一种基于深度学习的焊接机器人的焊缝识别方法技术

本发明专利技术公开了一种基于深度学习的焊接机器人的焊缝识别方法，包括：获取焊缝的样本图像集；建立卷积‑反卷积神经网络的模型；模型包括卷积神经网络和反卷积神经网络，通过卷积神经网络提取待识别焊缝的图像特征，通过反卷积神经网络获取待识别焊缝的语义表达式；卷积神经网络包括具有卷积核的卷积层，卷积核的采样点位置均设置偏移变量，以实现卷积核采样点根据待识别焊缝的特征自适应变化；利用样本图像集训练模型，得到卷积‑反卷积神经网络；将获取的待识别焊缝的图像输入卷积‑反卷积神经网络，得到待识别焊缝的分割图片和分割图片所对应的焊缝类型。上述焊缝识别方法，能够极大提高焊缝识别的精度和效率。

A Weld Seam Recognition Method Based on Deep Learning for Welding Robot

【技术实现步骤摘要】
一种基于深度学习的焊接机器人的焊缝识别方法
本专利技术涉及图像处理
，特别涉及一种基于深度学习的焊接机器人的焊缝识别方法。
技术介绍
目前，针对船舶、集装箱和海洋装备等大型设备的生产制造需要巨大的焊接作业量，组成这些焊接构件的结构往往比较复杂，且焊接材料的厚度、大小和长短不一，从而造成了不同大小、不同尺寸、不同形状和空间位置不同的焊缝。在识别的过程中，环境复杂、恶劣和多变，这给焊缝识别带来一定的挑战。在进行焊接的过程中，不同的焊缝类型对应的焊接参数设置也不同，错误的焊接参数设置易使得焊接缺陷的出现，从而影响整个生产。传统的焊接工艺大多是由人工来完成的；近年来，由于工业自动化技术不断提高，机器人被大量用于焊接领域。与此同时，现有的焊缝识别技术，多采用结构光和激光进行辅助检测，或者对焊缝板材的纹理区分度要求较高，在复杂的工业环境下识别率和识别速度不高，因此，在智能焊接领域，为机器人开发出一套能精准、高效识别焊缝并能获取焊缝位置信息的算法，是该行业热点研究方向之一。
技术实现思路
本专利技术的目的是提供一种基于深度学习的焊接机器人的焊缝识别方法，能够极大提高焊缝识别的精度和效率，进而提高本文档来自技高网...

【技术保护点】
1.一种基于深度学习的焊接机器人的焊缝识别方法，其特征在于，包括：获取焊缝的样本图像集；建立卷积‑反卷积神经网络的模型；所述模型包括卷积神经网络和反卷积神经网络，通过所述卷积神经网络提取待识别焊缝的图像特征，通过所述反卷积神经网络获取待识别焊缝的语义表达式；所述卷积神经网络包括具有卷积核的卷积层，所述卷积核的采样点位置均设置偏移变量，以实现所述卷积核采样点根据待识别焊缝的特征自适应变化；利用所述样本图像集训练所述模型，得到所述卷积‑反卷积神经网络；将获取的待识别焊缝的图像输入所述卷积‑反卷积神经网络，得到待识别焊缝的分割图片和所述分割图片所对应的焊缝类型。

【技术特征摘要】
1.一种基于深度学习的焊接机器人的焊缝识别方法，其特征在于，包括：获取焊缝的样本图像集；建立卷积-反卷积神经网络的模型；所述模型包括卷积神经网络和反卷积神经网络，通过所述卷积神经网络提取待识别焊缝的图像特征，通过所述反卷积神经网络获取待识别焊缝的语义表达式；所述卷积神经网络包括具有卷积核的卷积层，所述卷积核的采样点位置均设置偏移变量，以实现所述卷积核采样点根据待识别焊缝的特征自适应变化；利用所述样本图像集训练所述模型，得到所述卷积-反卷积神经网络；将获取的待识别焊缝的图像输入所述卷积-反卷积神经网络，得到待识别焊缝的分割图片和所述分割图片所对应的焊缝类型。2.根据权利要求1所述的焊缝识别方法，其特征在于，全部所述偏移变量形成偏移层，所述卷积神经网络还包括激活层和池化层，所述反卷积神经网络包括所述偏移层、所述激活层和所述卷积层。3.根据权利要求2所述的焊缝识别方法，其特征在于，所述通过反卷积神经网络获取待识别焊缝的语义表达式，包括：利用所述反卷积神经网络的四组上采样层进行信息还原，将由所述池化层所池化的信息按照索引记录进行位置回归，并将索引之外的...

【专利技术属性】
技术研发人员：王涛，孙振，倪浩敏，萧堪鸿，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44