[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

基于改進的卷積神經網絡的車身焊接缺陷實際檢測方法。該方法包括以下步驟：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。本發明所述方法可以準確有效的對車身中存在的焊接缺陷進行檢測，保證出廠車身的質量，具有良好的實際應用價值。

技術領域

本發明涉及車身焊接缺陷檢測領域，特別是涉及基于改進的卷積神經網絡的車身焊接缺陷實際檢測方法。

背景技術

隨著機械制造、航空航天、能源交通、石油化工及建筑和電子行業等現代工業的飛速發展，焊接技術在機械制造業中的地位也日趨提高。因此，對焊接質量和自動化的程度要求也越來越高，焊接生產自動化、智能化己經成為21世紀焊接技術發展的重要方向。特別是在汽車行業中，為了降低成本，爭取最大利潤，提高生產的自動化程度已經成為必然的選擇。如何提高生產線的自動化程度和生產速度，同時又保證產品的質量，是建立生產線的重要標準。而焊接又是自動化生產線中的技術難點，尤其是關鍵部位的焊縫是否合格，這對于整個產品的質量影響很大。因此，準確有效的對車身焊接中存在的缺陷進行準確有效的識別，保證汽車出廠質量，是非常重要且具有現實意義的一件事。

從目前的研究來看，涉及車身焊接缺陷檢測的技術手段主要是人工檢測或在已定的規則下進行檢測。現如今深度學習技術手段成熟，且在機器視覺領域有著很廣泛的應用，若能利用深度學習模型，從機器視覺的角度出發，對焊接車身的圖像中存在的缺陷進行檢測以代替傳統的人力檢測，一方面大大的節約人力物力，另一方面可以帶來良好的經濟收益。

國內涉及車身焊接缺陷檢測的專利有“一種在線整體焊接質量檢測裝置”（201920243217.3），該發明包括有固定焊接件的流水線、機器手截斷面和發射模塊，另外還有設置在機器手上的局部接收模塊以及處理采集信息的處理器，其中截斷面發射模塊和局部接收模塊將采集到的數據發送給處理器，經過處理器的比對后得到不同位置的焊接質量，實現在流水線上對焊點檢查，實現了汽車車身焊接質量的全部檢測，但該專利所述方法無法對車身焊接各類缺陷進行準確有效的識別，導致缺陷檢測的泛化性不足。國家發明專利“一種車身總成集焊接和檢測于一身的工裝”（201020174494.2），該發明主要包括底盤、前側圍、后圍框、焊接機械手主要組件，前圍框和后圍框垂直安裝在底盤的兩條平行導軌上，在前圍框和后圍框上均設置定位夾緊器；焊接機械手設置在底盤的兩側，檢測儀安裝在焊接機械手的下側面，但是該專利未詳述車身焊接缺陷的具體檢測方法。

發明內容

為解決上述問題，本發明卷積神經網絡（Convolutional Neural Network，CNN）的基礎上，提出了一種基于改進的卷積神經網絡的車身焊接缺陷實際檢測方法。針對傳統CNN模型來說，卷積層和dropout層是單獨隔開的，這極大的增加了模型的訓練時間，為此本專利提出了動態卷積層算法，從而縮短的模型的訓練時間；另外，針對傳統CNN中Max-Pooling和Ave-Pooling難以全面的抓取特征圖所含有的局部特征和全局特征的難題，本專利提出了Fu-Pooling算法，該算法一方面實現了特征圖的降維，另一方面全面抓取了特征圖所含特征，提高了模型的檢測精度。為達此目的，本發明提供一種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：