分析faster R-CNN在工业CT图像缺陷检测中的应用

薛帅

摘要：本文将通过对现阶段工业CT图像存在的测量方法和成像方面的问题以及检测技术方面的缺陷进行详细分析，结合faster R-CNN测量方法，阐述如何在现阶段工业CT图像中通过熟知faster R-CNN主要计算原理、了解faster R-CNN检测难点以及模型训练相结合的方式，灵活使用faster R-CNN。

关键词：faster R-CNN;工业CT;图像缺陷;检测应用

前言：

现阶段的工业CT图像是通过计算机扫描所成像的，虽然可以在对检测物体无损伤的情况下进行，但是还是存在一定的局限性。而相对于faster R-CNN而言，它是一个比较成功的目标检测算法，将两者相结合使用将会大大提升工作效率，完善工业CT呈现技术。

1现阶段工业CT图像存在的缺陷

1.1测量方法及成像方面

对于工业CT而言可以分为表面检测方法和内部检测的方法，而这其中又呈现出许多不同种类的测量及成像方式，但是也存在一定的局限性[1]。例如：超声检测（UT），虽然设备相对轻便，操作的安全度比较大也易于实现自动化的检测，但是不适合检测形状复杂的工件，易受杂乱反射波的影响。超声波衍射时差法（TOFD），虽然检测的敏感度比较高，能达到实时成像的效果，但是对缺陷处的走向不敏感，近表面存在一定的盲区。而像射线检测（RT）虽然成本较低，图像在成像的质量方面也比较高，但是对于胶片的成像以及存储的环境要求比较高，并且成像的时间也比较长。计算机X线照相（CR）虽然是数字化的图像，易于储存，IP板的可重复利用率也比较高，但是他的空间分辨率较低，因此在工作效率上就大打折扣。

1.2检测技术方面

工业CT常见的扫描分类有X射线断层扫描（XCT）、康普顿散射断层扫描（CST）、缪斯堡尔效应断层扫描（MCT）等。而涉及到的系统也较多，常见的有射线源、辐射探测器、样品扫描系统以及计算机系统（硬件和软件）等。相对于射线源种类的检测，X射线的能谱比较多色性，而这种连续能谱的X射线会造成能谱的硬化从而产生伪像情况的发生，会影响对图像的判断。而射线本身的能量又比较小，能够检测的物品也非常具有局限性。辐射探测器中的气体探测器的效率较低、应用存在一定的局限性。面探测器也同样存在效率过低，无法限制散射以及窜扰，高范围应用的效果比较差的问题。

2如何开展faster R-CNN在工业CT图像中的实际应用

2.1熟知faster R-CNN主要计算原理

faster R-CNN可以说是非常成功的将深度运用到目标检测的一种计算方式。它有区别于传统的工业CT图像的检测。它可以逐一考察检测目标的所有可能性，对所检测的目标出现的所有可能性区域进行提取，并通过图像识别的方式来进行分类，最终成功分类的区域将通过非极大值抑制的方式取得结果，而这种非最大值抑制的结果体现形式可以将边缘细化，也应用于减薄边缘当中。然后得出相关结论，并且这样得出的结论是成功的、可靠的。而这也是一种依靠计算机高速运算和精准度比较高的计算方式，延续了穷举法的特性。目前很多的工业材料存在着材质缺陷问题，导致只能靠人工检测，而局限性较大。而faster R-CNN在进行提取特征这一步时有区别于传统的尺度不变特征变换和方向梯度直方图特征的图像处理方法，转换成了深度卷积网络提取的特征。这样也比传统的工业目标检测要更精细、准确。faster R-CNN在计算时，首先要输入需要检测的图像，然后faster R-CNN再将整张的图像输入到卷积精神网络当中进行区域特征的提取，在通过风险顺序数生成建议窗口（proposals），每张图片都生成大约300个建议窗口，此过程也有助于衡量图像工艺方面的缺陷，以便于采取相关预防措施减少工艺变化，使后续工艺更加可靠。

2.2了解faster R-CNN检测难点

在目标检测的历史中RCNN将深度学习和检测目标结合在了一起，而从RCNN到FAST-RCNN再到faster R-CNN，存在着紧密的联系，也是一种不断进化的关系。所以这三种目标检测计算方式，都要了解其检测的难点及缺陷在哪里。以便日后在工业CT图像缺陷检测中的应用。RCNN作为基础，它的训练分为多个阶段，步骤相对复杂繁琐，训练的耗时也比较大，并且占用的磁盘空间也不少，5000张的图像就可以生成几百G的特征文件，这样的话速度就会比较慢。而它的测试速度也比较慢，每一个候选的区域需要运行整个前向卷积神经网络的计算。支持向量机和回归是事后的操作，在支持向量机和回归中卷积神经网络的特征没有被学习更新。而FAST-RCNN相比R-CNN在最后一层的卷积层后加了一个ROI pooling layer，其中损失函数使用了了多任务损失函数，将边框的回归直接加入到了卷积神经网络网络的训练当中。而大大改善了R-CNN的速度的问题，faster R-CNN又在FAST-RCNN的基础上将原来的Selective Search方法产生建议窗口替换成了Region Proposal Network，将原来的建议框数目从2000个改为300个。而其主要的检测难点就变成自然场景文本的检测，例如：自然场景中的背景光线、噪声等都会给检测造成难点，所以在灵活运用faster R-CNN的同时，要深度学习文本检测算法。

结语：总之，工业CT这种工业中常用的核成像技术存在普遍性，而faster R-CNN对于工业CT的图像运用帮助极大，只有不断学习，保持与时俱进的观念才能够不断优化工業CT图像技术。也希望工业CT图像得到faster R-CNN的帮助，系统将更加走向成熟。

参考文献：

[1]谭川东，何泳江，罗雪清，等.基于邻层数据匹配的工业CT图像生成G代码方法[J].仪器仪表学报，2021，42（4）：265-274.

[2]齐子诚，倪培君，张维国，等.工业CT检测中小缺陷定量方法[J].科学技术与工程，2021，21（3）：958-964.