1?介紹

焊接缺陷可以定義為焊縫表面出現(xiàn)的不規(guī)則、不連續(xù)性、缺陷或不一致性。焊接接頭的缺陷可能導(dǎo)致零件和組件的報廢、昂貴的維修費用、工作條件下性能的顯著降低，在極端情況下，還可能導(dǎo)致導(dǎo)致財產(chǎn)和生命損失的災(zāi)難性故障。

此外，由于焊接工藝本身的缺陷和金屬本身的特性，在焊接過程中總會存在一定的缺陷。評估焊接質(zhì)量是很重要的，因為由于固有的冶金幾何缺陷、機械性能的不均一性和殘余應(yīng)力的存在，焊接接頭經(jīng)常是裂紋萌生的位置。

在實踐中，幾乎不可能得到完美的焊接，而且在大多數(shù)情況下，也沒有必要提供所需的足夠的服務(wù)功能。然而，及早發(fā)現(xiàn)和隔離總是比發(fā)生事故更可取。

利用我們的算法，我們可以很容易地檢測出焊接故障的圖像，并準確地衡量每一個故障的嚴重程度。這將進一步幫助更快的圖像識別和避免不良情況的出現(xiàn)。

結(jié)果表明，采用卷積神經(jīng)網(wǎng)絡(luò)算法和U-Net結(jié)構(gòu)，可以大大提高處理效率。結(jié)果在工作結(jié)束時，準確率達到98.3%。

2?預(yù)備知識

• 對機器學(xué)習(xí)有基本了解
• 卷積神經(jīng)網(wǎng)絡(luò)的基本思想
• 理解卷積，最大池化和上采樣操作
• 了解U-Net的架構(gòu)理念
• 對殘差塊中skip連接有基本了解(可選)
• 使用Python、TensorFlow和Keras庫操作ConvNets的知識(可選)

3?圖像分割

分割是將圖像分割成不同的區(qū)域，這些區(qū)域包含具有相似屬性的像素。為了對圖像分析和解釋有意義和有用，區(qū)域應(yīng)該與描繪的物體或感興趣的特征有強烈的關(guān)聯(lián)。

圖像分析的成功與否取決于分割的可靠性，但圖像的精確分割通常是一個非常具有挑戰(zhàn)性的問題。

分割后的胸部x光片，心臟(紅色)、肺(綠色)和鎖骨(藍色)

4?圖像矩

圖像矩是圖像像素強度的某一特定加權(quán)平均值。圖像矩用于描述分割后的目標。

通過圖像矩發(fā)現(xiàn)的圖像的簡單屬性包括：

• 面積(或總強度)
• 重心
• 關(guān)于方向的信息

5?理解數(shù)據(jù)

dataset包含兩個目錄。原始圖像存儲在‘images’目錄中，分割后的圖像存儲在‘labels’目錄中。

讓我們將數(shù)據(jù)可視化:

來自‘image’的原始圖像

來自‘labels’的二值圖像

這些來自“l(fā)abels”目錄的圖像是二進制圖像或ground truth標簽。這是我們的模型必須對給定的原始圖像做出的預(yù)測。在二進制圖像中，像素要么有一個“high”值，要么有一個“l(fā)ow”值。白色區(qū)域或“high”值表示缺陷區(qū)域，黑色區(qū)域或“l(fā)ow”值表示沒有缺陷。

6?使用的方法

我們在這個問題上使用的架構(gòu)是U-Net。我們將通過三個步驟來檢測故障并測量這些焊接圖像的嚴重程度：

• 圖像分割
• 使用顏色表示嚴重程度
• 使用圖像矩度量嚴重程度

訓(xùn)練模型

下面是我們用于模型的U-Net架構(gòu)：

使用的U-Net結(jié)構(gòu)

要注意的點：

每個藍框?qū)?yīng)一個多通道特征圖

通道的數(shù)量在盒子的頂部表示

(x,y)維度顯示在盒子的左下邊緣

箭頭表示不同的操作

層的名稱在層的下面

C1 C2…C7是卷積操作后的輸出層

P1, P2, P3是最大池化操作的輸出層

U1, U2, U3是上采樣操作的輸出層

A1, A2, A3是跳躍連接

左側(cè)是收縮路徑，應(yīng)用常規(guī)卷積和最大池操作

圖像的尺寸逐漸減小，而深度逐漸增加

右邊是展開路徑，在這里應(yīng)用(上采樣)轉(zhuǎn)置卷積和常規(guī)卷積操作

在擴展路徑中，圖像的尺寸逐漸增大，深度逐漸減小

為了得到更精確的位置，在擴展路徑的每一步中，我們使用跳躍連接，將轉(zhuǎn)置卷積層的輸出與來自編碼器的相同級別的特征圖連接在一起：A1 = U1 + C3 A2 = U2 + C2 A3 = U3 + C1

在每次連接之后，我們再次應(yīng)用常規(guī)卷積，以便模型能夠?qū)W習(xí)組裝出更精確的輸出。

import?numpy?as?np
import?cv2
import?os
import?random
import?tensorflow?as?tf

h,w?=?512,512

def?create_model():

????inputs?=?tf.keras.layers.Input(shape=(h,w,3))

????conv1?=?tf.keras.layers.Conv2D(16,(3,3),activation='relu',padding='same')(inputs)
????pool1?=?tf.keras.layers.MaxPool2D()(conv1)

????conv2?=?tf.keras.layers.Conv2D(32,(3,3),activation='relu',padding='same')(pool1)
????pool2?=?tf.keras.layers.MaxPool2D()(conv2)

????conv3?=?tf.keras.layers.Conv2D(64,(3,3),activation='relu',padding='same')(pool2)
????pool3?=?tf.keras.layers.MaxPool2D()(conv3)

????conv4?=?tf.keras.layers.Conv2D(64,(3,3),activation='relu',padding='same')(pool3)

????upsm5?=?tf.keras.layers.UpSampling2D()(conv4)
????upad5?=?tf.keras.layers.Add()([conv3,upsm5])
????conv5?=?tf.keras.layers.Conv2D(32,(3,3),activation='relu',padding='same')(upad5)

????upsm6?=?tf.keras.layers.UpSampling2D()(conv5)
????upad6?=?tf.keras.layers.Add()([conv2,upsm6])
????conv6?=?tf.keras.layers.Conv2D(16,(3,3),activation='relu',padding='same')(upad6)

????upsm7?=?tf.keras.layers.UpSampling2D()(conv6)
????upad7?=?tf.keras.layers.Add()([conv1,upsm7])
????conv7?=?tf.keras.layers.Conv2D(1,(3,3),activation='relu',padding='same')(upad7)

????model?=?tf.keras.models.Model(inputs=inputs,?outputs=conv7)

????return?model

images?=?[]
labels?=?[]

files?=?os.listdir('./dataset/images/')
random.shuffle(files)

for?f?in?files:
????img?=?cv2.imread('./dataset/images/'?+?f)
????parts?=?f.split('_')
????label_name?=?'./dataset/labels/'?+?'W0002_'?+?parts[1]
????label?=?cv2.imread(label_name,2)

????img?=?cv2.resize(img,(w,h))
????label?=?cv2.resize(label,(w,h))

????images.append(img)
????labels.append(label)

images?=?np.array(images)
labels?=?np.array(labels)
labels?=?np.reshape(labels,
????(labels.shape[0],labels.shape[1],labels.shape[2],1))

print(images.shape)
print(labels.shape)

images?=?images/255
labels?=?labels/255

model?=?tf.keras.models.load_model('my_model')

#model?=?create_model()??#?uncomment?this?to?create?a?new?model
print(model.summary())

model.compile(optimizer='adam',?loss='binary_crossentropy',metrics=['accuracy'])
model.fit(images,labels,epochs=100,batch_size=10)
model.evaluate(images,labels)

model.save('my_model')

模型采用Adam優(yōu)化器進行編譯，由于只有缺陷和無缺陷兩類，我們使用二元交叉熵損失函數(shù)。

我們使用批大小為10的100 epoch(模型在所有輸入上運行的次數(shù))。

請注意，調(diào)整這些超參數(shù)有很大的進一步提高模型性能的空間。

測試模型

由于模型的輸入尺寸為512x512x3，我們將輸入尺寸調(diào)整為這個尺寸。接下來，我們將圖像歸一化，將其除以255，這樣計算速度更快。

該圖像被輸入到模型中，用于預(yù)測二進制輸出。為了放大像素的強度，二進制輸出被乘以1000。

然后將圖像轉(zhuǎn)換為16位整數(shù)，便于圖像操作。然后用算法檢測缺陷，通過顏色分級和根據(jù)缺陷的嚴重程度給有缺陷的像素分配權(quán)重，直觀地標記出缺陷的嚴重程度。然后在此圖像上考慮加權(quán)像素計算圖像矩。

最后將圖像轉(zhuǎn)換回8位整數(shù)，并顯示輸出圖像的顏色等級和嚴重性值。

import?numpy?as?np
import?cv2
from?google.colab.patches?import?cv2_imshow
import?os
import?random
import?tensorflow?as?tf


h,w?=?512,512
num_cases?=?10

images?=?[]
labels?=?[]

files?=?os.listdir('./dataset/images/')
random.shuffle(files)

model?=?tf.keras.models.load_model('my_model')

lowSevere?=?1
midSevere?=?2
highSevere?=?4

for?f?in?files[0:num_cases]:
????test_img?=?cv2.imread('./dataset/images/'?+?f)
????resized_img?=?cv2.resize(test_img,(w,h))
????resized_img?=?resized_img/255
????cropped_img?=?np.reshape(resized_img,
??????????(1,resized_img.shape[0],resized_img.shape[1],resized_img.shape[2]))

????test_out?=?model.predict(cropped_img)

????test_out?=?test_out[0,:,:,0]*1000
????test_out?=?np.clip(test_out,0,255)

????resized_test_out?=?cv2.resize(test_out,(test_img.shape[1],test_img.shape[0]))
????resized_test_out?=?resized_test_out.astype(np.uint16)

????test_img?=?test_img.astype(np.uint16)

????grey?=?cv2.cvtColor(test_img,?cv2.COLOR_BGR2GRAY)

????for?i?in?range(test_img.shape[0]):
?????for?j?in?range(test_img.shape[1]):
??????????if(grey[i,j]>150?&?resized_test_out[i,j]>40):
????????????test_img[i,j,1]=test_img[i,j,1]?+?resized_test_out[i,j]
????????????resized_test_out[i,j]?=?lowSevere
??????????elif(grey[i,j]<100?&?resized_test_out[i,j]>40):
????????????test_img[i,j,2]=test_img[i,j,2]?+?resized_test_out[i,j]
????????????resized_test_out[i,j]?=?highSevere
??????????elif(resized_test_out[i,j]>40):
????????????test_img[i,j,0]=test_img[i,j,0]?+?resized_test_out[i,j]
????????????resized_test_out[i,j]?=?midSevere
??????????else:
????????????resized_test_out[i,j]?=?0

????M?=?cv2.moments(resized_test_out)
????maxMomentArea?=?resized_test_out.shape[1]*resized_test_out.shape[0]*highSevere
????print("0th?Moment?=?"?,?(M["m00"]*100/maxMomentArea),?"%")

????test_img?=?np.clip(test_img,0,255)

????test_img?=?test_img.astype(np.uint8)

????cv2_imshow(test_img)

????cv2.waitKey(0)

7?結(jié)果

我們用于檢測嚴重程度的視覺度量是顏色。

在圖像中，顏色：

1. 綠色表示有嚴重缺陷的區(qū)域。
2. 藍色代表缺陷較嚴重的區(qū)域。
3. 紅色區(qū)域表示最嚴重的缺陷。

0階矩作為一個百分比顯示在輸出圖像上作為一個經(jīng)驗的嚴重程度度量。

下面是三個隨機樣本，分別顯示了我們模型生成的原始輸入、ground truth和輸出。

樣本1：:

原始圖像

二值圖像（Ground Truth）

帶有嚴重程度的預(yù)測輸出

樣本2：

原始圖像

二值圖像（Ground Truth）

帶有嚴重程度的預(yù)測輸出

樣本3：

原始圖像

二值圖像（Ground Truth）

公眾號后臺回復(fù)“畫圖模板”獲取90+深度學(xué)習(xí)畫圖模板～