基于图像的管焊接头类型识别方法技术

提供一种基于图像的管焊接头类型识别方法，通过先验数据进行标注和训练深度神经网络,提取学习管焊工件图像数据的接头特征，标定训练得到模型，最后得到高准确率的管焊接头分类模型，完成对管焊接头类型的分类，实现在外部存在干扰较大的情况下可快速输出当前工件的接口类型，提高了接头类型的识别分类的精度和速度，提升了整体焊接效率，对进行类似有弧光、有烟尘的工件形貌特征较为单一的工件接头分类任务时效果有一定的提升。头分类任务时效果有一定的提升。

【技术实现步骤摘要】
基于图像的管焊接头类型识别方法


[0001]本专利技术属于图像处理
，具体涉及一种基于图像的管焊接头类型识别方法。

技术介绍

[0002]传统的图像分类技术，通常采用图像局部特征提取算子(如sift surf lbp hog)配和相关机器学习模型(如随机森林SVM等)对图像进行分类，算法流程冗长复杂，设计难度大，计算速度、精准度、抗干扰能均相对较差，真实焊接场景复杂，厂房可能存在较多的弧光烟尘污染，且焊接工件常需要进行打磨，会形成较为严重的反光，导致算法难以正常较差。基于深度学习的技术，通常根据公开数据集进行训练，针对焊接这一单一场景而言，模型可以进一步做出定制优化提升效果，以提高接头类型识别分类的精度和速度，提升整体焊接效率。

技术实现思路

[0003]本专利技术解决的技术问题：提供一种基于图像的管焊接头类型识别方法，通过先验数据进行标注和训练深度神经网络,提取学习管焊工件图像数据的接头特征，标定训练得到模型，最后得到高准确率的管焊接头分类模型，完成对管焊接头类型的分类，实现在外部存在干扰较大的情况下可快速输出当前工件的接口类型，提高了接头类型的识别分类的精度和速度，提升了整体焊接效率。
[0004]本专利技术采用的技术方案：基于图像的管焊接头类型识别方法，采集管焊工件的图像数据信息，通过先验数据进行标注和训练深度神经网络,提取学习管焊工件图像数据的接头特征，标定训练得到模型，最后得到高准确率的管焊接头分类模型，完成对管焊接头类型的分类，具体步骤如下：
[0005]1)数据采集及预处理：采用相机采集管焊工件和烟尘弧光的图像数据，对干扰数据和原始数据按照0.3和0.7的权重进行融合处理，并对图像数据进行射影变换，模拟真实生产中的图像进行数据增强；
[0006]2)完成预处理后，首先在ResNeXt
‑
50网络的第一个卷积和最后一个卷积模块后添加空间注意力模块，将数据输入ResNeXt
‑
50网络，首先输入特征图做一个基于channel的全局最大池化和全局平均池化的concat操作；然后经过一个卷积降维为1个通道；再经过sigmoid激活函数生成空间注意力特征权重；最后将该特征作为权重和该模块的输入特征相乘输入后续的网络结构继续进行传播，即将上述所提取到的通道数都为1的特征图合并得到一个通道数为2的特征图，具体合并计算公式如下：
[0007][0008]上式中，σ为sigmoid激活函数，f为卷积操作，7x7的卷积核尺寸，avgpool为平均池
化操作，maxpool为最大池化操作；
[0009]3)将步骤2)中的处理结果输入采用了分组卷积提升性能的ResNeXt
‑
50网络残差块中，并在残差块末端加入CBAM模块结构提升性能；CBAM模块根据通道维度和空间维度依次经通道注意力机制推断注意力图，然后将注意力图与输入特征图相乘以进行自适应特征优化，分别重复3、4、6、3次该模块作为一个阶段，随后堆叠这4个阶段完成网络主体构建；
[0010]4)完成主体残差网络的输出后再引入一次空间注意力，随后进行全局平均化池，输出该工件接头属于各个类别的概率，数值最大的输出即为最终预测类别，并利用交叉熵计算多分类的损失，计算公式为：
[0011][0012]其中J为某个样本的分类损失，p
i
为该样本的预测值(0,1)，y
i
为符号函数，当预测类别正确时为1，否则为0。
[0013]上述步骤3)中，所述通道注意力机制是将特征图在空间维度上进行压缩，由平均池化和最大池化的结果经MLP后通过sigmoid激活函数将输出映射到0～1作为通道的权重，通道注意力机制可以表达为：
[0014][0015]上式中，AvgPool为平均池化操作,MaxPool为最大池化操作，MLP为一层全连接网络，σ为sigmoid激活函数。
[0016]本专利技术与现有技术相比的优点：
[0017]1、本技术方案采用对不同比例的模拟烟尘弧光烟尘污染对数据进行扩充，并且采用投影变换矩阵对图像做了修改，生成的数据更加符合真实场景的实拍图像，调高了模型对实际生成场景的匹配度和适应力；
[0018]2、本技术方案基于实际场景的管焊接头图像数据集进行实验调整模型，对算法进行测试，最终确定只在模型开始结束的卷积模块添加空间注意力，对所有残差连接块添加CBAM模块时的Top1_Accuracy最高，得到了对当前管焊接头类型表现较好的网络；
[0019]3、本技术方案实现在外部存在干扰较大的情况下可快速输出当前工件的接口类型，提高了接头类型的识别分类的精度和速度，提升了整体焊接效率。
具体实施方式
[0020]下面对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0021]需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下。由语句“包括一个......”限定的要素，并不排除在包括
所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0022]基于图像的管焊接头类型识别方法，采集管焊工件的图像数据信息，通过先验数据进行标注和训练深度神经网络,提取学习管焊工件图像数据的接头特征，标定训练得到模型，最后得到高准确率的管焊接头分类模型，完成对管焊接头类型的分类，具体步骤如下：
[0023]1)数据采集及预处理：采用相机采集管焊工件和烟尘弧光的图像数据，对干扰数据和原始数据按照0.3和0.7的权重进行融合处理，并对图像数据进行射影变换，模拟真实生产中的图像进行数据增强；
[0024]2)完成预处理后，首先在ResNeXt
‑
50网络的第一个卷积和最后一个卷积模块后添加空间注意力模块，将数据输入ResNeXt
‑
50网络，首先输入特征图做一个基于channel的全局最大池化和全局平均池化的concat操作；然后经过一个卷积降维为1个通道；再经过sigmoid激活函数生成空间注意力特征权重；最后将该特征作为权重和该模块的输入特征相乘输入后续的网络结构继续进行传播，即将上述所提取到的通道数都为1的特征图合并得到一个通道数为2的特征图，具体合并计算公式如下：
[0025][0026]上式中，σ为sigmoid激活函数，f为卷积操作，7x7的卷积核尺寸，avgpool为平均池化操作，maxpool为最大池化操作；
[0027]3)将步骤2)中的处理结果输入采用了分组卷积提升性能的ResNeXt
‑
50网络残本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于图像的管焊接头类型识别方法，其特征在于：采集管焊工件的图像数据信息，通过先验数据进行标注和训练深度神经网络,提取学习管焊工件图像数据的接头特征，标定训练得到模型，最后得到高准确率的管焊接头分类模型，完成对管焊接头类型的分类，具体步骤如下：1)数据采集及预处理：采用相机采集管焊工件和烟尘弧光的图像数据，对干扰数据和原始数据按照0.3和0.7的权重进行融合处理，并对图像数据进行射影变换，模拟真实生产中的图像进行数据增强；2)完成预处理后，首先在ResNeXt
‑
50网络的第一个卷积和最后一个卷积模块后添加空间注意力模块，将数据输入ResNeXt
‑
50网络，首先输入特征图做一个基于channel的全局最大池化和全局平均池化的concat操作；然后经过一个卷积降维为1个通道；再经过sigmoid激活函数生成空间注意力特征权重；最后将该特征作为权重和该模块的输入特征相乘输入后续的网络结构继续进行传播，即将上述所提取到的通道数都为1的特征图合并得到一个通道数为2的特征图，具体合并计算公式如下：上式中，σ为sigmoid激活函数，f为卷积操作，7x7的卷积核尺寸，avgpool为平均池化操作，maxpool为最大池化操作；3)...

【专利技术属性】
技术研发人员：王永强，周文，沙新民，韦刚，夏浩，李尧，杜向鹏，刘君，柴鹏彪，
申请(专利权)人：陕西丝路机器人智能制造研究院有限公司，
类型：发明
国别省市：