[发明专利]基于DCGAN显著特征样本扩大预处理的塑料件焊缝检测方法

说明书

本发明公开了基于DCGAN显著特征样本扩大预处理的塑料件焊缝检测方法，包括以下步骤：1）数据采集，使用工业相机获取塑料件的焊缝图片；2）基于DCGAN显著特征样本扩大预处理；3）SE‑Alexnet卷积神经网络训练；4）进行识别检测，并输出检测结果。本发明基于对Alexnet网络中融合SE注意力模块提升对焊缝缺陷重要的特征通道，抑制作用不大的特征通道，提升了改进的焊接缺陷识别模型的识别率，减少了训练时间，使得模型的鲁棒性更强。

技术领域

本发明涉及塑料件焊缝评估技术领域，特别涉及基于DCGAN显著特征样本扩大预处理的塑料件焊缝检测方法。

背景技术

在工业制造技术领域，通常会涉及焊接工序，塑料件配件在本体上焊接所需的焊接工艺存在虚焊，焊接余量不均匀，焊接位姿不准确等问题，最终，影响产品质量和使用寿命，因此，在产品出厂之前，通常需要对焊缝质量进行检测，以剔除焊缝质量不合格的产品，从而提高产品良率。

目前的焊缝瑕疵无损检测方式主要有目视检测、超声波检测、图像检测三种。塑料件配件在本体上焊接质量检测工艺存在，自动化程度不高，效率低下，漏检，误检等问题。现有塑料件生产厂家大多采用人工检测或传统破坏性抽检方法，目视检测效率低且易遗漏，该方法难以满足大批量、高精密、快速检测的要求。超声波检测技术灵敏度高，穿透力强，比较适合于面积类缺陷问题的检测，但是超声波检测速度较慢，且其探头需要定期检测并根据情况选择不同的尺寸，提高了检测成本并延长了检测时间，并且近年来塑料件外部结构不断复杂化，焊接件不断增多，超声波检测难以满足生产节拍。机器视觉检测技术在效率、成本等方面具有显著优势，主要有单目视觉检测和双目立体视觉检测。最常用的是后者，其中采用基于视觉的深度学习塑料件焊缝缺陷检测具有较高的精度和良好的适应性。

传统的深度学习方法在待焊接工件焊缝轮廓的检测上具有较多的局限性。一者，传统的深度学习方法不做区分地检测出图像中所有特征进行提取；二者，传统的深度学习方法需要大量的训练样本训练来提高网络的准确性，而对现有的某一特定的塑料件的焊缝缺陷所提供的样本较少，使得传统算法将很难适应实际复杂多变的工业焊接环境，因此鲁棒性不好。2018年西安交通大学的姜洪权等人发明了一种基于改进LeNet-5模型的焊缝缺陷识别方法(专利授权公告号：CN108596892A)通过伪彩色变换技术并添加Gabor滤波器的卷积通道，使改进后神经网络既具有传统卷积核通道同时扩充了神经网络输入的信息量，提高神经网络特征提取能力，从而提高缺陷识别的正确率。其缺点是对整体特征进行提取，同时此网络需要大量的样本集训练，不适用于塑料件的实时焊缝检测。2019年浙江工业大学的胡克钢等人发明了一种基于卷积神经网络的焊接视觉检测方法及装置(专利授权公告号：CN112365501B)。此发明通过设计一种全方位传感器并搭建卷积神经网络模型对焊缝识别，提高了自动化焊缝缺陷识别的精度，能够实现对钢管内部焊缝的检测。其缺点是只是使用现有的原始卷积神经网络模型对钢管内部的焊缝进行检测，同样需要大量的样本集训练。2021年南京理工大学的赵壮等人发明了一种基于卷积神经网络的焊件轮廓检测算法(授权公告号：CN112365501B)此发明通过采用跳层连接并引入ASPP模块和注意力模块，降低引入的纹理信息，增强语义信息，并专注于目标的焊缝，提高了识别精度，并进一步提升了算法的性能。其缺点是网络模型较复杂，训练时间较长，同时需要大量的样本数据对网络进行训练，在塑料件生产过程中的实时焊缝评估过程中花费时间较长。

综上所述，以上方法虽然具有图像空间特征的学习能力，有效区分目标与非目标特征信息，可从众多焊缝图片样本中筛选出有用的焊缝边缘。但具体运用于塑料件的焊缝评估时，仍然存在一定程度的误检、断线、缺少样本训练集等问题。

发明内容

本发明的目的是克服现有技术缺陷，提供基于DCGAN显著特征样本扩大预处理的塑料件焊缝检测方法，提高了塑料件焊缝缺陷检测的准确率，减少训练时间，增强模型的鲁棒性。

本发明的目的是这样实现的：一种基于DCGAN显著特征样本扩大预处理的塑料件焊缝检测方法，包括以下步骤：