推力室钎焊身部焊缝缺陷的DR数字成像自动检测方法

2023-07-26任文坚王永红李春凯石玗孙忠诚刘国增

焊接 2023年7期

任文坚,王永红,李春凯,石玗,孙忠诚,3,刘国增

（1. 西安航天发动机有限公司，西安 710100； 2. 兰州理工大学，省部共建有色金属先进加工与再利用国家重点实验室，兰州 730050； 3. 兰州瑞奇戈德测控技术有限公司，兰州 730010）

0 前言

推力室作为液体火箭发动机中最为重要的组成部分之一，在实际火箭发动机运行过程中通常需要承受高温、高压热流的烧蚀和冲击载荷[1-2]。为保证推力室服役性能的稳定性和可靠性，推力室壁的冷却方式通常需采用在内外壁之间加入波纹板结构夹层或铣槽结构夹层的再生冷却，即液体推进剂以一定流速通过推力室内外壁之间的冷却通道，吸收并带走内壁上的热量，从而实现推力室壁的快速冷却和降温[3-5]。推力室身部内外壁冷却通道的连接通常采用钎焊工艺[6]。为避免由于焊接过程中工艺参数（钎焊温度分布、钎料用量等）或装配精度波动产生缺陷影响到焊接质量乃至整个推力室的局部再生冷却障碍导致内壁烧穿，钎缝需要采用X射线检测技术进行缺陷探伤和质量评定[7-9]。

目前，对于推力室身部钎缝缺陷的X射线检测技术主要采用胶片照相法和DR数字成像检测法。就现有的研究而言，这2种方法都存在一定的局限性。对于胶片照相法而言，主要存在以下问题：①工艺流程（曝光、胶片冲洗等）周期长、检测效率低[10]；②胶片图像难以实现数字化、自动化及智能化评定。DR数字成像检测法利用平板探测器替代传统胶片在一定程度上解决了胶片照相法检测效率低且难以实现自动化检测过程的难题，但受制于缺陷评定过程仍主要依赖于人工，导致缺陷检测难以实现从X射线检测到缺陷评定的全流程、智能在线检测[11]。因而，开发一种能够实现推力室钎焊身部缺陷的智能在线X射线检测与识别的方法成为了亟待解决的关键技术难题。

针对上述难题，提出了一种基于DR数字成像技术的推力室钎焊身部焊缝缺陷自动检测方法，分析了推力室身部钎缝的缺陷类型，开发了基于深度学习理论的改进型Faster R-CNN缺陷自识别模型并通过在DR自动检测系统中模型部署实现了推力室钎缝缺陷的智能在线检测。

1 推力室钎缝结构与缺陷类型

推力室钎缝主要存在2种结构形式：波纹板结构和铣槽结构，如图1和图2所示。波纹板结构内外壁（钎焊厚度为0.8 mm）和铣槽结构内外壁（钎焊厚度为0.02 mm）之间的连接通常采用钎焊工艺。实际焊接过程中受工艺参数和装配间隙的影响，钎缝容易出现内壁未焊上、外壁未焊上、通道钎料堆积、堵塞等4类常见缺陷。

图1 波纹板结构

图2 铣槽结构

2 DR数字成像缺陷自动检测系统

考虑到实际推力室的尺寸和结构特点，设计了基于DR数字成像检测技术的焊缝缺陷自动检测系统，该系统主要由以下几部分组成：X射线机、探测器、机器人、旋转转台、机械系统、软件系统等，如图3所示。射线源和平板探测器的设备参数见表1。检测时机器人控制平板探测器沿推力室外壁移动，射线源（位于推力室内部）同步读取机器人高度，即可实现整个推力室身部钎缝的DR自动检测。推力室身部钎缝采用源在内、单壁单影透照工艺，整个身部在高度方向分24个区、每个高度周向分不同的分区数，完成整个推力室身部钎缝检测共需535张DR 图像。

表1 设备参数

图3 DR数字成像自动焊缝缺陷检测系统

3 深度学习神经网络模型设计

为实现推力室钎焊身部缺陷的智能识别，提出采用深度学习神经网络模型开发АI缺陷智能识别系统。

3.1 DR图像样本集与缺陷人工标注

利用所搭建的DR数字成像焊缝缺陷自动检测系统采集了推力室钎焊身部DR数字图像并从中挑选1000张包含外壁未焊上、内壁未焊上、钎料堆积、通道堵塞4类缺陷的数字图像构建深度学习神经网络模型的DR图像样本集。

在图像样本集随机选取900张（约90%）作为后续模型训练的图像样本训练集，100张（约10%）作为评价模型泛化能力的测试集。为后续模型训练对图像训练集中的缺陷进行了人工标注，缺陷标注图像如图4所示。图4a和图4b分别为内壁未焊上和外壁未焊上的DR图像，内壁与外壁在DR图像中为间隔出现，内壁未焊上与外壁未焊上在DR图像中的相似度极高，其特征都表现为与端头出未连接，区分2种缺陷主要通过壁的宽度来判定，其中外壁宽度较内壁宽度更宽；图4c和图4d为钎料堆积和堵塞的DR图像，2种缺陷从形态上来看相似较高，都表现为钎焊通道处存在多余钎料，区分其分类的评定原则主要通过图像灰度值，其中堆积区域的图像灰度值要高于堵塞区域的灰度值且轮廓更为明显。

3.2 神经网络架构设计

所设计的深度学习神经网络模型为改进型Faster R-CNN网络，网络架构如图5所示。Faster R-CNN主要由3部分组成：特征提取卷积网络、负责生成候选区的RPN网络和分类回归网络。其中，特征提取卷积网络负责将图片进行卷积池化操作进行特征提取，并将特征图送入RPN网络和分类回归网络。特征提取卷积网络采用ResNet101网络，ResNet101 网络由1个卷积层、1个池化层和99个卷积块构成，ResNet101网络超参数见表2。

表2 ResNet101网络参数表

图5 Faster R-CNN结构图

RPN网络是一种区域建议网络，该网络可对特征图进行卷积操作，从而生成不同尺寸比例的锚点作为检测的候选区域，其网络架构如图6所示。

图6 分类回归网络结构图

分类回归网络主要用于评估筛选所有候选区域前景置信度和锚框尺寸调整系数，其网络结构如图7所示。

图7 分类回归网络结构图

3.3 优化算法

该网络损失函数为Fast R-CNN网络与RPN网络2部分组成，Fast R-CNN网络损失函数为：

式中：Lcls和Lloc分别对应分类损失函数和定位损失函数；λ是一个超参数，用来平衡分类损失和定位损失的权重；p为分类器预测的softmax概率分布p=(p0,···,pk)；u为对应目标真实类别标签；tu为对应边界框回归器预测的对应类别u的回归参数v对应真实目标的边界框回归参数(vx,vy,vw,vh)；[u≥1]为艾佛森括号。

RPN网络损失函数包括候选框定位和分类2部分：

式中：pi为预测框内有物体的预测概率；p*i为预测框内有无物体的标签；ti为预测的bounding box 的4点坐标(tx,ty,tw,th)；ti*为标注的ground truth bounding box 的4点坐标；Ncls为样本总数量；Nreg为feature map的尺寸；λ为权重超参数。其中，分类损失函数为：

候选框定位损失函数为：

因此，总损失函数为上述三者4部分的加总。

在反向传播过程中，所使用的优化算法为Momentum。设小批量随机梯度为gt，学习率为λt，时间步t的自变量为xt。在t= 0时，创建速度变量v0，并将其元素化为0。在时间步t＞ 0时，对每次迭代的步骤做如下修改：

式中：参数γ满足0 ≤γ≤ 1。在γ= 0时，Momentum等价于小批量随机梯度下降。

4 模型训练与性能测试

4.1 模型训练

模型训练平台为一台配备Intel(R) Core (TM) i7-6700 K CPU和NVIDIА GeForce GTX 1080 GPU的pc电脑，采用Windows10操作系统，搭建了Tensorflow深度学习，采用python作为编程语言。

图8 ～图12为网络5种损失函数曲线，都呈下降趋势。其中，图8为整个网络的损失函数曲线，图9为RPN网络候选框定位损失函数曲线，图10为RPN网络分类损失函数曲线，图11为Fast R-CNN网络候选框定位损失函数曲线，图12为Fast R-CNN网络分类损失函数曲线。5种损失函数曲线都符合如下趋势：训练集损失函数曲线前期训练下降速率较快，随着训练轮次的增加，损失函数曲线逐渐趋于平缓，最后收敛于一个较小值；测试集损失函数曲线整体呈下降趋势，但在前期轮次中表现为在训练集损失函数曲线附近剧烈波动，后期波动幅度减小，逐渐逼近收敛于训练集损失函数曲线收敛值。二者趋势相同，收敛值相近，证明网络性能及拟合泛化程度良好。

图8 网络总损失函数曲线

图9 RPN网络候选框定位损失函数曲线

图10 RPN网络分类损失函数曲线

图11 Fast R-CNN网络候选框定位损失函数曲线

图12 Fast R-CNN网络分类损失函数曲线

4.2 性能测试

为了进一步验证模型用于钎缝缺陷智能识别的准确和泛化能力，利用前期构建的测试集（100张原始DR图像）对其进行了测试，图13为模型自动识别的钎缝缺陷。

图13 自动识别的典型缺陷

为了评价模型的泛化能力，以人工识别结果作为基准来评价模型的识别准确性，按照缺陷类型分别计算精度、召回率、正确率3个指标来评判模型准确性。

式中：P为精度；R为召回率；A为正确率；TP为预测为正的正样本数；TN为预测为负的负样本数；FP为预测为负的正样本数；FN为预测为正的负样本数；PP为正样本数；NN为负样本数。

通过对100张DR数字图像进行模型缺陷判定和人工判定缺陷对比，对于外壁未焊上的召回率为98.9%，精度为96.7%，正确率为95.6%；内壁未焊上的召回率为98.4%，精度为96.5%，正确率为94.9%；钎料堆积的召回率为98.2%，精度为98.8%，正确率为97.0%；通道堵塞的召回率为99.0%，精度为98.4%，正确率为97.4%。内壁未焊上与外壁未焊上的准确率相对较低的原因在于这2种缺陷的形态较为相似，在人工标注时存在一定争议，后续可通过进一步优化缺陷标注标准来提升模型的泛化能力。