【技术实现步骤摘要】
一种特征融合权重可调的金属打印熔池检测方法
本专利技术涉及深度学习、图像识别以及金属3D打印的
,尤其涉及一种特征融合权重可调的金属打印熔池检测方法。
技术介绍
特征图的处理是图像识别、分类及目标检测等领域不可或缺的一部分工作。在卷积神经网络的主干部分获取到了一定的特征之后,就需要对获得的特征图进行处理,例如在FasterRCNN、MaskRCNN、YOLO-v3等网络中使用的特征处理方式就是最基础的FPN(特征图金字塔),而后PANet提出了简单的自下而上的二次融合的特征图处理方式,随后,对特征图的处理方式就越加复杂,例如添加了注意力机制的ASFF特征图处理,以及谷歌的NAS-FPN和BiFPN都以更为复杂的结构来获取特征图更为全面的语义信息。不过想要修改网络结构非常复杂,无法适用于多种场景。熔池检测在3D打印方面处于初步发展阶段,且国内外大多是通过肉眼对熔池进行监测,但是熔池多变肉眼观察难度大,无法保证观察的准确性。如今计算机视觉技术有了一定的发展,使用计算机视觉对熔池进行自动检测分析将逐渐地成为一种趋势。目前,算法工程师们精心设计特征图的处理方式以获的更好的识别结果,而这些处理方式往往有着非常复杂的结构,在特定的应用领域无法直接使用现有的网络。
技术实现思路
本专利技术提供了一种基于特征融合权重可调的金属打印熔池检测方法,以解决熔池检测人工成本高,准确性低,以及现有的特征处理网络结构固定,难以设计和修改,且无法适应特定的应用场景的问题。本专利技术提供一种基于特征融合权重可调的金 ...
【技术保护点】
1.一种特征融合权重可调的金属打印熔池检测方法,其特征在于,包括以下步骤:/n步骤1:采集激光熔覆式3D打印熔池的彩色图像,将彩色图像划分为训练集、验证集与测试集,对训练集与验证集彩色图像进行标注,生成标签文件;/n步骤2:搭建神经网络主干模块用于彩色图像的特征提取,获得三种不同尺寸的特征图;/n步骤3:设置特征融合权重,搭建特征处理模块,并与步骤2搭建的神经网络主干模块结合,完成整个神经网络;/n步骤4:将训练集与验证集的彩色图像与标签文件送入神经网络进行训练,使用测试集观察所得模型的质量,设置新的特征融合参数,反复训练直到得到训练好的神经网络模型;/n步骤5:使用步骤4训练好的神经网络模型对激光熔覆式3D打印彩色图像进行检测,保存检测结果图像。/n
【技术特征摘要】
1.一种特征融合权重可调的金属打印熔池检测方法,其特征在于,包括以下步骤:
步骤1:采集激光熔覆式3D打印熔池的彩色图像,将彩色图像划分为训练集、验证集与测试集,对训练集与验证集彩色图像进行标注,生成标签文件;
步骤2:搭建神经网络主干模块用于彩色图像的特征提取,获得三种不同尺寸的特征图;
步骤3:设置特征融合权重,搭建特征处理模块,并与步骤2搭建的神经网络主干模块结合,完成整个神经网络;
步骤4:将训练集与验证集的彩色图像与标签文件送入神经网络进行训练,使用测试集观察所得模型的质量,设置新的特征融合参数,反复训练直到得到训练好的神经网络模型;
步骤5:使用步骤4训练好的神经网络模型对激光熔覆式3D打印彩色图像进行检测,保存检测结果图像。
2.根据权利要求1所述的方法,其特征在于,步骤1包括:
步骤1.1:录制激光熔覆式3D打印熔池的视频,对视频进行分帧处理,舍弃不清晰和不包含熔池的图像,保存N1张可用的激光熔覆式3D打印熔池彩色图像;
步骤1.2:将获取的彩色图像按一定比例划分为训练集、验证集与测试集,对训练集与验证集彩色图像进行标注,生成标签文件,测试集用于对训练得到模型的质量评估。
3.根据权利要求2所述的方法,其特征在于,步骤2包括:
步骤2.1:将输入的彩色图像尺寸统一成416*416;
步骤2.2:将尺寸统一后的彩色图像依次送到一个Darknet结构与三个残差结构进行卷积操作,并获取此时的特征图P3;
步骤2.3:将步骤2.2获得的特征图再送入一个残差结构获取此时的特征图P4,再送入一个残差结构与SPP结构,获取最后一个特征图P5。
4.根据权利要求3所述的方法,其特征在于,步骤3包括:
步骤3.1:将P5特征图设定为初始特征图,将P5、P4、P3特征图的加权值分别设置为3、2、1;
步骤3.2:特征图融合前需要处理特征图尺寸,使用上采样的方法,将P5特征图的尺寸调整为P4特征图的尺寸,将P4特征图调整为P3特征图的尺寸,特征图的尺寸根据公式(1)计算:
其中,L为计算后的特征图边长,Lin为输入的特征图边长,P为卷积操作零填充的数量,D为卷积核元素之间的步幅,K为卷积核的大小,S为卷积的步长;
步骤3.3:每次特征融合前需要选择特征图的融合方式,每个特征层的第一次特征融合,使用concat方式,在第一维度上进行特征融合,concat特征融合后的通道数Zconcat通过公式(2)计算:
其中,c为参与计算的特征图总数,i为参与计算特征图的序号,Xi为进行融合的一个特征图通道,X′i为进行特征融合的另一个特征图通道,h()表示卷积计算,Ki和Ki+c为与两个特征图进行卷积计算的卷积核;
每个特征层的非第一次特征融合,使用直接相加add的方式进行特征...
【专利技术属性】
技术研发人员:谢非,凌旭,施梦臣,邢飞,杨继全,李宗安,刘益剑,唐文来,史建军,锁红波,
申请(专利权)人:南京师范大学,南京智能高端装备产业研究院有限公司,南京中科煜宸激光技术有限公司,
类型:发明
国别省市:江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。