２０２０年第３９卷第９期      　传感器与微系统（ＴｒａｎｓｄｕｃｅｒａｎｄＭｉｃｒｏｓｙｓｔｅｍＴｅｃｈｎｏｌｏｇｉｅｓ）
ＤＯＩ：１０．１３８７３／Ｊ．１０００—９７８７（２０２０）０９—０１２９—０３
基于ＤｅｎｓｅＮｅｔ网络的焊缝缺陷检测识别
谷　静１，王琦雯１，２，张　敏１，王金金２
（１．西安邮电大学电子工程学院，陕西西安７１０１２１；
２．西安交通大学机械工程学院，陕西西安７１００４９）
摘　要：针对Ｘ射线焊缝的缺陷分类识别难度较高且传统算法复杂、低效的问题，引入了基于深度学习
的密集连接卷积网络（ＤｅｎｓｅＮｅｔ）算法，并对数据进行了动态增强。ＤｅｎｓｅＮｅｔ网络算法脱离了机器学习算
法中需要加深网络层数和加宽网络结构来提升性能的定式思维。通过特征重用和旁路设置，从而实现对
焊缝缺陷的检测识别。在相同数据集和训练步数下，同最小二乘支持向量机（ＬＳ ＳＶＭ）与卷积神经
网络
ＬｅＮｅｔ算法对比，ＤｅｎｓｅＮｅｔ网络提高了模型泛化能力和识别准确率，对焊缝缺陷识别准确率可达９８．９６９％。
关键词：缺陷识别；卷积神经网络；深度学习；密度连接卷积网络（ＤｅｎｓｅＮｅｔ）未识别的网络
中图分类号：ＴＰ３９  　文献标识码：Ａ  　文章编号：１０００—９７８７（２０２０）０９—０１２９—０３
Ｗｅｌｄｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎａｎｄｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎ
ＤｅｎｓｅＮｅｔｎｅｔｗｏｒｋ
ＧＵＪｉｎｇ１，ＷＡＮＧＱｉｗｅｎ１，２，ＺＨＡＮＧＭｉｎ１，ＷＡＮＧＪｉｎｊｉｎ２
（１．ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｏｎｉｃＥｎｇｉｎｅｅｒｉｎｇ，Ｘｉ’ａｎＵｎｉｖｅｒｓｉｔｙｏｆＰｏｓｔｓ＆Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ，Ｘｉ’ａｎ７１０１２１，Ｃｈｉｎａ；
２．ＳｃｈｏｏｌｏｆＭｅｃｈａｎｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，Ｘｉ’ａｎＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ７１００４９，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：ＩｎｏｒｄｅｒｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｏｆｈｉｇｈｄｉｆｆｉｃｕｌｔｙｏｆｄｅｆｅｃｔｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｏｆＸ ｒａｙｗｅｌｄｓｅａｍ，
ｌｏｗｅｆｆｉｃｉｅｎｔａｎｄｃｏｍｐｌｉｃａｔｅｄｔｈａｔｔｒａｄｉｔｉｏｎａｌａｌｇｏｒｉｔｈｍｓｉｓｄｅｎｓｅｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｔｗｏｒｋ（ＤｅｎｓｅＮｅｔ）ａｌｇｏｒｉｔｈｍｂａｓｅｄ
ｏｎｄｅｅｐｌｅａｒｎｉｎｇｉｓｉｎｔｒｏｄｕｃｅｄ，ａｎｄｔｈｅｄａｔａａｒｅｄｙｎａｍｉｃａｌｌｙｅｎｈａｎｃｅｄ．ＤｅｎｓｅＮｅｔｎｅｔｗｏｒｋａｌｇｏｒｉｔｈｍｂｒｅａｋｓａｗａｙ
ｆｒｏｍｔｈｅｓｔｅｒｅｏｔｙｐｅｄｔｈｉｎｋｉｎｇｔｈａｔｎｅｅｄｓｔｏｄｅｅｐｅｎｎｅｔｗｏｒｋｌａｙｅｒｓａｎｄｗｉｄｅｎｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅｔｏｉｍｐｒｏｖｅ
ｐｅｒｆｏｒｍａｎｃｅｉｎｍａｃｈｉｎｅｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍ．Ｔｈｒｏｕｇｈｆｅａｔｕｒｅｒｅｕｓｅａｎｄｂｙｐａｓｓｓｅｔｔｉｎｇ，ｔｈｅｄｅｔｅｃｔｉｏｎａｎｄｒｅｃｏｇｎｉｔｉｏｎ
ｏｆｗｅｌｄｄｅｆｅｃｔｓｃａｎｂｅｒｅａｌｉｚｅｄ．Ｕｎｄｅｒｔｈｅｓａｍｅｄａｔａｓｅｔａｎｄｔｒａｉｎｉｎｇｓｔｅｐｓ．ｃｏｍｐａｒｅｄｗｉｔｈＬＳ ＳＶＭａｎｄＬｅＮｅｔ
ａｌｇｏｒｉｔｈｍｏｆｃｏｎｖｏｌｕｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ，ＤｅｎｓｅＮｅｔｎｅｔｗｏｒｋｉｍｐｒｏｖｅｓｔｈｅｇｅｎｅｒａｌｉｚａｔｉｏｎａｂｉｌｉｔｙａｎｄｒｅｃｏｇｎｉｔｉｏｎ
ａｃｃｕｒａｃｙｏｆｔｈｅｍｏｄｅｌ，ａｎｄｔｈｅｒｅｃｏｇｎｉｔｉｏｎａｃｃｕｒａｃｙｏｆｗｅｌｄｄｅｆｅｃｔｓｃａｎｒｅａｃｈ９８．９６９％．
Ｋｅｙｗｏｒｄｓ：ｄｅｆｅｃｔｒｅｃｏｇｎｉｔｉｏｎ；ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ（ＣＮＮ）；ｄｅｅｐｌｅａｒｎｉｎｇ；ＤｅｎｓｅＮｅｔ
０　引　言
Ｘ射线无损检测方法具有直观、易于长期保存及较强穿透能力的特点，普遍应用于焊接工艺的质量检
测中。人工评片检测效率低，且易受到射线底片噪声干扰，容易出现漏检误检的情况。随着数字图像处理技术及人工智能技术发展，自动化和智能化已成为射线检测近几年发展的方向。
陈本智等人［１］提出了一种新的无监督学习的各种气孔缺陷检测算法；焦敬品等人［２］优选出８种表征缺陷的参数，并将ＢＰ神经网络应用到焊缝缺陷的自动识别中；ＺａｐａｔａＪ等人［３］采用高斯低通和维纳滤波预处理，并在焊缝识别时运用了模糊神经网络；王婧［４］使用了改进后的径向基函数（ｒａｄｉａｌｂａｓｉｓｆｕｎｃｔｉｏｎ，ＲＢＦ）神经网络，进行缺陷识别的准确率达到９２％；刘涵等人［５］采用基于密度聚类的ＯＰＴＩＣＳ算法分割出各形状大小的缺陷和噪声，采用卷积神经网络（ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ，ＣＮＮ）方法［６］突破实现对缺陷特征提取。但深度学习网络复杂且准确率还有上升空间。
本文研究了基于ＤｅｎｓｅＮｅｔ网络的射线图像识别分类研究，减少了网络的参数量，并且相比于最小二乘支持向量机（ｌｅａｓｔｓｑｕａｒｅｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ，ＬＳ ＳＶＭ）和ＬｅＮｅｔ网络，只用到较少的数据就可达到更高的准确率。
１　焊缝缺陷图像采集与处理
１．１　焊缝缺陷图像数据库
由于射线焊缝缺陷没有相应的开源数据集，本文采用国内某仪器公司无损检测车间共２１４９张Ｘ射线焊缝图像
收稿日期：２０１９—０５—２７
基金项目：陕西省自然科学基础研究计划资助项目（２０１８ＪＭ６１０６）
９２１