(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 202210533743.X (22)申请日 2022.05.17 (71)申请人 长三角先进材 料研究院 地址 215132 江苏省苏州市相城区青龙港 路286号 (72)发明人 黄理　仝超　李钼石　陈秋任　 赵海龙　刘钊　胡晓雅　方宇东　 翟强强　黄诗尧　包祖国　韩维建　 (74)专利代理 机构 南京智造力知识产权代理有 限公司 32382 专利代理师 汪芬 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/34(2022.01) G06V 10/40(2022.01)G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/77(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于条件生成对抗网络的连接件剖面 预测方法 (57)摘要 本发明公开了一种基于条件生成对抗网络 的连接件剖面预测方法， 通过搭建条件生成对抗 网络CGAN； 针对待预测的连接工艺， 选取该连接 工艺的连接参数作为条件生成对抗网络的控制 条件y； 制作待预测连接工艺的数据集， 并划分训 练集和测试集； 对数据集中的图像进行图像增 强； 设置CGAN网络训练参数； 将训练集加入CGAN 网络进行训练； 利用测试集对CGAN网络进行测 试， 并根据训练结果进行CGAN网络优化； 利用训 练好的CGAN网络对同类型的连接工艺进行预测。 本发明将条件生成对抗网络(CGAN)应用到连接 件剖面图像预测中， 在不破坏各几何参数之间相 关性的同时， 有效提高了连接件剖面几何参数的 预测效果， 为实现连接件剖面几何参数预测提供 更为直观可靠的方法。 权利要求书2页 说明书5页 附图3页 CN 115019120 A 2022.09.06 CN 115019120 A 1.一种基于条件生成对抗网络的连接件剖面预测方法， 其特 征在于， 包括如下步骤： 步骤1： 搭建条件生成对抗网络CGAN； 所述条件生成对抗网络是由生成网络G和判别网 络D两部分组成， 所述生成网络G是由两个结构相同的子网络G2和 子网络G1组成， 子网络G1 和G2均是基于 Encode‑Decode思路设计的U型全卷积网络结构； 所述判别网络D是由多种尺度的判别网络构成的一种多尺度判别器， 每种尺度的判别 网络的网络结构相同； 步骤2： 针对待预测的连接工艺， 选取该连接工艺的连接参数作为条件生成对抗网络的 控制条件y； 步骤3： 制作待预测连接 工艺的数据集， 并划分训练集和 测试集； 步骤4： 对数据集中的图像进行图像增强； 步骤5： 设置 CGAN网络训练参数； 步骤6： 将训练集加入CGAN网络进行训练； 步骤7： 利用测试集对CGAN网络进行测试， 并根据训练结果进行CGAN网络优化； 步骤8、 利用步骤7中训练好的CGAN网络对同类型的连接 工艺进行 预测。 2.根据权利要求1所述的一种基于条件生成对抗网络的连接件剖面预测方法， 其特征 在于， 所述连接 工艺包括 点焊、 自冲铆接、 无铆钉自冲铆接、 热 熔自攻螺钉或结构胶。 3.根据权利要求1所述的一种基于条件生成对抗网络的连接件剖面预测方法， 其特征 在于， 连接 工艺的连接参数包括工艺 参数和材 料属性。 4.根据权利要求3所述的一种基于条件生成对抗网络的连接件剖面预测方法， 其特征 在于， 步骤3中制作数据集的方法如下： 1)若输入的控制条件y为数值型数据时， 需将选取的工艺参数与对应参数下生成的剖 面图像形成一 一对应的数据集； 2)输入的控制条件y为图像时， 需将选取的工艺参数映射到该图像中， 形成输入图像， 对应参数 下生成的剖面图像作为输出图像， 此输入图像与输出图像一 一对应形成数据集。 5.根据权利要求1所述的一种基于条件生成对抗网络的连接件剖面预测方法， 其特征 在于， 判别网络D通过普通的全连接网络将输入映射成一个实数， 即输入样 本为真样本的概 率； 该判别网络D将输入映射成N*N的矩阵， 矩阵中的每个值代表着不同区域为真样本的概 率， 然后对该矩阵求均值， 作为该尺度判别器的输出。 6.根据权利要求5所述的一种基于条件生成对抗网络的连接件剖面预测方法， 其特征 在于， 所述多尺度判别器的具有三个尺度， 分别是原图、 原图的1/2下采样和原图的1/4下采 样。 7.根据权利要求1所述的一种基于条件生成对抗网络的连接件剖面预测方法， 其特征 在于， 步骤4中进行图像增强的方法为： 采用平移、 翻转、 旋转、 加噪、 模糊、 锐化、 裁剪、 缩放 中的一种或者多种组合方式来扩增数据集。 8.根据权利要求1所述的一种基于条件生成对抗网络的连接件剖面预测方法， 其特征 在于， 网络训练参数是指学习率、 优化器、 批次大小、 激活函数、 迭代次数中的一种或多种组 合。 9.根据权利要求1所述的一种基于条件生成对抗网络的连接件剖面预测方法， 其特征 在于， 数据集划分是指： 从数据集中随机挑选60％ ‑90％的样本作为训练集， 剩余的样本作权　利　要　求　书 1/2 页 2 CN 115019120 A 2为测试集。权　利　要　求　书 2/2 页 3 CN 115019120 A 3