[發明專利]基于改進的卷積神經網絡的車身焊接缺陷實際檢測方法

在審

• 申請號: 202110765600.7
• 申請日: 2021-07-07
• 公開（公告）號: CN113421252A
• 公開（公告）日: 2021-09-21
• 發明（設計）人: 陸曉佳;王毅
• 申請（專利權）人: 南京思飛捷軟件科技有限公司;智飛捷物聯科技（南京）有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 蔣昱

1.基于改進的卷積神經網絡的車身焊接缺陷實際檢測方法，具體步驟如下，其特征在于：

步驟1，焊接圖像采集：利用高清相機采集存有焊接缺陷的車身焊接圖像；

步驟2，訓練樣本制作：利用YOLO v3模型提取車身存在缺陷的焊接區域，并對各焊接缺陷進行分類并制作相應的標簽；

步驟3，模型離線訓練：利用步驟2所得的訓練樣本對改進的卷積神經網絡進行訓練，直至網絡模型收斂；

步驟3中對改進的卷積神經網絡進行訓練的具體步驟為：

步驟3.1，利用Tensorflow架構搭建改進的卷積神經網絡，其架構為：輸入層-動態卷積層1-動態卷積層2-Fu池化層1-動態卷積層3- 動態卷積層4-Fu池化層2-Flatten層-全連接層1-全連接層2-Softmax層；

步驟3.2，利用提出的動態卷積層1和2對上一層的輸出進行特征提取，其中的具體描述為：

動態卷積層是在現有的卷積層基礎上加以改進，增加了隨機性的置0概率，動態卷積層的非線性激活的算法過程為：

式中， 為第n層動態卷積上第l個動態卷積核的輸出，為RULE激活函數，為第n層第l個卷積核的置0概率，為第n層第l個動態卷積核的權重系數，為第n-1層第m個特征輸出，是偏置項；

對卷積層運算中的置0概率P，其計算準則為：

其中x表示在卷積核運算中的置0概率P的控制變量，其滿足均勻分布，即；

步驟3.3，利用提出的融合池化Fusion pooling，Fu-Pooling算法對動態卷積層2的輸出進行特征降維，Fu-Pooling的算法表述如下：

對s×t維的動態卷積層的輸出特征，計算其均值和最大值，而后計算Fu-Pooling的輸出，具體計算過程為：

步驟3.4，動態卷積層3、動態卷積層4和Fu池化層2依次進行特征提取，其算法與步驟3.2和步驟3.3中的算法保持一致；

步驟3.5，將Fu池化層2的輸出以Flatten的方式展開，接著利用全連接層1、全連接層2和Softmax層依次進行連接；

步驟3.6，利用隨機梯度下降Stochastic Gradient Descent，SGD算法對網絡參數進行更新，并重復訓練直至網絡收斂，此處損失函數在原有的交叉熵損失函數的基礎上添加了正則化項，具體的表達式為：

式中，N為樣本總量，為實際樣本標簽，為Softmax層判別的標簽，表示正則項懲罰系數，表示卷積核權重系數；

步驟4，模型在線檢測：將步驟1~步驟3訓練得到的改進的卷積神經網絡安裝于上位機中，實時對采集上傳的車身圖像進行焊接缺陷的檢測。

2.根據權利要求1所述的基于改進的卷積神經網絡的車身焊接缺陷實際檢測方法，其特征在于：步驟2中對各焊接缺陷進行分類并制作相應的標簽的具體描述為：

所述檢測的缺陷類型有：漏焊、焊接螺柱螺紋損壞、螺柱位置偏離、焊縫區有氣孔、板材被焊穿和焊接螺柱傾斜，加之焊接正常的類型，一共7類，同時對各類型進行編碼，分別編碼為。