[发明专利]一种基于深度学习网络的焊缝缺陷识别定位方法、系统

权利要求书

1.一种基于深度学习网络的焊缝缺陷识别定位方法，其特征在于，包括如下步骤：

S1：获取含有气孔、夹渣、裂纹、未熔合和未焊透缺陷的焊缝缺陷射线图像，将其中的部分图像作为训练数据集，其余图像作为测试数据集；

S2：对测试数据集或训练数据集中的图像进行归一化预处理，预处理后得到关于焊缝缺陷图像的分辨率统一的图块；

S3：构建用于对焊缝缺陷图像进行识别与定位的识别定位网络模型；所述识别定位网络模型包括特征提取模块、目标检测模块和输出模块；所述识别定位网络模型以整体图像作为输入数据，输入的图像被分割成N×N网格，分割出的每个单元格负责检测中心点落在该网格内的目标，并直接对生成的anchor进行分类和定位；其中，所述特征提取模块采用结合CSPNet网络和DensNet网络的CSPDens_block模块，将CSPDens_block模块应用到主干网络中实现对射线焊缝缺陷图像的特征提取；所述目标检测模块采用PANet中的FPNbackbone和Bottom-up path augmentation实现浅层特征和深层特征的融合；所述输出模块采用YOLOv4中的YOLO层实现多尺度目标的分类和回归；并通过将计算得到的置信度较高的边界框进行NMS处理，得到最终检测结果；

S4：利用所述识别定位网络模型对预处理后焊缝缺陷图像进行检测和处理，并输出预测结论；过程包括如下步骤：

S41：利用识别定位网络中的特征提取模块对焊缝缺陷图像中的浅层特征和深层特征进行提取；

S42：利用目标检测模块并采用图像梯度上升法将不同层提取出的特征与原始图像进行重构，得出富含细节信息的低层特征和富含语义信息的高层特征，并通过目标检测模块中的FPN backbone和Bottom-up path augmentation实现横向和纵向短连接；

S43：从特征提取模块中的CSPDens_bolck中提取特征，并对不同分辨率的分支进行两倍上采样操作，将上采样后的特征层与浅特征层进行级联，在多个尺度的融合特征图上分别作独立的检测；

S44：在输出模块的YOLO中引入了anchor机制，使用K-means聚类方法来获取anchor值，使得网络训练的初始化阶段得到更符合待检测对象本身的参数；最后采用极大值抑制算法将不同尺度上提取得到的目标位置和类别信息进行结合，得到最终的检测结果；

S5：调整网络模型训练的参数，采用步骤S4中的方法和步骤S2得到的预处理后的训练数据集，对步骤S3中的识别定位网络模型进行训练，直至达到所需的训练终止条件；

定义训练网络的损失函数包含三部分：边界框损失、置信度损失和分类损失，其计算公式分别如下：

loss＝loss_coord+loss_conf+loss_class

其中，loss_coord表示边界框损失函数，其计算公式如下：

上式中：表示真实目标边界框中心的横坐标、纵坐标、宽度、高度的值，x_i,y_i,w_i,h_i表示预测目标边界框的横坐标、纵坐标、宽度、高度的值，S×S为划分网格数，B为每个网格预测边界框的数量，判断第j个边界框所在的第i个网格是否负责检测该缺陷，如果负责，则选择与真实边界框的DIOU值最大的负责；λ_coord是坐标预测的惩罚系数，其作用是在网络遍历整张图像时，每个网格不一定都包含目标缺陷，当不包含时置信度为0，这样会使得训练梯度跨越很大，导致最终模型不稳定，为了解决这一问题，在损失函数中设置超参数λ_coord，用以控制目标边框预测位置的损失；是网络训练收敛速度的调整参数，其中θ₁和θ₂是网络训练时设定的初始参数；

所述loss_conf表示置信度损失函数，其计算公式如下：

上式中：表示第i个网格中目标缺陷属于某一类别的的真实置信度，c_i为预测置信度，表示第i个网格的第j个边界框中不包含目标缺陷，λ_noobj表示网格中不包含检测目标时置信度的惩罚系数；

所述loss_class表示分类损失函数，其计算公式为：

上式中：c表示预测目标缺陷类别，表示第i个网格中目标属于某一类缺陷的真实概率值，p_i(c)表示第i个网格中目标属于某一类缺陷的预测概率值，表示第i个网格是否负责目标缺陷；

S6：基于获取的新的测试数据集，采用步骤S5中经过训练的识别定位网络进行焊缝缺陷结果的识别定位，并对网络模块的检测性能进行评估。