[发明专利]水轮机蜗壳座环的制备方法及其系统

权利要求书

1.一种水轮机蜗壳座环的制备方法，其特征在于，包括：

获取焊接后水轮机蜗壳座环的检测图像；

将所述检测图像通过焊接区域目标检测网络以得到焊接感兴趣区域；

将所述焊接感兴趣区域通过基于对抗生成网络的图像清晰度增强器以得到生成焊接感兴趣区域；

将所述生成焊接感兴趣区域通过包含深浅融合模块的卷积神经网络模型以得到分类特征图；以及

将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示焊接后水轮机蜗壳座环是否存在表面缺陷；

所述水轮机蜗壳座环的制备方法还包括训练步骤：对所述焊接区域目标检测网络、基于对抗生成网络的图像清晰度增强器、所述包含深浅融合模块的卷积神经网络模型和所述分类器进行训练；

其中，所述训练步骤，包括：

获取训练数据，所述训练数据包括焊接后水轮机蜗壳座环的训练检测图像，以及，所述焊接后水轮机蜗壳座环是否存在表面缺陷的真实值；

将所述训练检测图像通过所述焊接区域目标检测网络以得到训练焊接感兴趣区域；

将所述训练焊接感兴趣区域通过所述基于对抗生成网络的图像清晰度增强器以得到训练生成焊接感兴趣区域；

将所述训练生成焊接感兴趣区域通过所述包含深浅融合模块的卷积神经网络模型以得到训练浅层特征图和训练深层特征图；

融合所述训练浅层特征图和训练深层特征图以得到训练分类特征图；

将所述训练分类特征图通过所述分类器以得到分类损失函数值；

基于所述训练浅层特征图和训练深层特征图投影后得到的特征向量之间的距离计算序列对序列响应规则内在化学习损失函数值；以及

计算所述分类损失函数值和所述序列对序列响应规则内在化学习损失函数值的加权和作为损失函数值来对所述焊接区域目标检测网络、基于对抗生成网络的图像清晰度增强器、所述包含深浅融合模块的卷积神经网络模型和所述分类器进行训练；

其中，所述基于所述训练浅层特征图和训练深层特征图投影后得到的特征向量之间的距离计算序列对序列响应规则内在化学习损失函数值，包括：

基于所述训练浅层特征图和训练深层特征图投影后得到的特征向量之间的距离以如下公式计算所述序列对序列响应规则内在化学习损失函数值；

其中，所述公式为：

其中，V₁是所述训练浅层特征图投影后得到的特征向量，V₂是所述训练深层特征图投影后得到的特征向量，且W₁和W₂分别是所述分类器对于所述训练浅层特征图投影后得到的特征向量和所述训练深层特征图投影后得到的特征向量的权重矩阵，ReLU(·)表示ReLU激活函数，Sigmoid(·)表示Sigmoid激活函数，表示矩阵相乘，d(·,·)表示两个向量之间的欧式距离。

2.根据权利要求1所述的水轮机蜗壳座环的制备方法，其特征在于，所述焊接区域目标检测网络为基于锚窗的目标检测网络，所述基于锚窗的目标检测网络为Fast R-CNN、Faster R-CNN或RetinaNet。

3.根据权利要求2所述的水轮机蜗壳座环的制备方法，其特征在于，所述将所述检测图像通过焊接区域目标检测网络以得到焊接感兴趣区域，包括：

将所述检测图像通过所述焊接区域目标检测网络的多层卷积层以得到检测特征图；以及

使用所述焊接区域目标检测网络的目标锚定层以如下公式对所述检测特征图进行处理以得到所述焊接感兴趣区域；

其中，所述公式为：

Dets＝H(ψ_det,B)＝(cls(ψ_det,B)，Regr(ψ_det,B))

其中，ψ_det为检测特征图，B表示锚窗、cls(ψ_det,B)表示分类函数、Regr(ψ_det,B)表示回归函数。