基于改进型U-net神经网络的焊缝图像处理

摘要：

对于基于线结构光的视觉焊缝跟踪系统,焊缝信息提取的精度和速度是焊缝图像处理算法的两个关键指标.对于含有强噪声的焊缝图像,传统的图像处理算法很难达到较高的提取精度;而基于传统全卷积神经网络的图像处理算法则可以有效地提取焊缝信息,但该网络仅对深层的抽象特征进行连续的上采样,忽略了焊缝像素点间空间位置的关系,从而割裂了空间的一致性,降低了焊缝信息提取的精度.针对以上问题,提出基于改进型U-net全卷积神经网络的焊缝图像处理模型以实现焊缝信息的逐级恢复.该模型通过引入双U型结构,将下采样倍率从16倍降为4倍,更多地保留了下采样时的空间信息;通过桥接的方式将第1次下采样时的焊缝特征传入第2次上采样阶段,为抽象的特征信息融入更多的空间信息,提高了焊缝信息提取的精度;将带泄漏的修正线性单元作为神经网络的激活函数,有效避免了原生U-net网络神经元坏死的现象.网络训练结果表明,使用相同数据集训练时,与传统FCN-32s网络和原生U-net网络相比,该模型的像素精度、平均像素精度和平均交集对联合均为最高.实验结果表明:该模型的焊缝位置提取平均偏差为1.64 mm,单帧焊缝图像处理时间为6.4 ms;该模型对含强噪声图像的焊缝信息提取精度和速度均优于Sterger算法和传统FCN-32s网络.

关键词：U-net神经网络、焊缝图像处理、线结构光视觉、焊缝跟踪

所属期刊栏目：56

分类号：TG409(焊接、金属切割及金属粘接)

资助基金：国家自然科学基金51575381

在线出版日期：2023-03-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：436-442