一种用于深度学习的新方法,用于检测压力容器X射线图像中的缺陷,用于压力容器接
Xue Wang1, Feng He2, Xu Huang1
1School of Electrical Engineering, Chongqing University of Science and Technology, HuXi Street, Chongqing, 401331, China.
Scientific reports
|March 16, 2024
概括
这项研究引入了一种先进的技术,用于压力容器接X射线图像中的细分缺陷. 该方法提高了识别和评分接缺陷的准确性,这对于制造和检查至关重要.
科学领域:
- 材料科学 材料科学 材料科学
- 非破坏性测试 不破坏性测试
- 计算机视觉 计算机视觉
背景情况:
- 在接X射线图像中准确检测缺陷对于压力容器质量控制至关重要.
- 目前的方法在有限的缺陷样本和不平衡的数据集下扎.
- 有效的缺陷细分是区分接质量的关键.
研究的目的:
- 开发一种强大的技术,用于压力容器接X射线图像中缺陷的语义细分.
- 提高缺陷识别的准确性,包括小规模和大规模的特征.
- 解决现有数据集中的数据稀缺和不平衡问题.
主要方法:
- 利用GDX射线数据集开发缺陷细分技术.
- 采用数据增强深度卷积生成对抗网络 (DA-DCGAN) 采用双通道注意力机制来增强样本.
- 在MAU-Net架构中集成了一个卷积块注意力机制和多尺度均卷积,以改进特征提取.
主要成果:
- 在GDX射线数据集上实现了84.75%的平均细分精度.
- 证明了有效缺陷的95%的正确评级率.
- 在现实接X射线图像中成功掩盖了静电干扰和无缺陷区域.
结论:
- 拟议的MAU-Net缺陷语义细分网络为接质量评估提供了一个实用和有效的解决方案.
- 注意力机制和多尺度卷曲的整合显著提高了缺陷检测的准确性.
- 开发的技术对于压力容器检查具有实际的工程价值.
