[发明专利]一种空洞卷积神经网络的激光定向能量沉淀图像识别方法

权利要求书

1.一种空洞卷积神经网络的激光定向能量沉淀图像识别方法，其特征在于，包括以下步骤：

步骤1：采集多幅激光定向能量沉积区域图像，通过人工标注方法标注每幅激光定向能量沉积区域图像熔池区域标签和微小溅射标签，通过激光定向能量沉积区域图像以及对应的熔池区域标签和微小溅射标签，构建空洞卷积神经网络训练集；

步骤2：构建空洞卷积神经网络，将空洞卷积神经网络训练集中每幅激光定向能量沉积区域图像通过图像预处理得到每幅激光定向能量沉积区域预处理后图像，将每幅激光定向能量沉积区域预处理后图像作为样本依次输入至空洞卷积神经网络中，通过空洞卷积神经网络预测，分别得到每幅激光定向能量沉积区域预处理后图像熔池区域预测标签以及微小溅射预测标签，结合空洞卷积神经网络中每幅激光定向能量沉积区域图像的熔池区域标签和微小溅射标签，构建空洞卷积神经网络的损失函数，通过优化训练直至空洞卷积神经网络的损失函数达到Nash均衡，得到优化后空洞卷积神经网络；

步骤3：将待检测的激光定向能量沉积区域图像进行灰度化、二值化预处理得到预处理后待检测的图像，将预处理后待检测的图像通过优化后的空洞卷积神经网络预测得到待检测的激光定向能量沉积区域图像中熔池区域标签、待检测的激光定向能量沉积区域图像中微小溅射标签，根据待检测的激光定向能量沉积区域图像中熔池区域标签判断待检测的激光定向能量沉积区域图像是否存在熔池区域，根据待检测的激光定向能量沉积区域图像中微小溅射标签判断待检测的激光定向能量沉积区域图像是否存在微小溅射。

2.根据权利要求1所述的空洞卷积神经网络的激光定向能量沉淀图像识别方法，其特征在于，

步骤1所述激光定向能量沉积区域图像为：

data_s(m，n)

s∈[1，S]，m∈[1，M]，n∈[1，N]

其中，data_s为第s个采集时刻采集的图像，data_s(m，n)为第s个采集时刻的激光定向能量沉积区域图像上第m行第n列的像素，S为采集时刻的数量，M为激光定向能量沉积区域图像行的数量，N为激光定向能量沉积区域图像列的数量；

步骤1所述激光定向能量沉积区域图像熔池区域和微小溅射标签为：

s∈[1，S]

其中，为第s个采集时刻的激光定向能量沉积区域图像的熔池区域标签，S为采集时刻的数量，表示第s个采集时刻的激光定向能量沉积区域图像中含有熔池区域，表示第s个采集时刻的激光定向能量沉积区域图像中没有熔池区域，仅当时记为“熔池区域”；为第s个采集时刻的激光定向能量沉积区域图像的微小溅射标签，S为采集时刻的数量，表示第s个采集时刻的激光定向能量沉积区域图像中含有微小溅射，表示第s个采集时刻的激光定向能量沉积区域图像中没有微小溅射，仅当时记为微小溅射；

步骤1所述的激光定向能量沉积区域图像的空洞卷积神经网络的训练集为：

s∈[1，S]，m∈[1，M]，n∈[1，N]

其中，data_s(m，n)为第s个采集时刻的激光定向能量沉积区域图像上第m行第n列的像素，为第s个采集时刻的激光定向能量沉积区域图像的熔池区域标签，表示第s个采集时刻的激光定向能量沉积区域图像中含有熔池区域，表示第s个采集时刻的激光定向能量沉积区域图像中没有熔池区域；为第s个采集时刻的激光定向能量沉积区域图像的微小溅射标签，表示第s个采集时刻的激光定向能量沉积区域图像中含有微小溅射，表示第s个采集时刻的激光定向能量沉积区域图像中没有微小溅射；S为采集时刻的数量，即空洞卷积神经网络训练集中样本的数量，M为激光定向能量沉积区域图像行的数量，N为激光定向能量沉积区域图像列的数量。

3.根据权利要求1所述的空洞卷积神经网络的激光定向能量沉淀图像识别方法，其特征在于，

步骤2所述图像预处理具体为：将空洞卷积神经网络训练集中每幅激光定向能量沉积区域图像进行灰度化、二值化预处理；

步骤2所述空洞卷积神经网络由输入层、多层卷积计算层、池化层、反卷积层、输出层依次串联级联构成；

所述输入层：将第s个采集时刻采集的激光定向能量沉淀区域图像，即通过均值零化、方差归一化方法，得到第s个采集时刻的标准化图像输入至特征提取层；

所述多层卷积计算层：所述多层卷积计算层由第一卷积层、第二卷积层、第三卷积层依次级联组成；下面分述各卷积层的作用；

所述第一卷积层：对输入的图片信息，3×3区域内的像素进行卷积核为3×3，步长取1的卷积运算，得到的卷积运算的结果作为一个输出像素存在，3×3卷积核遍历整个输入层图像得到的所有输出值，构成第一特征图像；

所述第二卷积层：对第一特征图像进行卷积核为3×3，步长取2的卷积运算，得到的卷积运算的结果作为一个输出像素存在，3×3卷积核遍历整个第一特征图像得到的所有输出值，构成第二特征图像；

所述第三卷积层：对第二特征图像进行卷积核为3×3，步长取3的卷积运算，得到的卷积运算的结果作为一个输出像素存在，3×3卷积核遍历整个第二特征图像得到的所有输出值，构成第三特征图像；

所述池化层：对第三特征图像的3×3区域内的像素，进行卷积核为3×3，步长取3的最大池化运算；由于池化处理图像时的特征不变性，最大池化运算仅仅降低了图像维度，3×3池化核遍历整个第三特征图像得到的所有输出值，构成第四特征图像；

所述反卷积层：将输入的第四特征图像和第一特征图像的叠加运算，对输入图像3×3区域内的像素进行卷积核为3×3，步长取1的上采样，目的是扩大图像维度，还原输入的特征对应的图像，3×3反卷积核遍历整个输入特征图得到的所有输出值构成原始图像的复原图；

所述输出层：所述输出层，对输入的特征图的G个特征构建G×1的列向量矩阵，对各值网络输出指数运算后输出另一个G×1的矩阵，其中列向量各元为输出层判定所输入特征分属各类别的概率，从而获知熔池是否存在的判定值和微小溅射是否存在的判定值；

所述输出层内的soft_max函数计算类别γ的概率值定义如下：

其中，分子为要计算的类别γ的网络输出的指数，分母上为网络输出的所有类别的指数之和，一共个类别，指熔池区域的判定值为0，其对应熔池区域不存在，指熔池区域的判定值为1，其对应熔池区域存在；指微小溅射的判定值为0，其对应微小溅射不存在，指微小溅射的判定值为1，其对应微小溅射存在；最终以此得到类别γ的概率值；

步骤2所述空洞卷积神经网络的损失函数为交叉熵损失函数，具体定义如下：

在上述公式中，对于第s个采集时刻的标准化图像，t_s，γ为第s个采集时刻的标准化图像类别γ的真实标签，为由soft_max函数计算出的第s个采集时刻的标准化图像类别γ的概率值，为类别数，S为空洞卷积神经网络训练集中样本的数量；

步骤2所述通过优化训练直至空洞卷积神经网络的损失函数达到Nash均衡为：

通过两阶段训练方法优化训练直至空洞卷积神经网络损失函数达到Nash均衡，得到优化后空洞卷积神经网络。