基于残差网络的焊接接头缺陷检测方法及装置与流程

技术特征：
1.一种基于残差网络的焊接接头缺陷检测方法，其特征在于，包括：获取待检测的焊接接头图像；将所述焊接接头图像输入到卷积神经网络，得到焊接接头特征图；建立并训练深度学习网络，获得焊接接头缺陷检测模型；所述焊接接头缺陷检测模型包括残差主干网络和注意力分支网络；将所述焊接接头特征图并行输入至所述残差主干网络和所述注意力分支网络，获取主干特征图以及对应的注意力权重掩码；将所述主干特征图以及对应的注意力权重掩码进行融合，获得注意特征图；通过全局最大池化和全局平均池化层将所述注意特征图进行池化，得到池化结果；将所述池化结果输出到全连接层进行分类，得到焊接接头缺陷的检测得分。2.根据权利要求1所述的基于残差网络的焊接接头缺陷检测方法，其特征在于，所述残差主干网络包括依次连接的第一残差子网、第二残差子网和第三残差子网；所述将所述焊接接头特征图并行输入至所述残差主干网络和所述注意力分支网络，获取主干特征图以及对应的注意力权重掩码，包括：将所述焊接接头特征图输入至所述第一残差子网进行第一深度卷积处理，生成尺寸为所述焊接接头特征图尺寸1/2的第一特征图；将所述第一特征图输入至所述第二残差子网进行第二深度卷积处理，生成尺寸为所述焊接接头特征图尺寸1/4的第二特征图；将所述第二特征图输入至所述第三残差子网进行第三深度卷积处理，生成尺寸为所述焊接接头特征图尺寸1/8的所述主干特征图；其中，所述第二特征图的深度为所述第一特征图的深度的2倍，所述主干特征图的深度是所述第二特征图的深度的2倍。3.根据权利要求2所述的基于残差网络的焊接接头缺陷检测方法，其特征在于，所述注意力分支网络包括第一注意力模块、第二注意力模块、以及第三注意力模块；所述将所述焊接接头特征图并行输入至所述残差主干网络和所述注意力分支网络，获取主干特征图以及对应的注意力权重掩码，还包括：将所述焊接接头特征图输入至所述第一注意力模块，生成所述第一特征图对应的第一注意力权重掩码；将所述第一注意力权重掩码输入至所述第二注意力模块，生成所述第二特征图对应的第二注意力权重掩码；将所述第二注意力权重掩码输入至所述第三注意力模块，生成所述主干特征图对应的注意力权重掩码。4.根据权利要求3所述的基于残差网络的焊接接头缺陷检测方法，其特征在于，所述将所述主干特征图以及对应的注意力权重掩码进行融合，获得注意特征图，包括：将所述注意力权重掩码中每个权重参数的值与所述主干特征图中每个元素的值做矩阵的乘积，获得赋予权重后的新特征图；将所述新特征图每个元素的值加上所述主干特征图相同位置对应的每个元素的值，获得注意特征图；其中，计算公式为：f
i，j，c
(x)＝(1 a
i，j，c
(x))*b
i，j，c
(x)其中，f
i，j，c
(x)表示所述注意特征图，b
i，j，c
(x)表示所述主干特征图，a
i，j，c
(x)表示所述
注意力权重掩码，a
i，j，c
(x)*b
i，j，c
(x)表示所述新特征图，i，j表示所述主干特征图和所述注意特征图中元素的空间位置，c是所述主干特征图和所述注意特征图中输出通道的索引。5.根据权利要求1所述的基于残差网络的焊接接头缺陷检测方法，其特征在于，所述建立并训练深度学习网络模型，获得焊接接头缺陷检测模型，包括采用alpha损失函数进行训练，所述alpha损失函数公式为：其中，是预测分数，而y是标记分数，α是超参数。6.根据权利要求1至5中任一权利要求所述的基于残差网络的焊接接头缺陷检测方法，其特征在于，所述建立并训练深度学习网络，获得焊接接头缺陷检测模型，还包括：采集焊接接头图像样本，将所述焊接接头图像样本进行数据扩充，获取扩充后的图像样本；其中，所述数据扩充包括通过水平反射、垂直反射和随机的小角度旋转操作，或/和改变所述焊接接头图像样本的rgb通道的序列；将所述扩充后的图像样本输入至深度学习网络进行训练，获得焊接接头缺陷检测模型。7.根据权利要求6所述的基于残差网络的焊接接头缺陷检测方法，其特征在于，还包括：对所述焊接接头图像样本进行分值标注，重复训练所述深度学习网络，使所述焊接接头缺陷检测模型预测的分值与标注的分值的差值在预设阈值范围之内，得到最终的所述焊接接头缺陷检测模型。8.一种基于残差网络的焊接接头缺陷检测装置，其特征在于，包括：获取模块，用于获取待检测的焊接接头图像；第一输入模块，用于将所述焊接接头图像输入到卷积神经网络，得到焊接接头特征图；建立和训练模块，用于建立并训练深度学习网络，获得焊接接头缺陷检测模型；所述焊接接头缺陷检测模型包括残差主干网络和注意力分支网络；第二输入模块，用于将所述焊接接头特征图并行输入至所述残差主干网络和所述注意力分支网络，获取主干特征图以及对应的注意力权重掩码；融合模块，用于将所述主干特征图以及对应的注意力权重掩码进行融合，获得注意特征图；池化模块，用于通过全局最大池化和全局平均池化层将所述注意特征图进行池化，得到池化结果；分类模块，用于将所述池化结果输出到全连接层进行分类，得到焊接接头缺陷的检测得分。9.一种电子设备，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1至7中任意一项所述的基于残差网络的焊接接头缺陷检测装置。10.一种计算机可读存储介质，其上储存有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于残差网络的焊接接头缺陷检测
装置。

技术总结
本发明涉及一种基于残差网络的焊接接头缺陷检测方法、装置、介质以及电子设备，该方法包括：获取待检测的焊接接头图像，将焊接接头图像输入到卷积神经网络，得到焊接接头特征图，建立并训练深度学习网络，获得焊接接头缺陷检测模型，所述焊接接头缺陷检测模型包括残差主干网络和注意力分支网络，将焊接接头特征图并行输入至残差主干网络和注意力分支网络，获取主干特征图以及对应的注意力权重掩码，将主干特征图以及对应的注意力权重掩码进行融合，获取注意特征图，通过全局最大池化和全局平均池化层将注意特征图进行池化，得到池化结果，将池化结果输出到全连接层进行分类，得到焊接接头缺陷的检测得分，提高了焊接接头缺陷检测的精度和准确度。检测的精度和准确度。检测的精度和准确度。


技术研发人员：吕杰 张晖
受保护的技术使用者：深圳康微视觉技术有限公司
技术研发日：2021.07.30
技术公布日：2021/10/18