(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210340710.3 (22)申请日 2022.04.02 (71)申请人 中国船舶重 工集团公司第七一六研 究所 地址 222001 江苏省连云港市圣湖路18号 申请人 国机工业互联网研究院 （河南） 有限 公司 (72)发明人 邵奇　孙宏伟　刘超　张本顺　 廖良闯　孟祥慈　王纪潼　张人杰　 袁明新　杨秋林　 (74)专利代理 机构 南京理工大 学专利中心 32203 专利代理师 朱炳斐 (51)Int.Cl. G06V 20/10(2022.01)G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于卷积置信生成对抗网络模型的船舶焊 缝缺陷检测方法 (57)摘要 本发明公开了一种基于卷积置信生成对抗 网络的船舶焊缝缺陷检测方法。 搭建生成对抗网 络， 利用该网络的对抗博弈式学习特性， 基于不 平衡样本扩充数据集， 生成平衡数据集， 用于船 舶焊缝缺陷检测。 搭建基于深度卷积置信网络的 生成器与判别器， 使两者都能学习到丰富的船舶 焊缝特征， 解决生成对抗网络训练不佳的问题； 其中提出的置信层， 构成深度聚类器， 对卷积层 与全连接层中输出的深层隐藏特征进行聚类分 析， 能够通过捕获相似样本间的联系提高检测 率。 利用无监督式贪心思想逐层预训练网络， 待 一层网络训练最优化时， 开始训练下一层网络。 该方法有效解决了焊缝数据不平衡、 缺陷特征标 注难及多缺陷夹杂存在等技术难点， 实现了船舶 焊缝缺陷的高效和有效检测。 权利要求书2页 说明书11页 附图3页 CN 114694028 A 2022.07.01 CN 114694028 A 1.一种基于卷积置信生成对抗网络模型的船舶焊缝缺陷检测方法， 其特征在于， 所述 方法包括以下步骤： 步骤1， 获取若干船舶焊缝图像， 构建焊缝 数据集； 步骤2， 构建卷积置信生成对抗网络模型； 步骤3， 利用焊缝数据集训练卷积置信生成对抗网络模型， 生成用于焊缝缺陷检测的卷 积置信生成对抗网络模型； 步骤4， 采集待检测船舶焊缝的图像， 利用训练好的卷积置信生成对抗网络模型进行焊 缝缺陷检测。 2.根据权利要求1所述的基于卷积置信生成对抗网络模型的船舶焊缝缺陷检测方法， 其特征在于， 步骤2所述构建卷积置信生成对抗网络模型， 具体为： 将深度卷积置信神经网 络作为生成对抗网络的生成器G和判别器D。 3.根据权利要求2所述的基于卷积置信生成对抗网络模型的船舶焊缝缺陷检测方法， 其特征在于， 所述深度卷积置信神经网络包括5个卷积层、 2个全连接层和1个置信层， 输入 图像依次经 过5个卷积层、 2个全连接层后， 通过置信层输出。 4.根据权利要求3所述的基于卷积置信生成对抗网络模型的船舶焊缝缺陷检测方法， 其特征在于， 所述置信 层的基本组成单元为受限波尔茨曼机RBM， 受限波尔茨曼机包括可见 层和隐含层， 上一个RBM的隐含层即为下一个RBM的可见层， 上一个RBM的输出即为下一个 RBM的输入； 可见层包括若干个显性神经元， 简称为显元， 单个显元用vi表示； 隐含层包括若干个隐 性神经元， 简称为隐元， 单个隐元用hi表示， i＝1， 2， 3…； 受限波尔茨曼机的能量 函数表示 为： E(v,y,h)＝ ‑hTWv‑aTv‑bTh‑cTy‑hTUy 式中， v＝(v1,v2,…,vm)， h＝(h1,h2,…,hk)和y＝(y1,y2,…,yp)分别表示可见层、 隐含 层和输出层的状态， m、 k、 p分别 为可见层、 隐含层和输出层的神经元个数； θ＝{W,a,b,c,U } 是训练中需要学习的结构参数， W为可见层节点和隐含层节点的连接权重； a为可见层节点 的偏置； b为隐含层节点的偏置； c为输出层节点的偏置； U为隐含层和输出层的连接 权重； 由上述能量 函数得到联合 概率分布： 式中， Z( θ )为配分函数， 表达式如下： 5.根据权利要求4所述的基于卷积置信生成对抗网络模型的船舶焊缝缺陷检测方法， 其特征在于， 步骤3所述利用焊缝数据集训练卷积置信生 成对抗网络模型， 生成用于焊缝缺 陷检测的卷积置信生成对抗网络模型， 具体过程包括： 步骤3‑1， 初始化 生成器G和判别器D两个网络的参数； 步骤3‑2， 从焊缝数据集抽取n个样本， 作为真实样本， 对于生成器G， 加入随机噪声z生 成n个样本， 作为 假样本， 并标注缺陷类别； 步骤3‑3， 固定生成器G， 训练基于深度卷积置信网络的判别器D， 具体地： 一层一层地进权　利　要　求　书 1/2 页 2 CN 114694028 A 2行训练， 待一层 网络训练最优化时， 开始下一层网络的训练； 对置信层的训练， 不断调整隐 含层中受限波尔茨曼机的个数与结构参数， 直至 置信层的训练达 到所要求的最佳状态； 步骤3‑4， 通过上述过程循环更新 k次判别器D， 之后按照同样的方式更新1次生成器G； 步骤3‑5， 更新迭代达到预设次数后， 判断判别器判别船舶焊缝图像为真实样本还是假 样本的概 率是否为0.5， 若是， 则完成训练， 否则返回步骤3 ‑2。 6.根据权利要求5所述的基于卷积置信生成对抗网络模型的船舶焊缝缺陷检测方法， 其特征在于， 步骤3 ‑3具体利用无监 督式贪心思想训练基于深度卷积置信网络的判别器D。 7.一种基于卷积置信生成对抗网络模型的船舶焊缝缺陷检测系统， 其特征在于， 所述 系统包括： 数据集构建模块， 用于获取若干船舶焊缝图像， 构建焊缝 数据集； 模型构建模块， 用于构建卷积置信生成对抗网络模型； 模型训练模块， 用于利用焊缝数据集训练卷积置信生成对抗网络模型， 生成用于焊缝 缺陷检测的卷积置信生成对抗网络模型； 检测模块， 用于采集待检测船舶焊缝的图像， 利用训练好的卷积置信生成对抗网络模 型进行焊缝缺陷检测。 8.一种计算机设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计 算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现权利要求1至6中任一项所 述方法的步骤。 9.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序被 处理器执行时实现权利要求1至 6中任一项所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 114694028 A 3