[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

说明书

本发明公开了一种基于改进卷积神经网络的焊缝缺陷识别方法，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，实现焊缝缺陷类型的识别。本发明方法避免了传统焊缝缺陷识别方法须人工提取特征的过程，且较传统改进前卷积神经网络模型的缺陷识别率有进一步提升。

技术领域

本发明属于焊缝缺陷自动识别技术领域，具体涉及一种基于改进卷积神经网络的焊缝缺陷识别方法。

背景技术

在焊缝缺陷自动识别领域，传统方法不可避免的要经历人工选取提取与特征的过程，该过程耗时费力，而且特征的选取是否合理具有很大的主观性，对于识别正确率有较大影响。

卷积神经网络经典池化模型(最大池化模型和平均池化模型)在对不同特征分布的池化域进行特征提取时，缺乏动态自适应性，导致提取特征不精确。

焊缝缺陷数据属于小样本、非海量的数据，而在非海量数据的情形下，卷积神经网络的学习不充分，从而使模型不能达到最优的特征选择。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于改进卷积神经网络的焊缝缺陷识别方法，避免传统方法人工特征选择的过程；对神经网络的经典池化模型和特征选择方法做出改进，得到一种基于改进卷积神经网络的焊缝缺陷识别方法，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自动识别。

本发明采用以下技术方案：

一种基于改进卷积神经网络的焊缝缺陷识别方法，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。

具体的，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。

进一步的，步骤S102中，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。

更进一步的，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。

具体的，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；