【技术实现步骤摘要】
一种基于改进卷积神经网络的焊缝缺陷识别方法
本专利技术属于焊缝缺陷自动识别
，具体涉及一种基于改进卷积神经网络的焊缝缺陷识别方法。
技术介绍
在焊缝缺陷自动识别领域，传统方法不可避免的要经历人工选取提取与特征的过程，该过程耗时费力，而且特征的选取是否合理具有很大的主观性，对于识别正确率有较大影响。卷积神经网络经典池化模型(最大池化模型和平均池化模型)在对不同特征分布的池化域进行特征提取时，缺乏动态自适应性，导致提取特征不精确。焊缝缺陷数据属于小样本、非海量的数据，而在非海量数据的情形下，卷积神经网络的学习不充分，从而使模型不能达到最优的特征选择。
技术实现思路
本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于改进卷积神经网络的焊缝缺陷识别方法，避免传统方法人工特征选择的过程；对神经网络的经典池化模型和特征选择方法做出改进，得到一种基于改进卷积神经网络的焊缝缺陷识别方法，将待识别焊缝图像送入训练好的深度神经网络，实现焊缝缺陷类型的自动识别。本专利技术采用以下技术方案：一种基于改进卷积神经网络的焊缝缺陷识别方法，建立综合考虑池化域与其所在特征图...
【技术保护点】
1.一种基于改进卷积神经网络的焊缝缺陷识别方法，其特征在于，建立综合考虑池化域与其所在特征图特征分布的池化模型，引入修正因子μ对最大池化特征进行修正；将ReliefF算法与神经网络相结合作为特征选择方法；构建具有上述池化模型和特征选择方法的深度卷积神经网络，以最小化代价函数为目标进行迭代，以训练形成焊缝缺陷识别神经网络，将待识别焊缝图像送入训练好的深度神经网络，实现焊缝缺陷类型的识别。
【技术特征摘要】
1.一种基于改进卷积神经网络的焊缝缺陷识别方法，其特征在于，建立综合考虑池化域与其所在特征图特征分布的池化模型，引入修正因子μ对最大池化特征进行修正；将ReliefF算法与神经网络相结合作为特征选择方法；构建具有上述池化模型和特征选择方法的深度卷积神经网络，以最小化代价函数为目标进行迭代，以训练形成焊缝缺陷识别神经网络，将待识别焊缝图像送入训练好的深度神经网络，实现焊缝缺陷类型的识别。2.根据权利要求1所述的一种基于改进卷积神经网络的焊缝缺陷识别方法，其特征在于，构建池化模型的具体步骤如下：S101、获取当前池化域的特征方差σP与池化域所在特征图的特征方差σFM；S102、构建综合考虑池化域与其所在特征图特征分布的池化模型。3.根据权利要求2所述的一种基于改进卷积神经网络的焊缝缺陷识别方法，其特征在于，步骤S102中，池化模型表达如下：其中：池化域大小为n×n，S为池化模型提取的池化特征，Fij表示输入特征图F在(i,j)处的特征值，σP为池化域内特征方差，σFM为池化域所在特征图方差，μ为修正因子。4.根据权利要求3所述的一种基于改进卷积神经网络的焊缝缺陷识别方法，其特征在于，修正因子μ为池化域内特征值之和与特征极差的差与特征值之和的比例，具体计算如下：μ＝(tsum-tmax+tmin...
【专利技术属性】
技术研发人员：姜洪权，高建民，王晓桥，王泉生，夏锋社，贺帅，程雷，李华，昌亚胜，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西,61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。