一种基于深度学习的焊接缺陷分类方法及系统

1.一种基于深度学习的焊接缺陷分类方法，其特征在于，包括：步骤1：采集焊接图像并将其作为训练集中的训练样本，对训练集中的焊接图像进行预处理；步骤2：构建特征融合的CNN图像识别与分类模型；步骤3：采用步骤1中的训练样本对步骤2中CNN图像识别与分类模型进行训练，得到训练好的CNN图像识别与分类模型；步骤4：将待分类和识别的焊接图像输入训练好的CNN图像识别与分类模型中，通过模型推理，得到焊接图像所属的缺陷类别；所述步骤2包括：所述特征融合的CNN图像识别与分类模型包括依次连接的数据特征融合层、第一池化层、深度特征融合层、第二池化层、特征抽象表示层、第三池化层、特征高级表示层、第四池化层、第一全连接层、第二全连接层、第三全连接层和Softmax层；数据特征融合层：原始焊接图像输入后，经过多个并行的卷积操作提取不同尺度的特征，通过整合不同通道的特征，增强模型对缺陷区域的表达能力，网络不仅提取深度卷积特征，还强化焊接缺陷的主要特征，使得后续层能够更精准地识别和分类不同类型的焊接缺陷；不同尺度的特征包括边缘和纹理；第一池化层：对数据特征融合层生成的特征图进行最大池化，以降低特征图的空间维度；深度特征融合层：池化后的特征图进一步进行融合，整合不同通道的信息，利用跨层连接或通道注意力机制增强特征表达能力，使模型能够捕捉焊接缺陷的形态和结构；第二池化层：对深度特征融合层的输出进行池化操作，同时保留主要特征；特征抽象表示层：对池化后的深度特征图进行全局平均池化，以提取全局上下文信息，进一步压缩特征表示；第三池化层：再次进行池化操作，去除冗余信息，确保仅保留最具代表性的缺陷特征；特征高级表示层：通过非线性变换和特征压缩进一步提炼高层语义特征，使不同类型的焊接缺陷能够被更准确地区分；第四池化层：进一步降低特征维度；第一全连接层、第二全连接层和第三全连接层：展平池化后的高级特征依次通过多个全连接层学习高维映射关系，提高分类性能；Softmax层：第三全连接层的最终输出通过Softmax层计算每个类别的概率分布，最终输出焊接图像所属的缺陷类别，实现自动缺陷识别；所述步骤3包括：CNN图像识别与分类模型使用交叉熵损失函数作为目标函数，在焊接缺陷识别任务中，CNN图像识别与分类模型的输出是每个缺陷类别的概率分布，而交叉熵损失函数通过计算预测概率与真实标签的匹配程度，指导CNN图像识别与分类模型逐步优化参数，基于优化后的参数进行正则化处理，以使网络最终收敛，得到训练好的CNN图像识别与分类模型；所述CNN图像识别与分类模型优化参数，包括：通过反向传播算法，CNN图像识别与分类模型利用Adam优化器更新参数，其参数更新公式为：其中，θ t 表示第t次迭代的模型参数；θ t+1 表示第t次迭代后的模型参数；η表示学习率；m t 和v t 分别是梯度的一阶动量估计和二阶动量估计；ε是常数；所述步骤4包括：将待分类的焊接图像输入训练好的CNN图像识别与分类模型后，通过Softmax分类层对提取的特征进行归一化处理，输出样本属于各缺陷类别的概率分布，其中概率值p ij 表示第i个样本被归类为第j类焊接缺陷的预测概率，选取最大概率值对应的类别作为最终缺陷分类结果。 2.根据权利要求1所述的基于深度学习的焊接缺陷分类方法，其特征在于，所述交叉熵损失函数的定义为：设训练集中每个训练样本的真实类别标签为y，CNN图像识别与分类模型的输出为类别的概率分布p；若y是One-hot编码的真实标签向量，则交叉熵损失函数定义为：其中，N是批量样本的数量，C是分类类别的数量，y ij 表示第i个训练样本在第j类的真实标签值；p ij 表示第i个样本被归类为第j类焊接缺陷的预测概率，类别标签包括气孔，熔渣，焊穿，计算方式为：其中，zij是Softmax激活函数之前的网络输出，即第i个样本在目标类别j的logit值，Z ik 是第i个样本在任意类别k的logit值。 3.根据权利要求2所述的基于深度学习的焊接缺陷分类方法，其特征在于，交叉熵损失函数的目标是最小化CNN图像识别与分类模型的预测分布p与真实分布y之间的差异；当CNN图像识别与分类模型的预测概率p ij 越趋近真实类别的标签值y ij ，即p ij →1时，对应的损失值-log(p ij )→0；反之，当p ij →0时，损失值趋于无穷大。 4.根据权利要求1所述的基于深度学习的焊接缺陷分类方法，其特征在于，所述基于优化后的参数进行正则化处理，包括：正则化的表达式为：L total ＝L+λ·‖θ|| 2其中，λ是正则化强度的权重，||θ|| 2 是模型参数的L2范数，L total 是总损失函数，L是交叉熵损失函数。 5.一种基于深度学习的焊接缺陷分类系统，用于实现权利要求1-4任一项所述的基于深度学习的焊接缺陷分类方法，其特征在于，包括：预处理模块，用于采集焊接图像并将其作为训练集中的训练样本，对训练集中的焊接图像进行预处理；模型构建模块，用于构建特征融合的CNN图像识别与分类模型；模型训练模块，用于采用训练样本对CNN图像识别与分类模型进行训练，得到训练好的CNN图像识别与分类模型；缺陷分类模块，用于将待分类和识别的焊接图像输入训练好的CNN图像识别与分类模型中，通过模型推理，得到焊接图像所属的缺陷类别。