融合迁移学习的AlexNet神经网络不锈钢焊缝缺陷分类

陈立潮，闫耀东，张睿，傅留虎，曹建芳,3

（1. 太原科技大学 计算机科学与技术学院，山西 太原 030024; 2. 山西省机电设计研究院 机械产品质量监督检验站，山西 太原 030009; 3. 忻州师范学院 计算机科学与技术系，山西 忻州 034000）

不锈钢材料因具有良好的抗氧化性、抗腐蚀性和易焊接等特点逐渐被推广到储存输送、加工生产、机械制造等行业。不锈钢工件是利用焊接来实现两两结合，由于焊接存在局部不可见性，作为完整构件最薄弱区域的焊缝常会产生裂纹、气孔、夹渣、未熔合和未焊透等问题，难以实现质量可靠的两两焊接；并随着钢件的使用寿命增多和操作环境影响，钢板焊缝也会产生新的缺陷[1]。忽视焊接产品质量造成的事故屡见不鲜，这就要求必须加强对不锈钢焊缝进行严格的质量检测，并在发现缺陷时能及时报警，对产生缺陷的原因进行分析，及时修复缺陷或停止生产，最大限度地降低经济损失，减少危险事故。

传统的不锈钢焊缝缺陷检测方法如X射线检测等由于操作复杂不易推广和对人体具有辐射等原因，对缺陷的检测精度和效率都相对较低。目前，大多研究采用超声技术进行焊缝缺陷检测。2014年西安石油大学的蔡晓龙[2]对不锈钢焊缝X射线图像进行均值滤波、sin增强、ostu分割和边缘检测等方法对气孔和裂纹分别达到了83.908%和89.473 7%的分类准确率；2017年Fan等[3]使用支持向量机对提取的焊缝缺陷特征进行分类，获得了97%的分类精确度；2018年Chen等[4]对不锈钢焊缝缺陷A扫信号进行特征提取，通过模式识别方法实现了对不锈钢焊缝4类缺陷95.8%的分类精度；……