[发明专利]基于深度残差学习和多线激光的交叉焊缝辨识方法及系统

权利要求书

1.一种基于深度残差学习和多线激光的交叉焊缝辨识方法，其特征在于，包括：

步骤S1：采集船体外板大拼接交叉焊缝的图像，并进行初步筛选，选取交叉焊缝类型激光条纹图像；

步骤S2：对选取的交叉焊缝类型激光条纹图像进行标注，得到交叉焊缝类型辨识数据集；

步骤S3：根据得到的数据集，构建深度残差学习网络；

步骤S4：对构建的所述深度残差学习网络进行训练、验证和测试；

步骤S5：根据训练好的残差深度学习网络，由爬壁除锈机器人在运行中对前方交叉焊缝类型的实时辨识。

2.根据权利要求1所述的基于深度残差学习和多线激光的交叉焊缝辨识方法，其特征在于，所述步骤S1包括：在船坞现场或者总装分段，使用爬壁机器人携带三激光条纹激光传感器，对船体分段大拼接的不同交叉焊缝类型进行图像采集；对采集到的图像首先通过人工进行初步筛选，随机选取其中激光条纹特征符合要求的焊缝图像。

3.根据权利要求1所述的基于深度残差学习和多线激光的交叉焊缝辨识方法，其特征在于，所述步骤S2包括：

步骤S2.1：根据船体外板大拼接缝纵横交叉的典型特征，将采集到且筛选过的不同类型交叉焊缝的图像进行分类，并再次对每一类中的图片进行筛选，去除掉图像中难以辨别类型的图像，即完成了对图像的标注，三激光条纹交叉图像和相应的标签构成交叉焊缝类型辨识数据集；

步骤S2.2：将得到的数据集按照75％、10％以及15％的比例分类构成训练集、验证集及测试集。

4.根据权利要求2所述的基于深度残差学习和多线激光的交叉焊缝辨识方法，其特征在于，所述不同类型交叉焊缝的图像分类包括：直线焊缝、十字交叉、T字交叉、左L焊缝、右L焊缝、右T焊缝以及右T焊缝。

5.根据权利要求1所述的基于深度残差学习和多线激光的交叉焊缝辨识方法，其特征在于，所述步骤S3包括：

步骤S3.1：设计残差学习单元；

步骤S3.2：设计深度残差学习网络整体结构。

6.根据权利要求1所述的基于深度残差学习和多线激光的交叉焊缝辨识方法，其特征在于，所述步骤S4包括：

步骤S4.1：在深度残差学习网络训练之前，首先配置训练方法，包括设定学习率、衰减方式、损失函数，以及批量大小batch_size、迭代次数epoch；

步骤S4.2：深度残差学习网络完成构建后，对采集的三激光条纹数据集图像进行图像预处理，首先对图像进行滤波、去噪声，然后对图像进行压缩，裁剪成残差深度学习网络的标准输入尺寸，将预处理后的图像作为深度残差学习网络的输入；

步骤S4.3：使用深度残差网络预训练权重进行迁移学习，锁定conv1、conv2_50、conv3_50、conv4_50和conv5_50所在层的权重，通过训练集中的图像对最后两层的权重进行训练；

步骤S4.4：在深度学习过程中，同时对验证集进行过拟合检查，及判断深度残差学习网络对验证集图像处理的损失函数是否呈现先下降、后反而上升的现象，当验证集的损失函数不再下降时候，暂时停止训练；

将预处理后的测试图像作为训练终止后的深度残差学习网络的输入，此时网络的输出与步骤S2中的标签值进行比较，若测试集精度超过99％，则训练完成，否则继续训练；

步骤S4.5：通过测试集对大拼接交叉焊缝深度残差辨识模型的准确性和可靠性进行测试。

7.根据权利要求1所述的基于深度残差学习和多线激光的交叉焊缝辨识方法，其特征在于，所述步骤S5包括：

在对船体外板大拼接缝进行实际喷砂除锈时，在爬壁机器人进行喷砂除锈作业的同时，爬壁机器人携带的三激光条纹传感器同时采集大拼接缝的交叉焊缝图像，并输入到已经训练好的残差深度学习网络进行判别，即能够实现爬壁除锈机器人运行中对前方交叉焊缝类型的实时辨识，为爬壁除锈机器人的导航和定位提供位置依据。