[发明专利]基于特征分割的焊缝跟踪方法

说明书

本发明涉及一种基于特征分割的焊缝跟踪方法，步骤为：1.采集熔池图像，对熔池图像进行ROI选择。2.采用ERFNet的Encoder‑Decoder分割网络结构进行熔池图像分割，使用语义分割常用的交叉熵损失函数，融合全局特征信息，并在主干网络中加入金字塔池化模块。本发明对现有的ERFNet的网络结构和损失函数进行了改进，网络结构上参考UNet对高层特征和底层特征进行多尺度特征融合，损失函数上用Focal Loss代替交叉熵损失函数。避免激光条纹中心线出现断线、焊接特征点偏差过大等问题。有效提升特征提取算法的性能，准确提取各层各道焊缝的激光条纹中心线和焊缝特征点，不损失算法的效率，保证焊缝跟踪对实时性的要求。

技术领域

本发明涉及一种基于特征分割的焊缝跟踪方法，属于焊接自动化技术领域。

背景技术

增材焊接不仅应用在坡口填充的任务中，还能更广泛地应用在通过逐层堆积的焊接方法快速成型实体零件，利用其加工周期短、成型速率快和材料利用率高的优点，实现具有复杂几何形状和结构的零件的快速制造。随着增材制造技术在航空航天、国防军工、汽车制造、电子产品以及生物医疗等重要领域的应用越来越广泛，金属零部件快速成型的需求也越来越大，所以将焊缝跟踪技术应用于金属零部件快速成型任务中具有重要的战略意义。

从大坡口增材焊缝跟踪实验中可以得知，通过焊缝跟踪系统采集到的激光条纹图像中只有激光条纹轮廓线是有效信息，因此在ERFNet训练过程中会出现正负样本不均衡的问题，同时由于在平板增材焊接中焊接层数与焊接道数都远大于大坡口填充实验，所以高层焊缝的激光条纹特征会更加不明显，因此直接将ERFNet应用在平板增材焊缝特征提取实验中会导致激光条纹中心线出现断线、焊接特征点偏差过大等问题。需要对ERFNet的网络结构和损失函数进行改进，在网络结构上参考UNet对高层特征和底层特征进行多尺度特征融合，在损失函数上用Focal Loss代替交叉熵损失函数，则可以避免这些问题。

在深度卷积神经网络中，根据感受野的理论，低层特征图分辨率更高，包含更多的位置、细节信息，但是由于经过的卷积运算更少，所以语义信息更低，噪声更多，而高层特征图具有更强的语义信息，但是由于经过更多的卷积运算，所以分辨率很低，对图像细节的感知能力较差。根据特征图的这种特性，可以采用多尺度特征融合的方式提升网络获取图像中特征信息的能力。

多尺度特征融合是将具有丰富空间特征的低层特征图与具有丰富语义信息的高层特征图进行融合得到新的特征图，使得新的特征图同时具有高分辨率和高语义信息的特点，这一方法在目标检测和语义分割领域中被广泛的应用。

本发明在ERFNet的网络结构上便参考UNet网络进行了改进，采用多尺度特征融合的方式提升网络提取激光条纹中心线和焊接特征点的效果。UNet的网络结构与ERFNet相同，也是一种基于Encoder-Decoder结构的算法，但是在UNet中利用Concat操作将编码器和解码器中尺寸相同的特征图进行拼接，使得网络在上采样的过程中能够获取到更多的空间信息与语义信息，从而提升分割的精度。

本发明直接将对应的特征图相加实现多尺度特征融合，原因在于使用Concat操作进行特征叠加会增加特征通道数，导致计算量增大，减慢算法提取激光中心线和焊接特征点的速度，因此为了保证本方法算法的实时性与可靠性，采用对应特征图直接相加的方式实现多尺度特征融合。

发明内容

为了解决上述技术问题，本发明提供一种基于特征分割的焊缝跟踪方法，其具体技术方案如下：

一种基于特征分割的焊缝跟踪方法，其特征在于：包括如下步骤：

步骤S1：采集熔池图像，对熔池图像进行ROI选择；