[发明专利]一种基于深度卷积神经网络模型的船舶焊缝缺陷检测方法

权利要求书

1.一种基于深度卷积神经网络模型的船舶焊缝缺陷检测方法，其特征在于，包括如下步骤：

(1)获取船舶X射线焊缝图像集；

(2)基于距离最值M-SMOTE算法处理不平衡数据集；

(3)构建面向船舶焊缝缺陷检测的深度卷积神经网络模型；

所述面向船舶焊缝缺陷检测的深度卷积神经网络包括13层，分别为一个输入层、三次卷积与池化层、五个全连接层和一个输出层，所述输入层的输入是来自对船舶X射线焊缝图像集的特征数据进行改进近邻传播聚类的结果，所述深度卷积神经网络中间各层的输入数据采用自适应PCA降维；

(4)训练用于船舶焊缝缺陷检测的深度卷积神经网络模型；

(5)基于深度卷积神经网络模型进行焊缝缺陷检测。

2.根据权利要求1所述的一种基于深度卷积神经网络模型的船舶焊缝缺陷检测方法，其特征在于，步骤(2)所述基于距离最值M-SMOTE算法处理不平衡数据集的流程采用如下步骤：

(1)对于少数类焊缝样本集中每一个体x_i，计算它到少数类样本集中所有样本的欧式距离d_i，设d_x为少数类样本集类间平均欧氏距离，其计算如下：

(2)计算样本x_i与多数类K个邻近样本的最大欧氏距离d_max和最小欧氏距离d_min；

(3)在合成样本之时，针对每个少数样本，计算该样本与同类K个邻近样本的平均欧氏距离d_avg1，以及该少数样本与多数类K个邻近样本的平均欧氏距离d_avg2；

(4)定义μ为相对距离比，且计算如下：

(5)定义λ为距离系数，其主要针对新样本合成时，考虑周围多数类样本造成影响而设定，且计算如下：

式中，rand(0,1)表示区间(0,1)内的随机数；

(6)借鉴SMOTE算法，新少数类样本生成方式如下：

x_new＝x_i+λ(x_i-x_j)；

x_i为选取进行过采样处理的任一个少数类样本，x_j为x_i的同类K个邻近样本之一，x_new为使用M-SMOTE算法要生成的新少数类样本；当μ小于等于1，少数类样本x_i与同类K个近邻的平均欧氏距离较小，说明该样本周围少数类分布较密集，合成的新样本x_new在x_i与x_j之间随机生成；当μ大于等于1，少数类样本x_i与同类K个近邻的平均欧氏距离较远，合成新样本应该与少数类密集区域距离远，使x_new远离x_i。

3.根据权利要求1所述的一种基于深度卷积神经网络模型的船舶焊缝缺陷检测方法，其特征在于，所述深度卷积神经网络模型的输入层的船舶X射线焊缝图像集的特征数据包括基于几何、强度和背景对比反差三个角度的5类焊接缺陷特征，其中所述几何角度的缺陷特征，包括长度W和纵横比A_r，前者是指缺陷边缘两点间的最大距离，后者是指缺陷的宽度与长度之比；所述强度角度缺陷特征，包括缺陷区粗糙度R_r，是指缺陷内部像素的强度变化；所述背景对比反差角度缺陷特征，包括直方图对比H_c和纵横比对比K_c，前者是指缺陷区域与背景灰度直方图的卡方距离；纵横比对比K_c为缺陷区与背景的纵横比之比。