针对高密度聚乙烯(High Density Polyethylene,HDPE)管热熔接头相控阵超声检测时存在的图谱判读效率低、人员经验要求高等问题,文章提出一种基于改进YoloX算法的热熔接头全聚焦(Total Focusing Method,TFM)相控阵超声图谱缺陷(以孔洞为...针对高密度聚乙烯(High Density Polyethylene,HDPE)管热熔接头相控阵超声检测时存在的图谱判读效率低、人员经验要求高等问题,文章提出一种基于改进YoloX算法的热熔接头全聚焦(Total Focusing Method,TFM)相控阵超声图谱缺陷(以孔洞为例)智能识别方法。在YoloX的加强特征提取网络中引入卷积注意力机制模块,提高模型对缺陷信息的关注度,使用CIoU损失函数计算回归损失,以提升模型的定位精度,降低漏检率。通过TFM相控阵超声检测实验,采集原始缺陷图谱,并在完成图像增强后创建数据集。采用迁移学习策略进行训练,加快模型收敛速度。结果表明:该方法对缺陷的识别精度达98.18%,检测平均速度达23.92帧·s^(-1),检测精度相较于原YoloX模型提升了2.57个百分点且对小目标缺陷有更好的检测效果。文中方法可以识别出TFM相控阵超声图谱中的缺陷,为热熔接头的精确检测提供技术支撑。展开更多
文摘针对高密度聚乙烯(High Density Polyethylene,HDPE)管热熔接头相控阵超声检测时存在的图谱判读效率低、人员经验要求高等问题,文章提出一种基于改进YoloX算法的热熔接头全聚焦(Total Focusing Method,TFM)相控阵超声图谱缺陷(以孔洞为例)智能识别方法。在YoloX的加强特征提取网络中引入卷积注意力机制模块,提高模型对缺陷信息的关注度,使用CIoU损失函数计算回归损失,以提升模型的定位精度,降低漏检率。通过TFM相控阵超声检测实验,采集原始缺陷图谱,并在完成图像增强后创建数据集。采用迁移学习策略进行训练,加快模型收敛速度。结果表明:该方法对缺陷的识别精度达98.18%,检测平均速度达23.92帧·s^(-1),检测精度相较于原YoloX模型提升了2.57个百分点且对小目标缺陷有更好的检测效果。文中方法可以识别出TFM相控阵超声图谱中的缺陷,为热熔接头的精确检测提供技术支撑。
