近期，我院博士生在计算机科学/跨学科应用领域的著名期刊《Computers in Industry》（影响因子：11.245）上发表了题为《A lightweight and accurate recognition framework for signs of X-ray weld images（一种用于X射线焊缝图像标识的轻量化高精度识别框架）》的研究论文，我院21级博士生刘默耘为第一作者，国家数控系统工程技术研究中心副教授谢经明为通讯作者。该研究团队在研究成果应用上还获得两项已授权的发明专利，分别为《基于Tiny-YOLO v3的焊缝胶片字符识别方法》（专利号：ZL202011457524.5），以及《一种焊缝缺陷多尺度特征提取装置及方法》（专利号：ZL202110503744.5）。
在无损检测行业中，X射线焊缝图像是保障设备安全的常用手段。特种设备等公司大多使用X射线进行投射，利用胶片感光形成焊接处的焊缝图像，为了更好地存储和查询，在工序中会利用金属的信息字符在X射线图像上标注图像生成时的方向和日期等信息，这些信息在制造业数字化溯源系统中起着至关重要的作用。由于焊缝图像中物体的尺度差异较大，因此常规的特征提取方法难以兼顾所有尺度的目标，进而无法实现理想的识别效果。基于深度学习的识别网络尽管有较高的性能和精度，但大量的参数和计算复杂度无法直接用于实时性要求较高的工业领域。
针对上述科学和工程问题，研究团队在研究论文中提出了一整套轻量化和高精度的X射线焊缝图像信息识别框架，该框架基于深度学习领域中的卷积神经网络以及轻量化设计等关键技术，取得了良好的精度和模型实时性。文中分别提出了一种面向方向信息标记的分类网络（GRNet），以及一种面向焊缝信息标记的检测网络（GYNet）。
识别框架整体结构设计
其中GRNet通过紧凑高效的设计完成了对图像姿态的纠正，提高了识别框架的整体运行效率，在极低的参数量和计算量的模型架构上达到了99.7%的准确率。GYNet则针对X射线焊缝图像中前景部分尺度变化较大的特点，提出了一种空间-通道增强（SCE）算法。由于待检测的焊缝信息目标尺寸相似，因此理论上在特征空间中只有某一个尺度对预测至关重要，SCE算法对不同空间维度的信息实现预备提取，并利用加权的注意力机制自适应地在通道维度上为更重要的尺度表征赋予更大的权重。论文通过大量对比实验，证明了所提出的框架在X射线焊缝信息检测领域中的性能优越性，其中包括高精度的准确率以及高响应的实时性，表现出良好的应用前景和实际工程价值，相关成果较好地推动了X射线图像无损检测领域中算法研究的发展。
空间-通道自适应加权调节算法
相关链接：
https://www.sciencedirect.com/science/article/pii/S0166361521001664
https://doi.org/10.1016/j.compind.2021.103559
学院微信公众号
