Um das Problem der geringen Genauigkeit bei der Segmentierung von Schweißnahtfehlern auf Röntgenfilmen und verschwommener Grenzinformationen zu lösen, wird in diesem Artikel ein verbessertes Segmentierungsmodell Dilated_Pooling_Unet (DP_Unet) vorgestellt. Zunächst wird zwischen Down- und Upsampling ein Encoder-Decoder-Informationsmodul DP_block eingefügt, das darauf abzielt, die ursprünglichen Defektsemantikinformationen nach dem Downsampling maximal zu erhalten und Verluste durch aufeinanderfolgende Faltungs- und Pooling-Operationen zu reduzieren; anschließend wird dem Modell ein GAM-Aufmerksamkeitsmechanismus hinzugefügt, der sich auf die Schweißnahtdefekte konzentriert, die Lernfähigkeit der Defektmerkmal-Kanäle effektiv verbessert und den Einfluss von Hintergrundrauschen verringert; schließlich wird eine hybride Verlustfunktion vorgeschlagen, die binäre Kreuzentropie und DiceLoss kombiniert, um das Ungleichgewicht der positiven und negativen Daten während des Netzwerktrainings zu lösen. Der experimentelle Datensatz besteht aus dem öffentlichen GDX-ray-Fehlerdatensatz. Die experimentellen Ergebnisse zeigen, dass die vorgeschlagene Methode auf dem GDX-ray-Datensatz gute Ergebnisse erzielt, wobei der Dice-Wert 93,45 % erreicht und im Vergleich zu den Basisalgorithmen deutlich verbessert wurde. Diese Methode weist eine gute Segmentierungsleistung auf, übertrifft traditionelle Segmentierungsalgorithmen und verbessert effektiv die Segmentiergenauigkeit von Schweißnahtfehlern auf Filmen.

Schweißinspektion;Fehlersegmentierung;DP_Unet;Aufmerksamkeitsmechanismus