基于DCGAN显著特征样本扩大预处理的塑料件焊缝检测方法技术

本发明专利技术公开了基于DCGAN显著特征样本扩大预处理的塑料件焊缝检测方法，包括以下步骤：1）数据采集，使用工业相机获取塑料件的焊缝图片；2）基于DCGAN显著特征样本扩大预处理；3）SE

【技术实现步骤摘要】
基于DCGAN显著特征样本扩大预处理的塑料件焊缝检测方法


[0001]本专利技术涉及塑料件焊缝评估
，特别涉及基于DCGAN显著特征样本扩大预处理的塑料件焊缝检测方法。

技术介绍

[0002]在工业制造
，通常会涉及焊接工序，塑料件配件在本体上焊接所需的焊接工艺存在虚焊，焊接余量不均匀，焊接位姿不准确等问题，最终，影响产品质量和使用寿命，因此，在产品出厂之前，通常需要对焊缝质量进行检测，以剔除焊缝质量不合格的产品，从而提高产品良率。
[0003]目前的焊缝瑕疵无损检测方式主要有目视检测、超声波检测、图像检测三种。塑料件配件在本体上焊接质量检测工艺存在，自动化程度不高，效率低下，漏检，误检等问题。现有塑料件生产厂家大多采用人工检测或传统破坏性抽检方法，目视检测效率低且易遗漏，该方法难以满足大批量、高精密、快速检测的要求。超声波检测技术灵敏度高，穿透力强，比较适合于面积类缺陷问题的检测，但是超声波检测速度较慢，且其探头需要定期检测并根据情况选择不同的尺寸，提高了检测成本并延长了检测时间，并且近年来塑料件外部结构不断复杂化，焊接件不断增多，超声波检测难以满足生产节拍。机器视觉检测技术在效率、成本等方面具有显著优势，主要有单目视觉检测和双目立体视觉检测。最常用的是后者，其中采用基于视觉的深度学习塑料件焊缝缺陷检测具有较高的精度和良好的适应性。
[0004]传统的深度学习方法在待焊接工件焊缝轮廓的检测上具有较多的局限性。一者，传统的深度学习方法不做区分地检测出图像中所有特征进行提取；二者，传统的深度学习方法需要大量的训练样本训练来提高网络的准确性，而对现有的某一特定的塑料件的焊缝缺陷所提供的样本较少，使得传统算法将很难适应实际复杂多变的工业焊接环境，因此鲁棒性不好。2018年西安交通大学的姜洪权等人专利技术了一种基于改进LeNet
‑
5模型的焊缝缺陷识别方法(专利授权公告号：CN108596892A)通过伪彩色变换技术并添加Gabor滤波器的卷积通道，使改进后神经网络既具有传统卷积核通道同时扩充了神经网络输入的信息量，提高神经网络特征提取能力，从而提高缺陷识别的正确率。其缺点是对整体特征进行提取，同时此网络需要大量的样本集训练，不适用于塑料件的实时焊缝检测。2019年浙江工业大学的胡克钢等人专利技术了一种基于卷积神经网络的焊接视觉检测方法及装置(专利授权公告号：CN112365501B)。此专利技术通过设计一种全方位传感器并搭建卷积神经网络模型对焊缝识别，提高了自动化焊缝缺陷识别的精度，能够实现对钢管内部焊缝的检测。其缺点是只是使用现有的原始卷积神经网络模型对钢管内部的焊缝进行检测，同样需要大量的样本集训练。2021年南京理工大学的赵壮等人专利技术了一种基于卷积神经网络的焊件轮廓检测算法(授权公告号：CN112365501B)此专利技术通过采用跳层连接并引入ASPP模块和注意力模块，降低引入的纹理信息，增强语义信息，并专注于目标的焊缝，提高了识别精度，并进一步提升了算法的性能。其缺点是网络模型较复杂，训练时间较长，同时需要大量的样本数据对网络进行训练，在塑料件生产过程中的实时焊缝评估过程中花费时间较长。
[0005]综上所述，以上方法虽然具有图像空间特征的学习能力，有效区分目标与非目标特征信息，可从众多焊缝图片样本中筛选出有用的焊缝边缘。但具体运用于塑料件的焊缝评估时，仍然存在一定程度的误检、断线、缺少样本训练集等问题。

技术实现思路

[0006]本专利技术的目的是克服现有技术缺陷，提供基于DCGAN显著特征样本扩大预处理的塑料件焊缝检测方法，提高了塑料件焊缝缺陷检测的准确率，减少训练时间，增强模型的鲁棒性。
[0007]本专利技术的目的是这样实现的：一种基于DCGAN显著特征样本扩大预处理的塑料件焊缝检测方法，包括以下步骤：
[0008]步骤1)数据采集，使用工业相机获取塑料件的焊缝图片；
[0009]步骤2)基于DCGAN显著特征样本扩大预处理；
[0010]步骤3)SE
‑
Alexnet卷积神经网络训练；
[0011]步骤4)进行识别检测，并输出检测结果。
[0012]作为本专利技术的进一步限定，所述步骤2)包括：
[0013]步骤2.1)构建深度卷积生成判别网络；
[0014]步骤2.2)输入塑料件焊缝缺陷图片到生成判别器；
[0015]步骤2.3)构建塑料件的焊缝数据样本集。
[0016]作为本专利技术的进一步限定，所述步骤2.1)中的构建深度卷积生成判别网络包括反卷积网络与卷积网络构成的判别器与生成器，所述判别器中采用下采样的卷积，所述生成器中采用上采样的卷积。
[0017]作为本专利技术的进一步限定，所述步骤2.2)包括将现有的塑料件焊缝图片作为一组判别数据输入到判别器模型中进行特征提取，同时使用批量规范处理；通过初始噪点数据转化为二维向量作为生成模型的输入，并通过转置卷积层进行填充并激活，在每层转置卷积层输出加入BN层和ReLu层，将输出图像的像素归一化，得出生成的焊缝缺陷数据，得到输出为生成的故障图像，并输入判别模型，保持生成模型不变，训练判别模型使得V(D,G)达到最大，保持判别模型不变，训练生成模型使得V(D,G)达到最小，重复计算使得判别模型达到纳什均衡；其中，整个模型的损失函数为：
[0018][0019]首先固定G的情况下求解D，即：
[0020][0021]其次，固定D求解G，即：
[0022][0023]其中G表示生成器，D表示判别器，z表示生成器输入噪声变量，D(x)表示判别器的输出，G(z)表示生成器输入噪声变量时的输出；表示所得的最优判别器，G
*
表示所得的最优生成器，最后将深度卷积生成判别网络生成的焊缝缺陷图片与现有的塑料件焊缝缺陷图片组成后续的焊缝缺陷识别的训练集。
[0024]作为本专利技术的进一步限定，所述步骤3)具体包括：SE注意力机制从通道维度引入
注意力机制，获取每个特征通道的重要程度权重后，将权重分别赋予每个特征通道，SE注意力模块首先通过全局平均池化将每个通道的空间二维特征降维成具有全局感受野的一个实数；
[0025]其公式表示为：
[0026][0027]其中，z为全局平均池化的结果，c表示的是z和U的通道编号，H和W为输入特征图的高和宽，i和j表示的是像素点在某个特征通道的坐标，其中i表示特征图的高维度的变化量，j表示特征图的宽维度的变化量；然后通过全连接网络和非线性激活函数学习得到每个通道的权重值；将归一化权重看作是通过特征选择后的每个通道的重要程度，通过和特征向量相乘把权重施加到每个特征通道上，完成通道特征重标定。
[0028]本专利技术采用以上技术方案，与现有技术相比，有益效果为：基于对Alexnet网络中融合SE(Squeeze
‑
and
‑
Excitation)注意力模块提升对焊缝缺陷重要的特征通道，抑制作用不大的特征通道，其次，基于DCGAN(深度卷本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于DCGAN显著特征样本扩大预处理的塑料件焊缝检测方法，其特征在于，包括以下步骤：步骤1)数据采集，使用工业相机获取塑料件的焊缝图片；步骤2)基于DCGAN显著特征样本扩大预处理；步骤3)SE
‑
Alexnet卷积神经网络训练；步骤4)进行识别检测，并输出检测结果。2.根据权利要求1所述的基于DCGAN显著特征样本扩大预处理的塑料件焊缝检测方法，其特征在于，所述步骤2)包括：步骤2.1)构建深度卷积生成判别网络；步骤2.2)输入塑料件焊缝缺陷图片到生成判别器；步骤2.3)构建塑料件的焊缝数据样本集。3.根据权利要求2所述的基于DCGAN显著特征样本扩大预处理的塑料件焊缝检测方法，其特征在于，所述步骤2.1)中的构建深度卷积生成判别网络包括反卷积网络与卷积网络构成的判别器与生成器，所述判别器中采用下采样的卷积，所述生成器中采用上采样的卷积。4.根据权利要求2所述的基于DCGAN显著特征样本扩大预处理的塑料件焊缝检测方法，其特征在于，所述步骤2.2)包括将现有的塑料件焊缝图片作为一组判别数据输入到判别器模型中进行特征提取，同时使用批量规范处理；通过初始噪点数据转化为二维向量作为生成模型的输入，并通过转置卷积层进行填充并激活，在每层转置卷积层输出加入BN层和ReLu层，将输出图像的像素归一化，得出生成的焊缝缺陷数据，得到输出为生成的故障图像，并输入判别模型，保持生成模型不变，训练...

【专利技术属性】
技术研发人员：ꢀ七四专利代理机构，
申请(专利权)人：扬州大学江都高端装备工程技术研究所，
类型：发明
国别省市：