【技术实现步骤摘要】
这项专利技术涉及孔隙率识别，具体涉及一种基于dcgan网络与语义分割技术的锁片焊缝孔隙率识别方法。
技术介绍
1、锁片是许多工程结构中关键的连接部件，尤其是在桥梁、船舶、建筑以及大型机械设备等领域的焊接组件中，锁片主要承担着承载、连接和传递力的作用。其质量和可靠性将直接影响到整个结构的安全性和使用寿命。为了实现这一功能，锁片通常需要通过焊接工艺将两个部件牢固结合在一起，从而形成一个整体，满足承载和抗疲劳的要求。
2、焊接作为锁片连接的核心工艺，在整个工作系统中至关重要。它不仅要确保锁片之间的紧密连接，还需保证焊缝的强度和耐久性，能够长期承受复杂的外部载荷。然而，在实际操作中，焊接工艺容易受到材料特性、工艺参数以及环境条件的影响，导致焊缝区域可能出现孔隙、未熔合、裂纹等缺陷。其中，孔隙作为焊接过程中常见的缺陷之一，会显著削弱焊缝的承载能力和疲劳性能。过高的孔隙率还可能引发应力集中，加速焊缝失效，最终影响锁片的工作稳定性。因此，准确检测焊缝中的孔隙并计算孔隙率，是保障焊接质量和锁片连接可靠性的关键部分。
3、目前，x射线无损检测技术是焊接缺陷检测的常用方法，能够通过射线穿透焊接区域生成二维图像，显示孔隙等内部缺陷。然而，传统的孔隙率评估方法通常依赖简单图像处理技术后的人工统计，这不仅耗时耗力，且准确性受主观因素影响。随着深度学习的发展，语义分割技术能够精准地分割图像中的目标区域，在图像识别方面得到了广泛的应用。但是基于编码器-解码器架构的语义分割模型较为复杂，其参数量很大，训练过程需要大量的标注样本。然而，在
技术实现思路
1、为了解决上面的问题，本专利技术提出一种基于dcgan网络与语义分割技术的锁片焊缝孔隙率识别方法，以解决目前锁片焊接孔隙图片数据较难获取，孔隙分割精度较低的难题。首先使用x射线检测法通过射线穿透锁片焊接区域，生成并记录图像，得到二维孔隙图片，构建锁片焊缝的实验数据集，然后进行图片预处理，包括灰度化处理、图片的矫正和裁剪，将实验数据集分为训练集和测试集，基于训练集的图片对dcgan网络进行训练，训练好的模型用于生成图片扩充训练集，建立语义分割attention u-net神经网络，使用扩充训练集基于交叉验证进行训练。将训练好后的模型在测试集上进行识别，分割识别出的孔隙像素点数量与焊接区域的总像素数比值计算出孔隙率，最后，人工统计出测试集图片的像素点算出孔隙率，与神经网络识别计算出的孔隙率进行比较，验证该方法的有效性。
2、本专利技术的目的是通过以下技术方案予以实现，一种基于dcgan网络与语义分割技术的锁片焊缝孔隙率识别方法，包括以下步骤：
3、步骤1：使用x射线检测法通过射线穿透焊接锁片，生成并记录图像，得到二维孔隙图片，构建锁片焊缝的实验数据集；
4、步骤2：图片预处理，包括灰度化处理，基于透视变换的图片矫正和裁剪；
5、步骤3：将实验数据集分为训练集和测试集，使用训练集的图片对dcgan网络进行训练，训练好的模型用于生成图片扩充训练集；
6、步骤4：建立语义分割模型attention u-net，并使用扩充后的训练集通过交叉验证进行训练，以优化模型性能；
7、步骤5：将训练好后的模型在测试集上进行识别，分割识别出的孔隙像素点数量与焊接区域的总像素数比值计算出孔隙率；
8、步骤6：人工统计出测试集图片的像素点算出孔隙率，与神经网络识别计算出的孔隙率进行比较，验证该方法的有效性。
9、在一种实施方案中，所述步骤s1的具体方法如下：
10、步骤s1在使用x射线方法检测孔隙时，应该将锁片完全平行放置，使得到的二维孔隙图长度和宽度的比例一致。
11、在一种实施方案中，所述步骤s2的具体方法如下：
12、步骤s2.1.首先对实验得到的图片进行灰度化处理，得到单通道的灰度图；
13、步骤s2.2.基于透视变换对图片进行矫正，首先对灰度图像进行二值化处理，生成二值图像：
14、
15、其中，t为选定的灰度阈值，igray(x,y)为初始的灰度图，ibinary(x,y)为二值化处理的图片，接着在二值图像中检测出面积最大的轮廓：
16、
17、其中，cmax为得到的最大轮廓，c为轮廓集合，ci为集合中的第i个轮廓，a(ci)为轮廓ci的面积，以此为根据计算其最小外接矩形，并获取矩形的四个顶点坐标：
18、{p1,p2,p3,p4}＝minrect(cmax)
19、其中，{p1,p2,p3,p4}为最大轮廓的最小外接矩形顶点集合，然后确保顶点按照指定顺序排列：
20、{p'1,p'2,p'3,p'4}＝sort({p1,p2,p3,p4})
21、其中，{p'1,p'2,p'3,p'4}为排序后的顶点坐标，最后对图像igray进行透视变换，得到矫正后的图像icorrected；
22、步骤s2.3.对矫正后的图片进行裁剪，去除不相关的背景。
23、在一种实施方案中，所述步骤s3的具体方法如下：
24、步骤s3.1.使用dcgan网络扩充训练数据集，这是一种基于生成对抗网络的数据扩充方法，其原理为通过生成器g和判别器d的对抗训练，生成新的高质量图像，最终生成的图像可作为扩充数据集的一部分，用于增强训练数据的多样性，提高语义分割模型的训练效果；
25、步骤s3.2.将dcgan网络生成的图片扩充到训练集中，构建包含扩充数据的训练数据集。
26、在一种实施方案中，所述步骤s4的具体方法如下：
27、步骤s4.1.使用attention u-net语义分割神经网络，该网络的结构与标准u-net网络模型相似，包含编码器、解码器和跳跃连接，不同的是，attention u-net在跳跃连接中引入了注意力机制，对于每个跳跃连接，attention u-net会为解码器提供一个加权的编码器特征图，这样可以抑制不重要的背景特征，并突出关键区域的特征，该网络利用注意力机制聚焦于图像中最重要的部分，从而提高分割精度；
28、步骤s4.2.使用扩充后的训练集，采用交叉验证策略对模型进行训练，提升网络在不同图像条件下的分割精度。
29、在一种实施方案中，所述步骤s5的具体方法如下：
30、步骤s5.1.使用训练好的attention u-net网络模型对测试集的图片进行识别，得到二维孔隙分割图；
31、步骤s5.2.将分割识别出的孔隙像素点数量与焊接区域的总像素数比值计算出孔隙率，孔隙率的计算方法为：
32、
33、其中，p为以百分比表示的孔隙率，nvoi本文档来自技高网...
【技术保护点】
1.一种基于DCGAN与语义分割技术的锁片焊缝孔隙率识别方法，其特征在于，包括以下的步骤：
2.根据权利要求1所述的方法，其特征在于：所述步骤S2中的图像矫正操作首先对灰度图像进行二值化处理，生成二值图像：
3.根据权利要求1所述的方法，其特征在于：所述步骤S3中使用的是DCGAN网络扩充数据集，这是一种基于生成对抗网络的数据扩充方法，其原理为通过生成器G和判别器D的对抗训练，生成新的高质量图像，最终生成的图像可作为扩充数据集的一部分，用于增强训练数据的多样性，提高语义分割模型的训练效果。
4.根据权利要求1所述的方法，其特征在于：所述步骤S3中使用的DCGAN网络采用Adam优化算法，该算法通过计算梯度的一阶动量和二阶动量，动态调整学习率，显著提高了生成器和判别器的训练效率和模型收敛的稳定性，其更新公式为：
5.根据权利要求1所述的方法，其特征在于：所述步骤S4中使用的是Attention U-Net语义分割神经网络，该网络的结构与标准U-Net相似，包含编码器、解码器和跳跃连接，不同的是，Attention U-Net在跳跃连接
6.根据权利要求1所述的方法，其特征在于：所述步骤S5中孔隙率的计算方法为：
7.根据权利要求1所述的方法，其特征在于：所述步骤S6中，通过对计算识别方法的孔隙率与人工统计得到的孔隙率进行对比，计算两者之间的误差，当误差满足以下条件时，认为所述方法有效：
...【技术特征摘要】
1.一种基于dcgan与语义分割技术的锁片焊缝孔隙率识别方法，其特征在于，包括以下的步骤：
2.根据权利要求1所述的方法，其特征在于：所述步骤s2中的图像矫正操作首先对灰度图像进行二值化处理，生成二值图像：
3.根据权利要求1所述的方法，其特征在于：所述步骤s3中使用的是dcgan网络扩充数据集，这是一种基于生成对抗网络的数据扩充方法，其原理为通过生成器g和判别器d的对抗训练，生成新的高质量图像，最终生成的图像可作为扩充数据集的一部分，用于增强训练数据的多样性，提高语义分割模型的训练效果。
4.根据权利要求1所述的方法，其特征在于：所述步骤s3中使用的dcgan网络采用adam优化算法，该算法通过计算梯度的一阶动量和二阶动量，动态调整学习率，显著提高了生成器和判别器的训练效率和模型收敛的稳定性，其更新公式为：
5.根据权利要求1所述的...
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。