1.一种超长焊缝与典型缺陷自动识别、定位及尺寸计算方法,其特征在于,包括以下步骤:S1、通过配备微距镜头的工业相机连续等间隔获取超长焊缝俯视视角图像,得到训练图像集;
S2、对训练图像集中的图像进行预处理;
S3、根据焊缝缺陷分类标准对训练图像集图像中的焊缝和典型缺陷进行像素级别标注,获得模型训练数据集;
S4、搭建轻量化焊缝图像语义分割模型,采用数据集数据和数据增强方法对模型进行训练和测试;
S5、通过与得到训练图像集相同的方式,采集实际需检测焊缝的图像,得到焊缝图像集;
S6、由轻量化焊缝图像语义分割模型,对焊缝图像集中的图像进行语义分割;
S7、通过图像融合方法对焊缝图像集中进行语义分割后的图像进行拼接,得到完整尺寸焊缝语义分割图像;
S8、对完整尺寸焊缝语义分割图像进行图像处理,获取焊缝及典型缺陷的尺寸和位置信息。
2.如权利要求1所述的超长焊缝与典型缺陷自动识别、定位及尺寸计算方法,其特征在于,所述步骤S2中的预处理包括裁剪ROI区域、灰度调整与缩小尺寸。
3.如权利要求1所述的超长焊缝与典型缺陷自动识别、定位及尺寸计算方法,其特征在于,所述步骤S3包括以下子步骤:S31、根据焊缝缺陷分类标准,确定不同缺陷的种类;
S32、对预处理后训练图像集图像中的缺陷按不同种类进行标注,同时标注出焊缝;
S33、基于图像中缺陷种类的标注,对训练图像集中的图像生成语义分割标签,并将训练图像集中的图像按比例随机分为训练集数据和验证集数据;
S34、采集全新完整焊缝图像,得到测试图像集,以步骤S32与步骤S33相同方式对测试图像集中的图像进行标注并生成标签,得到测试数据集。
4.如权利要求3所述的超长焊缝与典型缺陷自动识别、定位及尺寸计算方法,其特征在于,所述步骤S4包括以下子步骤:S41、基于Deeplabv3+、Mobilenetv2深度学习模型和CBAM注意力机制模块构建轻量化焊缝图像语义分割模型;
S42、将所述训练集数据进行随机数据增强处理;
S43、将增强处理后的训练集数据随机输入轻量化焊缝图像语义分割模型进行训练;
S44、重复步骤S43与步骤S44至一定次数,设定验证阈值,每当重复次数为验证阈值的整数倍后,将模型输出图像与验证集数据中标签相同的图像对比,计算MIoU值和MPA值;
S45、绘制模型训练/验证损失值与训练代数、MIoU值与训练代数、MPA值与训练代数变化曲线;
S46、根据损失、MIoU、MPA变化曲线的收敛情况判断模型是否被充分训练,并保存最优模型。
5.如权利要求4所述的超长焊缝与典型缺陷自动识别、定位及尺寸计算方法,其特征在于,所述轻量化焊缝图像语义分割模型包括以Deeplabv3+为主框架设置的编码部分与解码部分,其中,编码部分用于特征下采样,其包括主干特征提取网络与空间池化金字塔模块,所述主干特征提取网络用于获得输入图像浅层特征,其包括Mobilenetv2框架和空洞卷积,所述空间池化金字塔模块用于获得多种感受野下的特征,得到输入图像的深层特征;
解码部分用于特征上采样,其包括CBAM注意力机制模块、卷积单元、融合单元和上采样单元,通过编码部分下采样与解码部分上采样,输出与输入图像同尺寸的语义分割图像。
6.如权利要求1所述的超长焊缝与典型缺陷自动识别、定位及尺寸计算方法,其特征在于,所述步骤S7包括以下子步骤:S71、按拍摄顺序对图像进行编号;
S72、相邻编号的图像重叠区域为n,将编号靠前的图像裁剪掉i像素宽度区域,编号靠后的图像裁剪掉n‑i像素宽度区域;
S73、根据编号递增顺序将裁剪后的图像依次进行拼接,直至获得完整尺寸焊缝语义分割图像。
7.如权利要求1所述的超长焊缝与典型缺陷自动识别、定位及尺寸计算方法,其特征在于,所述步骤S8包括以下子步骤:S81、对所述完整尺寸焊缝语义分割图像进行目标提取,并进行二值化处理,获得只有焊缝或者一类缺陷的二值图像;
S82、对只有焊缝的二值图像进行边缘提取处理,根据边缘像素位置坐标计算每个位置的焊缝宽度;
S83、对只有一类缺陷的二值图像进行联通域标记处理,联通域数量即为该类缺陷数量;
S84、根据联通域编号依次提取单个缺陷进行坐标化,计算缺陷中心坐标和缺陷面积;
S85、按照缺陷种类依次处理,获得缺陷总数量、缺陷位置和尺寸数据。
8.如权利要求1所述的超长焊缝与典型缺陷自动识别、定位及尺寸计算方法,其特征在于,还包括步骤S9,绘制焊缝宽度与位置变化曲线图,并输出检测报告。
9.如权利要求8所述的超长焊缝与典型缺陷自动识别、定位及尺寸计算方法,其特征在于,所述步骤S9包括以下子步骤:S91、绘制焊缝宽度与位置变化曲线图,评估焊缝宽度波动程度,判断是否出现宽度不合格缺陷;
S92、获得每类缺陷总数量、总面积和面积超过设定阈值的缺陷数量;
S93、根据每类缺陷中每个缺陷的位置和尺寸给出后处理建议,并输出详细检测报告。