本发明涉及高温锻件检测领域，尤其涉及一种基于pca和cnn的高温锻件表面缺陷在位检测方法。
背景技术：
在工业生产中，自由锻造工艺是较为普遍的生产方式，锻件的生产也是处于非常重要的位置。自由锻造的制造过程是在强震、高温、高压等极端条件下实施的，锻件在生产前需要投入大量的人力、物力，且制造工艺过程连续复杂，用材和能源消耗巨大，造价昂贵。在锻造过程中，大锻件的尺寸是锻件生产中必须及时检测的一项重要指标。
目前，通过人工目测高温锻件有无缺陷，检测准确度低，造成锻件尺寸一般都比规定值多出较大的余量，平均损耗量多达15％；未能及时将锻件关键部位的特征尺寸信息反馈给上位机系统，导致未能及时改善锻件的内部质量、提高加工精度，生产效率下降。而且，自由锻造过程中模具由于在高温高压下多次地挤压从而较易受损，使用受损的模具进行自由锻造所得到的锻件将是报废件。
技术实现要素：
本发明的目的在于提出一种基于pca和cnn的高温锻件表面缺陷在位检测方法，利用cnn卷积神经网络实现高温锻件的在位快速智能检测，及时发现缺陷以及时改善锻件的内部质量、提高加工精度，准确率高。
为达此目的，本发明采用以下技术方案：
一种基于pca和cnn的高温锻件表面缺陷在位检测方法，包括：
cnn锻件表面缺陷检测器训练过程：
步骤a，距离无表面缺陷的标准锻件12米处通过蓝光三维激光扫描仪按设定顺序规则获取标准锻件三维点云数据组；
步骤b，提取步骤a的所述标准锻件三维点云数据组，并根据椭球曲面的拟合方法计算所述标准锻件三维点云数据组中每个标准锻件点云对应的两个主曲率，然后选取每个标准锻件点云的三维坐标值及其两个主曲率作为代表该标准锻件点云的五个特征，从而获得所述标准锻件的标准锻件五维点云数据组；
步骤c，利用主元分析pca方法将所述标准锻件五维点云数据组降维至二维，从而获得标准锻件二维点云数据组，通过该标准锻件二维点云数据组来代表对应的所述标准锻件，并将该标准锻件二维点云数据组构成一组训练数据并标注为0；
步骤d，不断循环重复步骤a至步骤c以获取多组所述训练数据，直至获取达到目标组数的训练数据为止；然后将达到目标组数的多组训练数据构成训练集p和测试集s，通过所述训练集p和测试集s对cnn锻件表面缺陷检测器进行训练，直至所述cnn锻件表面缺陷检测器训练成功为止；
待检测成品锻件的检测过程：
步骤e，距离待检测成品锻件12米处通过蓝光三维激光扫描仪按设定顺序规则获取成品锻件三维点云数据组；
步骤f，提取步骤e的所述成品锻件三维点云数据组，并根据椭球曲面的拟合方法计算所述成品锻件三维点云数据组中每个成品锻件点云对应的两个主曲率，然后选取每个成品锻件点云的三维坐标值及其两个主曲率作为代表该成品锻件点云的五个特征，从而获得成品锻件五维点云数据组；
步骤g，利用主元分析pca方法将所述成品锻件五维点云数据组降维至二维，从而获得成品锻件二维点云数据组，通过该成品锻件二维点云数据组来代表对应的所述待检测成品锻件，并将该成品锻件二维点云数据组构成一组实际检测数据；
步骤h，将步骤g获得的所述实际检测数据输入已训练成功的所述cnn锻件表面缺陷检测器中，所述cnn锻件表面缺陷检测器根据所述实际检测数据判断所述待检测成品锻件是否存在表面缺陷并将判断结果输出。
优选地，还包括监控报警过程：
步骤i，对流水线上的每个待检测成品锻件进行所述待检测成品锻件的检测过程，并且当所述cnn锻件表面缺陷检测器判断出连续三个待检测成品锻件存在表面缺陷时，所述cnn锻件表面缺陷检测器发出警报和提示流水线上的锻压模具发生损坏。
优选地，所述步骤a的标准锻件三维点云数据组获取方法包括：
距离无表面缺陷的标准锻件12米处通过蓝光三维激光扫描仪按设定顺序规则获取所述无表面缺陷的标准锻的大量标准锻件三维点云，并从大量标准锻件三维点云中均匀采集设定要求数量的标准锻件三维点云，构成所述标准锻件三维点云数据组。
优选地，所述步骤e的成品锻件三维点云数据组获取方法包括：
距离待检测成品锻件12米处通过蓝光三维激光扫描仪按设定顺序规则获取所述待检测成品锻件的大量成品锻件三维点云，并从大量成品锻件三维点云中均匀采集设定要求数量的多个成品锻件三维点云，构成所述成品锻件三维点云数据组。
优选地，标准锻件五维点云数据的定义：
定义每个标准锻件点云的第一特征为x轴坐标值，第二特征为y轴坐标值，第三特征为z轴坐标值，第四特征为两个主曲率中的最大曲率r1，和第五特征为两个主曲率中的最小曲率r2。
优选地，所述步骤c中利用主元分析pca方法将所述标准锻件五维点云数据组降维至二维包括：
首先，分别对所述标准锻件五维点云数据组求解每一维上的均值和方差，并对所述标准锻件五维点云数据组中每个标准锻件点云分别减去对应维数上的均值，组成行数等于标准锻件五维点云数据组中点云数量、列数等于维数的标准锻件样本矩阵q；
接着，求解所述标准锻件五维点云数据组中的标准锻件五维协方差矩阵k，即：
求解所述标准锻件五维协方差矩阵k的5个特征值γ1、γ2、γ3、γ4、γ5，并由大到小排序获得其中最大值特征值δ1和次大特征值δ2，并求解所述标准锻件五维协方差矩阵k对应δ1的特征向量β1和对应δ2的特征向量β2，所述特征向量β1和特征向量β2为单位化的五维列向量，并组成标准锻件映射矩阵t＝[β1,β2]；
然后，将所述标准锻件样本矩阵q和标准锻件映射矩阵t相乘获得标准锻件二维点云矩阵y，所述标准锻件二维点云矩阵y中的每一行即为标准锻件五维点云数据组降维至二维的一个标准锻件点云，从而获得所述标准锻件二维点云数据组。
优选地，成品锻件五维点云数据的定义：
定义每个成品锻件点云的第一特征为x轴坐标值，第二特征为y轴坐标值，第三特征为z轴坐标值，第四特征为两个主曲率中的最大曲率r1，和第五特征为两个主曲率中的最小曲率r2。
优选地，所述步骤g中利用主元分析pca方法将所述成品锻件五维点云数据组降维至二维包括：
首先，分别对所述成品锻件五维点云数据组求解每一维上的均值和方差，并对所述成品锻件五维点云数据组中每个成品锻件点云分别减去对应维数上的均值，组成行数等于成品锻件五维点云数据组中点云数量、列数等于维数的成品锻件样本矩阵q'；
接着，求解所述成品锻件五维点云数据组的成品锻件五维协方差矩阵k'，即：
求解所述成品锻件五维协方差矩阵k'的5个特征值γ1'、γ2'、γ3'、γ4'、γ5'，并由大到小排序获得其中最大值特征值δ1'和次大特征值δ2'，并求解所述成品锻件五维协方差矩阵k'对应δ1'的特征向量β1'和对应δ2'的特征向量β2'，所述特征向量β1'和特征向量β2'为单位化的五维列向量，并组成成品锻件映射矩阵t'＝[β1',β2']；
然后，将所述成品锻件样本矩阵q'和成品锻件映射矩阵t'相乘获得成品锻件二维点云矩阵y'，所述成品锻件二维点云矩阵y'中的每一行即为成品锻件五维点云数据组降维至二维的一个成品锻件点云，从而获得所述成品锻件二维点云数据组。
优选地，所述步骤d中cnn锻件表面缺陷检测器训练方法包括：
首先，不断循环重复步骤a至步骤c以获取5200组所述训练数据，从该5200组所述训练数据中随机选取5000组构成所述训练集p，剩余的200组构成所述测试集s；
然后，创建cnn锻件表面缺陷检测器的cnn模型，所述cnn模型采用lenet结构并且最后3层使用mlp，所述cnn模型中所有激活函数采用relu函数；随机初始化所述cnn模型中所有权值和阈值，学习率初始化为0.01，批量训练样本数目设置为50，最小误差nm设置为0.0001；
接着，对所述训练集p中各组训练数据进行归一化处理，并从所述训练集p中从上至下依次选取一组训练数据输入到所述cnn模型，按照前向传播的公式计算相应的模型输出；按照误差公式计算出该组训练数据输入到所述cnn模型后模型输出和标签的误差，并按照反向传播算法调节所述cnn模型所有权值和阈值，完成一次训练；
一次训练完成后，再计算整体误差n，若整体误差n<最小误差nm，则所述cnn模型训练结束，否则按照上述cnn模型训练步骤继续训练该cnn模型，直至整体误差n<最小误差nm结束训练；
最后，将所述测试集s进行归一化处理，并从该测试集s中从上至下依次选取一组训练数据输入到已完成训练的所述cnn模型中，按照前向传播的公式计算相应的模型输出，并与对应标签进行对比，计算所述测试集s的整体错误率m，若所述整体错误率m满足要求，则该cnn模型训练成功，否则该cnn模型训练失败，需再次不断循环重复步骤a至步骤c以增加所述训练集p的训练数据组数，按照上述cnn模型训练步骤继续进行训练，直至所述整体错误率m满足要求。
优选地，所述步骤h的表面缺陷判断方法包括：
所述cnn锻件表面缺陷检测器将一组所述实际检测数据进行归一化处理，并输入到cnn模型；按照前向传播的公式计算该组实际检测数据在所述cnn模型相应的模型输出，若该模型输出为0，则该组所述实际检测数据对应的所述待检测成品锻件无缺陷；若该模型输出为1，则该组所述实际检测数据对应的所述待检测成品锻件存在缺陷。
所述基于pca和cnn的高温锻件表面缺陷在位检测方法，通过从标准锻件采集的点云数据对的cnn模型进行训练，并根据训练成功的cnn锻件表面缺陷检测器在位检测处于1000℃以上高温的锻件表面是否存在缺陷，如缺角、突起或凹陷等结构缺陷，实现高温锻件的在位快速检测，提高检测准确度。cnn锻件表面缺陷检测器能学习到锻件好的特征表达，因为特征提取是从低层到高层逐阶段地进行，第一阶段是低层特征的提取，例如点的提取，第二阶段对低层特征进行随机组合形成高层特征。采用cnn锻件表面缺陷检测器进行检测，避免了大量的重复计算，提高在位检测速度，所述基于cnn(卷积神经网络)的高温锻件表面缺陷在位检测的准确率和检测速度都能满足实际需求。
附图说明
附图对本发明做进一步说明，但附图中的内容不构成对本发明的任何限制。
图1是本发明其中一个实施例的cnn模型结构示意图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
本实施例的基于pca和cnn的高温锻件表面缺陷在位检测方法，包括：
cnn锻件表面缺陷检测器训练过程：
步骤a，距离无表面缺陷的标准锻件12米处通过蓝光三维激光扫描仪按设定顺序规则获取标准锻件三维点云数据组；
步骤b，提取步骤a的所述标准锻件的标准锻件三维点云数据组，并根据椭球曲面的拟合方法计算所述标准锻件三维点云数据组中每个标准锻件点云对应的两个主曲率，然后选取每个标准锻件点云的三维坐标值及其两个主曲率作为代表该标准锻件点云的五个特征，从而获得所述标准锻件的标准锻件五维点云数据组；
步骤c，利用主元分析pca方法将所述标准锻件五维点云数据组降维至二维，从而获得所述标准锻件的标准锻件二维点云数据组，通过该标准锻件二维点云数据组来代表对应的所述标准锻件，并将该标准锻件二维点云数据组构成一组训练数据并标注为0；
步骤d，不断循环重复步骤a至步骤c以获取多组所述训练数据，直至获取达到目标组数的训练数据为止；然后将达到目标组数的多组训练数据构成训练集p和测试集s，通过所述训练集p和测试集s对cnn锻件表面缺陷检测器进行训练，直至所述cnn锻件表面缺陷检测器训练成功为止；
待检测成品锻件的检测过程：
步骤e，距离待检测成品锻件12米处通过蓝光三维激光扫描仪按设定顺序规则获取成品锻件三维点云数据组；
步骤f，提取步骤e的所述成品锻件三维点云数据组，并根据椭球曲面的拟合方法计算所述成品锻件三维点云数据组中每个成品锻件点云对应的两个主曲率，然后选取每个成品锻件点云的三维坐标值及其两个主曲率作为代表该成品锻件点云的五个特征，从而获得成品锻件五维点云数据组；
步骤g，利用主元分析pca方法将所述成品锻件五维点云数据组降维至二维，从而获得所述待检测成品锻件的成品锻件二维点云数据组，通过该成品锻件二维点云数据组来代表对应的所述待检测成品锻件，并将该成品锻件二维点云数据组构成一组实际检测数据；
步骤h，将步骤g获得的所述实际检测数据输入已训练成功的所述cnn锻件表面缺陷检测器中，所述cnn锻件表面缺陷检测器根据所述实际检测数据判断所述待检测成品锻件是否存在表面缺陷并将判断结果输出。
所述基于pca和cnn的高温锻件表面缺陷在位检测方法，通过从标准锻件采集的点云数据对的cnn模型进行训练，并根据训练成功的cnn锻件表面缺陷检测器在位检测处于1000℃以上高温的锻件表面是否存在缺陷，如缺角、突起或凹陷等结构缺陷，实现高温锻件的在位快速检测，提高检测准确度。
所述cnn锻件表面缺陷检测器训练过程先扫描获取无表面缺陷的标准锻件中每个标准锻件点云的三维坐标值及计算所得的其两个主曲率作为代表该标准锻件点云的五个特征，对每个标准锻件点云的描述包含了更多信息及细节。所述cnn锻件表面缺陷检测器为深度学习模型中的cnn卷积神经网络，是一种用来处理二维数据的具有鲁棒性的多层神经网络。因此，需将获得的所述标准锻件五维点云数据组利用主元分析pca方法降维至二维，获得所述标准锻件二维点云数据组。由于训练所述cnn锻件表面缺陷检测器需要大量的样本，因此不断重复循环步骤a至步骤c以获取多组所述训练数据，获得所述训练集p和所述测试集s，通过所述训练集p训练所述cnn锻件表面缺陷检测器，并通过所述测试集s检测所述cnn锻件表面缺陷检测器是否训练成功。在训练阶段，所述cnn锻件表面缺陷检测器从大量训练数据中学习到无表面缺陷标准锻件的本质特征，这种特征比手工检测的特征具有更强的可分性。
所述待检测成品锻件的检测过程通过三维激光扫描仪实现非接触式获取所述成品锻件三维点云数据组，实现在位获取高温锻件的特征。根据所述成品锻件三维点云数据组，获得所述待检测成品锻件中每个成品锻件点云对应的三维坐标值及其两个主曲率作为代表该成品锻件点云的五个特征，对每个成品锻件点云的描述包含了更多信息及细节；然后利用主元分析pca方法将所述成品锻件五维点云数据组降维至二维，从而获得所述成品锻件二维点云数据组；接着将该成品锻件二维点云数据组输入已训练成功的所述cnn锻件表面缺陷检测器中，以判断所述待检测成品锻件是否存在表面缺陷并将判断结果输出。所述cnn锻件表面缺陷检测器是一个多层神经网络模型，它有监督地从大量样本中自动地进行特征学习。输入是成品锻件二维点云数据组，输出是该成品锻件有无缺陷的判断结果。
因此，如图1所示，输入层神经元结构为阶数与一组所述训练数据所包含的点云个数相等的方阵，输出层只有一个神经元节点。cnn锻件表面缺陷检测器包含两部分：第一部分是一个多阶段的特征提取器，交替地包含卷积层和池化层，执行卷积、降采样和非线性变换；第二部分是一个三层的全连接神经网络。cnn锻件表面缺陷检测器能学习到好的特征表达，因为特征提取是从低层到高层逐阶段地进行，第一阶段是低层特征的提取，第二阶段对低层特征进行随机组合形成高层特征。采用所述cnn锻件表面缺陷检测器进行检测，避免了大量的重复计算，提高在位检测速度，所述基于cnn(卷积神经网络)的高温锻件表面缺陷在位检测的准确率和检测速度都能满足实际需求。
优选地，还包括监控报警过程：
步骤i，对流水线上的每个待检测成品锻件进行所述待检测成品锻件的检测过程，并且当所述cnn锻件表面缺陷检测器判断出连续三个待检测成品锻件存在表面缺陷时，所述cnn锻件表面缺陷检测器发出警报和提示流水线上的锻压模具发生损坏。由于自由锻造过程中模具在高温高压下多次地挤压从而较易受损，使用受损的模具进行自由锻造所得到的高温锻件将是报废件。因此设置监控报警过程，当所述cnn锻件表面缺陷检测器判断出连续三个待检测成品锻件存在表面缺陷时，发出报警，及时发现锻造模具的受损，可有效减少锻件报废的数量。
优选地，所述步骤a的标准锻件三维点云数据组获取方法包括：
距离无表面缺陷的标准锻件12米处通过蓝光三维激光扫描仪按设定顺序规则获取所述无表面缺陷的标准锻件的大量标准锻件三维点云，并从大量标准锻件三维点云中均匀采集设定要求数量的多个标准锻件三维点云，针对图1所示的cnn结构需均匀采集12024个标准锻件三维点云，构成所述标准锻件三维点云数据组。
优选地，在距离无表面缺陷的标准锻件12米处通过蓝光三维激光扫描仪按设定顺序规则获取所述无表面缺陷的标准锻件的大量标准锻件三维点云，采用均匀采集方式，确保采集的标准锻件三维点云能全面覆盖所述无表面缺陷的标准锻件的结构特征。所述按设定顺序规则获取点云数据为：第一次扫描的起点为标准锻件正视图左上角位置，第二次扫描的起点为标准锻件背视图左上角位置，扫描顺序原则为从上往下，从左往右。
优选地，所述步骤e的成品锻件三维点云数据组获取方法包括：
距离待检测成品锻件12米处通过蓝光三维激光扫描仪按设定顺序规则获取所述待检测成品锻件的大量成品锻件三维点云，并从大量成品锻件三维点云中均匀采集设定要求数量的多个成品锻件三维点云，针对图1所示的cnn结构需均匀采集12024个成品锻件三维点云，构成所述成品锻件三维点云数据组。
优选地，在距离待检测成品锻件12米处通过蓝光三维激光扫描仪按设定顺序规则获取所述待检测成品锻件的大量成品锻件三维点云，采用均匀采集方式，确保采集的成品锻件三维点云能全面覆盖所述待检测成品锻件的结构特征。所述按设定顺序规则获取点云数据为：第一次扫描的起点为成品锻件正视图左上角位置，第二次扫描的起点为成品锻件背视图左上角位置，扫描顺序原则为从上往下，从左往右。
优选地，标准锻件五维点云数据的定义包括：
定义每个标准锻件点云的第一特征为x轴坐标值，第二特征为y轴坐标值，第三特征为z轴坐标值，第四特征为两个主曲率中的最大曲率r1，和第五特征为两个主曲率中的最小曲率r2。对于一组点云中的某个点云，两个主曲率的获取方法为以需求解两个主曲率的点云为中心，根据三维欧氏距离选取最靠近该点云的19个点云，加上所需求解两个主曲率的该点云，合计20个点云，利用椭球曲面的拟合方法拟合出一个椭球曲面方程，根据该椭球曲面方程求解出该点云的两个主曲率。
优选地，所述步骤c中利用主元分析pca方法将所述标准锻件五维点云数据组降维至二维包括：
首先，分别对所述标准锻件五维点云数据组求解每一维上的均值和方差，并对所述标准锻件五维点云数据组中每个标准锻件点云分别减去对应维数上的均值，组成行数等于标准锻件五维点云数据组中点云数量、列数等于维数的标准锻件样本矩阵q；
接着，求解所述标准锻件五维点云数据组的标准锻件五维协方差矩阵k，即：
求解所述标准锻件五维协方差矩阵k的5个特征值γ1、γ2、γ3、γ4、γ5，并由大到小排序获得其中最大值特征值δ1和次大特征值δ2，并求解所述标准锻件五维协方差矩阵k对应δ1的特征向量β1和对应δ2的特征向量β2，所述特征向量β1和特征向量β2为单位化的五维列向量，并组成标准锻件映射矩阵t＝[β1,β2]；
然后，将所述标准锻件样本矩阵q和标准锻件映射矩阵t相乘获得标准锻件二维点云矩阵y，所述标准锻件二维点云矩阵y中的每一行即为标准锻件五维点云数据组降维至二维的一个标准锻件点云，从而获得所述标准锻件二维点云数据组。
标准锻件五维点云数据组通过主元分析pca方法降维至二维后，能最大限度保留标准锻件点云数据的有用信息，大大降低了标准锻件点云数据的冗余，提高cnn所需输入数据的有效性和计算效率。
优选地，成品锻件五维点云数据的定义包括：
定义每个成品锻件点云的第一特征为x轴坐标值，第二特征为y轴坐标值，第三特征为z轴坐标值，第四特征为两个主曲率中的最大曲率r1，和第五特征为两个主曲率中的最小曲率r2。
优选地，所述步骤g中利用主元分析pca方法将所述成品锻件五维点云数据组降维至二维包括：
首先，分别对所述成品锻件五维点云数据组求解每一维上的均值和方差，并对所述成品锻件五维点云数据组中每个成品锻件点云分别减去对应维数上的均值，组成行数等于成品锻件五维点云数据组中点云数量、列数等于维数的成品锻件样本矩阵q'；
接着，求解所述成品锻件五维点云数据组的成品锻件五维协方差矩阵k'，即：
求解所述成品锻件五维协方差矩阵k'的5个特征值γ1'、γ2'、γ3'、γ4'、γ5'，并由大到小排序获得其中最大值特征值δ1'和次大特征值δ2'，并求解所述成品锻件五维协方差矩阵k'对应δ1'的特征向量β1'和对应δ2'的特征向量β2'，所述特征向量β1'和特征向量β2'为单位化的五维列向量，并组成成品锻件映射矩阵t'＝[β1',β2']；
然后，将所述成品锻件样本矩阵q'和成品锻件映射矩阵t'相乘获得成品锻件二维点云矩阵y'，所述成品锻件二维点云矩阵y'中的每一行即为成品锻件五维点云数据组降维至二维的一个成品锻件点云，从而获得所述成品锻件二维点云数据组。
成品锻件五维点云数据组通过主元分析pca方法降维至二维后，能最大限度保留成品锻件点云数据的有效信息，大大降低了成品锻件点云数据的冗余，提高cnn所需输入数据的有效性和计算效率。
优选地，所述步骤d中cnn锻件表面缺陷检测器训练方法包括：
首先，不断循环重复步骤a至步骤c以获取5200组所述训练数据，从该5200组所述训练数据中随机选取5000组构成所述训练集p，剩余的200组构成所述测试集s；
然后，创建cnn锻件表面缺陷检测器的cnn模型，所述cnn模型采用lenet结构并且最后3层使用mlp，所述cnn模型中所有激活函数采用relu函数；随机初始化所述cnn模型中所有权值和阈值，学习率初始化为0.01，批量训练样本数目设置为50，最小误差nm设置为0.0001；
接着，对所述训练集p中各组训练数据进行归一化处理，并从所述训练集p中从上至下依次选取一组训练数据输入到所述cnn模型，按照前向传播的公式计算相应的模型输出；按照误差公式计算出该组训练数据输入到所述cnn模型后模型输出和标签的误差，并按照反向传播算法调节所述cnn模型所有权值和阈值，完成一次训练；
一次训练完成后，再计算整体误差n，若整体误差n<最小误差nm，则所述cnn模型训练结束，否则按照上述cnn模型训练步骤继续训练cnn模型，直至整体误差n<最小误差nm结束训练；
最后，将所述测试集s进行归一化处理，并从该测试集s中从上至下依次选取一组训练数据输入到已完成训练的所述cnn模型中，按照前向传播的公式计算相应的模型输出，并与对应标签进行对比，计算所述测试集s的整体错误率m，若所述整体错误率m满足要求，则该cnn模型训练成功，否则该cnn模型训练失败，需再次不断循环重复步骤a至步骤c以增加所述训练集p的训练数据组数，按照上述cnn模型训练步骤继续进行训练，直至所述整体错误率m满足要求。
在训练阶段，对所述训练集p中各组训练数据进行归一化处理，所述cnn锻件表面缺陷检测器从大量训练数据中学习到所述无表面缺陷标准锻件的本质特征，一次训练结束后，计算整体误差n，比较所述整体误差n和所述最小误差nm判断训练是否终止，最终利用所述测试集s对训练完成的所述cnn模型进行测试并计算整体错误率m，保证所述整体错误率m满足用户要求，所述cnn模型训练成功，由此保证所述cnn锻件表面缺陷检测器识别的准确性和可靠性。
优选地，所述步骤h的表面缺陷判断方法包括：
所述cnn锻件表面缺陷检测器将一组所述实际检测数据进行归一化处理，并输入到所述cnn模型；按照前向传播的公式计算该组实际检测数据在所述cnn模型相应的模型输出，若该模型输出为0，则该组所述实际检测数据对应的所述待检测成品锻件无缺陷；若该模型输出为1，则该组所述实际检测数据对应的所述待检测成品锻件存在缺陷。所述cnn锻件表面缺陷检测器对实际检测数据进行判断，即根据所述实际检测数据的底层特征和高层特征，通过与标准锻件对应的底层特征和高层特征进行比对，对所述实际检测数据进行判断，输出所述实际检测数据的判别结果(1或0)，实现高温锻件的在位快速智能检测。
实施例二
s10：在距离无表面缺陷的标准锻件约12米处通过蓝光三维激光扫描仪获取包含12024个点云的标准锻件三维点云数据组，对每个标准锻件点云根据椭球曲面的拟合方法计算其两个主曲率，选取每个标准锻件点云的三维坐标值及其两个主曲率作为代表该标准锻件点云的五个特征，从而获得标准锻件五维点云数据组。
s20：利用主元分析pca方法将所述标准锻件五维点云数据组降维至二维，从而获得标准锻件二维点云数据组，通过该标准锻件二维点云数据组来代表对应的所述无表面缺陷的标准锻件，并将该标准锻件二维点云数据组构成一组训练数据。
s30：重复上述步骤5199次，获取5200组所述训练数据并进行标定，即全部标注为0，从该5200组所述训练数据中随机选取5000组构成所述训练集p，剩余的200组构成所述测试集s，利用所述训练集p和所述测试集s对所述cnn锻件表面缺陷检测器进行训练。
s40：在距离待检测成品锻件约12米处通过蓝光三维激光扫描仪获取包含12024个点云的成品锻件三维点云数据组，并根据椭球曲面的拟合方法计算所述成品锻件三维点云数据组中每个成品锻件点云对应的两个主曲率，然后选取每个成品锻件点云的三维坐标值及其两个主曲率作为代表该成品锻件点云的五个特征，从而获得成品锻件五维点云数据组。
s50：利用主元分析pca方法将所述成品锻件五维点云数据组降维至二维，从而获得成品锻件二维点云数据组，通过该成品锻件二维点云数据组来代表对应的所述待检测成品锻件，并将该成品锻件二维点云数据组构成一组实际检测数据。
s60：将该组实际检测数据输入已训练成功的所述cnn锻件表面缺陷检测器中，所述cnn锻件表面缺陷检测器判断所述待检测成品锻件是否存在表面缺陷并将判断结果输出。
s70：流水线中对每个待检测成品锻件根据上述检测方法判断各待检测成品锻件存在缺陷与否，若连续三个紧邻的待检测成品锻件被判断存在缺陷，则cnn锻件表面缺陷检测器发出警报，报告厂区值班人员锻压模具损坏。
本实施例的利用主元分析pca方法将标准锻件五维点云数据组降维至二维包括：
s21：分别对标准锻件五维点云数据组中的每一维求解均值和方差，并对该标准锻件五维点云数据组中12024个点云数据分别减去对应维数上的均值，组成12024行5列的标准锻件样本矩阵q。
s22：求解所述标准锻件五维点云数据组的标准锻件五维协方差矩阵k，即：
s23：求解所述标准锻件五维协方差矩阵k的5个特征值γ1、γ2、γ3、γ4、γ5，并由大到小排序获得其中最大值特征值δ1和次大特征值δ2，并求解所述标准锻件五维协方差矩阵k对应δ1的特征向量β1和对应δ2的特征向量β2，所述特征向量β1和特征向量β2为单位化的五维列向量，并组成标准锻件映射矩阵t＝[β1,β2]。
s24：将所述标准锻件样本矩阵q和标准锻件映射矩阵t相乘获得标准锻件二维点云矩阵y，所述标准锻件二维点云矩阵y中的每一行即为标准锻件五维点云数据组降维至二维的一个标准锻件点云，从而获得所述标准锻件二维点云数据组。
同理可得，本实施例的利用主元分析pca方法将成品锻件五维点云数据组降维至二维的过程。
本实施例的利用5200组已压缩的二维无缺陷标准锻件高温锻件点云数据对cnn锻件表面缺陷检测器进行训练，包括：
s31：重复上述获取标准锻件二维点云矩阵y步骤5200次，从该5200组已压缩的训练数据中随机选取5000组构成所述训练集p，剩余200组构成所述测试集s。
s32：创建cnn锻件表面缺陷检测器的cnn模型，所述cnn模型采用lenet结构并且最后3层使用mlp，所述cnn模型中所有激活函数采用relu函数；随机初始化所述cnn模型中所有权值和阈值，学习率初始化为0.01，批量训练样本数目设置为50，最小误差nm设置为0.0001。
s33：对所述训练集p中各组训练数据进行归一化处理，并从所述训练集p中从上至下依次选取一组训练数据输入到所述cnn模型，按照前向传播的公式计算相应的模型输出。
s34：按照误差公式计算出该组训练数据输入到cnn模型后模型输出和标签的误差，并按照反向传播算法调节所述cnn模型所有权值和阈值。
s35：一次训练结束后，计算整体误差n，若整体误差n<最小误差nm，则所述cnn模型训练结束，否则按照上述cnn模型训练步骤继续训练所述cnn模型，直至整体误差n<最小误差nm结束训练。
s36：将所述测试集s进行归一化处理，并从该测试集s中从上至下依次选取一组训练数据输入到已完成训练的所述cnn模型中，按照前向传播的公式计算相应的模型输出，并与对应标签进行对比，计算所述测试集s的整体错误率m，若所述整体错误率m满足要求，则该cnn模型训练成功，否则该cnn模型训练失败，需再次不断循环重复步骤a至步骤c以增加所述训练集p的训练数据组数，按照上述cnn模型训练步骤继续训练网络，直至所述整体错误率m满足要求。
如图1所示，所述cnn模型结构包括七个卷积层c1、c3、c5、c7、c9、c11、c13，七个池化层s2、s4、s6、s8、s10、s12、s14，以及三个全连接层f15、f16和输出层，神经元个数分别为80、30和1，输入层为12024×12024的二维数据；卷积均是10×10的模板，stride＝1，池化均是3×3的模板，激活函数均是relu函数。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。