[发明专利]基于残差网络的焊接接头缺陷检测方法及装置

说明书

本发明涉及一种基于残差网络的焊接接头缺陷检测方法、装置、介质以及电子设备，该方法包括：获取待检测的焊接接头图像，将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，将焊接接头特征图并行输入至残差主干网络和注意力分支网络，获取主干特征图以及对应的注意力权重掩码，将主干特征图以及对应的注意力权重掩码进行融合，获取注意特征图，通过全局最大池化和全局平均池化层将注意特征图进行池化，得到池化结果，将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，提高了焊接接头缺陷检测的精度和准确度。

技术领域

本发明涉及工业缺陷检测技术领域，特别是涉及一种基于残差网络的焊接接头缺陷检测方法、装置、存储介质以及电子设备。

背景技术

焊接，也称作熔接，是一种以加热、高温或者高压的方式接合金属或其他热塑性材料如塑料的制造工艺及技术，焊接接头是指两个或两个以上零件要用焊接组合的接点。焊接缺陷，是指在对目标部件进行焊接的过程中，焊接接头部位形成的缺陷，常见的焊接缺陷包括接起皱、接头之间的混合、焊接不足和过度焊接等，焊接缺陷出现的原因也有很多种，这些原因例如目标部件没有清理干净、温度和湿度等。为了确保焊接接头无焊接缺陷，视觉检测系统以其便捷性和低成本在焊接缺陷检测中发挥着至关重要的作用。

视觉检测系统中的传统方法，如统计模式识别、专家系统和人工监控，由于受到对检测员的培训、对专家经验的需求、以及对工作条件的适应性不足等限制，不能满足工业上自动化生产线的高生产率要求。而卷积神经网络(CNN)通过直接从数据中自动提取特征，效率高，这使得它在工业检测中应用广泛。

由于普通卷积神经网络中的参数有数千甚至更多，需要大量数据集进行训练。然而，在工业检验中，并非所有收集到的数据都是训练需要的理想样本数据，进而导致应用普通卷积神经网络对焊接接头进行缺陷检测的精度低。同时，现有技术仅仅采用焊接接头是否合格的缺陷分类，导致焊接接头缺陷检测的准确度低。

发明内容

基于此，本发明的目的在于，提供一种基于残差网络的焊接接头缺陷检测方法、装置、存储介质以及电子设备，其具有提高焊接接头缺陷检测精度和准确度的优点。

根据本申请实施例的第一方面，提供一种基于残差网络的焊接接头缺陷检测方法，包括如下步骤：

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。

根据本申请实施例的第二方面，提供一种基于残差网络的焊接接头缺陷检测装置，包括：

获取模块，用于获取待检测的焊接接头图像；

第一输入模块，用于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；

建立和训练模块，用于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；

第二输入模块，用于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；