[发明专利]一种基于改进卷积神经网络的焊缝缺陷识别方法

权利要求书

1.一种基于改进卷积神经网络的焊缝缺陷识别方法，其特征在于，建立综合考虑池化域与其所在特征图特征分布的池化模型，引入修正因子μ对最大池化特征进行修正；将ReliefF算法与神经网络相结合作为特征选择方法；构建具有上述池化模型和特征选择方法的深度卷积神经网络，以最小化代价函数为目标进行迭代，以训练形成焊缝缺陷识别神经网络，将待识别焊缝图像送入训练好的深度神经网络，实现焊缝缺陷类型的识别；

构建池化模型的具体步骤如下：

S101、获取当前池化域的特征方差σ_P与池化域所在特征图的特征方差σ_FM；

S102、构建综合考虑池化域与其所在特征图特征分布的池化模型，池化模型表达如下：

其中：池化域大小为n×n，S为池化模型提取的池化特征，F_ij表示输入特征图F在(i,j)处的特征值，σ_P为池化域内特征方差，σ_FM为池化域所在特征图方差，μ为修正因子；

建立基于ReliefF算法与神经网络相结合的特征选择方法的步骤如下：

S201、根据类间比例，类内随机的抽样方法获取子样本集M；

S202、获取在样本集上提取到的用于分类的特征集合T，采用ReliefF算法对特征集合进行处理，得到初始特征权值向量L₀；

S203、将L₀权值为负的元素置为0后得到新的权值向量L₁，将L₁进行归一化处理后得到最终的权值向量L；

S204、将L中的特征权值对应地赋予特征选择层，得到特征选择层参数。

2.根据权利要求1所述的一种基于改进卷积神经网络的焊缝缺陷识别方法，其特征在于，步骤S102中，修正因子μ为池化域内特征值之和与特征极差的差与特征值之和的比例，具体计算如下：

μ＝(t_sum-t_max+t_min)/t_sum

其中，t_sum为池化域内特征值之和，t_min为池化域内最小特征值，t_max为池化域内最大特征值。

3.根据权利要求1所述的一种基于改进卷积神经网络的焊缝缺陷识别方法，其特征在于，步骤S201中，类间比例指各类别中样本被抽取次数占总抽样次数的比值与该类别中样本数与所有样本总数的比值，类内随机指在类别C中随机选取样本。

4.根据权利要求3所述的一种基于改进卷积神经网络的焊缝缺陷识别方法，其特征在于，各类别中样本被抽取次数占总抽样次数的比值与该类别中样本数与所有样本总数的比值计算如下：

其中，n为类别C中样本的总数，m为所有类别样本的总数，C_n为类别C中样本被抽取次数，C_m为所有样本总共的抽取次数。