【技术实现步骤摘要】
本专利技术涉及焊缝特征识别处理，尤其涉及一种基于轻量化神经网络的抗噪声焊缝特征识别方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、随着机器人在工业制造领域的广泛应用，一种基于示教和再现的焊接方法应运而生。传统的机器人焊接依赖工人手动设定焊枪位置轨迹，效率低下，且容易受到工件尺寸误差时变（如热变形）的影响。为了实时跟踪焊缝，实现焊接机器人的自动调节，研究人员设计了一些先进的传感器来获取焊缝的空间位置信息和类别信息。随着机器视觉的快速发展，结构光视觉以其高精度和提供丰富的焊接过程特征信息的优势在智能机器人中得到了广泛应用。
3、不同焊缝的单线结构光投影条纹的特征差异很大。这种差异对于获取与焊缝特征点相关的位置信息非常有价值，也便于对条纹进行分类。这种分类对于有效调整焊接工艺参数至关重要。然而，焊接过程中常见的噪声，包括飞溅、烟雾和电弧反射光，会与工业相机采集的条纹混淆。有人提出了一些基于形态学的方法来实现焊缝特征的提取。基于形态学的研究存在两个常见问题。其一，特征点（或区域）提取和焊缝分类通常需要两个阶段。另一方面，虽然这些模型具有一定的抗噪能力，但在噪声持续较高的情况下，其跟踪精度会降低。
4、随着计算机视觉领域深度学习技术的发展，在提高计算设备硬件性能和提出卷积神经网络（cnn）模型的背景下，物体检测和语义分割过程得到了改进和提高。这些任务经常被转移到利用线结构光的接缝特征提取任务中，有助于创建一个有效特征提取的抗噪声模型。例如，在
5、然而，这些基于神经网络的方法需要分配大量的计算资源；反过来，这又要求集成到焊接机器人系统中的中央控制设备具有更高的计算性能，在工业计算机上通常未有独立的gpu运算单元从而缺乏 gpu 加速支持，因此无法满足焊接实时性的要求。
技术实现思路
1、为了解决上述问题，本专利技术提出了一种基于轻量化神经网络的抗噪声焊缝特征识别方法及系统，基于轻量化的神经网络设计，在具有较强的抗干扰能力的同时，保持了较高的推理频率，以满足工业领域焊接跟踪系统的实时性要求。
2、在一些实施方式中，采用如下技术方案：
3、一种基于轻量化神经网络的抗噪声焊缝特征识别方法，包括：
4、获取焊接过程中的焊接图像数据；
5、将获取的焊接图像数据输入至训练好的焊缝特征识别模型，输出焊缝的类型和位置信息；
6、其中，所述焊缝特征识别模型包括主干网络、颈部层和头部层；所述主干网络输出不同尺度的特征信息，并将特征信息传输至颈部层；所述颈部层对不同尺度的特征信息进行融合，融合后的特征图输入头部层；所述头部层包括热图分支、偏移分支和分类分支三个分支，热图分支用于输出热图张量，得到每个区域包含特征点的概率；偏移分支用于输出偏移张量，得到每个维度生成特征点的位置偏差；分类分支用于输出分类张量，得到每种焊缝类型的对应得分；最终预测得到焊缝的位置及焊缝类型。
7、在另一些实施方式中，采用如下技术方案：
8、一种基于轻量化神经网络的抗噪声焊缝特征识别系统，包括：
9、数据获取模块，用于获取焊接过程中的焊接图像数据；
10、焊缝预测模块，用于将获取的焊接图像数据输入至训练好的焊缝特征识别模型，输出焊缝的类型和位置信息；
11、其中，所述焊缝特征识别模型包括主干网络、颈部层和头部层；所述主干网络输出不同尺度的特征信息，并将特征信息传输至颈部层；所述颈部层对不同尺度的特征信息进行融合，融合后的特征图输入头部层；所述头部层包括热图分支、偏移分支和分类分支三个分支，热图分支用于输出热图张量，得到每个区域包含特征点的概率；偏移分支用于输出偏移张量，得到每个维度生成特征点的位置偏差；分类分支用于输出分类张量，得到每种焊缝类型的对应得分；最终预测得到焊缝的位置及焊缝类型。
12、在另一些实施方式中，采用如下技术方案：
13、一种终端设备，其包括处理器和存储器，处理器用于实现指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的基于轻量化神经网络的抗噪声焊缝特征识别方法。
14、在另一些实施方式中，采用如下技术方案：
15、一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的基于轻量化神经网络的抗噪声焊缝特征识别方法。
16、与现有技术相比，本专利技术的有益效果是：
17、（1）本专利技术构建基于mobilenetv3轻量化神经网络结构，用于利用单线结构光视觉对焊缝特征点进行精确分类和定位，同时减少模型的参数和计算量，使模型可以部署在无法获得 gpu 加速的计算平台上，如嵌入式工业计算机（eic），同时保持较高的推理频率，以满足工业领域焊接跟踪系统的实时性要求。
18、（2）本专利技术神经网络结构在颈部层和头部层使用 dp（深度可分离卷积（depthwiseseparable convolution））块来替代标准的卷积层， dp块将标准的卷积操作分解为深度卷积和逐点卷积，这显著减少了模型的参数数量和计算量；由于参数和计算量的减少，模型在运行时占用的内存也相应减少，同时模型的训练和推理速度通常更快，更容易适应不同的硬件平台，能够获取更好的轻量化性能，满足实时性的要求，降低部署成本。
19、（3）本专利技术神经网络结构在颈部层增加级联通道注意模块（ccam），采用ccam 来过滤噪声，同时ccam 采用级联组结构，可以在几乎不损失精度的情况下减少计算量。
20、（4）本专利技术头部层分别输出热图张量、偏移张量和分类张量，首先得到模型识别热图张量中预测得分最高的前两个分区，然后将这些数据与偏移张量上的相应分段结合起来，从而确定最终的焊缝定位预测结果；热图张量通常用于表示焊缝在图像中的位置，偏移张量可以提供更精细的位置调整，结合这两种信息可以更精确地定位焊缝。
21、本专利技术的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。
本文档来自技高网...【技术保护点】
1.一种基于轻量化神经网络的抗噪声焊缝特征识别方法，其特征在于，包括：
2.如权利要求1所述的一种基于轻量化神经网络的抗噪声焊缝特征识别方法，其特征在于，所述主干网络采用轻量化的MobileNetv3结构。
3.如权利要求1所述的一种基于轻量化神经网络的抗噪声焊缝特征识别方法，其特征在于，所述颈部层采用特征金字塔网络结构，包括：
4.如权利要求3所述的一种基于轻量化神经网络的抗噪声焊缝特征识别方法，其特征在于，所述第一DP模块和第二DP模块的结构相同，包括：依次连接的深度卷积层、第一BN层、激活函数层、逐点卷积层和第二BN层；通过深度卷积层获取空间特征信息，在深度卷积层提取的空间特征信息之上，通过逐点卷积层组合这些空间特征，实现空间特征信息的融合。
5.如权利要求3所述的一种基于轻量化神经网络的抗噪声焊缝特征识别方法，其特征在于，所述级联通道注意模块将主干网络输出的最深尺度的特征信息划分为三个分块，每一个分块分别经过通道注意模块进行通道加权；将三个分块进行通道加权后的输出进行拼接，得到级联通道注意模块的输出；其中，第一个分块经过通道
6.如权利要求1所述的一种基于轻量化神经网络的抗噪声焊缝特征识别方法，其特征在于，所述焊缝特征识别模型的损失函数为：
7.如权利要求6所述的一种基于轻量化神经网络的抗噪声焊缝特征识别方法，其特征在于，所述热图损失具体为：
8.一种基于轻量化神经网络的抗噪声焊缝特征识别系统，其特征在于，包括：
9.一种终端设备，其包括处理器和存储器，处理器用于实现指令；存储器用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-7任一项所述的基于轻量化神经网络的抗噪声焊缝特征识别方法。
10.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-7任一项所述的基于轻量化神经网络的抗噪声焊缝特征识别方法。
...【技术特征摘要】
1.一种基于轻量化神经网络的抗噪声焊缝特征识别方法，其特征在于，包括：
2.如权利要求1所述的一种基于轻量化神经网络的抗噪声焊缝特征识别方法，其特征在于，所述主干网络采用轻量化的mobilenetv3结构。
3.如权利要求1所述的一种基于轻量化神经网络的抗噪声焊缝特征识别方法，其特征在于，所述颈部层采用特征金字塔网络结构，包括：
4.如权利要求3所述的一种基于轻量化神经网络的抗噪声焊缝特征识别方法，其特征在于，所述第一dp模块和第二dp模块的结构相同，包括：依次连接的深度卷积层、第一bn层、激活函数层、逐点卷积层和第二bn层；通过深度卷积层获取空间特征信息，在深度卷积层提取的空间特征信息之上，通过逐点卷积层组合这些空间特征，实现空间特征信息的融合。
5.如权利要求3所述的一种基于轻量化神经网络的抗噪声焊缝特征识别方法，其特征在于，所述级联通道注意模块将主干网络输出的最深尺度的特征信息划分为三个分块，每一个分块分别经过通道注意模块进行通道加权；将三个...
【专利技术属性】
技术研发人员：杜付鑫，苏富康，董宗峰，张开旭，田连发，何为凯，陈超，
申请(专利权)人：山东大学，
类型：发明
国别省市：
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。