[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

说明书

本发明涉及一种基于Y‑net多层卷积神经网络的焊缝特征点提取方法，属于工业自动化焊接技术领域，本方法包括设计用于焊缝特征点提取的多层卷积神经网络Y‑net，该网络经过多层卷积进行特征提取后，形成Y型分支，一端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，另一端输出具有高精度的位置预测；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；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；用训练好的模型进行测试，得到测试结果。本发明与现有技术相比，在具有弧光干扰的实际焊接现场，具有良好的抗干扰能力和预测能力，针对多种类型坡口具有良好的适应性。此外，网络模型较小，具有较高的处理速度。

技术领域

本发明属于工业自动化焊接技术领域，尤其涉及到一种基于Y-net多层卷积神经网络的焊缝特征点提取方法。

背景技术

随着社会经济、工业自动化和科学技术的逐渐进步，社会对焊接产品的需求量越来越大，产品的质量、生产效率和稳定性要求越来越高，生产成本要求却越来越低，传统的手工焊接已不能满足市场需求，这就使焊接工艺由手工操作向着自动化和智能化的方向发展。焊缝特征识别技术主要通过将激光投射在焊缝表面，形成包含焊缝轮廓信息的焊缝条纹，对图像进行分析，纠正焊枪在具体操作时出现的误差，以便于最终获得一个更精准的位置信息。但在智能化焊接发展过程中，一直受到许多因素的制约，比如在焊接过程中，因为受到强烈弧光、飞溅、烟尘等的干扰，采集到的图像受噪声污染比较严重，难以准确定位，直接影响到了焊接的质量，其次，传统的特征点提取方法往往只是针对某一坡口类型的焊缝，具有很大局限性。在实际的焊接自动化生产过程中，为保证焊接产品高效率的进行，还需要实时获得焊接过程中焊缝特征点位置信息。

近年来，兴起的深度学习技术利用大量的数据样本来提取特征，具有强大的特征表达能力和自学习能力。将多层卷积神经网络引入到焊缝特征提取过程中，从大量的焊缝图像样本中学习特征点的信息特征，能够从含有强烈噪声污染以及多种坡口类型的图像中找到特征点位置，并引导焊缝跟踪系统实现精准定位，此外，一些典型的深度学习网络模型计算量大，研究特定的网络模型用于焊缝特征点提取，能够在保证精度的前提下大大减小了运算量。因此，利用多层卷积神经网络进行特征点的提取，有助于提高在复杂的实际焊接环境中的适应能力，实现又快又好的高效率焊接。

发明内容

为了解决焊缝跟踪系统在实际的焊接环境中焊缝特征信号被噪声严重干扰甚至淹没时产生的定位不准确问题以及多种坡口类型的适应性问题，本发明提供一种基于Y-net多层卷积神经网络的焊缝特征点提取方法。

本发明提供技术方案如下：

一种基于Y-net多层卷积神经网络的焊缝特征点提取方法，具体包括以下步骤：

(1)设计用于焊缝特征点提取的多层卷积神经网络Y-net；

(2)采集多种坡口类型焊缝图像并进行数据增广；

(3)对数据集进行标注，输入Y-net网络进行训练；

(4)用训练好的模型进行测试，得到测试结果。