[发明专利]一种基于Y-net多层卷积神经网络的焊缝特征点提取方法

权利要求书

1.一种基于Y-net多层卷积神经网络的焊缝特征点提取方法，步骤如下：

(1)设计用于焊缝特征点提取的多层卷积神经网络Y-net；

(2)采集多种坡口类型及多种弧光干扰的焊缝图像并进行数据增广；

(3)对数据集进行类别和位置信息标注，输入Y-net网络进行训练；

(4)用训练好的模型进行检测，得到检测结果。

2.根据权利要求1所述的基于Y-net多层卷积神经网络的焊缝特征点提取方法，其特征在于：步骤(1)所述的Y-net多层卷积神经网络经过多层卷积进行特征提取后，形成Y型分支，一端通过卷积输出具有抗弧光干扰特性和多种坡口类型适应特性的类别预测结果，另一端通过卷积输出具有高精度的位置预测结果；该网络采用1280*1024大小的焊缝图像作为输入，卷积神经网络包括5个卷积层和5个池化层，每一个卷积层后面均跟一层Relu激活函数层，对经过第5个池化层后的特征图分别用两个3*3*2的卷积核进行卷积，一个用于焊点的类别输出，一个用于每个焊缝点的位置输出；该网络通过多层卷积提取特征并结合多种坡口类型和多种弧光干扰的焊缝数据集进行训练，发挥深度卷积网络的特征表达能力和自学习能力，以适应多种坡口类型和提高抗干扰能力，通过Y型分支在类别预测的基础上引入了位置预测，并设计类别损失和位置损失的相加方式的损失函数，以提高位置预测的精度；该网络模型的参数量较少，能够实现较快的检测速度。

3.根据权利要求1所述的基于Y-net多层卷积神经网络的焊缝特征点提取方法，其特征在于：所述步骤(2)具体包括：

(1)为使模型对各种类型的焊缝坡口有更好的泛化能力，所采集的投射到焊缝上的激光焊缝图像包含V型、I型、U型，K型等多种坡口类型以及多种弧光类型，并筛选图像，去除相同或相似的图像，保证数据集的多样性，基本涵盖实际焊接过程中的焊缝图像；

(2)对这些图像进行数据增广，左右随机平移200以内像素单位，上下随机平移50以内像素单位。

4.根据权利要求1所述的基于Y-net多层卷积神经网络的焊缝特征点提取方法，其特征在于：所述步骤(3)具体包括：

(1)对增广后的图像进行标注，使每一个标注文件，包含图像中两个特征点的类别和位置信息；

(2)在训练阶段，对图像进行归一化预处理后进行输入，引入先验框，将对焊缝拐点的寻找延伸到对框的寻找，以经过第5个池化层后的特征图中每一个小单元格的中心为中心生成固定大小的先验框，映射到原图大小为100*100，同时以图像中焊缝点为中心，生成同样大小的框，计算先验框与实际框的重叠度IOU值，设置一定阈值，将IOU大于阈值的框，作为正样本，将IOU小于阈值的框的类别预测损失从高到低排序，选取3倍正样本的个数作为负样本，正负样本按照1∶3的比例进行训练；

(3)所述网络以焊缝特征点与先验框中心坐标的相对位置和类别作为实际标签，利用梯度下降法优化损失函数，损失函数为类别损失和位置损失的相加，类别预测采用交叉熵损失函数，焊缝特征点位置预测采Smooth_L1Loss损失函数，即：

其中，N为与真实框匹配的先验框的数量，x为输入，c为类别，是焊点还是背景，g为焊缝特征点与先验框的中心坐标的相对位置，l为预测位置，L_loc位置损失函数为：

式中g^cx，g^cy为实际焊缝特征点位置，d^cx，d^cy为先验框的中心坐标，L_conf类别损失函数为：

表示第i个先验框预测类别为焊点的概率，表示预测为背景的概率。

5.根据权利要求1所述的基于Y-net多层卷积神经网络的焊缝特征点提取方法，其特征在于：步骤(4)使用训练好的模型对检测图片进行检测，在检测阶段，先要根据所有预选框的预测类别的概率设定一定的阈值，将大于阈值的先验框保留下来；对保留下来的先验框按照概率大小从大到小排序，通过非极大抑制的方法筛选出最优的包含焊缝点的框，将框的中心坐标还原为实际位置，标注在图像上，即为焊点位置。