一种基于深度学习的焊缝及焊缝缺陷检测方法技术

本发明专利技术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。

A Deep Learning Based Method for Detecting Weld and Weld Defects

The invention discloses a seam and weld defect detection method based on in-depth learning, which uses YOLOV3 network to realize seam and/or weld defect detection; the training steps of the network include: selecting and marking the workpiece image by using the positioning frame as the training data set; selecting and marking the weld defect type by using the positioning frame as the training data set; and selecting and marking the weld defect type by using the positioning frame as the training data. Set I; Obtain the coordinates xp, YP of the positioning frame, as well as the wide and high size WP and hp; Initialize the network; Random call the input tensor AJ for training calculation and output the test results; Use the test results to calculate the error function loss of the prediction results; Combine the gradient descent method to adjust the weight W and bias value b, so as to get the trained network; This method, for many welds, a variety of defects. Synchronized type detection can realize seam identification, location and defect detection in one measurement, which can effectively improve the efficiency and accuracy of measurement.

【技术实现步骤摘要】
一种基于深度学习的焊缝及焊缝缺陷检测方法
本专利技术涉及缺陷检测领域，具体涉及一种基于深度学习的焊缝及焊缝缺陷检测方法。
技术介绍
随着自动化技术的发展，工业焊接机器人在加工制造领域得到了广泛的应用，已经成为主要的自动化设备，新型工业焊接机器人使用远程激光焊接技术，克服了传统焊接受到的限制(如弧焊机器人姿势的限制、电焊枪受到工件大小的限制)，具有工件焊接速度快，造成的热变形小的优点。与之相对的，需要一种高效的焊缝质量检测方法以匹配加工节拍要求，常规的结构光式传感器测量精度高，能够测量三维参数，其扫描式的工作方式对焊接后工件上多焊缝质量检测测量效率较低[郭吉昌,朱志明,于英飞,等.焊接领域激光结构光视觉传感技术的研究及应用[J].中国激光,2017(12)]；另一种解决思路是去除结构光特征，以图像灰度结合图像处理技术检测焊缝缺陷，[焦敬品,李思源,常予,等.一种基于灰度图像形态学的焊缝表面缺陷特征提取方法，CN105976352A,2016.]，利用灰度图像形态学处理方法，以边缘检测提取焊缝感兴趣区域(ROI)，再以ROI内灰度值变化特征判断焊缝缺陷类型，但该方法需要设置固定的全局二值本文档来自技高网...

【技术保护点】
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...

【技术特征摘要】
1.一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；其特征在于：进行焊缝和/或焊缝缺陷检测的YOLOV3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YOLOV3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YOLOV3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YOLOV3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YOLOV3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+lossclassesλcoord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...

【专利技术属性】
技术研发人员：赵进，崔鹏飞，郭磊，
申请(专利权)人：易思维杭州科技有限公司，
类型：发明
国别省市：浙江,33