详情

原文传递一种基于深度学习的焊缝及焊缝缺陷检测方法

专利名称：	一种基于深度学习的焊缝及焊缝缺陷检测方法
摘要：	本发明公开了一种基于深度学习的焊缝及焊缝缺陷检测方法，采用YOLOV3网络实现焊缝和/或焊缝缺陷检测；网络的训练步骤：将工件图像利用定位框对焊缝进行框选、标记，作为训练数据集；将焊缝图像利用定位框对焊缝缺陷进行框选、标记缺陷类型，作为训练数据集I；获取定位框的坐标xp、yp，以及宽高尺寸wp、hp；初始化网络；随机调取输入张量aj进行训练计算，输出检测结果；利用检测结果计算预测结果的误差函数loss；结合梯度下降法调节权重W和偏置值b，如此循环，得到训练好的网络；本方法，对多条焊缝、多种缺陷类型同步检测，一次测量即可实现焊缝识别定位及缺陷检测，有效提高测量效率和精度。
专利类型：	发明专利
国家地区组织代码：	浙江;33
申请人：	易思维(杭州)科技有限公司
发明人：	赵进;崔鹏飞;郭磊
专利状态：	有效
申请日期：	2019-03-20T00:00:00+0800
发布日期：	2019-06-18T00:00:00+0800
申请号：	CN201910213482.1
公开号：	CN109900706A
分类号：	G01N21/88(2006.01);G;G01;G01N;G01N21
申请人地址：	310051 浙江省杭州市滨江区滨安路1197号3幢495室
主权项：	1.一种基于深度学习的焊缝及焊缝缺陷检测方法，采用YOLO V3网络实现焊缝和/或焊缝缺陷检测；其特征在于：进行焊缝和/或焊缝缺陷检测的YOLO V3网络经如下步骤进行训练： 1)将包含焊缝的工件图像利用定位框对焊缝进行框选、标记，多张此类图像作为训练数据集；将焊缝区域分割后形成的焊缝图像利用定位框对焊缝缺陷进行框选、标记缺陷类型，多张此类图像作为训练数据集I；获取定位框的坐标xp、yp，以及宽高尺寸wp、hp； 2)初始化设置YOLO V3网络的权重W、偏置值b、最大训练次数、学习率，按照输入图片尺寸要求将训练数据集/训练数据集I中的图像转化成输入张量aj，j＝1，2，3…m，m为训练数据集和训练数据I中图像的张数和； 3)所述YOLO V3网络随机调取输入张量aj进行训练计算，输出检测结果；利用所述检测结果计算预测结果的误差函数loss；结合梯度下降法调节权重W和偏置值b，再次随机调取输入张量aj在YOLO V3网络中进行计算，求取预测的误差函数loss，如此循环，直至检测结果的误差函数loss＜1或达到最大训练次数，输出此时对应的权重W，及偏置值b，得到训练好的YOLO V3网络；其中，检测结果的误差函数loss通过如下公式计算： loss＝λcoord·losscoord+lossIOU+lossclasses λcoord为检测结果中定位框的坐标误差的比例系数；检测结果中定位框的坐标为检测结果中定位框的宽高尺寸为为检测结果确定的定位框内存在焊缝或焊缝缺陷的置信度； Pp为检测结果确定的定位框内存在焊缝或焊缝缺陷的概率，存在时，Pp＝1，反之，Pp＝0；n为步骤1)中标记类型数；为检测结果确定的定位框内存在的焊缝或焊缝缺陷属于预定分类的概率。 2.如权利要求1所述基于深度学习的焊缝及焊缝缺陷检测方法，其特征在于：还包括步骤4)，利用不包括在训练数据集或训练数据集I内的图像作为测试图片集，所述测试图片集内的图像为多张包含焊缝的工件图像或焊缝区域分割后形成的焊缝图像；所述测试图片集内的图像采用了与训练数据集或训练数据集I内图像相同的处理方法进行了处理；所述测试图片集内的图像输入到训练好的YOLO V3网络，评估输出结果的正确率达到预设值时，此训练好的YOLO V3网络被用于正常焊缝/焊缝缺陷检测。 3.如权利要求1或2所述基于深度学习的焊缝及焊缝缺陷检测方法，其特征在于：步骤1)中对焊缝进行框选时，同时，框选焊缝的两个端点并标注。 4.如权利要求1或2所述基于深度学习的焊缝及焊缝缺陷检测方法，其特征在于：对所述训练数据集/训练数据集I中的图像进行旋转、镜像、添加噪声扰动，生成多幅类似图像，增加训练样本的数量，进行样本扩充。 5.如权利要求1或2所述基于深度学习的焊缝及焊缝缺陷检测方法，其特征在于：所述定位框为矩形框，其坐标xp、yp为定位框中心点或某端点的坐标。 6.如权利要求1或2所述基于深度学习的焊缝及焊缝缺陷检测方法，其特征在于：所述焊缝缺陷分4类，分别为凹陷、烧痕、空洞及气泡。 7.如权利要求1或2所述基于深度学习的焊缝及焊缝缺陷检测方法的应用，其特征在于：将检测结果中确定焊缝缺陷位置的坐标转换到世界坐标系下，反馈给机器人，机器人依据接收到的位置数据调节运动轨迹，带动焊枪对缺陷位置进行补充焊接。
所属类别：	发明专利