水轮机蜗壳座环的制备方法及其系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115564766A(43)申请公布日2023.01.03(21)申请号202211398895.XG06V10/774(2022.01)(22)申请日2022.11.09G06V10/80(2022.01)G06V10/82(2022.01)(71)申请人浙江振兴阿祥集团有限公司G06N3/04(2006.01)地址313000浙江省湖州市吴兴区织里镇G06N3/08(2006.01)晟舍新街东路158号-1(72)发明人白洪华万小健周长安雷进波李明伟(74)专利代理机构北京恒泰铭睿知识产权代理有限公司11642专利代理师谢福存(51)Int.Cl.G06T7/00(2017.01)G06T5/00(2006.01)G06V10/25(2022.01)G06V10/764(2022.01)权利要求书3页说明书15页附图6页(54)发明名称水轮机蜗壳座环的制备方法及其系统(57)摘要公开了一种水轮机蜗壳座环的制备方法及其系统，其采用基于深度学习的人工智能检测技术，以焊接后水轮机蜗壳座环的检测图像作为输入数据来提取出所述检测图像中聚焦于焊接区域的多个浅层隐含特征，进一步再对其进行环境去噪的图像清晰度增强处理，并利用深层特征融合的思想来进一步提取出水轮机蜗壳座环焊接区域的质量特征，以此来进行水轮机蜗壳座环表面的缺陷检测。这样，降低蜗壳座环出现裂纹的风险，优化水轮机蜗壳座环的制备过程。CN115564766ACN115564766A权利要求书1/3页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。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FastR‑CNN、FasterR‑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(ψdet,B)＝(cls(ψdet,B)，Regr(ψdet,B))其中，ψdet为检测特征图，B表示锚窗、cls(ψdet,B)表示分类函数、Regr(ψdet,B)表示回归函数。4.根据权利要求3所述的水轮机蜗壳座环的制备方法，其特征在于，所述对抗生成网络包括鉴别器和生成器；其中，所述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，包括：将所述焊接感兴趣区域输入所述基于对抗生成网络的图像清晰度增强器的生成器以由所述生成器对所述焊接感兴趣区域进行反卷积处理以得到所述生成焊接感兴趣区域。5.根据权利要去4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，包括：从所述包含深浅融合模块的卷积神经网络模型的第M层提取浅层特征图，其中，M大于等于1且小于等于6；从所述包含深浅融合模块的卷积神经网络模型的第N层提取深层特征图，其中，N/M大于等于5且小于等于10；以及使用所述包含深浅融合模块的卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到分类特征图。6.根据权利要求5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，包括：2CN115564766A权利要求书2/3页使用所述分类器以如下公式对所述分类特征图进行处理以生成分类结果，其中，所述公式为：O＝softmax{(Wn,Bn):…:(W1,B1)|Project(F)}其中Project(F)表示将所述分类矩阵图投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置向量。7.根据权利要求6所述的水轮机蜗壳座环的制备方法，其特征在于，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。8.根据权