【技术实现步骤摘要】
本专利技术属于人工智能，具体涉及一种钢结构焊缝缺陷的检测方法、装置、电子设备及缺陷分类识别方法。
技术介绍
1、随着科学技术的发展，世界上建筑工程钢结构的应用越来越广泛，焊接是钢结构中一种十分重要的加工工艺。由于种种原因，在焊接的过程中可能会出现各种缺陷，例如气孔、夹渣、未焊透、未熔合、裂纹、凹坑、咬边、焊瘤等，这些缺陷极大地影响了焊接的质量和钢结构的稳定性，因此对焊接过程进行缺陷检测是必要的流程。
2、传统的焊缝缺陷检测主要采用人工检测的方法，该方法效率低、强度高，且人员的安全程度难以保证。随着计算机视觉技术的快速发展，一些使用传统图像处理和机器学习的缺陷检测方法被不断提出，然而这些方法虽然有效地避免了人工目测的弊端，但是对缺陷的检测准确率不高。相比这些方法，卷积神经网络可以更好地处理图像数据，提高缺陷检测的准确率与效率。
3、经检索，中国专利申请号为2022116621355的申请案公开了一种基于高分辨率和重参数化的钢材表面缺陷检测方法及系统，该申请案，将钢材表面图像输入到钢材表面缺陷检测模型进行多尺度特征提取；将融合后的多尺度特征图输入到检测头部分，将不同大小的卷积层和归一化层进行重参数化，检测系统由依次连接的图像采集模块、特征提取模块、特征融合模块、检测模块和重参数化模块构成，使用卷积神经网络对钢材表面图像进行多尺度特征提取，利用高分辨率特征来提高模型提取小目标缺陷的能力，利用重参数化来提高模型推理时的速度，能够有效提高钢材表面缺陷的检测精度和检测速度，但其检测精度和检测效率仍有待进一步提高。p>
技术实现思路
1、1.要解决的问题
2、本专利技术的目的在于提供钢结构焊缝缺陷的检测方法、装置、电子设备及缺陷分类识别方法，本专利技术基于穷尽搜索和卷积神经网络对钢结构焊缝缺陷进行检测，从而可以有效提高焊缝的检测精度，克服现有检测方法存在的检测准确率不高且耗时多的不足。
3、2.技术方案
4、为了解决上述问题，本专利技术所采用的技术方案如下：
5、本专利技术提供了一种钢结构焊缝缺陷的检测方法，包括：
6、采集焊缝图像；
7、在焊缝图像上放置网格，获取网格内部图像的灰度数值、灰度偏差以及均匀度，以将不含缺陷的网格初步滤除；
8、提取剩余网格的内部图像特征，提取的网格图像特征包括hog和cnnf特征，其中cnnf特征的提取采用卷积神经网络，并对特征提取网络进行卷积层参数搜索，卷积神经网络采用的骨架为repvgg网络基础结构的一部分；
9、将提取的图像特征送入训练好的分类器中进行判别，得到包含缺陷的网格；
10、对缺陷进行定位和标记。
11、更进一步的，cnnf特征的提取过程为：
12、对局部图像实施归一化，并在预定义的网络骨架上变更相关网络参数；
13、通过变更网络参数可以得到许多特征提取网络，采用训练集对各个网络分别进行训练，当模型收敛后去除模型中的全连接层，仅保存卷积部分到磁盘中；
14、使用上述特征提取网络在新的数据集上提取cnnf特征，并用l2norm对特征进行归一化；
15、使用训练好的分类器对归一化后的特征进行辨别，并依次记录准确率，依据准确率选择最佳的特征提取网络用于提取cnnf特征。
16、更进一步的，可变更的网络参数包括卷积核尺寸、卷积核的数量以及非线性函数。
17、更进一步的，提取cnnf特征时，对特征提取网络进行重参数化处理，以将不同尺寸的卷积层、批归一化层以及残差连接全部融合成单一的卷积层，从而提高cnnf特征的提取效率。
18、更进一步的，所述分类器的训练方法，包括：
19、输入焊缝图像；
20、在焊缝图像上放置网格，获取网格内部图像的灰度数值、灰度偏差以及均匀度，以将不含缺陷的网格初步滤除；
21、顺序提取剩余网格的内部图像特征，并保存至磁盘中；提取的网格图像特征包括hog和cnnf特征，其中cnnf特征的提取采用卷积神经网络，并对特征提取网络进行卷积层参数搜索，卷积神经网络采用的骨架为repvgg网络基础结构的一部分；
22、读取保存的图像特征数据，依据网格内部是否含有缺陷划分为正样本特征和负样本特征，按照一定比例选择正负样本特征组成单组训练数据，用于对分类器进行训练，从而得到经训练优化的分类器。
23、更进一步的，对缺陷进行定位和标记的具体操作为：将包含缺陷的网格融合基础网格变成缺陷的预测框，再将相交的预测框合并直到预测框的数量不再变化，得到最终的预测框。
24、本专利技术还提供了一种钢结构焊缝缺陷的检测装置，包括：
25、焊缝图像采集模块，用于对焊缝图像进行采集；
26、不含缺陷网格初步滤除模块，用于在焊缝图像上放置网格，获取网格内部图像的灰度数值、灰度偏差以及均匀度，以将不含缺陷的网格初步滤除；
27、内部图像特征提取模块，用于提取剩余网格的内部图像特征，提取的网格图像特征为hog和cnnf特征，其中cnnf特征的提取采用卷积神经网络，并对特征提取网络进行卷积层参数搜索，卷积神经网络采用的骨架为repvgg网络基础结构的一部分；
28、缺陷检测模块，用于将提取的图像特征送入训练好的分类器中进行判别，得到包含缺陷的网格；
29、缺陷定位模块，用于对检测到的缺陷进行定位和标记。
30、本专利技术还提供了一种钢结构焊缝缺陷的分类识别方法，包括：
31、采集待检测焊缝图像；
32、在焊缝图像上放置网格，获取网格内部图像的灰度数值、灰度偏差以及均匀度，以将不含缺陷的网格初步滤除；
33、提取剩余网格的内部图像特征，提取的网格图像特征包括hog和cnnf特征，其中cnnf特征的提取采用卷积神经网络，并对特征提取网络进行卷积层参数搜索，卷积神经网络采用的骨架为repvgg网络基础结构的一部分；
34、将提取的图像特征送入训练好的分类器中进行判别，得到包含缺陷的网格；
35、对缺陷进行定位和标记；
36、采用钢结构焊缝缺陷分类模型对缺陷进行识别和分类。
37、更进一步的，所述钢结构焊缝缺陷分类模型使用由repvgg结构单元组成的骨干网络，其网络模型由5个repvgg模块和单个注意力层构成，其中注意力层位于第1个和第2个repvgg模块之间且邻域大小为5，对该模型进行训练时使用adam优化器，初始学习率为0.001，损失函数使用交叉熵损失函数，训练过程中使用余弦衰减调整学习率。
38、本专利技术还提供了一种电子设备，包括可存储介质和处理器，可存储介质中存储有计算机程序，所述处理器调用上述计算机程序时可以执行本专利技术的焊缝缺陷的检测方法或者本专利技术的焊缝缺陷的分类识别方法。
39、本专利技术还提供了一种可存储介质，可存储介质中存储有计算机程序，上述计算机程序被调用时可本文档来自技高网...
【技术保护点】
1.一种钢结构焊缝缺陷的检测方法，其特征在于，包括：
2.根据权利要求1所述的钢结构焊缝缺陷的检测方法，其特征在于，CNNF特征的提取过程为：
3.根据权利要求2所述的钢结构焊缝缺陷的检测方法，其特征在于，可变更的网络参数包括卷积核尺寸、卷积核的数量以及非线性函数。
4.根据权利要求1-3中任一项所述的钢结构焊缝缺陷的检测方法，其特征在于，提取CNNF特征时，对特征提取网络进行重参数化处理，以将不同尺寸的卷积层、批归一化层以及残差连接全部融合成单一的卷积层。
5.根据权利要求1-3中任一项所述的钢结构焊缝缺陷的检测方法，其特征在于，所述分类器的训练方法，包括：
6.根据权利要求1-3中任一项所述的钢结构焊缝缺陷的检测方法，其特征在于，对缺陷进行定位和标记的具体操作为：将包含缺陷的网格融合基础网格变成缺陷的预测框，再将相交的预测框合并直到预测框的数量不再变化，得到最终的预测框。
7.一种钢结构焊缝缺陷的检测装置，其特征在于，包括：
8.一种钢结构焊缝缺陷的分类识别方法，其特征在于，包括：
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。