求。WU等16在YOLOX模型中引入Atrous空间金字塔池化和卷积注意力机制,提高多尺度图像
18、的检测能力,但其误检率较高。综上所述,现有的焊接质量检测网络虽然取得了一定成效,但其特征提取不全面,缺乏多尺度特征融合,检测精度和速度还有待提高。针对目前焊接质量检测智能化水平不高、检测效率低的问题,提出了一种改进的YOLOX智能检测方法,在YOLOX模型中引入了跨阶段分部网络(Cross-stage Partial Dark Network,CSPDarkNet)、密集连接网络(Densely Connected Network,DCN)、加权双向金字塔网络(Bidirectional Feature Pyramid Network,BiFPN)和自适应空间融合 网 络(Adaptively
19、 Spatial Feature Fusion,ASFF),对相控阵超声波检测仪采集到的焊接缺陷进行识别,有效提高了焊接质量检测的效率。1 焊接质量检测模型1.1改进的CSPDarkNet为了解决焊缝缺陷图像中存在的缺陷密集分布导致检测精度低、检测速度不高的问题,改进的YOLOX将原有的DarkNet采用跨阶段分部CSP结构1718,并将 CSPDarkNet 网络中的残差网络改为密集连接网络DCN19,改进的CSPDarkNet网络结构如图2所示。CSP结构通过划分区域减少信息的重复学习,DCN减轻梯度消失问题,减少了参数数量,对提高模型的检测精度和检测速度具有重要作用。如图 2(a)所示,
20、CSP 结构的作用原理是先采样,将输出特征图经过1*1卷积分为2部分,且卷积后的特征图通道数为输入特征图通道数的一半。经过DarkNet卷积块之后,再使用1*1卷积整合通道特征。CSP结构可以最大化梯度联合的差异,通过梯度流截断,可以避免不同的卷积层学习到重复的梯度信息,从而提升网络的学习能力。CSPDarkNet的前向传播与权重计算如式(1)(6)所示。将图像的特征图均分为2部分,分别用x0和x0表示,每部分都有k层卷积,如式(1)所示。x0通过 DarkNet 进行特征提取的输出为xT,x0不计算,最后将x0和xT通过 concat操作的结果定义为xU。xi,xk,xT,xU分别表示前向传
21、播过程中的特征图,Wk,WT,WU与Wk,WT,WU分别表示更新(a)(d)相控阵超声波图像;(e)(h)YOLOX特征提取热力图图1焊接缺陷图像Fig.1Images of welding defects4000第 10 期马瑞,等:基于改进YOLOX的地铁列车焊接质量检测前和更新后的权重,f表示权重更新函数,gi表示第i层卷积的梯度。xk=wk*x0 x1xk-1(1)xT=wT*x0 x1xk(2)xU=wU*x0 xT(3)wk=f(wkg0g1gk-1)(4)wT=f(wTg0g1gk)(5)wU=f(wUg0gT)(6)如图2(b)所示,DCN中dense单元密集连接加强了不同层之
22、间的连接关系,网络中的每一层都与前面层相连,实现特征的传递和复用,进一步减轻了梯度消失问题,提高了特征提取能力。DCN比残差网络有更少的参数,因为它每一层都设计得比较窄,密集连接使它不需要再重新学习多余的特征图,即每一层只学习很少的特征就学习到足够的信息,使得参数量和计算量显著减少,降低了模型的参数冗余性,有利于模型检测速度的提高。1.2改进的BiFPN为了解决焊接缺陷图像中焊接缺陷尺度变化较大导致的检测精度降低的问题,将原有的 YOLOX中路径聚合金字塔网络(Path Aggregation Feature Pyramid Network,PAFPN)改成了加权双向金字塔网络BiFPN 20
23、和自适应空间融合网络ASFF21,从而实现更高层次的特征融合,改进的 BiFPN网络结构如图3所示。BiFPN可以实现双向路径和多尺度融合,双向表示自顶向下和自底向上,加权表示带权重进行特征融合。图3中三箭头表示自顶向下的通路,传递高层特征语义信息;双箭头表示自底向上的通路,传递低层特征的位置信息。P3P7分别表示不同层的特征图,每一层都包含输入与输出,P4P6包含中间层。ASFF对 BiFPNP4P6输出的特征信息做自适应空间特征融合,从而提高特征的尺度不变性。ASFF的核心思想是自适应地学习每个尺度上特征图融合的空间权值,包含特征图尺度调整和自适应融合两部分。ASFF的轻量化结构使得提高检
24、测精度的同时,对检测速度几乎无影响。BiFPN特征图的计算如公式(7)(9)所示。Pin7,Pin6分别表示第7级、第6级特征图的输入,Ptd6表示第6级特征图的中间层,Pout7,Pout6分别表示第7级、第 6 级特征图的输出,Conv 表示卷积运算,Resize表示上采样或者下采样运算,自顶向下是上采样,自底向上是下采样。w1,w2表示第6级特征图的中间层的权重,w1,w2,w3表示第6级特征图的输出层的权重。常数项=0.000 1。第3级到第5级特征图的计算与第6级类似。Pout7=Conv(Pin7)(7)Ptd6=Conv(w1*Pin6+w2*Resize(Pin7)w1+w2+
25、)(8)Pout6=Conv()w1*Pin6+w2*Ptd6+w3*Resize(Pout5)w1+w2+w3+(9)(a)CSPDark单元;(b)dense单元;(c)改进的CSPDarkNet图2改进的CSPDarkNetFig.2Improved CSPDarkNet4001铁 道 科 学 与 工 程 学 报2023 年 10月ASFF 特征图的计算如式(10)所示。令x1 lij,x2 lij,x3 lij分别表示 1,2,3 层(P4P6在 BiFPN 的输出层)缩放到第l层特征图(ij)位置的特征向量,ylij表示输出yl特征图的(ij)位置的特征向量。lij,lij,lij表
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 YOLOX 地铁 列车 焊接 质量 检测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。