基于泊松融合数据增强的焊缝金相组织缺陷分类研究

• Published in: 上海交通大学学报 Vol. 57; no. 10; pp. 1316 - 1328
• Main Authors: 白雄飞, 龚水成, 李雪松, 许博, 杨晓力, 王明彦
• Format: Journal Article
• Language: Chinese
• Published: 上海交通大学 机械与动力工程学院,上海 200240%上海交通大学 机械与动力工程学院,上海 200240 2023; 湖南华研实验室有限公司,湖南 湘潭 411000%上汽大众汽车有限公司,上海 201805%湖南华研实验室有限公司,湖南 湘潭 411000
• Subjects: weld metallographic structure; data augmentation; Poisson fusion; 数据增强; 泊松融合; 缺陷分类; 焊缝金相组织; defect classification
• ISSN: 1006-2467
• DOI: 10.16183/j.cnki.jsjtu.2022.202

TG441.7%TP183%TP391.41; 基于焊缝金相组织图像对焊缝内部缺陷进行分类,是工业焊接质量检测的重要一环.为提高小样本(样本数不大于 30)焊缝金相组织图像中缺陷的分类效果,采用泊松融合方法对缺陷图像进行数据增强,提出ResNet18_PRO分类网络模型,显著提升缺陷分类精度.数据增强方面,通过数字图像处理的方法提取出原缺陷样本中的缺陷区域,后利用泊松融合方法将缺陷区域与正常样本进行融合从而生成新的缺陷样本,以此扩充缺陷样本数据;网络模型方面,在 ResNet18 网络模型基础上,对其下采样结构进行改进,以减少原下采样结构带来的信息损失,同时在网络末端增加改进的空间金字塔池化(ISPP)结构,以整合多尺度的特征信息.通过多个分类模型对样本扩充前后的缺陷分类效果进行对比,验证了该数据增强方法对分类效果的提升具有较为显著的作用,同时对ResNet18_PRO网络模型进行消融实验,验证了网络各改进部分及训练策略改进的有效性.ResNet18_PRO模型对增强后的数据平均分类准确度达到 98.83%,平均F1 分数达到 98.76%,显著提高了金相组织缺陷的分类效果,将该模型运用于其他工业缺陷数据集取得了较好的分类效果.实验结果表明,该模型有良好的鲁棒性,具有较好的实用价值.