[发明专利]基于深度神经网络的熔池轮廓检测方法

说明书

本发明公开了一种基于深度神经网络的熔池轮廓检测方法，采集焊接时的熔池图像，裁去冗余背景，得到原始熔池图像集；制作分割标记样本，与原始熔池图像集构成熔池图片标记数据集；利用生成对抗网络DCGAN进行训练，生成与原始熔池图像相似的图像，与熔池图片标记数据集构成扩充的熔池图片标记数据集；进行色彩学和形态学上的数据增广，放入语义分割网络中进行训练，提取熔池轮廓。本发明在节省人力与时间的同时，使网络模型具备了更好的泛化能力，并且更好地提升了对熔池弱边缘区域的分割精度。

技术领域

本发明机器视觉领域，具体涉及一种基于深度神经网络的熔池轮廓检测方法。

背景技术

自动焊接极大的解放了人工，在智能生产方面得到了广泛的应用。利用计算机视觉提取、分析熔池轮廓，有利于实时检测与控制自动焊接过程，保证焊接产品的质量。传统方法采用Canny算子、CV活动轮廓等进行边缘检测，然而，现实情况中熔池图像受到焊接工艺与材料的影响，容易出现灰度分布不均且被弧光干扰的情况，此时传统方法难以提取出准确且完整封闭的熔池轮廓。

发明内容

本发明的目的在于提供一种基于深度神经网络的熔池轮廓检测方法。

实现本发明目的的技术解决方案为：一种基于深度神经网络的熔池轮廓检测方法，包括如下步骤：

步骤1、建立熔池视觉传感系统，采集焊接时的熔池图像，裁去冗余背景，得到原始熔池图像集；

步骤2、基于步骤1得到的熔池图像制作其对应的分割标记样本，与原始熔池图像集构成熔池图片标记数据集；

步骤3、基于步骤2得到的熔池图片标记数据集，利用生成对抗网络DCGAN进行训练，生成与原始熔池图像相似的图像，与熔池图片标记数据集构成扩充的熔池图片标记数据集；

步骤4、对扩充的熔池图像标记数据集进行色彩学和形态学上的数据增广，放入语义分割网络中进行训练；

步骤5、利用步骤4中所述训练得到的语义网络网络模型提取熔池轮廓。

本发明与现有技术相比，其显著优点为：1)利用生成对抗网络生成相似图像与随机数控制数据增广强度的方法，在数据集体量不足够达到分割任务精度的情况下，在节省人力与时间的同时，使网络模型具备了更好的泛化能力；2)将残差网络的不同尺度的特征进行融合，更好地提升了对熔池弱边缘区域的分割精度。

附图说明

图1为本发明建立的熔池视觉传感系统的示意图。

图2为本发明窗口裁切后的熔池图像。

图3为本发明熔池图像及对应的标记样本示意图。

图4为本发明DCGAN训练过程中的生成图像，其中(a)为epoch＝10的生成图像，(b)为epoch＝120的生成图像，(c)epoch＝300的生成图像。

图5为本发明分割筛选后的生成图像。

图6为本发明生成图像及原图对应的标记样本示意图。

图7为本发明Res-Seg网络的结构示意图。

图8为本发明数据增广的流程图。

图9为本发明方法流程图

图10本发明测试结果的示意图，其中(a)为Canny的测试结果，(b)为CV的测试结果，(c)为ENet的测试结果，(d)为ResNet50的测试结果，(e)为本发明算法的测试结果。

具体实施方式

下面结合附图和具体实施例，进一步说明本发明方案。

一种基于深度神经网络的熔池轮廓检测方法，包括如下步骤：