本发明属于桥梁缺陷识别，尤其涉及一种基于增强alexnet网络的钢桥焊缝表观缺陷识别方法、设备及存储介质。
背景技术：
1、相对于传统的混凝土桥梁，钢结构桥梁因其轻质高强、跨越能力大、易于工厂化制造和便于装配化施工等优势，已经成为桥梁工程领域的重要发展方向。然而，钢结构桥梁的连接形式经历了从铆接、螺栓连接到焊接的演变，焊接目前已成为钢结构构件之间的主要连接方式。尽管焊接为结构提供了强大的连接性能，但焊接缺陷可能引发残余应力和应力集中，影响了桥梁的安全性和耐久性。
2、为了有效应对焊接缺陷问题，传统的病害检测主要依赖于人工检测和无损检测。人工检测存在耗时耗力，主观性较强，效率低下等问题；而无损检测虽然在一定程度上克服了经验差异导致的漏判与误判，但其高昂的作业成本、难以推广的技术以及受主观性影响的检测结果仍是其应用的制约因素。
3、在此背景下，数字图像法结合深度学习成为解决焊缝缺陷检测问题的一种前景方法，尤其是卷积神经网络(cnn)在图像处理方面的出色表现为钢桥焊缝缺陷检测提供了新的思路。然而，目前基于卷积神经网络的钢桥焊缝缺陷分类识别技术存在准确性和效率低的问题。
技术实现思路
1、本发明的目的在于提供一种钢桥焊缝表观缺陷识别方法、设备及存储介质，以解决现有钢桥焊缝缺陷识别技术存在准确性和效率低的问题。
2、本发明是通过如下的技术方案来解决上述技术问题的：一种钢桥焊缝表观缺陷识别方法，所述识别方法包括训练阶段和应用阶段，所述训练阶段包括以下步骤：
3、构建样本数据集，所述样本数据集包括多个样本数据，每个所述样本数据包括输入量和输出量，所述输入量为包含焊缝的图像，所述输出量为对应图像中焊缝的缺陷类别；
4、构建缺陷识别模型，所述缺陷识别模型采用改进的alexnet网络模型，所述改进的alexnet网络模型包括依次连接的输入层、第一卷积层、第二卷积层、第一最大池化层、第三卷积层、平均池化层、第四卷积层、第五卷积层、第六卷积层、第二最大池化层、第一全连接层、第二全连接层、第三全连接层以及输出层；
5、利用所述样本数据集对所述缺陷识别模型进行训练和验证，得到目标识别模型；
6、所述应用阶段包括以下步骤：
7、获取钢桥焊缝图像；
8、利用所述目标识别模型对所述钢桥焊缝图像进行识别，得到钢桥焊缝的表观缺陷类别。
9、进一步地，所述构建样本数据集，具体包括：
10、制作多个钢桥面板纵肋与顶板的节段构件，在每个节段构件的纵肋与顶板结合区制作不同的焊接缺陷；
11、利用工业相机采集每个节段构件的焊缝图像，并对所有焊缝图像进行缺陷类别标注；
12、对所述焊缝图像进行预处理，得到带标注的包含焊缝的图像；
13、根据所有带标注的包含焊缝的图像构建所述样本数据集。
14、进一步地，所述焊缝图像的缺陷类别包括咬边、夹渣、孔洞、未焊透、焊瘤和无缺陷。
15、进一步地，对所述焊缝图像进行预处理，具体包括：
16、对所述焊缝图像依次进行裁剪、灰度化处理、滤波和数据增强增广处理；数据增广处理包括水平镜像、垂直镜像、对角翻转、平移和旋转中的一种或多种，数据增强处理包括亮度调整和对比度调整。
17、进一步地，采用高斯函数对灰度化处理后的焊缝图像进行滤波处理，具体公式为：
18、fout(x,y)＝g(x,y)*fin(x,y)
19、
20、其中，fin(x,y)表示滤波前的图像，fout(x,y)表示滤波后的图像，，g(x,y)表示高斯函数，(x,y)表示图像上的像素点坐标，σ表示高斯函数的标准差，*表示卷积运算符。
21、进一步地，所述第一卷积层和第二卷积层的卷积核大小为5×5，步长为2；所述第三卷积层的卷积核大小为5×5，步长为1；所述第四卷积层、第五卷积层和第六卷积层的卷积核大小为3×3，步长为1；
22、所述第一最大池化层和第二最大池化层的池化核大小为3×3，步长为1。
23、进一步地，所述改进的alexnet网络模型中的激活函数采用leaky relu函数，具体表达式为：
24、
25、其中，x表示激活函数的输入，α表示常数。
26、基于同一构思，本发明还提供了一种终端设备，所述终端设备包括：
27、存储器，用于存储计算机程序；
28、处理器，用于执行所述计算机程序时实现如上所述的钢桥焊缝表观缺陷识别方法。
29、基于同一构思，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的钢桥焊缝表观缺陷识别方法。
30、有益效果
31、与现有技术相比，本发明的优点在于：
32、本发明提供的一种钢桥焊缝表观缺陷识别方法，对alexnet网络模型进行改进，改进后的alexnet网络模型包含6个卷积层、2个最大池化层和1个平均池化层，相较于传统alexnet网络模型，本发明在参数数量和拟合能力上更具优势，更加注重焊缝缺陷特征的提取和信息保留，提高了钢桥焊缝缺陷识别的准确性和效率。
1.一种钢桥焊缝表观缺陷识别方法，所述识别方法包括训练阶段和应用阶段，其特征在于，所述训练阶段包括以下步骤：
2.根据权利要求1所述的钢桥焊缝表观缺陷识别方法，其特征在于，所述构建样本数据集，具体包括：
3.根据权利要求2所述的钢桥焊缝表观缺陷识别方法，其特征在于，所述焊缝图像的缺陷类别包括咬边、夹渣、孔洞、未焊透、焊瘤和无缺陷。
4.根据权利要求2所述的钢桥焊缝表观缺陷识别方法，其特征在于，对所述焊缝图像进行预处理，具体包括：
5.根据权利要求4所述的钢桥焊缝表观缺陷识别方法，其特征在于，采用高斯函数对灰度化处理后的焊缝图像进行滤波处理，具体公式为：
6.根据权利要求1～5中任一项所述的钢桥焊缝表观缺陷识别方法，其特征在于，所述第一卷积层和第二卷积层的卷积核大小为5×5，步长为2；所述第三卷积层的卷积核大小为5×5，步长为1；所述第四卷积层、第五卷积层和第六卷积层的卷积核大小为3×3，步长为1；
7.根据权利要求1～5中任一项所述的钢桥焊缝表观缺陷识别方法，其特征在于，所述改进的alexnet网络模型中的激活函数采用leaky relu函数，具体表达式为：
8.一种终端设备，其特征在于，所述终端设备包括：
9.一种计算机可读存储介质，所述计算机可读存储介质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如权利要求1～7中任一项所述的钢桥焊缝表观缺陷识别方法。
