[发明专利]基于聚集-校准CNN的焊点外观图像识别方法及系统

说明书

本发明公开了一种基于聚集‑校准CNN的焊点外观图像识别方法及系统，首先将焊点图像输入到构建聚集‑校准模块ACM进行处理，通过聚集‑校准模块中的多尺度模块MAB提取不同尺度的焊点特征；通过聚集‑校准模块中的注意力模块CSAB对提取的焊点特征进行校准；对焊点特征进行特征融合处理得到焊点外观图像；对经过处理后的焊点外管图像进行分类。本发明提供的方法通过多尺度卷积聚集模块可有效的区分出相似焊点中的差异，并极大的丰富焊点特征；通过注意力模块可对焊点特征图的空间信息和通道信息进行校准，使模型更关注有效的焊点特征而忽略无用信息。适应证明焊点外观图像的分类的准确率高达为95.2％，非常适用于白车身生产线。

技术领域

本发明涉及焊接技术领域，特别是一种基于聚集-校准CNN的焊点外观图像识别方法。

背景技术

随着汽车行业的不断发展，智能化和自动化的需求日益提升，电阻点焊作为汽车白车身焊装过程最重要的焊接方式，目前仍然依靠人工检查其外观质量以剔除不合格产品，导致检测效率低，出错率高。如果能实时识别焊点的外观质量，那么就能控制对应的工艺参数，进而调节工艺参数控制焊点的外观，以便获得更好的外观；或者在发现焊点外观质量问题后，及时进行处理，避免不合格产品流入市场。

随着机器视觉技术的迅速发展，计算机视觉技术的快速、精确、智能等特性在现代工业的各个领域已逐渐被广泛应用，尤其对于汽车制造业，基于机器视觉的制造质量检测是产线制造性能提升的关键技术之一。深度学习神经网络是有大量结构化的可训练的参数，只要有足够的数据来训练这些参数，神经网络就能学习到事物的规律，从而对新的样本进行预测判断。卷积神经网络(CNN)是一种具有局部连接、权重共享等特性的深层前馈神经网络。相比全连接前馈神经网络，卷积神经网络具有更少的参数，能够提取局部不变特性，常用来学习图像。

目前典型的卷积神经网络一般是由卷积层和池化层交叉堆叠，后面再加上全连接层而成的前馈神经网络，一般卷积层和池化层视为特征提取部分，全连接层视为预测部分。卷积神经网络在结构上有三个特性：局部连接、权重共享、池化。这些特性使得卷积神经网络具有一定程度上的平移、缩放和旋转不变性。卷积神经网络主要使用在图像和视频分析的各种任务，包括图像分类、人脸识别、图像分割等，其准确率一般也远远超出了其他的神经网络模型。

发明内容

有鉴于此，本发明的目的在于提供一种基于聚集-校准CNN的焊点外观图像识别方法，该方法采用特征融合策略优化的注意力多尺度卷积神经网络来实现焊点外观识别，

为达到上述目的，本发明提供如下技术方案：

本发明提供的基于聚集-校准CNN的焊点外观图像识别方法，包括以下步骤：

获取焊点图像；

构建聚集-校准模块ACM，并将焊点图像输入到聚集-校准模块进行处理，通过聚集-校准模块中的多尺度模块MAB提取不同尺度的焊点特征；通过聚集-校准模块中的注意力模块CSAB对提取的焊点特征进行校准；

对焊点特征进行特征融合处理得到焊点外观图像；

对经过处理后的焊点外观图像进行分类。

进一步，所述多尺度模块MAB采用多种卷积运算在特征图的同一位置提取多个不同的特征，通过每种卷积运输提取焊点图像的特征后，再合并各组特征得到焊点特征。

进一步，所述多尺度模块MAB设置有四个并行处理分支，具体如下：

第一分支采用降维卷积对输入特征图进行处理；

第二分支采用膨胀卷积进行图像处理；

第三分支采用方形卷积和两个矩形卷积提取特征并进行特征融合处理；

第四分支将卷积核分解成一对非对称卷积核后，分别对图像进行处理并输出特征图；