基于岭回归分析卷积正则化的塑料件焊接质量评估方法

摘要

本发明公开了基于岭回归分析卷积正则化的塑料件焊接质量评估方法，其中由岭回归方程控制的特征信息提取部分，通过对共性信息得到剔除，从而实现对塑料燃油箱焊缝区域特征的提取，增加特征分析过程中的有用信息获取；由卷积正则化优化的特征分析部分，通过对卷积层和池化层中间引入Dropblock模块，从而防止网络对共性特征较多的图片进行学习时出现过拟合的现象，以获取最优特征并作为识别特征，并对27.4%的无用特征图进行舍弃。从而两模块共同作用可有效提高塑料燃油箱焊缝识别网络的抗过拟合能力，减少训练时间，保障了模型的鲁棒性。

说明书

技术领域

本发明涉及塑料件焊缝评估技术领域，特别涉及基于岭回归分析卷积正则化的塑料件焊接质量评估方法。

背景技术

在工业制造技术领域，通常会涉及焊接工序，塑料燃油箱配件在本体上焊接所需的焊接工艺存在虚焊，焊接余量不均匀，焊接位姿不准确等问题，最终，影响产品质量和使用寿命，因此，在产品出厂之前，通常需要对焊缝质量进行检测，以剔除焊缝质量不合格的产品，从而提高产品良率。

目前塑料燃油箱生产厂家大多采用人工检测或传统破坏性抽检方法，其中目视检测存在效率低、易遗漏、人力成本高、自动化程度低等问题，该方法难以满足大批量、高精密、快速检测的要求。机器视觉检测技术在效率、成本等方面具有显著优势，主要有单目视觉检测和双目立体视觉检测。其中采用基于视觉的深度学习塑料燃油箱焊接质量评估方法具有较高的精度和良好的适应性。而传统的深度学习算法在待焊接工件焊缝轮廓的检测上具有较多的局限性，在对存在大量共性特征信息的焊缝图片进行训练时容易出现过拟合现象，算法的准确率较低。

2020年，张素智等人提出了一种基于焊缝识别卷积神经网络与岭回归分析相结合的图像识别算法。(张素智,吴玉红,常俊.基于改进焊缝识别卷积神经网络的轮胎图像识别[J].计算机技术与发展,2021,31(07):182-186.)通过对岭回归分析和焊缝识别卷积神经网络识别算法进行的学习研究,在算法原来的损失函数中引入一个新的正则项,以此改变新的损失函数中两部分的比关系，降低特征信息的拟合曲线抖动的幅度，一定程度上提高轮胎破损图像的训练准确率和识别率，但是针对小样本塑料燃油箱样本集，其特征传递过程中存在较多无用特证图，不适用塑料燃油箱焊接柔性生产线上的焊缝评估检测。

2019年广东大鹏液化天然气有限公司的李强等人发明了一种管道焊缝底片扫描入库及焊缝缺陷识别方法及其系统(授权公告号：CN108665452)通过建立管道焊缝缺陷的数据集，使用基于二分类的支持向量机对焊缝缺陷进行识别能够实现对管道焊缝的缺陷识别，其缺点是，通过焊缝缺陷的特征学习的过程中未对共性特征进行判别，容易出现过拟合现象。

2019年浙江工业大学的胡克钢等人发明了一种基于卷积神经网络的焊接视觉检测方法及装置(专利授权公告号：CN112365501B)此发明通过设计一种全方位传感器并搭建卷积神经网络模型对焊缝识别，挺高了自动化焊缝缺陷识别的精度，能够实现对钢管内部焊缝的检测。其缺点是只是使用现有的原始卷积神经网络模型对钢管内部的焊缝进行检测，网络模型较大，并不适用于塑料燃油箱的焊缝检测。

2021年南京理工大学的赵壮等人发明了一种基于卷积神经网络的焊件轮廓检测算法(专利授权公告号：CN112365501B)此发明通过采用跳层连接并引入ASPP模块和注意力模块，降低了引入的纹理信息，增强了语义信息，并专注于目标的焊缝，提高了识别精度，并进一步提升了算法的性能。其缺点是网络模型较复杂，训练时间较长，同时并未对共性特征进行读取识别，并不适用于塑料燃油箱的焊缝检测。

综上所述，要实现对塑料燃油箱焊缝缺陷的识别，就必须对塑料燃油箱焊缝识别网络中的特征提取及特征分析部分进行改进。为解决上述问题，本文通过对现有塑料燃油箱焊缝识别卷积神经网络进行优化，结合岭回归分析方程及卷积正则化增强对塑料燃油箱焊缝识别网络的特征获取及分析能力，从而提出了一种基于岭回归分析卷积正则化的塑料件焊接质量评估方法

发明内容

本发明的目的是克服现有技术缺陷，提供基于岭回归分析卷积正则化的塑料件焊接质量评估方法，能够提高提高塑料燃油箱焊缝评估的精度。

本发明的目的是这样实现的：一种基于岭回归分析卷积正则化的塑料件焊接质量评估方法，包括以下步骤：

1)建立并处理塑料燃油箱焊缝评估样本集；

2)构建基于岭回归分析卷积正则化焊缝识别卷积神经网络并训练；

3)输出检测结果。

进一步的，所述步骤2)具体包括：

2-1)构建焊缝识别卷积神经网络；

2-2)在焊缝识别卷积神经网络中融合岭回归分析，在第一层卷积层和池化层之间引入岭回归分析方程进行特征信息的提取，找出多重共线性的信息，并剔除一部分信息；获得一个新的回归系数，通过新的回归系数调整网络的代价函数；

2-3)在焊缝识别卷积神经网络中融合卷积正则化的，在第二层卷积层和池化层之间引入Dropblock模块；

2-4)在全连接层前加入Dropout层；去除网络卷积运算中共性特征较多的特征图；

2-5)将步骤1)中的数据样本集导入到改进后的焊缝识别网络中进行训练，得到训练完成的网络模型。

进一步的，步骤2-2)中所述的岭回归分析方程是对塑料燃油箱焊缝特征信息提取，获取新的回归系数以调整网络的代价函数。

进一步的，步骤2-3)中所述的DropBlock模块包括两个重要的参数：s和γ，其中s为用来控制准备丢弃的方块尺寸，参数γ表示的是丢弃的语义信息激活单元块的概率；计算公式为：

其中，参数γ表示的是丢弃的语义信息激活单元块的概率，s为用来控制准备丢弃的方块尺寸，f表示该处特征图的大小，p表示使某个单元保持活性的概率。

进一步的，所述步骤3)具体包括：将检测到的图片信息作为输入值放入步骤2.5)中所述的训练完成的网络模型中进行识别，并输出结果。

本发明采用以上技术方案，与现有技术相比，有益效果为：一方面，本发明在特征提取部分引入岭回归分析，获取塑料燃油箱焊缝图片存在的多重共线性的箱体部分特征信息，另一方面，在卷积层与池化层中间引入DropBlock模块，对深层网络的多次提取，减少网络中共性特征较多的特征图，结合岭回归分析与DropBlock模块能够使得塑料燃油箱焊缝缺陷识别网络获取最优特征并作为识别特征，提高了塑料燃油箱焊缝识别网络的抗过拟合能力，舍弃27.4％的无用特征图，减少了训练时间，保障了模型的鲁棒性。

附图说明

图1本发明的流程图。

具体实施方式

如图1所示的基于岭回归分析卷积正则化的塑料件焊接质量评估方法，包括以下步骤：

1)建立并处理塑料燃油箱焊缝评估样本集；

使用工业相机获取塑料燃油箱的焊缝图片，截取塑料燃油箱焊缝区域，并对样本进行标注，将现有的塑料燃油箱的存在缺陷的焊缝以及合格的焊缝的图片建立实验数据样本集。

对实验数据样本集进行简单地预处理，预处理技术包括水平翻转、垂直翻转、随机旋转或缩放技术等，实现样本的简单扩充。

2)构建基于岭回归分析卷积正则化焊缝识别卷积神经网络并训练；

2-1)构建焊缝识别卷积神经网络；

本发明构建的焊缝识别深度卷积神经网络框架，由五个卷积层、三个池化层和三个全连接层构成。其中卷积层和池化层主要是进行图像特征信息的提取操作，全连接层将特征图转换为特征向量，其中最后一个全连接层将输出结果递交给Softmax层。

2-2)在焊缝识别深度卷积神经网络框架的第一层卷积层和池化层之间引入岭回归分析方程进行特征信息的提取，找出多重共线性的信息，并剔除一部分信息，目的是通过岭回归系数的稳定与否找出代表性不够大的变量；正则化是一种常见的防止过拟合的方法，一般原理是在代价函数后面加上一个对参数的约束项，而这个约束项被称作正则化项；

本发明中通过在第一层卷积层之后利用岭回归分析对共性数据强大的分析能力，放弃一些塑料燃油箱焊缝图片的数据信息，选择提取信息丰富具有特征代表性的信息，并获得一个新的回归系数。利用新的回归系数调整网络的代价函数，以此达到改变函数比重的目的。降低了网络模型在训练过程中出现的过拟合现象，进一步增强了模型的训练能力，提高了塑料燃油箱焊缝的识别准确率。

2-3)然后在第二层卷积层和池化层之间引入Dropblock模块；计算公式为：

其中，参数γ表示的是丢弃的语义信息激活单元块的概率，s为用来控制准备丢弃的方块尺寸，f表示该处特征图的大小，p表示使某个单元保持活性的概率；本发明设置p为0.8。

DropBlock模块包括两个重要的参数：s和γ，其中s为用来控制准备丢弃的方块尺寸，一般网络会取3、5、7，当block_size＝1时，DropBlock变为传统的Dropout模块，当s＝7时，效果最好，参数γ表示的是丢弃的语义信息激活单元块的概率；

DropBlock随机将特征的某一连通区域置零，强制网络学习其余区域的特征，以此来实现卷积层的正则化，提高抗过拟合能力。在此网络中通过引入DropBlock模块，随机舍弃部分塑料燃油箱焊缝特征，通过深层网络的多次提取，最终会得到最优特征并作为识别特征，提高了塑料燃油箱焊缝焊缝识别网络的抗过拟合能力，保障了模型的鲁棒性。

2-4)在全连接层前加入Dropout层，去除网络卷积运算中共性特征较多的特征图；

2-5)将步骤1)中的数据样本集导入到改进后的焊缝识别网络中进行训练，得到训练完成的网络模型。

3)输出检测结果，将检测到的图片信息作为输入值放入步骤2.5)中的训练完成的网络模型中进行识别，并输出结果；

通过塑料燃油箱的柔性焊接生产线的打孔焊接机器人的视觉提取模块获取汽车塑料燃油箱的焊缝图像信息，将得到的信息作为输入值放入训练完成的卷积神经网络模型中进行识别。

本发明通过对现有的工业相机收集到的塑料燃油箱的焊缝缺陷图片进行预处理，建立焊缝识别网络模型，在第一层卷积层后进行岭回归分析找出多重共线性的信息，并剔除一部分代表性不够大的变量，在此基础上，在第二层卷积层后引入DropBlock模块，随机舍弃部分塑料燃油箱焊缝特征，防止网络对共性特征较多的图片进行学习时出现过拟合的现象，获取最优特征并作为识别特征，通过结合岭回归分析与卷积正则化的的方式，对塑料燃油箱焊接质量智能评估，提高了塑料燃油箱焊缝识别网络的抗过拟合能力，保障了模型的鲁棒性。

本发明并不局限于上述实施例，在本发明公开的技术方案的基础上，本领域的技术人员根据所公开的技术内容，不需要创造性的劳动就可以对其中的一些技术特征做出一些替换和变形，这些替换和变形均在本发明的保护范围内。