一种面向焊接坡口示意图的坡口形式和接头类型自动识别方法技术

本发明专利技术提出一种面向焊接坡口示意图的坡口形式和接头类型自动识别方法，具体步骤为：步骤一：根据焊接工艺手册中关于坡口形式以及接头类型的描述，整理焊接工艺规程中的焊接坡口形式

【技术实现步骤摘要】
一种面向焊接坡口示意图的坡口形式和接头类型自动识别方法


[0001]本专利技术涉及一种面向焊接坡口示意图的坡口形式和接头类型自动识别方法，它以焊接工艺规程
(Welding Procedure Specification
，
WPS)
文件中的坡口示意图作为训练样本，采用基于深度学习的图像分类模型，能有效地识别坡口示意图中的坡口形式和接头类型，实现将非结构化的焊接坡口示意图中坡口形式和接头类型信息结构化的目标，便于
WPS
中坡口相关信息的结构化与规范化管理与焊接工艺知识的重用
。
该方法适用于船舶建造等对焊接工艺知识重用有大量需求的领域
。

技术介绍

[0002]焊接是一种重要的加工方法，焊接工艺规程
(WPS)
是为了保证焊接工艺的稳定性
、
可靠性和安全性而制订的一份规范性文件，是焊接加工过程的指导性文件，是工艺人员智慧的结晶，是企业重要的焊接工艺设计知识
。
经过多年的工程与实践，船舶建造等领域的企业积累了大量的
WPS
文件，
WPS
文件中包含文本类的焊接工艺信息和方便焊接人员识读的坡口示意图，它们多以
WORD
表格和
EXCEL
等文本格式存储
。
随着企业数字化和智能化转型升级步伐的加快，实现焊接工艺设计的智能化就成为企业需要解决的关键问题之一，而焊接工艺智能化设计的关键是拥有大量的可重用的结构化焊接工艺知识
。
在实现非结构化
WPS
文件结构化处理的过程中，文本信息可以通过命名实体识别和正则表达式匹配等方法来提取，而如何自动识别坡口示意图表达的坡口形式和接头类型，并进而得到结构化的坡口形式和接头类型信息就成为
WPS
文件结构化处理的瓶颈问题
。
[0003]近年来，机器视觉技术的发展使得图像的自动分类识别成为可能
。
随着图像分类准确率的不断提高，图像分类的方法逐渐应用到各个专业领域中，尤其是基于深度学习的图像分类方法
。
但深度学习方法对训练样本有较高的要求，需要大量有标注的训练数据，因此，构建基于焊接坡口示意图图像分类的数据集极为重要
。
[0004]综上所述，考虑到焊接工艺的专业性特点，本专利技术针对焊接坡口示意图的分类问题，首先制订了面向焊接坡口示意图的坡口形式和接头类别的标注方法，在此基础上提出了一种基于深度学习的焊接坡口图坡口形式和接头类型自动识别方法，该方法能够实现焊接坡口形式和接头类型的有效识别与分类
。

技术实现思路

[0005]在船舶建造等对焊接工艺有大量需求的制造业中，
WPS
文件中焊接坡口图的非结构化表达不利于对其描述的坡口信息
、
接头信息等工艺知识的结构化管理，影响了焊接工艺知识的可重用性，进而也影响了焊接工艺的编制效率
。
因此，实现焊接工艺文本中焊接坡口图内容的自动识别与结构化处理，对于提高焊接工艺知识重用能力和管理效率具有重要意义
。
基于此，本专利技术的目的在于提供面向焊接工艺坡口图坡口形式
、
接头类型的识别方法，通过构建焊接坡口图数据集，训练基于深度学习的图像分类模型，实现基于图像的焊接
工艺坡口图中坡口形式
、
接头类型的自动识别
。
[0006]本专利技术提出了一种面向焊接坡口示意图的坡口形式和接头类型识别方法
。
主要利用
WPS
文件中的焊接坡口图作为训练数据，采用基于深度学习的图像分类方法自动识别坡口图中的坡口形式和接头类型
。
本专利技术的具体实施步骤如下：
[0007]步骤一：根据焊接工艺手册中关于坡口形式以及接头类型的描述，整理焊接工艺规程中常见的焊接坡口形式
、
接头类型，将焊接坡口分为5种，包括
I
型
、V
型
、U
型
、X
型和
K
型；焊接接头分为3类，包括对接接头
、T
型接头和角接接头
。
[0008]步骤二：建立面向焊接坡口示意图的坡口
、
接头分类的数据集
。
数据集由图像和对应标签的匹配对组成，坡口图示例如附图
1(a)
‑
(c)
所示
。
对焊接坡口和焊接接头分别标注类别标签，标注方案及示例如表1所示
。
构建的数据集包含
608
张图像和对应的标注，标注好的数据按照
3:1
的比例划分为训练集和测试集
。
[0009]步骤三：使用步骤二划分的数据集训练焊接坡口和接头类型分类模型，分类模型的原理图如附图2所示
。
模型以焊接坡口图为输入，通过
ResNet
‑
50
网络将输入的图像输出为区块
(token)
的集合，
Transformer Encoder
通过自注意力机制计算区块之间的相关性，从而提取出更好的特征
。ResNet
‑
50
网络和
Transformer Encoder
共同组成了特征提取模块，其输出为四个尺度的特征图
R1、R2、R3
和
R4
，它们分别为原图像分辨率的
1/2
，
1/4
，
1/8
，
1/16
，低分辨率的特征图表达了高层次的信息，如语义信息；高分辨率的特征图表达了低层次的信息，如边缘
。
特征图通过
Fusion Block
模块进行特征融合，从而使每张特征图都包含更多层级的信息
。
经过特征融合，得到四个特征图
F1、F2、F3
和
F4。
融合后的特征图通过由两个并联的基于残差结构的预测头
WJThead
和
WGFhead(
将特征映射到类别概率
)
和
softmax
函数层组成的分类器，输出坡口图的分类结果
。
得到输出结果后，通过计算当前结果的损失函数，反向传播计算损失函数的梯度，并不断迭代以使得损失函数取到局部或全局最小值
。
在损失函数收敛后，存储之后每次迭代中的模型参数
。
[0010]步骤四：使用步骤二构建的测试集，对步骤三存储的每个模型采用精确率
p
，召回率
r、F1
指数和准确率
Acc
进行定量评估，选取最优模型
。
[0011]步骤五：将待识别的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种面向焊接坡口示意图的坡口形式和接头类型自动识别方法，其特征在于，具体步骤如下：步骤一：根据焊接工艺手册中关于坡口形式以及接头类型的描述，整理焊接工艺规程中的焊接坡口形式
、
接头类型；步骤二：建立面向焊接坡口示意图的坡口
、
接头分类的数据集；步骤三：使用步骤二划分的数据集训练焊接坡口和接头类型分类模型；步骤四：使用步骤二构建的测试集，对步骤三存储的每个模型采用精确率
p
，召回率
r、F1
指数和准确率
Acc
进行定量评估，选取最优模型；步骤五：将待识别的焊接坡口图输入到步骤四得到的最优模型中，得到待识别的焊接坡口图的坡口形式和接头类型
。2.
根据权利要求1所述的一种面向焊接坡口示意图的坡口形式和接头类型自动识别方法，其特征在于：在步骤一中，将焊接坡口分为5种，包括
I
型
、V
型
、U
型
、X
型和
K
型；焊接接头分为3类，包括对接接头
、T
型接头和角接接头
。3.
根据权利要求1所述的一种面向焊接坡口示意图的坡口形式和接头类型自动识别方法，其特征在于：在步骤二中，数据集由图像和对应标签的匹配对组成；对焊接坡口和焊接接头分别标注类别标签，构建的数据集包含
608
张图像和对应的标注，标注好的数据按照
3:1
的比例划分为训练集和测试集
。4.
根据权利要求1所述的一种面向焊接坡口示意图的坡口形式和接头类型自动识别方法，其特征在于：在步骤三中，以焊接坡口图为输入，通过
ResNet
‑
50
网络将输入的图像输出为区块的集合，
Transformer Encoder
通过自注意力机制计算区块之间的相关性，提取出特征；
ResNet
‑
50
网络和
Transformer Encoder
共同组成了特征提取模块，输出为四个尺度的特征图
R1、R2、R3
和
R4
，它们分别为原图像分辨率的
1/2
，
1/4
，
1/8
，
1/16
，低分辨率的特征图表达了高层次的信息；高分辨率的特征图表达了低层次的信息；特征图通过
Fusion Block
模块进行特征融合，使每张特征图都包含更多层级的信息；经过特征融合，得到四个特征图
F1、F2、F3
和
F...

【专利技术属性】
技术研发人员：王美清，郑宇航，吴子健，叶晨昊，罗皓，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：