[发明专利]基于图像处理的焊接焊缝定位用卷积神经网络的构建方法

权利要求书

1.一种基于图像处理的焊接焊缝定位用卷积神经网络的构建方法，其特征在于，该方法包括以下步骤：

步骤一、基于图像处理的焊接焊缝定位用卷积神经网络训练样本获取，具体过程为：

步骤101、采用摄像机周期性拍摄待定位焊缝图像且将拍摄到的待定位焊缝图像传输给图像处理器；

步骤102、图像处理器对待定位焊缝图像进行分块处理；

步骤103、图像处理器对经过步骤102处理的待定位焊缝图像进行降维处理，得到多幅降维处理后的待定位焊缝图像；

步骤104、将多幅降维处理后的待定位焊缝图像作为训练样本；

步骤二、建立包括输入层、卷积层C1、池化层S2、卷积层C3、池化层S4、卷积层C5、池化层S6、全连接层F7、全连接层F8和输出层的基于图像处理的焊接焊缝定位用卷积神经网络；

输入层:将输入的彩色图像数据的大小统一为224*224*3；

卷积层C1：对输入的彩色图像数据卷积，进行特征提取，卷积核取11*11，步长取4，特征映射图谱数量取12，得到55*55*12的特征图；

池化层S2：对卷积层C1卷积后的特征图进行降维处理，采用自适应的池化方法进行特征提取，矩形区域取3*3，步长取2，得到27*27*12的特征图；

卷积层C3：对池化层S2降维后的特征图数据卷积，进行特征提取，卷积核取5*5，步长取2，特征映射图谱数量取48，得到27*27*48的特征图；

池化层S4：对卷积层C3卷积后的特征图进行降维处理，采用自适应的池化方法进行特征提取，矩形区域取3*3，步长取2，得到13*13*48的特征图；

卷积层C5：对池化层S4降维后的特征图数据卷积，进行特征提取，卷积核取3*3，步长取1，特征映射图谱数量取96，得到13*13*96的特征图；

池化层S6：对卷积层C5卷积后的特征图进行降维处理，采用自适应的池化方法进行特征提取，矩形区域取3*3，步长取1，得到6*6*96的特征图；

全连接层F7：设置1024个神经元，连接池化层S6输出的所有特征，设置ReLU函数为激活函数；

全连接层F8：设置512个神经元，与全连接层F7的神经元全连接，设置ReLU函数为激活函数；

输出层：设置2个神经元，与全连接层F8的神经元全连接，对输出结果进行二分类；二分类的结果为“焊缝”或“非焊缝”；

步骤三、基于图像处理的焊接焊缝定位用卷积神经网络训练：采用步骤一中的训练样本对步骤二中构建的基于图像处理的焊接焊缝定位用卷积神经网络进行训练，得到训练好的基于图像处理的焊接焊缝定位用卷积神经网络。

2.按照权利要求1所述的基于图像处理的焊接焊缝定位用卷积神经网络的构建方法，其特征在于：所述图像处理器为计算机。

3.按照权利要求1所述的基于图像处理的焊接焊缝定位用卷积神经网络的构建方法，其特征在于：步骤102中所述图像处理器对待定位焊缝图像进行分块处理的具体过程为：图像处理器接收所述待定位焊缝图像并按照行间隔宽度d和列间隔宽度H将所述待定位焊缝图像分为M×N个待定位焊缝子图像Y₁、Y₂、…、Y_M×N，每个所述待定位焊缝子图像均由m×n个像素构成，其中，M为待定位焊缝子图像的行数，N为待定位焊缝子图像的列数，d、H、M、N、m和n均为自然数，d和H的单位均为像素。

4.按照权利要求1所述的基于图像处理的焊接焊缝定位用卷积神经网络的构建方法，其特征在于：步骤103中所述图像处理器对经过步骤102处理的待定位焊缝图像进行降维处理的具体过程为：图像处理器调用预先采用主成分分析法训练的降维矩阵W并根据公式Y′_f＝WY_f对M×N个待定位焊缝子图像进行降维处理，将M×N个待定位焊缝子图像Y₁、Y₂、…、Y_M×N转换为降维处理后的M×N个待定位焊缝子图像特征向量Y₁′、Y₂′、…、Y_M×N′，其中，Y_f为第f个待定位焊缝子图像且Y′_f为降维处理后的第f个待定位焊缝子图像特征向量，f的取值为1～M×N的自然数。