一种基于深度学习的结构光焊缝曲线识别与拟合方法技术

本发明专利技术涉及一种基于深度学习的结构光焊缝曲线识别与拟合方法，属于焊缝跟踪技术领域，包括采集焊缝图像并制作样本数据集，构建了改进U

【技术实现步骤摘要】
一种基于深度学习的结构光焊缝曲线识别与拟合方法


[0001]本专利技术属于焊缝跟踪
，尤其涉及一种基于深度学习的结构光焊缝曲线识别与拟合方法。

技术介绍

[0002]基于机器视觉的自主焊接技术的关键是焊缝识别跟踪技术，涉及到图像识别处理、三维建模、机器人运动控制等多项技术。将视觉技术应用于现代焊接技术上，可以利用视觉技术获得的数据，例如焊缝路径、工件尺寸等。再根据这些数据做出反馈，使其能自主的对外界变化做出一定的响应，具有一定的感知、应变能力。现代焊接技术要求其依托深度学习和人工智能技术实现对工作环境的感知和判断，自主编程规划焊接轨迹并依靠调整焊接参数，从而提升焊接质量、效率和焊接稳定性。
[0003]随着计算机硬件性能的显著提升和数据样本的大量增加，以卷积神经网络(convolutional neural networks，CNN)为基础的深度网络开始成为目标检测技术的主流。目前，基于深度学习的目标检测技术能同时做到实时性的目标分类和目标定位，在准确度和抗干扰程度上都取得较好的效果。

技术实现思路
r/>[0004]本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的结构光焊缝曲线识别与拟合方法，其特征在于：包括下列步骤：步骤一：采集焊缝图像并制作数据集；步骤二：构建改进U
‑
Net网络模型；步骤三：利用改进后的U
‑
Net网络模型进行焊缝图像分割；步骤四：基于结构光的中心线提取和焊缝特征点计算；步骤五：基于焊缝特征点拟合焊缝曲线。2.根据权利要求1所述一种基于深度学习的结构光焊缝曲线识别与拟合方法，其特征在于：所述步骤一包括：步骤1.1：结构光焊缝图像采集，对工业相机实时采集的图像信息，按0.2秒的时间间隔进行拆帧处理，得到拆帧后的多幅图像；步骤1.2：对步骤1.1中获取的焊缝图像进行信息标注，制作焊缝图像数据集，使用的原始图像数据集为高分辨率工业数码相机采集的焊缝800个原始图像训练数据、200个验证数据和100个测试数据。3.根据权利要求1所述一种基于深度学习的结构光焊缝曲线识别与拟合方法，其特征在于：所述步骤二包括以下子步骤：步骤2.1：首先改进特征提取网络模块；改进U
‑
Net网络结构的编码器部分由5个模块组成，前两个模块都是由2个卷积层和1个池化层组成，后三个模块都是由3个卷积层和1个池化层组成，解码器仍使用U
‑
Net网络结构的解码器部分，这个部分由4个模块组成，前3个模块每个模块都由2个卷积层和1个升尺度池化层组成，第4个模块由3个卷积层组成，编、解码层间的跳跃连接，将编码块卷积层提取的特征图和解码块中升尺度池化层输出的特征图拼接，融合底层的位置信息和高层的语义信息；步骤2.2：在步骤2.1提出的改进的特征提取模块中改进激活函数；将步骤2.1中的卷积池化层中激活函数采用ELU激活函数，激活函数可以判断这种特征提取方式是否能在该块区域提取到特征，ELU公式如下：其中，a为常数，x
i
为某节点，f
i
为输出结果；步骤2.3：选定步骤2.1中改进网络中的优化器、损失函数与评价指标，本网络使用Adam优化器，选择Dice损失函数作为网络的损失函数，其表达式如下：其中：|X∩Y|表示集合X和Y的交集，X和Y表示其元素个数，对于分割任务而言，|X|和|Y|分别表示分割的真实图像和预测分割图像；改进网络采用正确率P、召回率R和综合评价指标F1来对网络性能进行评估，正确率P，召回率R和综合评价指标F1的表达式如下：
其中：TP表示实际标签为正样本、预测为正样本的数目；FN表示实际样本为负样本、预测为正样本的数目；FP表示实际标签为负样本、预测结果为正样本的数目，F1为组合精确度和召回率一个单独的得分，被定义为精确...

【专利技术属性】
技术研发人员：刘帅师，周思羽，白戎，刘克平，孙中波，廉宇峰，杨宏韬，于微波，
申请(专利权)人：长春工业大学，
类型：发明
国别省市：