3.2 基于卷积神经网络的图像自编码深度学习环形焊缝分割网络............................33
第 4 章 实验结果与分析............................38
4.1 实验配置...........................38
4.1.1 实验数据的描述 ...........................38
4.1.2 评判指标...........................38
第 5 章 总结与展望..........................43
5.1 工作总结..........................43
5.2 进一步工作与展望........................43
第 4 章 实验结果与分析
4.1 实验配置
本文主要对卷积神经网络模型展开探讨，并使用实验论证所提出的算法有效性。那么本文的网络模型训练与测试环境如下：采用 Windows 64 位操作系统作为工作平台，对使用 C++作为主要的编程开发语言，使用 VS2013 作为平台软件搭建整个神经网络模型，最后利用 OpenCV 库文件完成对图像的一些处理。
4.1.1 实验数据的描述
针对当前本实验圆柱管道内壁焊缝识别检测分割所需的数据集，本文采用了机器人在圆柱形管道内探测正圆形焊缝的合成视频以及实际工作中所抓拍的数据视频样本作为训练集和测试集。全部的实验数据大小均为 352*288 像素，所有数据的对比试验都是在这个数据集上直接进行。为了后续的本文实验的顺利进行，本实验手动对训练视频中的视频帧进行选取作为训练的样本，这些选取的视频帧的特点是焊缝目标明显，轮廓清晰，有利于神经网络的训练与收敛。如图 4.1 所示为本文训练所需的部分样本数据。
图 4.1 圆柱管道内壁环形焊缝部分样本集
...............................
第 5 章 总结与展望
5.1 工作总结
鉴于焊接质量对结构性能的重要影响，在工业中对自动化提取识别环形焊缝提出了广泛的需求。因此，关于焊缝图像的研究一直受到国内外研究人员的广泛关注，并取得了众多的研究成果。当前的环形焊缝识别检测算法还存在在复杂环境下识别率低，算法适应性差等问题，存在许多的弊端。为此，本文融合焊缝轮廓的先验知识对深度学习和图像处理技术进行了研究，实现了对圆形管道内壁帧图像的焊缝分割方法。论文的主要工作成果总结如下：
（1）融合圆形或者椭圆形焊缝轮廓的先验知识，综合考虑环形焊缝的图像特征，对被卷积对象即圆柱管道内壁焊缝图像设计了环形块划分的方法，使得对整个图像的焊缝检测变为更小尺度的环形块图像的焊缝检测。
（2）提出了一种基于卷积神经网络的图像自编码深度学习环形焊缝初分割网络，采用改进的 ReLU 激活函数，同时为了使得网络中数据的前向和反向传播是一按照统一的方式的进行计算，本文引入了稀疏矩阵 S 和 M，同时对环图像数据以及卷积核数据实现矩阵表示。同时，本网络的各个操作包括卷积操作、池化操作、非线性操作以及全连接操作都实现了矩阵相乘的形式。
（3）针对直接使用传统阈值分割对环形管道环形图像进行实验，没有办法得到较好的环形焊缝分割效果等问题，从所用图像实际情况出发，在对图像进行环形块的划分，并利用深度学习实现焊缝初分割。随后实现基于 OTSU 算法的焊缝细分割。通过实验研究证明，在深度自编码网络结构之下，这样操作获得了较好的实验效果。
参考文献（略）
