基于复合卷积层神经网络结构的焊缝缺陷分类技术

X射线检测方法被广泛应用于焊缝内部缺陷的检测过程,但检测过程主要依靠人工查看X射线图像对产品质量做出评级,此种检测方式效率低且需要操作人员丰富的检测经验,难以满足批量检测需求,亟需借助卷积神经网络的方法提升其检测效率。因此提出一种复合卷积层网络结构的CC-ResNet模型,将不同尺度的卷积核复合为一层卷积,替换单个卷积核结构,并对模型训练过程中的损失函数进行优化。使用车间产品焊缝X射线图像建立数据集,通过对CC-ResNet网络模型进行实验可得,其平均召回率和平均准确率为98.52%和95.23%,与其他网络模型相比提高了缺陷检测能力,为车间进行焊缝缺陷的智能化和批量化检测提供了算法基础。