[发明专利]基于深度学习的焊点外观类别自动识别方法及系统

说明书

本发明公开了一种基于深度学习的焊点外观类别自动识别方法及系统，首先对焊点处进行拍摄，获取原始数据图像；对原始数据图像进行缩放以适应神经网络的输入尺寸；然后根据获取图像的总数量，设置每一批次检测图像的数量；最后用已经训练好的卷积神经网络模型自动识别焊点外观的类别。本方法实现了白车身焊点外观类别的自动识别，有助于节约人工成本。本方法除了需要调节图像尺寸为神经网络输入大小，不需要再对图像进行任何处理，且识别准确率高，有助于提升工业生产效率和可靠性，解决了实际工业生产过程中，白车身焊点外观检测自动化和智能化的需求。

技术领域

本发明涉及焊接技术领域，特别是一种基于深度学习的白车身焊点外观类别自动识别方法及系统。

背景技术

随着汽车行业的不断发展，智能化和自动化的需求日益提升，其中白车身焊点外观类别目前还依靠人工进行识别。由于各种原因，点焊机对白车身进行焊接会形成外观质量不同的焊点，通过现场统计分析，确定了最常见的五种外观质量的焊点：正常焊点、由于焊枪为铜质而形成的粘铜焊点、焊于车身门框等边缘的焊点、位置重合的焊点、不完整的焊点。如果能实时识别焊点的外观质量，那么就能控制对应的工艺参数，进而调节工艺参数控制焊点的外观，以便获得更好的外观；或者在发现焊点外观质量问题后，及时进行处理，避免不合格产品流入市场。

随着机器视觉技术的迅速发展，计算机视觉技术的快速、精确、智能等特性在现代工业的各个领域已逐渐被广泛应用，尤其对于汽车制造业，基于机器视觉的制造质量检测是产线制造性能提升的关键技术之一。深度学习神经网络是有大量结构化的可训练的参数，只要有足够的数据来训练这些参数，神经网络就能学习到事物的规律，从而对新的样本进行预测判断。卷积神经网络(CNN)是一种具有局部连接、权重共享等特性的深层前馈神经网络。相比全连接前馈神经网络，卷积神经网络具有更少的参数，能够提取局部不变特性，常用来学习图像。

目前典型的卷积神经网络一般是由卷积层和池化层交叉堆叠，后面再加上全连接层而成的前馈神经网络，一般卷积层和池化层视为特征提取部分，全连接层视为预测部分。卷积神经网络在结构上有三个特性：局部连接、权重共享、池化。这些特性使得卷积神经网络具有一定程度上的平移、缩放和旋转不变性。卷积神经网络主要使用在图像和视频分析的各种任务，包括图像分类、人脸识别、图像分割等，其准确率一般也远远超出了其他的神经网络模型。

2014年提出的NIN结构不是简单的卷积层和池化层堆叠，而是卷积层之后加入若干个多层感知器作为一个模块，堆叠这种模块从而构建特征提取部分。2017年提出用全卷积代替全连接层，使得网络不断地提取更深层次的特征。卷积操作是由卷积核在图像上滑动完成的，自2015年VGG网络提出以来，研究者们越来越倾向于使用小卷积核，比如3×3、5×5的小卷积核。2016年提出膨胀卷积，由于小卷积核的感受野太小，使用膨胀卷积可以扩大卷积核的感受野而不引入额外的参数。神经网络中要输入非线性模块，来学习到事物的非线性方面。现在一般采用ReLU函数作为非线性激活函数。神经网络最后的分类器一般采用softmax分类器。神经网络中需要损失函数来衡量模型学习的好坏，迭代的目的就是让损失函数最小化，采用多分类常用的交叉熵损失函数。

发明内容

有鉴于此，本发明的目的在于提供基于深度学习的白车身焊点外观类别自动识别方法，该方法能自动识别汽车点焊的外观类别，避免通过靠人工识别的问题。

为达到上述目的，本发明提供如下技术方案：

本发明提供的基于深度学习的焊点外管类别自动识别方法，包括以下步骤：

获取若干焊点外观图像；

根据获取焊点外观图像总数量设置每一批次检测图像数量；

将检测图像输入到卷积神经网络模型进行焊点外观的识别，并输出若干焊点外观图像；

所述卷积神经网络模型是通过标签焊点外观图像进行训练得到的，所述卷积神经网络模型为能识别多类焊点外观图像的模型。