[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

说明书

本发明提出了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。采集多幅激光定向能量沉积区域图像，人工标注每幅的熔池和微小溅射标签，进而构建训练集；搭建空洞卷积神经网络，将训练集中的图像输入至神经网络，预测熔池以及微小溅射存在值，进而结合标注构建损失函数，优化至Nash均衡，得到优化后神经网络；将待检测图像经过预处理后，通过优化后的空洞卷积神经网络预测得到待检测图像中熔池区域标签和微小溅射标签，根据待检测图像中熔池区域标签以及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熔池区域以及微小溅射。本发明对激光定向能量沉积过程中的熔池区域和微小溅射进行识别，利于对产品制造过程的调控。

技术领域

本发明涉及一种激光定向能量沉淀图像识别，特别是涉及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。

背景技术

空洞卷积(Dilated/Atrous Convolution)也被称为扩张卷积或者膨胀卷积，它是一种在标准的卷积核中注入空洞来增大模型的感受野(reception field)的卷积操作。空洞卷积是一种强大的工具，它允许我们显式地控制由深卷积神经网络计算的特征的分辨率，并调整滤波器的视场，为了捕获多尺度信息，推广了标准卷积运算。空洞卷积神经网络同先前的卷积神经网络一样，是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，可应用于图像分析、图像处理、自然语言处理、药物发现、计算机围棋等领域。

激光定向能量沉淀技术(DED)也称激光定向能量沉淀增材制造技术，根据市场研究，该项技术可用于涂层和修复金属部件。多种材料可用于这项技术，例如不锈钢、铜、镍、铝、钴和钛。这项技术不仅可以对原有的金属部件进行修复，利用这项技术本身生产出来的金属物体也能直接作为致密的金属零件使用。

图像识别技术是通过设计特定的算法来实现对已有图像的须要操作的一种技术，它的应用领域广泛，例如遥感图像的识别、通讯领域、军事刑侦领域、生物医学领域、机器视觉领域等，具有很强并且广泛的应用性。

随着增材制造技术的发展，要进一步提高其生产产品的品质，关注其生产过程中出现的熔池溅射的图像识别显得尤为重要。如今，在图像识别技术上，大部分图像分类任务使用的深度学习方法都是有监督的，即我们需要大量的标注数据来进行训练，这些数据是单调的，而且难以获得，并且在实际操作过程中费时费力。还有一个值得关注的问题是，在对“对抗图像”进行识别时，如果在传输过程中，所选对象图片出现失真，则当前图像识别技术对其的识别将出现较大的偏差。当前图像识别的相关算法，或多或少都会出现处理图像不够精确或者运算时间略长等问题，如何编写一个更高效更精确的图像识别算法，是当下值得探讨的一个问题。

发明内容

为了实现上述目的，本发明所采用的技术方案是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，具体步骤如下：

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；