基于深度学习的焊接结构识别与提取方法研究

作     者：宋志伟 

作者单位：西安工业大学 

学位级别：硕士

导师姓名：姚慧

授予年度：2023年

学科分类：12[管理学] 080503[工学-材料加工工程] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 0805[工学-材料科学与工程（可授工学、理学学位）] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 080201[工学-机械制造及其自动化] 

主      题：焊接工程图 深度学习 图像识别 图像分割 Cyclegan U-net 

摘      要：随着人工智能的发展,智能制造与数字化集成制造是制造领域发展的必然趋势。重工装备制造过程中需根据工程图中特定单元轮廓切割出相应形状的钣金零件,进而对钣金零件进行焊接。目前,重工装备制造过程中焊接工程图纸的识别多数仍采用光栅/矢量扫描或人工重绘方式,此方法效率低且过程繁琐。当机器面对具有复杂线条的工程图纸时,传统方法很难实现对图纸全部轮廓内容的扫描识别,而提取图中特定单元轮廓的方法则完全由人工重新绘制。为解决此问题,本文围绕基于深度学习算法的焊接工程图形轮廓识别与提取技术,开展了一系列研究,主要研究内容和成果如下:(1)针对焊接结构工程图形的翻译识别技术进行研究,提出一种新型工程图形翻译识别方法,用无配对迁移学习的循环一致性生成对抗网络(Cyclic Generative Adversarial Networks,Cyclegan)模型对焊接结构图形翻译识别。基于传统Cyclegan提出了针对焊接工程图形翻译识别的改进模型,在生成器中提出使用K-winners替代传统Re LU层增强模型的鲁棒性,同时在训练过程中使用稀疏算法实现模型修剪以加快训练速度。此外,提出继续在生成器中间层添加残差块,可大大提升生成器翻译识别后的焊接工程图形的分辨率。基于深度学习方法的焊接结构识别方法摒弃传统的工程图光栅/矢量扫描翻译识别方法,利用机器视觉技术对焊接结构图形内容进行翻译识别,可加快制造效率。通过对某铆焊装备公司提供的数据集验证,实验表明本研究可有效实现对焊接工程图内容的翻译识别。(2)针对焊接结构工程图形中特定单元的分割提取技术进行研究,提出一种新型工程图形特定单元轮廓的分割提取方法,使用工程图语义特征之间的差异对图形特定单元轮廓进行分割提取。提出基于U-net的双池化卷积通道-空间注意力机制(Channel-Spatial Sequence Attention Module,CSSAM)跳跃结构的焊接工程图单元提取模型。同时,融合纵向高维编码器特征簇与横向低维编码器特征簇以增加全局语义信息相关性,削减低维编码特征与高维解码特征的维度差异,提高焊接工程图形轮廓的分割性能。此模型摒弃对焊接图形特定单元提取过程中的传统人工重绘方法,使切割装置根据视觉信息自动分割特定图形单元,并根据分割结果自动切割相应形状的钣金零件。通过对某铆焊装备公司提供的数据集进行验证,实验表明本研究可有效对焊接图形单元轮廓进行分割提取。针对某铆焊装备制造公司提供的数据集进行验证,并通过SOTA实验可得,本研究可在不需要人工协助的情况下实现焊接图形内容较好的翻译识别和分割提取。此外,采用本文方法对焊接图形内容识别提取的性能比传统Cyclegan和U-net模型更优秀,表明本研究对焊接结构图形翻译识别和分割提取的有效性。