Page 47 - 理化检验-物理分册2024年第七期

7

试验技术与方法 DOI:10.11973/lhjy-wl240085

基于卷积神经网络焊管缺陷分类识别

1
云 晗 ，付红红 ，王宗仁 ，侯怀书 2
2
2
（1.海南省检验检测研究院特种设备检验所，海口 570203；2.上海应用技术大学 机械工程学院，上海 201418）
摘 要：针对常规涡流检测阻抗平面分析法无法对不锈钢焊管缺陷种类进行识别的问题，提出
了一种基于涡流检测技术结合机器学习对不锈钢焊管缺陷进行分类识别的有效方法。首先对提取
到的涡流信号进行短时傅里叶变换，将原始涡流信号转换成二维时频图；再将二维时频图输入到
VGG-16和GoogLeNet两种神经网络训练模型的输入层中。结果表明：VGG-16和GoogLeNet两种
神经网络训练模型能成功识别不锈管焊管的缺陷，且VGG-16模型在0.01的学习率下的整体分类精
度高于GoogLeNet模型。
关键词： 不锈钢焊管；涡流检测；分类识别；神经网络；缺陷
中图分类号：TB31；TG115.2 文献标志码：A 文章编号：1001-4012(2024)07-0035-05

Classification and recognition of welded pipe defects based on convolutional
neural networks

YUN Han , FU Honghong , WANG Zongren , HOU Huaishu 2
2
2
1
(1. Hainan Special Equipment Inspection Institute, Haikou 570203, China;
2. School of Mechanical Engineering, Shanghai Institute of Technology, Shanghai 201418, China)
Abstract: Aiming at the problem that conventional eddy current testing impedance plane analysis method
could not identify the types of defects in stainless steel welded pipes, an effective method based on eddy current
testing technology combined with machine learning was proposed to classify and identify defects in stainless steel
welded pipes. Firstly, performed a short-time Fourier transform on the extracted eddy current signal to convert
the original eddy current signal into a two-dimensional time-frequency map. Then input the two-dimensional
time-frequency map into the input layer of the VGG-16 and GoogLeNet neural network training models. The
results show that the VGG-16 and GoogLeNet neural network training models could successfully identify defects
in stainless steel welded pipes, and the overall classification accuracy of the VGG-16 model was higher than that of
the GoogLeNet model at a learning rate of 0.01.
Keywords: stainless steel welded pipe; eddy current testing; classification and recognition; neural network; defect

焊缝探伤是一种常见的不锈钢焊管焊接质量检 工业不锈钢焊管的涡流检测信号本质上是时间
测方法 [1-3] ，其中的涡流检测具有检测精度高、检测 序列数据，早期的涡流检测是以阻抗分析法为基础，
[4]
速率快、易于自动检测等优点。赵番等 设计了一 仅对检测缺陷或原始信号中的二次信息进行筛选，
套涡流检测系统，解决了金属管道内、外壁缺陷的区 构建各种缺陷信号的特征向量，并进行区分 [6-9] 。但
分难题。刘梦龙 以304不锈钢焊管为研究对象，采 利用该方法处理信号易造成原始信号的部分丢失与
[5]
用涡流检测技术实现对不锈钢焊管焊缝位置的准确 失真。不锈钢焊管具有复杂的结构，其原始信号中
识别。 包含了大量的关键信息，如材料的物理特性、焊缝的
质量等。这些信号在处理过程中受损会影响缺陷检
收稿日期：2024-03-25
测与定性分析结果的准确性。因此，在对不锈钢焊
作者简介：云 晗(1967-)，男，高级工程师，主要从事无损检测、
管进行质量评估时，往往会出现误判或遗漏的情况。
锅炉压力容器与特种设备安全检验等工作
通信作者：候怀书，hhs@sit.edu.cn 通过训练深度神经网络，可以从大量的数据中自动
35