基于Mask R-CNN的复合材料夹杂缺陷自动检测研究

doi:10.19936/j.cnki.2096-8000.20240128.011

复合材料科学与工程 ›› 2024, Vol. 0 ›› Issue (1): 83-88.DOI: 10.19936/j.cnki.2096-8000.20240128.011

基于Mask R-CNN的复合材料夹杂缺陷自动检测研究

李磊磊¹, 王明泉^1*, 赵付宝², 朱焕宇¹, 丰晓钰¹, 谢绍鹏¹

1.中北大学仪器科学与动态测试教育部重点实验室,太原 030051;
2.山东非金属材料研究所,济南 250000

收稿日期:2023-10-19 出版日期:2024-01-28 发布日期:2024-02-27
通讯作者: 王明泉(1970—),男,博士,教授,硕士生导师,研究方向为图像处理与识别、成像技术,wangmq@nuc.edu.cn。
作者简介:李磊磊(1999—),男,硕士研究生,研究方向为复合材料缺陷检测与深度学习。
基金资助:
山西省高等学校科技创新项目(2020L0624)

Research on automatic detection of composite inclusion defects based on Mask R-CNN

LI Leilei¹, WANG Mingquan^1*, ZHAO Fubao², ZHU Huanyu¹, FENG Xiaoyu¹, XIE Shaopeng¹

1. MOE Key Laboratory of Instrumentation Science and Dynamic Measurement, North University of China, Taiyuan 030051, China;
2. Shandong Institute of Nonmetallic Materials, Jinan 250000, China

Received:2023-10-19 Online:2024-01-28 Published:2024-02-27

摘要/Abstract

摘要： 为提高复合材料夹杂缺陷的检测效率,本文提出利用深度学习网络设计一种夹杂缺陷自动检测系统。在图像预处理环节采用两级反锐化掩膜算法突出夹杂缺陷特征,构建复合材料夹杂缺陷图像数据库;采用Mask R-CNN网络模型,经过网络模型训练,得到最优权重参数,最终设计实现缺陷检测软件系统。实验结果表明,Mask R-CNN算法网络准确率达94.6%,召回率达92.4%,AP值达87.3%。该系统应用方便快捷,将有效提高一线人员的缺陷检测效率和检测精度。

关键词: 反锐化掩膜, 图像处理, 深度学习, 缺陷检测, 系统设计, 复合材料

Abstract: In order to improve the detection efficiency of composite inclusion defects, an automatic inclusion defect detection system based on deep learning network is proposed in this paper. In the process of image preprocessing, a two-stage unsharping mask algorithm is used to highlight the features of inclusion defects, and a composite image database of inclusion defects is constructed. The Mask R-CNN network model is used, and the optimal weight parameters are obtained through network model training. Finally, the defect detection software system is designed and realized. The experimental results show that the network accuracy of Mask R-CNN algorithm is 94.6%, the recall rate is 92.4%, and the AP value is 87.3%. The system is convenient and fast in application, and will effectively improve the efficiency and accuracy of defect detection for front-line personnel.

Key words: unsharp mask, image processing, deep learning, defect detection, system design, composites

中图分类号:

TB332

李磊磊, 王明泉, 赵付宝, 朱焕宇, 丰晓钰, 谢绍鹏. 基于Mask R-CNN的复合材料夹杂缺陷自动检测研究[J]. 复合材料科学与工程, 2024, 0(1): 83-88.

LI Leilei, WANG Mingquan, ZHAO Fubao, ZHU Huanyu, FENG Xiaoyu, XIE Shaopeng. Research on automatic detection of composite inclusion defects based on Mask R-CNN[J]. COMPOSITES SCIENCE AND ENGINEERING, 2024, 0(1): 83-88.

参考文献

[1] 李涛, 丁文文. 基于生态环保视域下复合型材料的应用研究[J]. 信息记录材料, 2021(6): 4-6.
[2] 袁月. 碳纤维复合材料内部缺陷检测方法研究[D]. 绍兴: 绍兴文理学院, 2021.
[3] 杨红娟, 杨正岩, 杨雷, 等. 碳纤维复合材料损伤的超声检测与成像方法研究进展[J]. 复合材料学报, 2023, 40(8): 4295-4317.
[4] 陈嘉威. 低密度材料的多角度DR图像夹杂检测和应用研究[D]. 重庆: 重庆大学, 2020.
[5] 胡业发, 孟由, 张锦光, 等. 含夹杂缺陷碳纤维复合材料层压板的无损检测与评估研究[J]. 复合材料科学与工程, 2023(2): 94-100.
[6] 薛林, 王云森, 陆尧, 等. 基于深度学习的铸件DR图像缺陷检测[J]. 仪表技术与传感器, 2023(3): 94-97.
[7] 赵先圣, 冯鹏, 沈宽, 等. 基于深度学习的铁道车辆铸件X射线DR图像缺陷检测算法研究[J]. 中国体视学与图像分析, 2021, 26(3): 310-320.
[8] 蔡彪, 沈宽, 付金磊, 等. 基于Mask R-CNN的铸件X射线DR图像缺陷检测研究[J]. 仪器仪表学报, 2020(3): 61-69.
[9] HE K M, GKIOXARI G, DOLLAR P, et al. Mask R-CNN[C]//IEEE International Conference on Computer Vision. Venice, Italy: IEEE Computer Society, 2017: 2980-2988.
[10] 徐艳丽, 谭剑. 基于非线性反锐化掩膜的DR图像边缘增强[J]. 中国医学物理学杂志, 2010(4): 2013-2015.
[11] CHRISTOPHER D, SIMON P. A novel approach for mammogram enhancement using nonlinear unsharp masking and L₀ gradient minimization[J]. Procedia Computer Science, 2020, 171: 1848-1857.
[12] REN S Q, HE K M, GIRSHICK R, et al. Faster R-CNN: Towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(6): 1137-1149.
[13] HE K M, ZHANG X Y, REN S Q, et al. Deep residual learning for image recognition[C]//IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas, NV, USA: IEEE Computer Society, 2016: 770-778.
[14] LIN T Y, DOLLAR P, GIRSHICK R, et al. Feature pyramid networks for object detection[C]//IEEE Conference on Computer Vision and Pattern Recognition. Honolulu, HI, USA: IEEE Computer Society, 2017: 936-944.
[15] 王森, 杨克俭. 基于双线性插值的图像缩放算法的研究与实现[J]. 自动化技术与应用, 2008(7): 44-45.
[16] LIN T Y, MAIRE M, BELONGIE S, et al. Microsoft COCO: Common objects in context[C]//European Conference on Computer Vision. Zürich, Switzerland: Springer International Publishing, 2014: 740-755.
[17] DEVLIN J, CHANG M W, LEE K, et al. BERT: Pre-training of deep bidirectional transformers for language understanding[C]//Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics. Minnesota,Minneapolis, USA: Association for Computational Linguistics, 2019: 4171-4186.

基于Mask R-CNN的复合材料夹杂缺陷自动检测研究

Research on automatic detection of composite inclusion defects based on Mask R-CNN

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	王孟, 刘程, 张玉, 贾航, 乔越, 蹇锡高. 成型温度对CF/PPEK复合材料的缺陷和力学性能影响[J]. 复合材料科学与工程, 2024, 0(3): 5-12.
[2]	史洪源, 任文坚, 党杰, 周鹏. 玻璃纤维增强复合材料超声检测声场的CIVA仿真与试验研究[J]. 复合材料科学与工程, 2024, 0(3): 20-24.
[3]	杨思鑫, 曹忠亮, 顾付伟. 双三角点阵夹芯结构低速冲击下的动态响应与失效机制[J]. 复合材料科学与工程, 2024, 0(3): 25-34.
[4]	张斌, 赵晶, 王世杰. Kagome点阵结构参数对其压缩特性的影响及轻质化设计[J]. 复合材料科学与工程, 2024, 0(3): 35-42.
[5]	王宇轩, 曹东风, 胡海晓, 李书欣. 计及层内和层间的L形层合板失效的数值研究[J]. 复合材料科学与工程, 2024, 0(3): 43-53.
[6]	耿健, 董九志, 梅宝龙, 蒋秀明. 三维四向碳/碳复合材料力学性能预测与试验验证[J]. 复合材料科学与工程, 2024, 0(3): 54-60.
[7]	高坤, 张兆恒, 邢亚娟, 左小彪, 王博尧, 赵泽华. 含磷POSS阻燃乙烯基酯树脂性能研究[J]. 复合材料科学与工程, 2024, 0(3): 61-64.
[8]	郑子君, 乔英, 邵家儒. 基于机器视觉的短纤维复合材料的取向度提取方法[J]. 复合材料科学与工程, 2024, 0(3): 65-72.
[9]	许晓婷, 郝恩全, 邵慧奇, 邵光伟, 毕思伊, 陈南梁, 蒋金华. 三维大隔距机织间隔织物柔性复合材料的服役性能研究[J]. 复合材料科学与工程, 2024, 0(3): 73-78.
[10]	苏桐, 胡果馨, 刘振. 全碳纤维复合材料太阳能无人机机翼结构优化设计[J]. 复合材料科学与工程, 2024, 0(3): 79-83.
[11]	伍强, 赵凯, 刘鹏飞, 张涛涛, 朱德勇. Z形纤维增强复合材料层压板固化变形分析[J]. 复合材料科学与工程, 2024, 0(3): 84-90.
[12]	宋贵宾, 黄光启, 杨胜春. 复合材料层压板胶接挖补修理分析方法及影响因素研究[J]. 复合材料科学与工程, 2024, 0(3): 91-96.
[13]	王耀, 邵丹丹, 雷炳育. 共沉淀析出-热压技术制备高储能性能复合材料薄膜[J]. 复合材料科学与工程, 2024, 0(3): 97-102.
[14]	张仲香, 刘宝锋, 方晨鑫, 陈文光, 顾育慧, 李军向. 沙戈荒环境下风电叶片中复合材料耐高温性能研究[J]. 复合材料科学与工程, 2024, 0(3): 103-107.
[15]	邓忠, 支亚非, 程家林, 杨文. 太阳能无人机机翼复合材料主梁铺层优化[J]. 复合材料科学与工程, 2024, 0(3): 108-112.