基于卷积置信生成对抗网络模型的船舶焊缝缺陷检测方法技术

本发明专利技术公开了一种基于卷积置信生成对抗网络的船舶焊缝缺陷检测方法。搭建生成对抗网络，利用该网络的对抗博弈式学习特性，基于不平衡样本扩充数据集，生成平衡数据集，用于船舶焊缝缺陷检测。搭建基于深度卷积置信网络的生成器与判别器，使两者都能学习到丰富的船舶焊缝特征，解决生成对抗网络训练不佳的问题；其中提出的置信层，构成深度聚类器，对卷积层与全连接层中输出的深层隐藏特征进行聚类分析，能够通过捕获相似样本间的联系提高检测率。利用无监督式贪心思想逐层预训练网络，待一层网络训练最优化时，开始训练下一层网络。该方法有效解决了焊缝数据不平衡、缺陷特征标注难及多缺陷夹杂存在等技术难点，实现了船舶焊缝缺陷的高效和有效检测。焊缝缺陷的高效和有效检测。焊缝缺陷的高效和有效检测。

【技术实现步骤摘要】
基于卷积置信生成对抗网络模型的船舶焊缝缺陷检测方法


[0001]本专利技术属于模式识别
，涉及基于X射线图像的船舶焊缝缺陷检测技术，尤其涉及一种基于卷积置信生成对抗网络模型的船舶焊缝缺陷检测方法。

技术介绍

[0002]焊接是船舶建造的主要工艺，但由于焊接过程是一个多因素耦合的复杂相变过程，极易受到外部环境和人为因素的干扰，在焊缝成型过程中通常会产生夹渣、裂纹、气孔、未焊透等难以预测的焊接缺陷，这些缺陷会严重降低焊接构件的机械性能，从而对船舶关键零部件的安全性能往往造成很大的不利影响。为了及时发现焊缝存在的缺陷，焊接缺陷无损检测成为了主要技术手段，而X射线无损检测技术以其无损、精准、快捷等优点在实际焊接缺陷检测过程中得到了广泛应用。
[0003]随着计算机视觉的发展，基于X射线图像的焊缝缺陷检测技术得到了快速发展和应用。现有的焊缝缺陷检测大致分为两类：基于数字图像处理以及基于机器学习的缺陷检测。前者包括：基于Canny算子的边缘提取、基于局部特征提取、基于OSTU的边缘检测等，这些方法普遍存在易受噪音、相似背景颜色及多种缺陷混杂的影响；后者包括：人工神经网络、支持向量机等，然而其学习性能十分依赖于样本库对缺陷的代表能力，以及学习模型的准确程度。
[0004]得益于大数据的发展和强大计算能力的提升，深度学习因具有特征自动学习优点，并能通过将学习融入到模型建立过程中来减少人为设计特征可能，已成为当前焊缝缺陷识别领域的热点机器学习方法，尤其在船舶焊缝缺陷检测中也开始尝试使用，但该方法十分依赖数据集，在应用中仍然存在以下技术难点：
[0005](1)在船舶实际焊接过程中，每一种缺陷(如夹渣、裂纹、气孔、未焊透)产生的概率不是等同的，因此利用X射线探测所获得图片通常可能出现严重的不平衡类问题，不平衡缺陷数据会影响模型学习，进而降低模型泛化能力且容易发生欠拟合；
[0006](2)由于船舶焊缝缺陷检测存在多种缺陷夹杂且存在严重数据不平衡问题，若期待获得良好的采样效果，则需要拥有对船舶焊缝缺陷足够的先验知识；且由于多种缺陷类型混杂在一张图片中，更加大了人工标注类别的难度。若对上述问题处理不当，易造成模型欠拟合现象。
[0007](3)现有船舶焊接缺陷的特征提取主要是基于焊缝的几何、强度和背景特性进行，但特征繁多冗杂，这对深度学习网络模型的训练影响非常大，而且直接影响到识别准确。
[0008]因此，基于深度学习的船舶焊缝缺陷检测需要突破数据不平衡、缺陷特征选择以及人工标注难度大等技术难点，才能实现船舶焊缝缺陷的高效和有效检测。

技术实现思路

[0009]本专利技术的目的在于针对现有技术存在的问题，提供一种基于卷积置信生成对抗网络模型的船舶焊缝缺陷检测方法，融合不平衡数据及深度聚类的卷积置信生成对抗神经网
络模型，从而提高船舶焊缝缺陷识别效率。
[0010]实现本专利技术目的的技术解决方案为：一种基于卷积置信生成对抗网络模型的船舶焊缝缺陷检测方法，所述方法包括以下步骤：
[0011]步骤1，获取若干船舶焊缝图像，构建焊缝数据集；
[0012]步骤2，构建卷积置信生成对抗网络模型；
[0013]步骤3，利用焊缝数据集训练卷积置信生成对抗网络模型，生成用于焊缝缺陷检测的卷积置信生成对抗网络模型；
[0014]步骤4，采集待检测船舶焊缝的图像，利用训练好的卷积置信生成对抗网络模型进行焊缝缺陷检测。
[0015]进一步地，步骤2所述构建卷积置信生成对抗网络模型，具体为：将深度卷积置信神经网络作为生成对抗网络的生成器G和判别器D。
[0016]进一步地，所述深度卷积置信神经网络包括5个卷积层、2个全连接层和1个置信层，输入图像依次经过5个卷积层、2个全连接层后，通过置信层输出。
[0017]进一步地，所述置信层的基本组成单元为受限波尔茨曼机RBM，受限波尔茨曼机包括可见层和隐含层，上一个RBM的隐含层即为下一个RBM的可见层，上一个RBM 的输出即为下一个RBM的输入；
[0018]可见层包括若干个显性神经元，简称为显元，单个显元用v
i
表示；隐含层包括若干个隐性神经元，简称为隐元，单个隐元用h
i
表示，i＝1，2，3
…
；
[0019]受限波尔茨曼机的能量函数表示为：
[0020]E(v,y,h)＝
‑
h
T
Wv
‑
a
T
v
‑
b
T
h
‑
c
T
y
‑
h
T
Uy
[0021]式中，v＝(v1,v2,
…
,v
m
)，h＝(h1,h2,
…
,h
k
)和y＝(y1,y2,
…
,y
p
)分别表示可见层、隐含层和输出层的状态，m、k、p分别为可见层、隐含层和输出层的神经元个数；θ＝{W,a, b,c,U}是训练中需要学习的结构参数，W为可见层节点和隐含层节点的连接权重；a为可见层节点的偏置；b为隐含层节点的偏置；c为输出层节点的偏置；U为隐含层和输出层的连接权重；
[0022]由上述能量函数得到联合概率分布：
[0023][0024]式中，Z(θ)为配分函数，表达式如下：
[0025][0026]进一步地，步骤3所述利用焊缝数据集训练卷积置信生成对抗网络模型，生成用于焊缝缺陷检测的卷积置信生成对抗网络模型，具体过程包括：
[0027]步骤3
‑
1，初始化生成器G和判别器D两个网络的参数；
[0028]步骤3
‑
2，从焊缝数据集抽取n个样本，作为真实样本，对于生成器G，加入随机噪声z生成n个样本，作为假样本，并标注缺陷类别；
[0029]步骤3
‑
3，固定生成器G，训练基于深度卷积置信网络的判别器D，具体地：一层一层地进行训练，待一层网络训练最优化时，开始下一层网络的训练；对置信层的训练，不断调整隐含层中受限波尔茨曼机的个数与结构参数，直至置信层的训练达到所要求的最佳状
态；
[0030]步骤3
‑
4，通过上述过程循环更新k次判别器D，之后按照同样的方式更新1次生成器G；
[0031]步骤3
‑
5，更新迭代达到预设次数后，判断判别器判别船舶焊缝图像为真实样本还是假样本的概率是否为0.5，若是，则完成训练，否则返回步骤3
‑
2。
[0032]一种基于卷积置信生成对抗网络模型的船舶焊缝缺陷检测系统，所述系统包括：
[0033]数据集构建模块，用于获取若干船舶焊缝图像，构建焊缝数据集；
[0034]模型构建模块，用于构建卷积置信生成对抗网络模型；
[0035]模型训练模块，用于利用焊缝数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积置信生成对抗网络模型的船舶焊缝缺陷检测方法，其特征在于，所述方法包括以下步骤：步骤1，获取若干船舶焊缝图像，构建焊缝数据集；步骤2，构建卷积置信生成对抗网络模型；步骤3，利用焊缝数据集训练卷积置信生成对抗网络模型，生成用于焊缝缺陷检测的卷积置信生成对抗网络模型；步骤4，采集待检测船舶焊缝的图像，利用训练好的卷积置信生成对抗网络模型进行焊缝缺陷检测。2.根据权利要求1所述的基于卷积置信生成对抗网络模型的船舶焊缝缺陷检测方法，其特征在于，步骤2所述构建卷积置信生成对抗网络模型，具体为：将深度卷积置信神经网络作为生成对抗网络的生成器G和判别器D。3.根据权利要求2所述的基于卷积置信生成对抗网络模型的船舶焊缝缺陷检测方法，其特征在于，所述深度卷积置信神经网络包括5个卷积层、2个全连接层和1个置信层，输入图像依次经过5个卷积层、2个全连接层后，通过置信层输出。4.根据权利要求3所述的基于卷积置信生成对抗网络模型的船舶焊缝缺陷检测方法，其特征在于，所述置信层的基本组成单元为受限波尔茨曼机RBM，受限波尔茨曼机包括可见层和隐含层，上一个RBM的隐含层即为下一个RBM的可见层，上一个RBM的输出即为下一个RBM的输入；可见层包括若干个显性神经元，简称为显元，单个显元用v
i
表示；隐含层包括若干个隐性神经元，简称为隐元，单个隐元用h
i
表示，i＝1，2，3
…
；受限波尔茨曼机的能量函数表示为：E(v,y,h)＝
‑
h
T
Wv
‑
a
T
v
‑
b
T
h
‑
c
T
y
‑
h
T
Uy式中，v＝(v1,v2,
…
,v
m
)，h＝(h1,h2,
…
,h
k
)和y＝(y1,y2,
…
,y
p
)分别表示可见层、隐含层和输出层的状态，m、k、p分别为可见层、隐含层和输出层的神经元个数；θ＝{W,a,b,c,U}是训练中需要学习的结构参数，W为可见层节点和隐含层节点的连接权重；a为...

【专利技术属性】
技术研发人员：邵奇，孙宏伟，刘超，张本顺，廖良闯，孟祥慈，王纪潼，张人杰，袁明新，杨秋林，
申请(专利权)人：国机工业互联网研究院河南有限公司，
类型：发明
国别省市：