[發明專利]基于卷積置信生成對抗網絡模型的船舶焊縫缺陷檢測方法

在審

• 申請號: 202210340710.3
• 申請日: 2022-04-02
• 公開（公告）號: CN114694028A
• 公開（公告）日: 2022-07-01
• 發明（設計）人: 邵奇;孫宏偉;劉超;張本順;廖良闖;孟祥慈;王紀潼;張人杰;袁明新;楊秋林
• 申請（專利權）人: 中國船舶重工集團公司第七一六研究所;國機工業互聯網研究院（河南）有限公司
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/762;G06V10/774;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 朱炳斐

1.一種基于卷積置信生成對抗網絡模型的船舶焊縫缺陷檢測方法，其特征在于，所述方法包括以下步驟：

步驟1，獲取若干船舶焊縫圖像，構建焊縫數據集；

步驟2，構建卷積置信生成對抗網絡模型；

步驟3，利用焊縫數據集訓練卷積置信生成對抗網絡模型，生成用于焊縫缺陷檢測的卷積置信生成對抗網絡模型；

步驟4，采集待檢測船舶焊縫的圖像，利用訓練好的卷積置信生成對抗網絡模型進行焊縫缺陷檢測。

2.根據權利要求1所述的基于卷積置信生成對抗網絡模型的船舶焊縫缺陷檢測方法，其特征在于，步驟2所述構建卷積置信生成對抗網絡模型，具體為：將深度卷積置信神經網絡作為生成對抗網絡的生成器G和判別器D。

3.根據權利要求2所述的基于卷積置信生成對抗網絡模型的船舶焊縫缺陷檢測方法，其特征在于，所述深度卷積置信神經網絡包括5個卷積層、2個全連接層和1個置信層，輸入圖像依次經過5個卷積層、2個全連接層后，通過置信層輸出。

4.根據權利要求3所述的基于卷積置信生成對抗網絡模型的船舶焊縫缺陷檢測方法，其特征在于，所述置信層的基本組成單元為受限波爾茨曼機RBM，受限波爾茨曼機包括可見層和隱含層，上一個RBM的隱含層即為下一個RBM的可見層，上一個RBM的輸出即為下一個RBM的輸入；

可見層包括若干個顯性神經元，簡稱為顯元，單個顯元用v_i表示；隱含層包括若干個隱性神經元，簡稱為隱元，單個隱元用h_i表示，i＝1，2，3…；

受限波爾茨曼機的能量函數表示為：

E(v,y,h)＝-h^TWv-a^Tv-b^Th-c^Ty-h^TUy

式中，v＝(v₁,v₂,…,v_m)，h＝(h₁,h₂,…,h_k)和y＝(y₁,y₂,…,y_p)分別表示可見層、隱含層和輸出層的狀態，m、k、p分別為可見層、隱含層和輸出層的神經元個數；θ＝{W,a,b,c,U}是訓練中需要學習的結構參數，W為可見層節點和隱含層節點的連接權重；a為可見層節點的偏置；b為隱含層節點的偏置；c為輸出層節點的偏置；U為隱含層和輸出層的連接權重；

由上述能量函數得到聯合概率分布：

式中，Z(θ)為配分函數，表達式如下：

5.根據權利要求4所述的基于卷積置信生成對抗網絡模型的船舶焊縫缺陷檢測方法，其特征在于，步驟3所述利用焊縫數據集訓練卷積置信生成對抗網絡模型，生成用于焊縫缺陷檢測的卷積置信生成對抗網絡模型，具體過程包括：

步驟3-1，初始化生成器G和判別器D兩個網絡的參數；

步驟3-2，從焊縫數據集抽取n個樣本，作為真實樣本，對于生成器G，加入隨機噪聲z生成n個樣本，作為假樣本，并標注缺陷類別；

步驟3-3，固定生成器G，訓練基于深度卷積置信網絡的判別器D，具體地：一層一層地進行訓練，待一層網絡訓練最優化時，開始下一層網絡的訓練；對置信層的訓練，不斷調整隱含層中受限波爾茨曼機的個數與結構參數，直至置信層的訓練達到所要求的最佳狀態；

步驟3-4，通過上述過程循環更新k次判別器D，之后按照同樣的方式更新1次生成器G；

步驟3-5，更新迭代達到預設次數后，判斷判別器判別船舶焊縫圖像為真實樣本還是假樣本的概率是否為0.5，若是，則完成訓練，否則返回步驟3-2。

6.根據權利要求5所述的基于卷積置信生成對抗網絡模型的船舶焊縫缺陷檢測方法，其特征在于，步驟3-3具體利用無監督式貪心思想訓練基于深度卷積置信網絡的判別器D。