图谱数据深度学习融合模型及焊缝缺陷识别方法

• 作 者: 支泽林 姜洪权 杨得焱 程志翔 高建民 王泉生 王晓桥 王景
• 机 构: 西安交通大学机械制造系统工程国家重点实验室,陕西省特种设备检验检测研究院,西安优耐特容器制造有限公司
• 出 处: 西安交通大学学报
• 发表日期: 2021年5期
• 关键词: 超声衍射时差法 焊缝缺陷识别 自适应融合 深度学习
• 基金项目: 陕西省市场监管局专项资助项目(2019KY05),国家质量基础的共性技术研究与应用重点研发计划资助项目(2017YFF 0210502),陕西省特检院科技计划资助项目(SXTJKJXM-202003)。

针对当前利用超声衍射时差法(TOFD)图谱数据进行缺陷类型判定时以人工判别为主,主观性大、效率低以及缺乏从波形特征及图像特征进行集成分析的问题,提出了一种深度学习融合模型及焊缝缺陷识别方法。通过对TOFD检测原理及缺陷检测图谱数据特点进行分析,建立了综合考虑波形数据和图像数据的缺陷特征表征方法,实现了缺陷标准数据集构建;通过构建基于时间卷积网络(TCN)的波形序列数据分析模块、基于卷积神经网络(CNN)的图像数据分析模块以及特征自适应融合分类模块,建立了一种可以实现波形序列特征与图像特征综合分析的深度学习