[发明专利]基于残差网络的焊接接头缺陷检测方法及装置

权利要求书

1.一种基于残差网络的焊接接头缺陷检测方法，其特征在于，包括：

获取待检测的焊接接头图像；

将所述焊接接头图像输入到卷积神经网络，得到焊接接头特征图；

建立并训练深度学习网络，获得焊接接头缺陷检测模型；所述焊接接头缺陷检测模型包括残差主干网络和注意力分支网络；

将所述焊接接头特征图并行输入至所述残差主干网络和所述注意力分支网络，获取主干特征图以及对应的注意力权重掩码；

将所述主干特征图以及对应的注意力权重掩码进行融合，获得注意特征图；

通过全局最大池化和全局平均池化层将所述注意特征图进行池化，得到池化结果；

将所述池化结果输出到全连接层进行分类，得到焊接接头缺陷的检测得分。

2.根据权利要求1所述的基于残差网络的焊接接头缺陷检测方法，其特征在于，所述残差主干网络包括依次连接的第一残差子网、第二残差子网和第三残差子网；

所述将所述焊接接头特征图并行输入至所述残差主干网络和所述注意力分支网络，获取主干特征图以及对应的注意力权重掩码，包括：

将所述焊接接头特征图输入至所述第一残差子网进行第一深度卷积处理，生成尺寸为所述焊接接头特征图尺寸1/2的第一特征图；

将所述第一特征图输入至所述第二残差子网进行第二深度卷积处理，生成尺寸为所述焊接接头特征图尺寸1/4的第二特征图；

将所述第二特征图输入至所述第三残差子网进行第三深度卷积处理，生成尺寸为所述焊接接头特征图尺寸1/8的所述主干特征图；其中，所述第二特征图的深度为所述第一特征图的深度的2倍，所述主干特征图的深度是所述第二特征图的深度的2倍。

3.根据权利要求2所述的基于残差网络的焊接接头缺陷检测方法，其特征在于，

所述注意力分支网络包括第一注意力模块、第二注意力模块、以及第三注意力模块；

所述将所述焊接接头特征图并行输入至所述残差主干网络和所述注意力分支网络，获取主干特征图以及对应的注意力权重掩码，还包括：

将所述焊接接头特征图输入至所述第一注意力模块，生成所述第一特征图对应的第一注意力权重掩码；

将所述第一注意力权重掩码输入至所述第二注意力模块，生成所述第二特征图对应的第二注意力权重掩码；

将所述第二注意力权重掩码输入至所述第三注意力模块，生成所述主干特征图对应的注意力权重掩码。

4.根据权利要求3所述的基于残差网络的焊接接头缺陷检测方法，其特征在于，所述将所述主干特征图以及对应的注意力权重掩码进行融合，获得注意特征图，包括：

将所述注意力权重掩码中每个权重参数的值与所述主干特征图中每个元素的值做矩阵的乘积，获得赋予权重后的新特征图；

将所述新特征图每个元素的值加上所述主干特征图相同位置对应的每个元素的值，获得注意特征图；其中，计算公式为：

F_i，j，c(x)＝(1+A_i，j，c(x))*B_i，j，c(x)

其中，F_i，j，c(x)表示所述注意特征图，B_i，j，c(x)表示所述主干特征图，A_i，j，c(x)表示所述注意力权重掩码，A_i，j，c(x)*B_i，j，c(x)表示所述新特征图，i，j表示所述主干特征图和所述注意特征图中元素的空间位置，c是所述主干特征图和所述注意特征图中输出通道的索引。

5.根据权利要求1所述的基于残差网络的焊接接头缺陷检测方法，其特征在于，所述建立并训练深度学习网络模型，获得焊接接头缺陷检测模型，包括采用alpha损失函数进行训练，所述alpha损失函数公式为：

其中，是预测分数，而y是标记分数，α是超参数。