学术报告：基于改进卷积神经网络的飞机桁架焊缝缺陷识别与测试
研究作者与单位及发表背景
本文的主要作者为刘霞和金忠庆，分别来自广东科技学院和空军航空大学。该研究发表在《航空制造技术》（Aeronautical Manufacturing Technology）期刊，2021年第64卷23/24期。文章提出了一种基于改进卷积神经网络（Convolutional Neural Network, CNN）的飞机桁架焊缝缺陷识别方法，研究具有重要的工程价值和学术意义。
研究背景与研究目的
焊接质量直接影响飞机桁架的工作强度，而焊缝中的缺陷会大幅降低结构效能，甚至可能引发安全事故，造成生命与财产损失。传统的焊缝缺陷检测方法多基于人工对X射线图像的观察，其识别效率和准确率难以满足日益复杂的工业需求。因此，如何快速、高效地检测飞机桁架焊缝中的内在缺陷成为当前航空制造业的重要研究课题。
卷积神经网络（CNN）作为一种前馈神经网络，在图像识别领域展现了卓越的性能，其特征提取能力和表征能力强，不依赖复杂的前期人工处理，但使用原始CNN结构仍存在计算复杂度高、识别精度有待优化等问题。因此，本文基于改进的CNN模型提出一种焊缝缺陷识别方法，期望提高识别准确率和处理效率，从而为航空制造业提供理论参考与技术支持。
研究目的主要有几方面： 1. 提升焊缝图像缺陷识别的精度和效率。 2. 改进CNN模型结构和参数，用以应对实际中复杂的焊缝缺陷分类问题。 3. 验证改进模型的鲁棒性和通用性。
研究方法与实验流程
研究的工作流程具体包括以下几个阶段：
（一）数据采集与处理
- 样本数据描述：数据集由某焊接加工车间提供，共包含3125幅焊缝X射线图像。这些图像按照4:1的比例划分为训练集和测试集。
- 缺陷类型分类：焊缝缺陷分为气孔、裂缝、未焊透、未熔合四种类别，研究对每类缺陷进行了标注及分类，并提供了典型形貌图示。
- 图像预处理：由于原始图像存在噪声且对比度较低，研究先采用中值滤波去噪声，接着使用线性插值归一化图像尺寸为68×68像素。最后，采用最大类间方差法（Otsu算法）对图像进行阈值分割，确保焊缝区域与背景的区分度。
（二）基于改进CNN的模型构建
- CNN基本架构：本文基于LeNet模型架构，主要包括特征提取层（卷积层、池化层）和特征映射层（全连接层）。
- 特征提取层的卷积运算公式为： [ uj^l = f(\sum{i \in mj} w{ij}^l * x_i^{l-1} + b_j^l) ]
- 研究通过适应性设计使池化层能够从卷积提取结果中选择最佳特征值。
- 改进方法：
- 激活函数改进：为了避免传统Sigmoid函数的“梯度消失”问题，选择使用ReLU激活函数，同时引入梯度放大系数$\alpha$和梯度缩小系数$\beta$来优化梯度幅度，以提升网络模型的收敛速度。
- 自适应池化方法：改进传统池化方法，设计基于池化域和特征分布的自适应池化方法，提高模型应对不同特征模式的提取能力。
- 参数优化：卷积操作采用$5 \times 5$的卷积核，实验设计了3次卷积操作，总共提取120个$3 \times 3$像素的特征图。
（三）模型训练与测试
- 设置样本迭代次数为2000次，权重参数初始学习率为0.002。训练过程中通过Softmax分类输出最终预测结果。
- 测试集选取500幅焊缝X射线图像，确保包括无缺陷图像与各类缺陷图像的平衡性，以验证模型识别不同缺陷类别的平均准确率。
- 训练过程中，观察到损失值随迭代次数增加而快速降低，在迭代500次后逐渐收敛；训练准确率最终稳定在98.5%。
实验结果
（一）分类准确率
- 对测试集中500幅焊缝图像进行测试，各类型图像的识别准确率如下：
- 无缺陷图像：100%，全部识别正确。
- 气孔缺陷：99%，误判1张图像。
- 裂缝缺陷：99%，误判1张图像。
- 未焊透缺陷：98%，误判2张图像。
- 未熔合缺陷：97%，误判3张图像。
- 平均识别准确率为98.25%，其中无缺陷的分类表现最佳，而未熔合缺陷的识别错误率相对较高，主要由于其形貌特征与裂缝及未焊透较为相似。
（二）收敛速度与鲁棒性
- 研究结果显示，改进后的CNN模型收敛速度显著加快，在500次迭代后即可稳定。
- 实验数据进一步表明，该模型在处理复杂焊缝缺陷分类问题时，具有较强的泛化能力和鲁棒性。
研究价值与意义
- 科学价值：本文研究为卷积神经网络在工业缺陷检测领域的应用提供了新的视角，尤其是自适应池化方法和激活函数的改进对提高模型性能起到了关键作用。
- 应用价值：该技术可广泛应用于航空制造、汽车工业、船舶制造等涉及焊缝质量检测的行业，帮助检测人员高效、准确地识别焊缝缺陷，降低安全隐患。
- 工程意义：研究结果表明，该改进CNN方法能够快速完成焊缝缺陷分类任务，为行业提供了可操作性强的实践解决方案。
研究亮点
- 创新性CNN改进方法：提出了基于自适应池化的新型卷积神经网络架构，同时改进了激活函数设计，优化了CNN模型的特征提取效率及处理速度。
- 高效的训练与测试框架：在32:8的训练/测试集比例下，模型能够实现98.25%的总体识别准确率。
- 工程应用前景广阔：基于工业化数据的研究设计表明，该模型具有实际工程应用的可行性。
结论
本文通过对卷积神经网络模型的改进，提出了一种高效且准确的飞机桁架焊缝缺陷识别方法。研究为工业图像分类技术的应用提供了新的可能性。未来，该领域的相关工作可进一步聚焦于多类型焊缝缺陷的自动分类模型优化以及跨行业的应用推广。