一种制造技术

本发明专利技术提供了一种

【技术实现步骤摘要】
一种GMAW焊缝缺陷检测方法及系统


[0001]本专利技术涉及图像处理领域，尤其涉及一种
GMAW
焊缝缺陷检测方法及系统
。

技术介绍

[0002]焊接作为现代制造业中最为重要的材料成形和加工技术之一，被广泛应用于汽车生产
、
航空航天
、
建筑行业
、
船舶运输等工业制造领域，其中，焊缝表面成形是评判焊接质量的重要指标
。
熔化极气体保护电弧焊
(gas metal arc welding
，
GMAW)
是采用连续等速送进可熔化的焊丝与被焊工件之间的电弧作为热源来熔化焊丝和母材金属，形成熔池和焊缝的焊接方法
。
[0003]在
GMAW
焊接过程中，由于焊接参数
(
焊接功率
、
保护气体流量
、
焊接速度等
)
调节不当及焊接环境复杂等不确定因素，焊接表面会出现凹陷
、
咬边
、
气孔
、
未熔合
、
熔宽熔高未达标等表面缺陷
。
为了保证焊接产品质量，需对焊缝进行高效
、
精准的缺陷检测
。
[0004]传统的缺陷检测主要依靠人工来实现，现有的缺陷检测技术有超声检测
、
红外检测以及结构光视觉检测
。
传统的人工视觉检测通常很费劳力
、
容易出错
、
效率低下且成本高昂，而现有的缺陷检测技术易受操作仪器
、
检测对象和检测环境的影响，无法准确测定缺陷的形状
、
大小和位置
。
因此，亟需提供一种方案改善上述问题
。

技术实现思路

[0005]本专利技术的目的在于提供一种
GMAW
焊缝缺陷检测方法及系统，改善了现有缺陷检测技术易受操作仪器
、
检测对象和检测环境的影响，无法准确测定缺陷的形状
、
大小和位置的问题
。
[0006]本专利技术提供的一种
GMAW
焊缝缺陷检测方法采用如下的技术方案：
[0007]采集焊缝图像数据，基于所述图像数据进行预处理后构建数据集；
[0008]基于
SENet
模块和
RetinaNet
模型构建
SE
‑
RetinaNet
模型；
[0009]在所述
SE
‑
RetinaNet
模型的特征融合网络中增加特征融合模块，构建焊缝缺陷检测模型；
[0010]基于所述数据集迭代训练所述焊缝缺陷检测模型，得到训练完成的缺陷检测模型；
[0011]将待检测的图像数据输入所述训练完成的缺陷检测模型中，得到检测结果
。
[0012]如上所述的一种
GMAW
焊缝缺陷检测方法，其中，基于
SENet
模块和
RetinaNet
模型构建
SE
‑
RetinaNet
模型的过程中，包括：
[0013]构建
SENet
模块和
RetinaNet
模型，所述
RetinaNet
模型包括
ResNet
‑
50
特征提取网络
、FPN
特征融合网络和
FCN
子网络；
[0014]在所述
RetinaNet
模型的
ResNet
‑
50
特征提取网络的每组残差块后嵌入所述
SENet
模块，得到改进的特征提取网络；其中，所述改进的特征提取网络的输出包括第3层的输出特征层
C3、
第4层的输出特征层
C4
和第5层的输出特征层
C5
；
[0015]将所述特征层
C3、
所述特征层
C4
和所述特征层
C5
作为所述
FPN
特征融合网络的输入；
[0016]将所述
FPN
特征融合网络的输出作为所述
FCN
子网络的输入，输出最后的检测结果
。
[0017]如上所述的一种
GMAW
焊缝缺陷检测方法，其中，所述
SENet
模块由挤压单元和激励单元构成；
[0018]所述挤压单元用于将输入特征图按通道进行全局平均池化得到一组特征权值；所述激励单元基于每个通道的对应的特征权值对所述输入特征图内的通道进行加权操作，得到加权后的特征图
。
[0019]如上所述的一种
GMAW
焊缝缺陷检测方法，其中，执行将所述特征层
C3、
所述特征层
C4
和所述特征层
C5
作为所述
FPN
特征融合网络的输入的过程中，包括：
[0020]所述特征层
C3、
所述特征层
C4
和所述特征层
C5
经过卷积和上采样后融合生成所述
FPN
特征融合网络的输出特征层
P3
；
[0021]所述特征层
C4
和所述特征层
C5
经过卷积和上采样后融合生成所述
FPN
特征融合网络的输出特征层
P4
；
[0022]所述特征层
C5
经过卷积后分别生成所述
FPN
特征融合网络的输出特征层
P5、
输出特征层
P6
和输出特征层
P7。
[0023]如上所述的一种
GMAW
焊缝缺陷检测方法，其中，在所述
SE
‑
RetinaNet
模型的特征融合网络中增加特征融合模块的过程中，包括：
[0024]构建特征融合模块
M
；
[0025]将所述
FPN
特征融合网络的输出特征层
P3、
输出特征层
P4、
输出特征层
P5、
输出特征层
P6
和输出特征层
P7
作为所述模块
M
的输入，得到改进的特征融合网络；
[0026]将所述模块
M
的输出作为
FCN
子网络的输入，输出最后的检测结果
。
[0027]如上所述的一种
GMAW
焊缝缺陷检测方法，其中，执行将所述模块
M
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种
GMAW
焊缝缺陷检测方法，其特征在于，包括以下步骤：采集焊缝图像数据，基于所述图像数据进行预处理后构建数据集；基于
SENet
模块和
RetinaNet
模型构建
SE
‑
RetinaNet
模型；在所述
SE
‑
RetinaNet
模型的特征融合网络中增加特征融合模块，构建焊缝缺陷检测模型；基于所述数据集迭代训练所述焊缝缺陷检测模型，得到训练完成的缺陷检测模型；将待检测的图像数据输入所述训练完成的缺陷检测模型中，得到检测结果
。2.
根据权利要求1所述的一种
GMAW
焊缝缺陷检测方法，其特征在于，基于
SENet
模块和
RetinaNet
模型构建
SE
‑
RetinaNet
模型的过程中，包括：构建
SENet
模块和
RetinaNet
模型，所述
RetinaNet
模型包括
ResNet
‑
50
特征提取网络
、FPN
特征融合网络和
FCN
子网络；在所述
RetinaNet
模型的
ResNet
‑
50
特征提取网络的每组残差块后嵌入所述
SENet
模块，得到改进的特征提取网络；其中，所述改进的特征提取网络的输出包括第3层的输出特征层
C3、
第4层的输出特征层
C4
和第5层的输出特征层
C5
；将所述特征层
C3、
所述特征层
C4
和所述特征层
C5
作为所述
FPN
特征融合网络的输入；将所述
FPN
特征融合网络的输出作为所述
FCN
子网络的输入，输出最后的检测结果
。3.
根据权利要求2所述的一种
GMAW
焊缝缺陷检测方法，其特征在于，所述
SENet
模块由挤压单元和激励单元构成；所述挤压单元用于将输入特征图按通道进行全局平均池化得到一组特征权值；所述激励单元基于每个通道的对应的特征权值对所述输入特征图内的通道进行加权操作，得到加权后的特征图
。4.
根据权利要求2所述的一种
GMAW
焊缝缺陷检测方法，其特征在于，执行将所述特征层
C3、
所述特征层
C4
和所述特征层
C5
作为所述
FPN
特征融合网络的输入的过程中，包括：所述特征层
C3、
所述特征层
C4
和所述特征层
C5
经过卷积和上采样后融合生成所述
FPN
特征融合网络的输出特征层
P3
...

【专利技术属性】
技术研发人员：马国红，杨亚东，肖淋鸣，曹龙，周永强，
申请(专利权)人：南昌大学，
类型：发明
国别省市：