深度迁移学习下的船舶焊接表面缺陷智能检测系统

胡晓轩， 甄希金， 朱 琦， 王 浩

(1.上海船舶工艺研究所，上海 200032；2.上海申博信息系统工程有限公司，上海 200032)

0 引 言

船舶焊接占船舶制造30%～40%的工作量[1]，在中小组立生产线上存在多种工艺类型的焊接，大致可分为手工焊、机器焊、机器人焊，每一种工艺类型所产生的焊接表面质量不一，基本采用人工检查，工作量较大且检测准确度依赖人工经验，检测效率不高。

近年来，随着人工智能中的深度迁移学习框架的快速发展，基于图像的缺陷目标检测越来越多应用于各行各业。刘梦溪等[2-3]通过改进深度学习中的卷积神经网络(Convolutional Neural Network，CNN)结构及算法，提高焊接缺陷识别率达93.26%；HOU等[4]在神经网络的改进过程中使用时滞细胞神经网络(Delayed Cellular Neural Network，DCNN)模型对x-射线焊接缺陷分类，分别为小孔、裂纹、未熔合、未焊透，识别率为97.2%。结果表明深度学习对焊接特征识别具有较高精度。

1 总体设计

焊接表面缺陷均含有独有的特征，首先需要采集大量手工焊和机器人焊的图像样本，对表面特征进行分析；然后通过选择合适的深度迁移学习方法，设计合理的深度迁移学习模型作为模型层；最后建立船舶焊接表面缺陷智能检测系统，在系统中调用检测算法，实现焊接表面缺陷的批量检测。

根据船厂的生产制造特点，提出以车间焊接中小组立生产线为对象的研究框架(见图1)，通过现场专用摄像机采集焊接表面图像数据，这些样本数据一部分作为训练集，一部分作为测试集，传输至上层的船舶焊接表面缺陷智能检测系统，进行模型的深度迁移学习；……