[發明專利]一種融合深度學習和機器學習模型的焊接缺陷實時檢測方法與系統

在審

• 申請號: 202211238289.1
• 申請日: 2022-10-11
• 公開（公告）號: CN115310598A
• 公開（公告）日: 2022-11-08
• 發明（設計）人: 田慧云;李波
• 申請（專利權）人: 蘇芯物聯技術（南京）有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06N20/20
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種融合深度學習和機器學習模型的焊接缺陷實時檢測方法，其特征在于，包括以下步驟：

步驟S1、基于采集到的高頻時序數據進行樣本構造，并對構造的樣本進行預處理，生成樣本數據集；

步驟S2、基于深度學習方法，搭建無監督特征提取網絡并進行模型訓練，將構造的樣本輸入至訓練好的無監督特征提取網絡中，提取樣本數據集特征；

步驟S3、選取機器學習分類算法，構建有監督的二分類模型并進行訓練，獲取焊接缺陷檢測模型；

步驟S4、分別部署無監督特征提取網絡模型和有監督的二分類模型，采集高頻時序數據，進行焊接缺陷實時檢測。

2.根據權利要求1所述的一種融合深度學習和機器學習模型的焊接缺陷實時檢測方法，其特征在于，所述步驟S1中將采集的高頻時序數據按照窗長window_size進行滑窗構造樣本；所述預處理步驟包括：

步驟S1.1、按照實際焊接缺陷的起始時間和終止時間對構造的焊接樣本進行標注，其中正常焊接標注為0，存在焊接缺陷標注為1；

步驟S1.2、將步驟S1.1處理后的樣本隨機亂序，并設定訓練樣本的比例train_size；截取訓練集train_data，剩余樣本作為驗證集dev_data。

3.根據權利要求1所述的一種融合深度學習和機器學習模型的焊接缺陷實時檢測方法，其特征在于，所述步驟S2中無監督特征提取網絡包括編碼器部分和譯碼器部分；

所述編碼器部分包括依次級聯的一維卷積網絡塊和n級復合網絡塊；第1至第n-1級復合網絡塊包括依次級聯的UnetBlock和CSPBlock；第n級復合網絡塊包括與第n-1級相同的UnetBlock；

所述譯碼器部分包括通過上采樣依次級聯的n-1級UnetBlock；其中每級UnetBlock分別與編碼器部分各級復合網絡塊中的UnetBlock相同；

將編碼器部分第n級復合網絡塊輸出通過上采樣，與第n-1級復合網絡塊中UnetBlock輸出進行通道拼接后輸入至譯碼器第n-1層的UnetBlock；譯碼器第n-1層UnetBlock的輸出通過上采樣，與對應編碼器部分的同層UnetBlock輸出進行通道拼接，輸入至第n-2層的譯碼器UnetBlock，依次類推；

以第n級復合網絡塊中UnetBlock輸出作為樣本特征。

4.根據權利要求3所述的一種融合深度學習和機器學習模型的焊接缺陷實時檢測方法，其特征在于，所述UnetBlock包括編碼器部分和譯碼器部分；

所述編碼器部分包括m層依次級聯的TCN網絡塊；所述譯碼器部分包括依次倒置級聯的m-1層TCN網絡塊，所述編碼器部分第1至第m-1層TCN網絡塊分別與譯碼器部分的第1至第m-1層TCN網絡塊相同；

將編碼器第m層TCN網絡塊輸出與第m-1層TCN網絡塊輸出進行通道拼接后，輸入至譯碼器第m-1層TCN網絡塊，將譯碼器第m-1層TCN網絡塊輸出與編碼器第m-2層TCN網絡塊輸出進行通道拼接，以此類推至第2層；最終將編碼器第1層TCN網絡塊輸出與解碼器第1層TCN網絡塊輸出進行對應維度相加，作為最終輸出。

5.根據權利要求4所述的一種融合深度學習和機器學習模型的焊接缺陷實時檢測方法，其特征在于，所述TCN網絡塊包括兩個一維膨脹卷積層、兩個BN層、兩個激活函數層和一個跳躍連接。

6.根據權利要求3所述的一種融合深度學習和機器學習模型的焊接缺陷實時檢測方法，其特征在于，所述CSPBlock包括第一卷積網絡塊，第一卷積網絡塊分別輸出至兩個分支；第一分支包括第二卷積網絡塊；第二分支包括依次級聯的第二卷積網絡塊、TCN網絡塊和第二卷積網絡塊；將第一分支和第二分支的輸出進行通道拼接后輸入至第三卷積網絡塊，由第三卷積網絡塊輸出結果。

7.根據權利要求1所述的一種融合深度學習和機器學習模型的焊接缺陷實時檢測方法，其特征在于，所述步驟S3中，將經過預處理后的標注信息和步驟S2獲取的樣本特征輸入至有監督的二分類模型，進行模型訓練。