高级检索

基于YOLOv5的管道环焊缝缺陷TOFD图谱识别

徐成, 董仕豪, 欧正宇, 韩赞东

徐成, 董仕豪, 欧正宇, 韩赞东. 基于YOLOv5的管道环焊缝缺陷TOFD图谱识别[J]. 焊接学报, 2025, 46(4): 22-31. DOI: 10.12073/j.hjxb.20240115001
引用本文: 徐成, 董仕豪, 欧正宇, 韩赞东. 基于YOLOv5的管道环焊缝缺陷TOFD图谱识别[J]. 焊接学报, 2025, 46(4): 22-31. DOI: 10.12073/j.hjxb.20240115001
XU Cheng, DONG Shihao, OU Zhengyu, HAN Zandong. Defect recognition of circumferential welds of pipelines in TOFD images based on YOLOv5[J]. TRANSACTIONS OF THE CHINA WELDING INSTITUTION, 2025, 46(4): 22-31. DOI: 10.12073/j.hjxb.20240115001
Citation: XU Cheng, DONG Shihao, OU Zhengyu, HAN Zandong. Defect recognition of circumferential welds of pipelines in TOFD images based on YOLOv5[J]. TRANSACTIONS OF THE CHINA WELDING INSTITUTION, 2025, 46(4): 22-31. DOI: 10.12073/j.hjxb.20240115001

基于YOLOv5的管道环焊缝缺陷TOFD图谱识别

基金项目: 国家自然科学基金资助项目(U23B2096)
详细信息
    作者简介:

    徐成,博士研究生;主要从事图像处理及模式识别等研究;Email: 472299060@qq.com

    通讯作者:

    韩赞东,博士,副教授;Email: hanzd@tsinghua.edu.cn.

  • 中图分类号: TG 409

Defect recognition of circumferential welds of pipelines in TOFD images based on YOLOv5

  • 摘要:

    为提高管道环焊缝超声衍射时差法(time of flight diffraction, TOFD)扫描图谱在背景信号干扰、样本量不均衡等情况下的缺陷识别效果,提出了一种改进的YOLOv5s网络模型.针对管道环焊缝TOFD图谱中缺陷形态不规则的特点,通过引入可变形卷积,使得网络自适应缺陷自身的形状特点,提高TOFD图谱中不规则缺陷的特征提取能力;针对TOFD扫描图谱中直通波和底面波等干扰波形对缺陷识别的影响,通过在网络不同深度分别添加自注意力机制,引导网络关注缺陷细微特征的同时抑制界面波对缺陷识别的影响;针对实际样本中各类缺陷不均衡的情况,采用SlideLoss损失函数代替原损失函数,提高网络对样本量较少的裂纹类缺陷的识别精度. 对比试验结果表明,改进后的网络能够抑制TOFD图谱复杂背景干扰,提高样本不均衡条件下的识别率. 相比原网络,整体平均识别率均值(mean Average Precision,mAP)和裂纹类缺陷的平均识别率(Average Precision,AP)分别提高了8.2%和7.3%.

    Abstract:

    In order to enhance defect recognition in time-of-flight diffraction (TOFD) scan images for circumferential welds of pipelines under conditions such as background signal interference and uneven sample distribution, an improved YOLOv5s network model was proposed. In view of the defects with irregular shapes in TOFD images for circumferential welds of pipelines, deformable convolutions were introduced, enabling the network to adapt to the shape characteristics of defects and improving the feature extraction capability for irregular defects in TOFD images. To study the influence of interference waveforms such as direct wave and bottom wave on defect recognition in TOFD images, self-attention mechanisms were incorporated at different depths of the network, guiding the network to focus on subtle defect features while effectively suppressing the impact of interface waves on defect recognition. Furthermore, to tackle the issue of class imbalance in real-world defect samples, the SlideLoss loss function was employed to replace the original loss function, thereby enhancing the recognition accuracy for crack-type defects with limited sample sizes. Comparative experiments demonstrate that the improved network effectively suppresses complex background interference in TOFD images and improves defect recognition efficiency under imbalanced sample conditions. Compared to those of the original network, the overall mean average precision (mAP) and the average precision (AP) for crack-type defects have increased by 8.2% and 7.3%, respectively.

  • 自冲铆(self-piercing riveting, SPR)是一种针对薄板材料的新型机械变形连接技术.连接工艺过程中,作为连接元件的半空心铆钉在高速运行的冲头推动作用下刺入板材,铆钉脚端部产生径向扩张;同时,在底模(通常为弧形凸模或平模)的引导下,被连接材料发生大塑性变形,最终与铆钉形成紧密的机械内锁结构.自冲铆连接具有工艺过程简单、高效、材料适应性广等特点,近年来在航空航天、汽车和家电等轻量化制造领域,成为具有代表性的一种“绿色”机械变形连接技术[1-4].然而,自冲铆连接面对强度较高、塑性相对较差的材料,如7075铝合金板材、铸铝等,连接时形成的机械内锁区容易出现裂纹缺陷,导致结构体的力学性能和抗腐蚀性能下降[5].

    针对这一问题,国内外学者提出了不同的解决方案.一方面,通过材料处理的方法,提升基板的延展性,从而改善自冲铆接头的成形质量.Ying等人[6]研究了准静态加载条件下AA7075-T6铝合金板材热自冲铆接的连接质量,通过将铆接温度提高到400 ℃,可以大大提高T-SPR对AA7075-T6铝合金的连接质量.Durandet[7]和Easton[8]等人提出激光-自冲铆接复合工艺,在自冲铆接之前通过激光对镁合金预加热以改善其延展性.Jäckel等人[9]利用底模直径为10 mm、底模深度为1.5 mm的球形模具对6016和7075铝合金进行局部加热并进行自冲铆接,有效地避免了裂纹的产生.另一方面,通过优化底(凹)模结构,降低材料形变过程中局部应力集中.Ma等人[10]探究不同工艺参数对异种板材自冲铆接性能的影响规律,为获得较好的接头强度和避免接头底部开裂可选取较软和较长的铆钉,且模具与铆钉体积比大于1.0的组合.Drossel等人[11]通过优化模具形状且降低模具深度可避免铆接裂纹的产生,但模具深度降低会带来内锁长度过低,并且接头底部也会有裂纹产生.Neuser等人[12]通过减小底模深度,解决了6014铝合金和铸铝在自冲铆接过程中的裂纹问题.Mori等人[13]通过有限元模拟优化了模具的形状,成功将超高强度钢板与铝合金板接合在一起.Li等人[14]研究了模具轮廓对接头质量的影响,具有深角和尖角的模具会使某些材料产生严重的裂纹.

    文中提出了一种基于球形底模的自冲铆连接工艺;同时,针对延展性相对较低的7075铝合金,应用响应面法建立自冲铆接头失效载荷和能量吸收值的多元回归模型,以探究自冲铆成形过程中各影响因素及其交互作用对力学性能的影响规律.

    图1为所选用的自冲铆接试验设备,铆接对象为高强度7075-T6铝合金,铆钉管腿内径为3.5 mm,外径为5.3 mm,硬度均为H4(330 HV)的半空心铆钉.预试验分析后发现使用传统底膜均有裂纹产生(图2),选用底模深度为1 mm,直径为10 mm的球形模具没有裂纹产生,其实物图、截面尺寸和成形接头底部如图3所示. 采用不同底模和相同铆接参数成形的接头强度数据对比如图4所示. 7075-T6铝合金板材的力学性能如表1所示.被连接板材的厚度为1.5 mm + 2 mm,试件尺寸均为110 mm × 20 mm,采用单搭铆接,搭接区域为20 mm × 20 mm,试件几何形状和尺寸如图5所示.

    图  1  自冲铆接设备
    Figure  1.  Self-piercing riveting equipment
    图  2  传统底模的实物图、截面尺寸和成形接头底部(mm)
    Figure  2.  Dies, sectional dimensions, and the bottom of the joints formed with conventional dies. (a) pip die; (b) flat die
    图  3  球形底模实物图、截面尺寸和成形接头底部(mm)
    Figure  3.  Dies, sectional dimensions, and the bottom of the joint formed with ball-shaped die
    图  4  不同模具成形的接头强度数据对比
    Figure  4.  Comparison of joint strength data formed with different dies
    表  1  7075-T6铝合金力学性能参数
    Table  1.  Mechanical property parameters of 7075-T6 aluminium alloy
    材料弹性模量E/GPa屈服强度ReL/MPa抗拉强度Rm/MPa断后伸长率A(%)
    7075-T67132543013
    下载: 导出CSV 
    | 显示表格
    图  5  自冲铆接接头搭接示意图 (mm)
    Figure  5.  Schematic diagram of self-piercing riveting joint lap

    BBD法是通过试验设计并借助试验得到一定的试验数据,采用多元回归方程建立响应值与输入变量之间的函数关系式,通过分析变量与响应值之间的变化趋势,从而进行工艺调控与参数预测. 文中分别以自冲铆接头的失效载荷、能量吸收值为响应值,以铆钉长度、冲头速度和冲头行程为影响因素,利用Box-Behnken试验设计中的三因素三水平试验设计方法,试验因素水平设计如表2所示,利用Design Expert10.0.1软件得到表3中的BBD试验组合.为减小误差,每组试件制备四个,取其中任意一个进行实际剖切,测量内锁长度、残余底厚等机械内锁结构尺寸,其余三个在MTSlandmark100材料试验机上进行拉伸速率为5 mm/min的拉伸-剪切试验(图6),以探究各工艺参数对接头静力学性能的影响.考虑到试件两端未在同一水平面上,因此在两端夹持与试件等厚的垫片来消除扭矩.

    表  2  三因素三水平设计表
    Table  2.  Design table of three factors and levels
    影响因素因子水平
    −101
    铆钉长度L/mm55.56
    冲头速度V/(mm·s−1)204060
    冲头行程D/mm646566
    下载: 导出CSV 
    | 显示表格
    表  3  自冲铆接头拉伸试验结果
    Table  3.  Tensile test results of self-piercing riveting joints
    组数铆钉长度L/mm冲头速度V/(mm·s−1)冲头行程D/mm失效载荷F/N能量吸收值W/J
    1540664667.6144.673
    25.540655286.16011.845
    3640645259.39419.826
    4520654395.8524.320
    55.540655386.50511.941
    6640665232.43416.000
    7560654196.8943.955
    85.520644600.11611.527
    95.520665381.42810.946
    105.540655218.26410.174
    115.560665390.00714.960
    125.560644895.33314.012
    13660655064.89517.496
    14540644376.3585.617
    15620655353.07520.230
    下载: 导出CSV 
    | 显示表格
    图  6  静力学试验拉伸设备
    Figure  6.  Static test tensile equipment

    通过对试验数据采用多元二次回归方程拟合,剔除显著性较低项,优化后得到接头的失效载荷和能量吸收值的响应面回归模型如式(1)、式(2)所示,并通过方差分析对模型显著性进行检验,$P$值反映模型中各因素的显著性,当$P < 0.01$时,认为该因素高度显著;当$0.01 < P < 0.05$时,则该因素显著,并根据各因素$P$值进行模型优化.

    失效载荷模型:

    $$ \begin{split} {y_1} = &- 122\;626 + 27\;077.652\;69{x_1} + 279.406\;62{x_2} +\\& 1\;210.958\;75{x_3} - 2.230\;55{x_1}{x_2} - 159.110\;00{x_1}{x_3} - \\& 3.582\;97{x_2}{x_3} - 1\;438.910\;15x_1^2 - 0.442\;39x_2^2 \end{split} $$ (1)

    能量吸收值模型:

    $$\begin{split} {y_2} =& - 639.685\;84 + 139.968\;68{x_1} + 0.346\;99{x_2} + \\& 7.375\;13{x_3} - 0.059\;225{x_1}{x_2} - 1.441\;00{x_1}{x_3} - \\& 2.744\;36x_1^2 \end{split} $$ (2)

    式中:${y_1}$、${y_2}$为响应值,分别表示失效载荷和能量吸收值,${x_1}$、${x_2}$、${x_3}$为输入变量,分别表示铆钉长度、冲头速度和冲头行程.其中失效载荷是评价构件抵抗外力破坏能力最直接的手段,也是评价自冲铆接头质量的重要衡量指标.由表4单因素方差分析可知,失效载荷和能量吸收值均受铆钉长度的影响最为显著,冲头行程次之,冲头速度影响最弱.各组铆接接头对应的载荷—位移曲线和截面如图7图8所示.

    表  4  方差分析表
    Table  4.  Analysis of variance table
    响应值项目平方和自由度均方误差F值P值显著性
    失效载荷模型2.254 × 10682.817 × 1056.830.0154显著
    $ {x}_{1} $1.339 × 10611.339 × 10632.490.0013
    $ {x}_{2} $4.202 × 10314.202 × 1030.100.7603
    $ {x}_{3} $2.966 × 10512.966 × 1057.190.0364
    $ {x}_{1}{x}_{2} $1.990 × 10311.990 × 1030.050.8334
    $ {x}_{1}{x}_{3} $2.532 × 10412.532 × 1040.610.4630
    $ {x}_{2}{x}_{3} $2.054 × 10412.054 × 1040.500.5067
    $ {x}_{1}^{2} $4.806 × 10514.806 × 10511.660.0142
    $ {x}_{2}^{2} $1.163 × 10511.163 × 1052.820.1440
    失拟项2.330 × 10545.825 × 1048.130.1125不显著
    能量吸收值模型387.05664.5122.090.0001显著
    $ {x}_{1} $377.951377.95129.42<0.0001
    $ {x}_{2} $1.4411.440.490.5017
    $ {x}_{3} $2.4212.420.830.3890
    $ {x}_{1}{x}_{2} $1.4011.400.480.5078
    $ {x}_{1}{x}_{3} $2.0812.080.710.4236
    $ {x}_{1}^{2} $1.7611.760.600.4602
    失拟项21.3963.563.610.2327不显著
    下载: 导出CSV 
    | 显示表格
    图  7  各组接头载荷—位移曲线
    Figure  7.  Load-displacement curve of each group joints
    图  8  接头内锁区钉脚张开度 (mm)
    Figure  8.  Opening degree of rivet in the locking area of joint

    为验证所建立响应面模型的准确性,对回归模型进行试验验证,在所设定的铆接工艺参数范围内随机选取两组参数进行试验设计,并将设计的铆接工艺参数分别代入失效载荷和能量吸收值回归模型计算公式中.表5为输入参数下试验结果的均值、模型预测值以及误差率.第Ⅰ组的失效载荷和能量吸收值试验均值与模型预测值误差分别为2.45%、9.51%;第Ⅱ组的失效载荷和能量吸收值试验均值与模型预测值误差分别为4.64%、7.45%,误差均在合理范围内,表明所建立的回归模型具有较高的可靠性,可据此进行基于球形底模的铝合金自冲铆接工艺调控及参数预测.

    表  5  回归模型验证
    Table  5.  Regression model verification
    组号铆钉长度
    L/mm
    冲头速度
    V/(mm·s−1)
    冲头行程
    D/mm
    失效载荷试验均值
    Fx/N
    失效载荷预测值
    Fy/N
    误差
    ef (%)
    能量吸收值试验均值
    Wx/J
    能量吸收值预测值
    Wy/J
    误差
    ew (%)
    5.530655108.7275233.7672.4513.24811.9889.51
    5.550644830.0335054.1484.6414.00812.9647.45
    下载: 导出CSV 
    | 显示表格

    为探究各单因素对失效载荷的影响规律,可把其余两个因素固定在中间值.如图9(a)所示,铆钉长度的增加,接头的失效载荷会先增大后减小,当铆钉长度达到5.7 mm左右,失效载荷达到最大值.冲头速度对失效载荷的影响呈现先上升后下降的变化规律,变化幅度不大,在40 mm/s左右时,失效载荷达到最大值.不同冲头行程下的失效载荷变化趋势呈线性增加.交互作用方差分析中Px1x3(0.4630)<Px2x3(0.5067)<Px1x2(0.8334),即铆钉长度与冲头行程的交互作用对失效载荷的影响最显著,冲头速度与冲头行程的交互作用影响次之,而铆钉长度和冲头速度的交互作用影响最弱. 图9(b)、(c)对铆钉长度和冲头行程的交互作用分析,可以看出左侧等高线比右侧稠密,且上半部分等高线比下半部分稠密.表明铆钉长度和冲头行程对失效载荷的影响都比较明显,当冲头行程处于设定范围内的最大值,铆钉长度位于5.7 mm左右时,失效载荷可达到峰值.这是因为较长的铆钉搭配合适的冲头行程使铆钉下行越充分,更容易促进铆钉与板材之间的塑性流动,致使较长的铆钉可以在上下板之间充分扩张,形成更加显著的机械内锁结构.

    图  9  铆接参数对失效载荷的影响
    Figure  9.  Influence of riveting parameters on failure load. (a) the influence of single factor on failure load; (b) response surface plot; (c) contour plot

    能量吸收值大小是评价构件的缓冲吸震能力,能量吸收值愈大,构件抵抗弹塑性变形的能力愈大. 铆接参数对能量吸收值的影响见图10.由图10(a)可以看出,铆钉长度对能量吸收值的影响最为显著,且随着铆钉长度的不断增大,能量吸收值呈现线性增加.冲头速度的变化对能量吸收值的影响较小,其变化趋势近似为一条直线.随着冲头行程的增加能量吸收值逐渐减小,但总体变化幅度不大.方差分析结果Px1x3(0.4236)<Px1x2(0.5078),冲头速度为40 mm/s时,铆钉长度与冲头行程的交互作用对能量吸收值的影响规律如图10(b)、(c)所示,可以看到能量吸收值会随着铆钉长度的增大而显著增加,且能量吸收值的最高点出现在铆钉长度为最大值,冲头行程为最小值处.结合等高线图可知,冲头行程的改变对能量吸收值的影响并不显著,但是,随着铆钉长度的增大,能量吸收值呈线性增加,这是由于铆钉长度的增大增加了接头的内锁长度,接头抵抗变形的能力也随之增大.因此为获得较高的能量吸收值,应优先考虑合适的铆钉长度.

    图  10  铆接参数对能量吸收值的影响
    Figure  10.  Influence of riveting parameters on energy absorption value. (a) the influence of single factor on energy absorption value; (b) response surface plot; (c) contour plot

    基于响应面模型,运用NSGA-II遗传算法对目标函数进行迭代优化.设置交叉概率80%,变异概率20%,种群规模为50,迭代次数为200.结合试验结果可知,由于铆钉尺寸已标准化,选取5.5 mm长的铆钉时自冲铆接头有较大的内锁长度和接头强度,故铆钉长度选取5.5 mm.为获得较优的失效载荷和能量吸收值,建立多目标优化的目标函数和约束条件为

    $$ \begin{gathered} g(x) = min{\text{ }}[{y_1},{y_2}] \\ {\text{ }}s.t.\left\{ {\begin{array}{*{20}{c}} {{x_1} = 5.5} \\ {20 \leqslant {x_2} \leqslant 60} \\ {64 \leqslant {x_3} \leqslant 66} \end{array}} \right. \\ \end{gathered} $$ (3)

    式中:${y_1}$、${y_2}$分别为失效载荷和能量吸收值,${x_1}$、${x_2}$、${x_3}$分别对应为铆钉长度、冲头速度和冲头行程.

    经运算后得到了目标函数的Pareto最优解解集,Pareto最优解解集是指在可行决策空间内,一组各目标都较优的参数解的集合[15].图11为Pareto前沿图,每个点对应了一个Pareto最优解.最优参数解的选取应使接头有较高的失效载荷和能量吸收值.因此选择图11中的M点作为最优工艺参数:铆钉长度5.5 mm,冲头速度36.6 m/s,冲头行程66 mm.对应的失效载荷为5438.820 N,能量吸收值为11.662 J, 并对最优工艺参数进行试验验证.失效载荷和能量吸收值的试验值分别为5191.482 N、12.376 J.试验值与模型预测值误差分别为4.76%、5.77%.通过工艺参数优化,不仅抑制自冲铆接头机械内锁区裂纹的产生,而且在保证连接质量的情况下获得较高的失效载荷和能量吸收值.

    图  11  Pareto前沿图
    Figure  11.  Pareto frontier map

    (1) 对于低延展性铝合金薄板材料,采用球形底模在保证接头强度下可以抑制接头机械内锁区裂纹的产生.

    (2) 采用BBD响应面法,建立基于球形底模的铝合金自冲铆接工艺参数多元非线性回归模型.实际应用中可以选用铆钉长度、冲头速度以及冲头行程实现自冲铆接工艺参数优化和接头质量调控.

    (3) 铆钉长度对失效载荷和能量吸收值的影响最为显著,冲头行程影响次之,冲头速度影响最弱;多因素交互影响中,铆钉长度和冲头行程的交互作用对失效载荷和能量吸收值的影响最大,应优先进行铆钉长度和冲头行程的调控.

  • 图  1   不同类型缺陷的TOFD图谱

    Figure  1.   TOFD map of different types of defects. (a) lack of fusion; ‌(b) porosity; (c) crack‌

    图  2   YOLOv5s模型缺陷识别效果

    Figure  2.   Defect identification effect of YOLOv5s model

    图  3   改进后的网络结构

    Figure  3.   Improved network structure

    图  4   常规卷积和可变形卷积对比

    Figure  4.   Comparison of conventional and deformable convolution

    图  5   MHSA原理

    Figure  5.   Principle of MHSA

    图  6   网络改进后的识别结果

    Figure  6.   Prediction effect of improved network

    图  7   试验PR曲线对比

    Figure  7.   Comparison of PR curves of each experiment. (a) experiment 1; (b) experiment 2; (c) experiment 3; (d) experiment 4

    图  8   有无自注意力机制的结果对比

    Figure  8.   Comparison of results with and without self-attention mechanism. (a) detection result without self-attention; (b) detection result with self-attention; (c) attention distribution without self-attention; (d) attention distribution with self-attention

    表  1   试验结果

    Table  1   Experimental results

    试验 网络改进部分 缺陷mAP
    PmAP@0.5
    未熔合AP
    Plof
    气孔AP
    PP
    裂纹AP
    Pc
    1 0.821 0.987 0.804 0.661
    2 Dconv 0.883 0.985 0.897 0.703
    3 Dconv BoT 0.923 0.993 0.945 0.722
    4 Dconv BoT SlideLoss 0.903 0.992 0.908 0.734
    下载: 导出CSV
  • [1] 姜鸿鹏, 陈辉刚, 张泽勇, 等. 基于超声TOFD 法的焊接缺陷横向定位检测技术[J]. 焊接, 2023(5): 7 − 12.

    JIANG Hongpeng, CHEN Huigang, ZHANG Zeyong, et al. Measurement method of weld defect transverse location based on ultrasonic TOFD technology[J]. Welding & Joining, 2023(5): 7 − 12.

    [2] 金士杰, 王志诚, 田鑫, 等. 基于半跨模式波的铝合金板底面缺陷TOFD检测[J]. 航空学报, 2023, 44(4): 226 − 234.

    JIN Shijie, WANG Zhicheng, TIAN Xin, et al. TOFD detection of bottom defects in aluminum alloy plate by half-skip mode wave[J]. Acta Aeronautica et Astronautica Sinica, 2023, 44(4): 226 − 234.

    [3]

    HONG Y X, YANG M X, CHANG B H, et al. Filter-PCA-based process monitoring and defect identification during climbing helium arc welding process using DE-SVM[J]. IEEE Transactions on Industrial Electronics, 2022, 70(7): 7353 − 7362.

    [4] 胡丹, 吕波, 王静静, 等. 焊缝表面缺陷激光视觉传感HOG-SVM的检测方法[J]. 焊接学报, 2023, 44(1): 57 − 62,70. doi: 10.12073/j.hjxb.20211231001

    HU Dan, LYU Bo, WANG Jingjing, et al. Study on HOG-SVM detection method of weld surface defects using laser visual sensing[J]. Transactions of the China Welding Institution, 2023, 44(1): 57 − 62,70. doi: 10.12073/j.hjxb.20211231001

    [5] 郭忠峰, 刘俊池, 杨钧麟. 基于关键点检测方法的焊缝识别[J]. 焊接学报, 2024, 45(1): 88 − 93. doi: 10.12073/j.hjxb.20230204001

    GUO Zhongfeng, LIU Junchi, YANG Junlin. Weld recognition based on key point detection method[J]. Transactions of the China Welding Institution, 2024, 45(1): 88 − 93. doi: 10.12073/j.hjxb.20230204001

    [6]

    BANSAL A, VETTIVEL S C, KUMAR M, et al. Weld defect identification and characterization in radiographic images using deep learning[J]. Engineering Research Express, 2023, 5(2): 025079. doi: 10.1088/2631-8695/acdf3f

    [7] 罗仁泽, 王磊. 基于深度学习模型的油气管道焊缝缺陷智能识别[J]. 天然气工业, 2024, 44(9): 199 − 208. doi: 10.3787/j.issn.1000-0976.2024.09.018

    LUO Renze, WANG Lei. Weld defect intelligent identification for oil and gas pipelines based on the deep learning models[J]. Natural Gas Industry, 2024, 44(9): 199 − 208. doi: 10.3787/j.issn.1000-0976.2024.09.018

    [8]

    ZHAO W J, LI D, XU F H. A lightweight weld defect recognition algorithm based on convolutional neural networks[J]. Pattern Analysis and Applications, 2024, 27(3): 94. doi: 10.1007/s10044-024-01315-7

    [9]

    XU L S, DONG S H, WEI H T, et al. Intelligent identification of girth welds defects in pipelines using neural networks with attention modules[J]. Engineering Applications of Artificial Intelligence, 2024, 127: 107295. doi: 10.1016/j.engappai.2023.107295

    [10]

    LI H D, LUO R Z, TANG X, et al. Weld defect recognition method based on improved DenseNet[C]//Fifth International Conference on Computer Information Science and Artificial Intelligence (CISAI 2022), September 16-18, 2022, Chongqing University, Chongqing. Washington, DC: IEEE Computer Society, 2023.

    [11] 支泽林, 姜洪权, 杨得焱, 等. 图谱数据深度学习融合模型及焊缝缺陷识别方法[J]. 西安交通大学学报, 2021, 55(5): 73 − 82. doi: 10.7652/xjtuxb202105009

    ZHI Zelin, JIANG Hongquan, YANG Deyan, et al. A deep learning fusion model of wave and image data for weld defect recognition[J]. Journal of Xi'an Jiaotong University, 2021, 55(5): 73 − 82. doi: 10.7652/xjtuxb202105009

    [12]

    LI Y, LI J G, MENG P. Attention-YOLOV4: a real-time and high-accurate traffic sign detection algorithm[J]. Multimedia tools and applications, 2023, 82(5): 7567 − 7582. doi: 10.1007/s11042-022-13251-x

    [13]

    XU Z, LI J Z, MENG Y F, et al. Channel attention based pruning YOLO for coal mine real-time intelligent monitoring[J]. Sensors, 2022, 22(12): 4331. doi: 10.3390/s22124331

    [14]

    AHN H, SON S, ROH J, et al. SAFP-YOLO: enhanced object detection speed using spatial attention-based filter pruning[J]. Applied Sciences, 2023, 13(20): 11237. doi: 10.3390/app132011237

    [15]

    ZHAO G, ZOU S L, WU H J. Improved algorithm for face mask detection based on Yolo-V4[J]. International Journal of Computational Intelligence Systems, 2023, 16(1): 104. doi: 10.1007/s44196-023-00286-7

    [16]

    SRINIVAS A, LIN T Y, PARMAR N, et al. Bottleneck transformers for visual recognition[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021: 16519 − 16529.

    [17]

    YU Z P, HUANG H B, CHEN W J, et al. Yolo-facev2: A scale and occlusion aware face detector[J]. Pattern Recognition, 2024, 155: 110714. doi: 10.1016/j.patcog.2024.110714

    [18] 黄焕东, 胡利晨, 李斌彬, 等. 基于区域的快速卷积神经网络的焊缝TOFD检测缺陷识别[J]. 无损检测, 2019, 41(7): 12 − 18. doi: 10.11973/wsjc201907004

    HUANG Huandong, HU Lichen, LI Binbin, et al. Recognition of defect in TOFD image based on faster region convolutional neural networks[J]. Nondestructive Testing, 2019, 41(7): 12 − 18. doi: 10.11973/wsjc201907004

    [19] 高建奎, 李金梅, 吴险峰, 等. 焊缝TOFD检测典型缺陷图谱分析[J]. 热处理技术与装备, 2020, 41(5): 8 − 10.

    GAO Jiankui, LI Jinmei, WU Xianfeng, et al. Analysis of typical defect images of welds TOFD testing[J]. Heat Treatment Technology and Equipment, 2020, 41(5): 8 − 10.

  • 期刊类型引用(1)

    1. 申小成,刘竹. 梯田水稻作业智能机械化集成关键技术研究. 黑龙江科学. 2025(08): 146-149 . 百度学术

    其他类型引用(0)

图(8)  /  表(1)
计量
  • 文章访问数:  132
  • HTML全文浏览量:  35
  • PDF下载量:  48
  • 被引次数: 1
出版历程
  • 收稿日期:  2024-01-14
  • 网络出版日期:  2025-03-16
  • 刊出日期:  2025-04-24

目录

/

返回文章
返回