[发明专利]一种基于Mask-RCNN网络的焊缝识别方法、装置、设备及可读存储介质

说明书

本申请公开了一种基于Mask‑RCNN网络的焊缝识别方法，该方法在提取焊缝图像中的特征信息，获得初始特征图后，首先确定焊缝在初始特征图中的真实角度和预设的基准角度的差值；进而根据差值旋转变换初始特征图中的焊缝的角度，以使焊缝的角度和预设的基准角度一致，从而获得目标特征图；最后对目标特征图进行识别，得到焊缝的识别结果。该方法在识别过程中，修正了焊缝在图像中的角度，使被识别的焊缝总是具有相同的角度，从而克服了Mask‑RCNN网络丢失有方向信息的特征的缺陷，提高了焊缝识别的效率和准确性，以及计算机的运行性能和处理效率。本申请公开的一种基于Mask‑RCNN网络的焊缝识别装置、设备及可读存储介质，同样具有上述技术效果。

技术领域

本申请涉及图像识别技术领域，特别涉及一种基于Mask-RCNN网络的焊缝识别方法、装置、设备及可读存储介质。

背景技术

随着制造业自动化进程的推进，金属焊接自动化成为了生产过程中不可或缺的环节。为满足焊接自动化的要求，需要实时获取焊缝的图像，并基于焊缝的图像对焊缝的形状和位置进行识别和检测。

在现有技术中，识别焊缝图像的方法包括：基于模式识别的焊缝识别方法和基于深度学习网络的焊缝识别方法。其中，基于模式识别的焊缝识别方法的计算速度快，但是识别结果容易受光照、焊缝大小等客观因素的影响，识别结果的准确率差强人意。当基于深度学习网络识别焊缝，一般采用 Mask-RCNN(Mask-Regions with Convolutional NeuralNetworks)网络对焊缝图像进行识别，Mask-RCNN网络识别焊缝需借助计算机实现，其能够克服客观因素对于识别结果的影响；但Mask-RCNN网络不具有旋转不变性，即： Mask-RCNN网络对具有方向信息的特征不敏感，在处理过程中会导致具有方向信息的特征丢失，从而也会降低识别结果的准确性，还会降低计算机的运行性能和处理效率。

需要说明的是，Mask-RCNN网络一般包括：卷积网络层，区域提取网络层和全卷积神经网络层；卷积网络层用于提取图像特征信息，区域提取网络层用于根据图像特征信息预测焊缝位置，全卷积神经网络层用于识别图像，输出识别结果的焊缝的掩模图像。

因此，若采用Mask-RCNN网络识别焊缝图像，如何提高识别效率和准确率，是本领域技术人员需要解决的问题。

发明内容

有鉴于此，本申请的目的在于提供一种基于Mask-RCNN网络的焊缝识别方法、装置、设备及可读存储介质，以实现在采用Mask-RCNN网络识别焊缝图像时，提高识别效率和准确率。其具体方案如下：

第一方面，本申请提供了一种基于Mask-RCNN网络的焊缝识别方法，包括：

获取焊缝的图像，并利用Mask-RCNN网络中的卷积网络层和区域提取网络层处理图像，得到图像的初始特征图；

确定焊缝在初始特征图中的真实角度和预设的基准角度的差值；

根据差值旋转变换初始特征图中的焊缝的角度，获得目标特征图；焊缝在目标特征图中的角度和基准角度一致；

对目标特征图进行识别，得到焊缝的识别结果。

优选地，利用Mask-RCNN网络中的卷积网络层和区域提取网络层处理图像，得到图像的初始特征图，包括：

利用卷积网络层中的不同尺度的残差网络模块提取图像的特征信息，并对每个残差网络模块提取到的特征信息进行池化操作，得到不同尺度的第一特征图；

融合不同尺度的第一特征图，得到三个尺度的第二特征图；

利用区域提取网络层对三个尺度的第二特征图分别进行卷积操作，获得初始特征图。

优选地，利用卷积网络层中的不同尺度的残差网络模块提取图像的特征信息，并对每个残差网络模块提取到的特征信息进行池化操作，得到不同尺度的第一特征图，包括：