【技术实现步骤摘要】
本专利技术涉及机器视觉、深度学习和工业自动化等领域，具体为一种基于语义分割的轻量级熔池轮廓提取方法。
技术介绍
1、近年来，随着深度学习技术的快速发展，图像处理领域取得了显著的进展。特别是在熔池图像处理领域，准确提取熔池图像的轮廓信息对于焊接质量评估、缺陷检测等应用具有重要意义。然而，由于熔池图像存在噪声、复杂的背景和不均匀的光照等问题，传统的图像处理方法在轮廓提取方面面临着挑战。
2、为了解决这一问题，深度学习技术被引入熔池图像处理领域。deeplabv3+网络作为一种先进的图像分割网络，能够有效地提取图像的语义信息，但在处理熔池图像时仍然存在一些局限性。此外，由于图像中通道之间的复杂关系，deeplabv3+网络在特征提取方面可能存在一定的不足，无法充分挖掘图像中的关键特征。
3、因此，需要一种基于先进深度学习网络的熔池图像轮廓提取方法及系统，能够克服传统方法的局限性，提高轮廓提取的准确性和鲁棒性。此外，引入增强特征表达能力的机制，进一步提升图像特征的表示能力，从而更好地满足熔池图像处理的需求。
技术实现思路
1、本专利技术的目的旨在为克服现有技术的不足，本专利技术提供了一种基于深度学习的轻量级熔池图像轮廓提取方法。
2、本专利技术提供如下技术方案：
3、一种基于深度学习的轻量级熔池图像轮廓提取方法，该方法包括：
4、首先，从加装有850nm滤光片的熔池图像采集设备获取原始图像数据。
5、对原始图像数据进行
6、对deeplabv3+网络模型进行改进，具体包括：
7、s1.使用轻量级mobilenetv2深度可分离网络代替xception主干网络，可以减少模型的参数量和计算复杂度，提高模型的轻量化和实时性能。
8、s2.添加eca(efficient channel attention)注意力机制：在空洞空间卷积池化金字塔(aspp)所提取的特征层上，引入了eca注意力机制。eca注意力机制通过避免降维，在图像处理中利用一维卷积进行高效的局部跨通道交互，从而提取出通道之间的依赖关系。该机制可以增强了图像特征的表示能力，提升网络模型对特征的提取能力。
9、其中，对于输入形状为(n,c,h,w)的特征图x，其中n表示batch size，c表示通道数，h表示高度，w表示宽度。则eca模块的可以使用大小为k的一维卷积核实现：
10、ω＝σ(c1dk(y)) (1)
11、
12、其中c1dk表示一维卷积。k代表内核大小，|t|odd表示取t最邻近的奇数，且取γ＝2，b＝1。
13、s3.采用线性组合的新损失函数：为了解决熔池图像样本不均衡的问题，使用celoss和diceloss的线性组合作为新的损失函数。通过调整两个损失函数的权重，可以更好地处理样本不均衡带来的问题，提高模型的性能和鲁棒性。
14、
15、其中，y表示样本的label，正类为1，负类为0，表示预测值。
16、
17、其中，yi与分别表示像素i的标签值与预测值，n为像素点总个数，等于单张图像的像素个数乘以批处理大小batchsize。
18、loss＝celoss+diceloss (5)。
19、基于pytorch深度学习框架将增强后的熔池图像数据集输入改进的deeplabv3+网络模型进行训练，得到.pth文件格式的语义分割模型。随后，将.pth文件转换为.onnx文件，并基于onnx runtime推理框架将模型部署。
20、获得模型推理熔池分割后的掩膜，将图像分割后的掩膜轮廓叠加在原图上，最终实现增材过程中熔池轮廓在线提取。
21、与现有技术相比，本专利技术相对于现有技术相比具有显著优点是：
22、(1)本专利技术的方法通过使用改进的deeplabv3+模型，提高了熔池轮廓提取的精度和效率，为工业自动化提供了强大的支持；
23、(2)本专利技术的方法通过应用语义分割技术，能够准确地提取熔池的轮廓，包括边界和形状信息。相比传统的基于图像处理的方法，本方法能够更好地捕捉熔池的细节和边缘，提供更准确的轮廓结果；
24、(3)本专利技术的方法由于采用了轻量级的模型结构，能够在保持高效性能的同时减少计算资源和内存消耗。相比于传统的繁重模型，本方法能够在低功耗设备上实现高效的轮廓提取；通过深度可分离卷积和轻量级的骨干网络架构，降低了计算复杂性，提升了模型推理速度；并且，使用利用celoss和diceloss的线性组合作为损失函数替代了原始模型中采用的celoss损失函数，能有效解决熔池区域与背景区域类别不平衡的问题；
25、(3)本专利技术的方法可以根据具体的应用需求进行调整和优化，具有很高的灵活性和扩展性。通过适当调整模型参数和训练数据，来应用于不同的熔池检测场景和材料类型，并在工业领域的焊接自动化、金属增材制造等领域发挥重要作用。
本文档来自技高网...【技术保护点】
1.一种基于语义分割的轻量级熔池轮廓提取方法，其特征在于，
2.根据权利要求1所述的基于语义分割的轻量级熔池轮廓提取方法，其特征在于：改进的Deeplabv3+网络模型，具体包括以下：
3.根据权利要求1所述的基于语义分割的轻量级熔池轮廓提取方法，其特征在于：获取原始图像数据的熔池图像采集设备加装850nm高通滤光片；熔池图像为黑白单通道图像或三通道彩色图像。
4.根据权利要求1所述的基于语义分割的轻量级熔池轮廓提取方法，其特征在于：对原始熔池图像数据进行数据增强方式，包括旋转、平移、图像去噪、仿射变换、添加高斯噪声或尺寸调整。
5.根据权利要求1所述的基于语义分割的轻量级熔池轮廓提取方法，其特征在于：制作熔池图像数据集步骤为：
6.根据权利要求1所述的基于语义分割的轻量级熔池轮廓提取方法，其特征在于：语义分割模型具体为基于提取的特征，对熔池图像进行像素级别的分类，得到熔池和非熔池区域。
7.根据权利要求1所述的基于语义分割的轻量级熔池轮廓提取方法，其特征在于：
8.根据权利要求2所述的基于语义分
...【技术特征摘要】
1.一种基于语义分割的轻量级熔池轮廓提取方法，其特征在于，
2.根据权利要求1所述的基于语义分割的轻量级熔池轮廓提取方法，其特征在于：改进的deeplabv3+网络模型，具体包括以下：
3.根据权利要求1所述的基于语义分割的轻量级熔池轮廓提取方法，其特征在于：获取原始图像数据的熔池图像采集设备加装850nm高通滤光片；熔池图像为黑白单通道图像或三通道彩色图像。
4.根据权利要求1所述的基于语义分割的轻量级熔池轮廓提取方法，其特征在于：对原始熔池图像数据进行数据增强方式，包括旋转、平移、图像去噪、仿射变换、添加高斯噪声或尺寸调整。
5.根据权利要求1所...
【专利技术属性】
技术研发人员：王克鸿，谭夏新，黄勇，彭勇，余荣伟，段梦伟，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。