买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉电子科技大学申请的专利一种同口焊缝图像智能识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117237592B 。

龙图腾网通过国家知识产权局官网在2025-10-31发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311209507.3，技术领域涉及：G06V10/22；该发明授权一种同口焊缝图像智能识别方法是由胡旺;林渴真;王珩;章语设计研发完成，并于2023-09-19向国家知识产权局提交的专利申请。

本一种同口焊缝图像智能识别方法在说明书摘要公布了：本发明旨在提供一种同口焊缝图像智能识别方法，属于管道焊接检测技术领域，用于准确、高效地防止焊接底片的同口和造假行为。通过深度学习模型进行焊缝缺陷区域的识别和特征提取，然后比对特征数据识别同口的底片。同时，结合神经网络架构搜索技术，寻找最适合底片查重任务的神经网络结构。为优化网络架构搜索，本发明改进了自编码器结构，采用基于后验分布自适应调整解码结果分布的策略，有效解决了不等长编码问题，进一步提高了同口底片检测的精度和鲁棒性。本发明将深度学习和神经网络架构搜索有效结合，有效解决了同口底片检测的问题。

本发明授权一种同口焊缝图像智能识别方法在权利要求书中公布了：1.一种同口焊缝图像智能识别方法，其特征在于，包括以下步骤： 步骤1：构建数据集； 构建焊缝区域检测数据集：使用焊缝X射线底片图像标注其焊缝区域信息，并组织成相应的数据集格式； 构建关键点检测数据集，使用焊缝X射线底片图像标注在焊缝区域内具有记忆特点的焊缝特征实例信息，并组织成相应的数据集格式； 构建关键点度量数据集，使用成对的同口底片，截取成对的含关键点的焊缝区域图像，每对图像作为一个类别存放，将这些类别按照8：2分为训练类别和测试类别，基于这些类别构建三元组数据集；其中，对于每个类别ci，选择一张图像作为锚点A，然后选择同一类别中的另一张图像作为正样本P，从其他类别中随机选择一张图像作为负样本N；然后构建三元组数据{A,P,N}； 步骤2：训练焊缝区域检测模型：利用目标检测算法，在焊缝区域检测数据集上训练，得到焊缝区域检测模型； 步骤3：训练关键点检测模型：利用目标检测算法，在关键点检测数据集上训练，得到关键点检测模型； 步骤4：关键点特征提取模型骨干网络架构搜索：设计神经网络架构搜索策略，并使用高效的评估策略，获得适用于底片关键点相似度度量的特征提取模型，具体步骤如下： 步骤4-1：定义搜索空间Ω：定义网络结构和超参数的集合，其中，搜索空间Ω包括但不限于网络的层数L、每个层的类型T，以及滤波器的大小F,即Ω＝{L,T,F,...}； 步骤4-2：设计架构编码方式E：根据搜索空间Ω的定义，使用一种编码策略将网络架构转化为计算机可处理的形式EΩ，其中，所述编码策略包括但不限于基于整数编码的方法、基于自动编码器的编码方法； 步骤4-3：选择搜索策略：确定如何搜索架构空间的策略，其中，所述搜索策略包括但不限于网格搜索、随机搜索、进化算法和强化学习； 步骤4-4：定义性能评估指标：定义一个性能评估指标衡量每个网络架构的性能，所述评估指标包括但不限于准确率、损失函数、F1分数； 步骤4-5：训练和评估网络架构：对于每个网络架构，使用步骤1中得到的训练类别的三元组数据集进行模型训练，使用测试类别的三元组数据集进行评估； 步骤4-6：更新搜索空间Ω′：根据网络架构评估结果，更新搜索空间Ω，将表现良好的网络架构或超参数组合保留下来；若达到预定的停止条件则停止实验，选择搜索到的最好的架构作为搜索结果，得到最优架构；否则继续执行步骤4-5和步骤4-6； 步骤5：关键点相似度度量模型训练：使用选择出的最优架构，在关键点度量数据集上进行训练，得到关键点相似度度量模型； 步骤6：同口底片判断：选取一张待检测底片作为查询底片query，依次与底片数据库中的每一张底片target进行比对；根据计算得到的整体相似度，推荐与查询底片相似度最高的几张底片，为评片员提供参考；若发现同口底片，则进行后续处理，否则，将当前query底片加入底片库中，并保存其关键点检测信息；具体步骤如下： 步骤6-1：底片焊缝区域检测：利用步骤2所得到的模型，对查询底片图像进行焊缝区域的提取，得到焊缝区域图像； 步骤6-2：底片关键点检测：利用步骤3所得到模型，检测查询底片图像的关键点实例，得到焊缝区域图像中的关键点实例坐标信息；其中，查询底片中检出的关键点表示为{q1,q2,…,qn}； 步骤6-3：从底片库中获取目标底片target的图像信息：其中包括目标底片target中的关键点信息，表示为{t1,t2,…,tn} 步骤6-4：组织关键点：按照一定策略，将查询底片中检出的关键点与目标底片中检测出的关键点进行二分匹配；每个查询底片关键点与至多一个目标底片关键点进行匹配，每个目标底片关键点最多只能与一个查询底片关键点匹配；匹配组合表示为一个集合，每个匹配组合包含一个查询底片关键点和一个目标底片关键点，表示为{qi,tj}，其中i表示查询底片关键点的索引，j表示目标底片关键点的索引；匹配组合的集合表示为：其中j1，j2，…，jk是目标底片中与对应查询底片关键点匹配的索引，且每个目标底片关键点最多只与一个查询底片关键点匹配； 步骤6-5：关键点对相似度计算：利用步骤5得到的关键点相似度比对模型计算匹配关键点对的相似度Ssimilarity，图像相似度计算公式如下： 其中，为第i对匹配关键点对query的特征向量，为第i对匹配关键点对target的特征向量； 步骤6-6：底片整体相似度计算：将每一对关键点对的相似性得分进行整合和统计，从而得到查询底片与目标底片之间的整体相似度，计算公式如下： Ctotal＝∑ssimilarity 最后，根据整体相似度，推荐与查询底片相似度高的底片为评片员提供参考并进行后续处理； 所述步骤4-1中的搜索空间Ω选用DenseNet网络结构，搜索卷积层的卷积核大小K，denseblock的块数B，和denselayer的层数L及其他参数；其中，K∈{3,5,7,9,11}；B∈{3,4,5}；L∈{3,4,…,64}； 所述步骤4-2中设计架构编码方式选用自编码器对网络架构编码，其中网络架构编码的具体步骤为：自编码器包含编码器和解码器两部分；编码器是四层全连接层的神经网络，最后一层采用Sigmoid激活函数，将输入数据编码为取值范围是0～1的固定长度为4的隐藏层；解码器的结构与编码器类似，将编码后的数据反变换至原始数据的维度； 训练自编码器：使用蒙特卡洛在定义的搜索空间Ω中采样生成10万个架构参数作为训练样本，用均方误差作为损失函数，以AdamW优化器进行优化，计算输入数据与解码数据之间的MSE损失，并通过反向传播更新自编码器的参数,其中自编码器包括两个部分，即编码器E和解码器D，通过不断训练迭代直至自编码器的MSE0.1； 使用后验概率调整解码器的输出分布：在隐藏层随机生成100万个潜在向量，将这些向量表示为然后，将这些潜在向量输入到训练好的解码器D中，得到一系列的解码结果其中xi＝Dzi，i＝1,2，…,106，为了调整解码器的输出分布，执行分箱操作，将解码结果的连续数值转换为离散的箱子； 具体而言，设解码结果X中的元素x1取值范围在[xmin,xmax]，将这个区间划分为B个箱子，那么每个箱子的范围就是 [xmax-xminB]j+xmin≤x≤[xmax-xminB]j+1+xmin 其中，j∈{0,1,…,B-1}；通过这种方法，把解码结果的连续数值转换为离散的箱子，以进行数据分布的有效调整； 所述步骤4-3中的搜索策略选用粒子群优化算法，其具体步骤为：使用粒子群中的粒子搜索网络架构参数，在粒子群优化算法迭代的过程中，每个粒子的坐标信息表示潜在空间中的一个向量，这个向量通过上述解码过程转化为候选网络架构参数；设粒子群中的粒子i的位置为pit，速度为vit，个体极值为pbestt，群体极值为gbestt，其中t代表搜索的迭代次数；粒子群优化算法在每次迭代中，根据以下公式更新粒子的位置和速度： vit+1＝ωvit+c1r1pbestit-pit+c2r2gbestt-pit pit+1＝pit+vit+1 其中，ω是惯性权重，c1和c2是学习因子，r1和r2是0,1之间的随机数； 所述步骤4-4中训练和评估网络架构中使用模型的精度作为性能评估指标，在搜索过程中，使用误差率作为粒子群优化算法的适应度函数，然后将这个误差率作为适应度函数来指导粒子群优化算法的搜索过程，适应度函数计算公式如下： Fitnessx＝1-accuracyx 其中，accuracyx为候选网络架构训练完成后在测试集评估的精度，具体而言，在所述关键点度量数据集的训练部分中随机选取20％的数据作为训练集，使用所述关键点度量数据集的测试部分中全部的数据作为测试集；所有候选架构在新构建的度量数据集上训练，使用SGD优化器，三元损失函数，每个候选模型训练20个epoch，每个epoch训练完成后在测试集上测试其预测的准确率：对于测试集中的每一对三元组A,P,N，通过训练好的模型进行特征提取，提取的特征向量记为fA，fP，fN，计算fA与fP之间的欧氏距离以及fA与fN之间的欧式距离，若fA到fP的距离小于fA到fN的距离，则视为预测正确，否则视为预测错误；使用20个epoch中获得精度最高那个epoch的结果作为最终结果，其中，欧式距离的计算公式如下： distance＝||featurei-featurej||2 所述三元损失函数定义为： LA,P,N＝max‖fA-fP‖2-‖fA-fN‖2+margin,0 其中，fx表示卷积神经网络提取的特征，margin是一个阈值，用于确保正样本P和负样本N之间至少有一定的距离。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。