[发明专利]基于卷积神经网络的焊接视觉检测方法及装置

摘要

一种基于卷积神经网络的焊接视觉检测方法，包括如下步骤：第一步，训练阶段，将训练样本输入卷积神经网络，获得卷积神经网络的连接权值和偏置值；第二步，测试阶段，读入焊接图像，对焊接图像采用数字图像处理技术进行预处理，提取出感兴趣区域，然后将感兴趣区域图像尺寸进行归一化处理后作为卷积神经网络的输入。以及提供一种基于卷积神经网络的焊接视觉检测装置，包括爬行机构、动力传动机构、视觉检测设备和焊缝缺陷检测分析系统。本发明提供一种提升自动化和智能化水平、有效提高检测的精度和速度的基于卷积神经网络的焊接视觉检测方法及装置。

主权项

1.一种基于卷积神经网络的焊接视觉检测方法，其特征在于：所述方法包括如下步骤：第一步，训练阶段，将训练样本输入卷积神经网络，获得卷积神经网络的连接权值和偏置值；第二步，测试阶段，读入焊接图像，对焊接图像采用数字图像处理技术进行预处理，提取出感兴趣区域，然后将感兴趣区域图像尺寸进行归一化处理后作为卷积神经网络的输入；所述卷积神经网络的结构为6层，包括依次连接的输入层，C1层、S2层、C3层、S4层和输出层，C1层、C3层为卷积层，S2层、S4层为下采样层，输入层为大小为28*28像素的图像，C1层由6个大小为24*24像素的特征map构成，S2层由6个大小为12*12像素的特征map构成，C3层由12个大小为8*8像素的特征map构成，S4层由12个大小为4*4像素的特征map构成，输出层包括6个一维向量，分别表示6类焊缝缺陷：(1)裂纹；(2)未焊透；(3)未熔合；(4)条状夹渣；(5)球状夹渣；(6)气孔；C1层经过5×5的卷积模板卷积后，6个特征图的大小均为24*24，特征图中每个神经元与输入中5×5的卷积模板相连，每个滤波器5×5共25个元参数和一个偏置参数，共6个滤波器，共6×(5×5+1)＝156个可训练参数，共有156×(24×24)＝89856个连接；S2层经下采样后得到6个12×12的特征图，特征图中的每个单元与C1中对应特征图的2×2邻域连接，S2层每个单元的4个输入相加，乘以一个可训练参数，再加上一个可训练偏置；结果通过Sigmoid函数计算，函数如下：下采样相当于模糊图像，使用2×2模板时不重叠，因此S2中每个特征图的大小是C1中特征图大小的1/4；每一个子采样特征图需要训练2个参数，S2共有6×2＝12个参数需要训练，共有6×(2×2+1)×(12×12)＝4320个连接；C3层也是一个卷积层，它跟C1有类似的地方，但也有一定的差别，它同样通过5×5的卷积核去卷积层S2，然后得到的特征map就只有8×8个神经元，但是它有12种不同的卷积核，所以就存在12个特征map，这里需要注意的一点是：C3中的每一个特征map是连接到S2中的所有6个或者几个特征map的，表示每一层的特征map是上一层提取到的特征map的不同组合，C3层共有12个特征图，其中5个特征图抽取S2层中3个相邻的特征图子集信息；4个特征图抽取S2中4个相邻特征图子集信息；2个抽取不相邻的4个特征图子集信息，1个抽取S2中所有特征图组合信息，最理想的是12个特征图抽取的特征是互补的；这样C3层有(5×5)×45+12＝1137个可训练参数和1137×8×8＝72768个连接；S4层是一个下采样层，由16个4×4大小的特征图构成，特征图中的每个单元与C3中相应特征图的2×2邻域相连接，跟C1和S2之间的连接一样，S4层有2×12＝24个可训练参数和(2×2+1)×12×(5×5)＝1500个连接；输出层是与S4的一个全连接层，S4有12×4×4＝192个神经元，每一个神经元都与输出的一个神经元相连，输出层共有6个神经元(焊缝缺陷种类)，所以共有192×6＝1152个连接。