工程师评定论文提纲

2022-11-15

论文题目：基于深度学习的落锤撕裂试验断口的评定研究

摘要：落锤撕裂试验（Drop Weight Tear Test,DWTT）是评定管线钢材质量的重要手段之一,目前国内普遍采取使用游标卡尺测量试样断口的剪切面脆韧面积百分比作为评定钢材质量的标准。针对人工测量存在效率低、人为误差较大、不可复现的弊端,目前已有使用机器学习的方法对试样断口的脆韧区域进行分割的研究,但机器学习需要对训练数据进行特征提取,落锤撕裂试验中的特异性断口图像样貌复杂,其离散分布的小型脆性区域较多从而导致难以完全识别,这为进行落锤撕裂试验断口图像的评定研究带来困难。深度学习可以通过自动学习DWTT试样断口的图像特征和像素间的关联关系,从简单的特征生成复杂特征,为纹理区域复杂、样貌多变的DWTT试样断口图像研究带来了更高效、准确的评定方法。本文基于深度卷积神经网络实现对落锤撕裂试验试样断口图像的训练,使用训练好的模型对DWTT试样断口中的脆性区域进行识别,进而对钢材进行评定研究。具体研究工作如下:（1）进行落锤撕裂试验断口图像的采集并设计了一种使用标注工具制作DWTT试样断口数据集的方法,对DWTT试样断口图像进行预处理和增强操作。使用Mask R-CNN、在基准网络加入残差模块的ResSegNet和U-net对数据集进行训练,并通过调整优化器算法和归一化方式等方法来优化网络结构。通过人工观测边缘轮廓分割效果和使用图像分割的评价指标分别从主观和客观角度对分割结果进行评定,实验结果表明本文使用卷积神经网络的分割准确率较高。（2）为了减少参数、降低内存消耗,提出使用通道分离和融合的深度可分离卷积作为下采样阶段提取DWTT试样断口特征的DSU-net对DWTT试样断口的研究方法,并在原有卷积层后加入组归一化层加强网络的鲁棒性。由于落锤撕裂试验断口图像的复杂纹理特征造成的脆韧性类别不均衡的问题,提出使用交叉熵损失函数和Dice损失函数进行对比实验,选择稳定性更强的损失函数作为代价函数。（3）为评定管线钢试样的韧断止裂能力,提出一种基于图像的计算试样断口的剪切面脆韧面积百分比的方法,通过和工程师测量的数值进行对比,本文提出的算法模型的计算结果和其测量结果误差仅在5%以内,证明了本文方法的准确度和有效性。实验结果表明本文使用的深度卷积神经网络对DWTT试样断口的分割精度较人工测量有所提高,证明了本文提出的优化后的算法能较好地对落锤撕裂试验断口图像进行像素级别的语义分割,提高了智能化水平,有一定落地于工业界企业项目的实际应用价值。

关键词：落锤撕裂试验;深度学习;图像分割;轻型网络

学科专业：计算机应用技术

摘要

Abstract

1 绪论

1.1 研究目的及意义

1.2 国内外研究现状

1.2.1 传统人工测量手段和评定标准

1.2.2 基于机器学习的方法对DWTT试样断口的研究

1.2.3 基于形态学的方法对DWTT试样断口的研究

1.3 本文主要研究内容及安排

1.3.1 主要研究内容