1.一种面向多源噪声环境的多层多道焊缝识别方法，其特征在于，包括：通过图像采集系统获取工件上的焊缝图像数据，形成多层多道焊缝数据集，对多层多道焊缝数据集中的焊缝图像数据进行标注后按比例划分为训练集和测试集；

以LSEGN模型为基础，融合多个双通道注意力模块，得到具有双通道注意力模块的LSEGN模型，包括：在LSEGN模型主干部分的Conv2‑2、Conv3‑3、Conv4‑3、Conv5‑3、Conv6‑3输出端分别接入一个双通道注意力模块，并通过GCP和LFP得到更新后的权重模型，该更新后的权重模型作为具有双通道注意力模块的LSEGN模型，包括：对于LSEGN模型中主干部分的Conv2‑2、Conv3‑3、Conv4‑3、Conv5‑3、Conv6‑3层的输出，分别作为双通道注意力模块的输入 、 、 、 、 ，采用GCP得到其全局上下文信息 、、 、 、 ；

对于LSEGN模型中主干部分的Conv2‑2、Conv3‑3、Conv4‑3、Conv5‑3、Conv6‑3层的输出，分别作为双通道注意力模块的输入 、 、 、 、 ，采用LFP得到其局部特征信息 、 、、 、 ；

将全局上下文信息 、 、 、 、 和局部特征信息 、 、 、 、 分别与主干部分的Conv2‑2、Conv3‑3、Conv4‑3、Conv5‑3、Conv6‑3层的输出 、 、 、 、 进行相乘后再相加，获得更新后的权重模型 、 、 、 、 ，处理过程如下：；其中，双通道注意力模块用于飞溅、电弧噪声干

扰下主干网络的权重自适应更新；

以具有双通道注意力模块的LSEGN模型为基础，引入轻量特征融合模块，得到改进的LSEGN模型；其中，轻量特征融合模块用于加强对多层次特征的深度挖掘；

引入Dice Loss和Boundary Loss组合损失函数，Dice Loss和Boundary Loss组合损失函数用于处理焊缝分类中的样本类别不平衡与焊缝过拟合问题；

利用训练集对改进的LSEGN模型进行训练；利用Dice Loss和Boundary Loss组合损失函数来优化模型的训练过程，得到焊缝识别模型；利用测试集对焊缝识别模型进行测试；对焊缝识别模型进行性能评价；

利用经过测试的焊缝识别模型进行工件焊接过程中的焊缝识别。

2.根据权利要求1所述的面向多源噪声环境的多层多道焊缝识别方法，其特征在于，采用GCP得到其全局上下文信息f21、f31、f41、f51、f61，处理过程如下：；

式中，Avp表示全局平均池化操作；Relu和Sigmoid表示激活函数；Conv和Convup表示3×3卷积运算。

3.根据权利要求1所述的面向多源噪声环境的多层多道焊缝识别方法，其特征在于，采用LFP得到其局部特征信息 、 、 、 、 ，处理过程如下：；

式中，Amp表示全局最大池化操作；Softmax为激活函数；Conv和Convup表示3×3卷积运算；Relu表示激活函数。

4.根据权利要求1所述的面向多源噪声环境的多层多道焊缝识别方法，其特征在于，以具有双通道注意力模块的LSEGN模型为基础，引入轻量特征融合模块，得到改进的LSEGN模型，包括：在Conv3‑3、Conv4‑3和Conv5‑3输出端的双通道注意力模块之后，分别接入一个轻量特征融合模块；将双通道注意力模块输出的 、 、 作为轻量特征模块的输入 、 、 ，且分别命名为 、 和 边路，并通过下采样、特征增强、上采样与特征融合的处理过程，最终获得改进的LSEGN模型，从而有效提取清晰的焊缝细节特征。

5.根据权利要求4所述的面向多源噪声环境的多层多道焊缝识别方法，其特征在于，将双通道注意力模块输出的 、 、 作为轻量特征模块的输入 、 、 ，且分别命名为 、和 边路，并通过下采样、特征增强、上采样与特征融合的处理过程，最终获得改进的LSEGN模型，从而有效提取清晰的焊缝细节特征，包括：将双通道注意力模块输出的 、 、 作为轻量特征模块的输入，记为 、 、 ，通过两个卷积层和归一化操作进行处理，以提取初步的特征，处理过程如下：；

；

式中，、 、分别表示下采样前第一层 、 、 的第一块卷积输出； 、 、表示下采样前第一层 、 、 的第二块卷积输出；Conv1和Conv2表示3×3卷积运算；BN表示归一化；ReLU表示激活函数；

为了进一步提取深层特征，进行下采样操作，处理过程如下：

；

；

式中， 、 和 边路所对应的 分别为4、3、2； 表示下采样中 边路第 层的第一块卷积输出； 表示下采样中 边路第 层的第二块卷积输出；MaxPool表示最大池化下采样；

通过全局平均池化和门控融合进一步处理下采样后的特征图，处理过程如下：；

；

式中， 表示下采样中 边路的门控卷积输出； 表示 边路的全局平均池化卷积输出；Conv表示1×1卷积运算；

为了恢复特征图的空间分辨率，使用上采样操作处理全局特征和门控融合后的输出，处理过程如下：；

；

式中， 表示上采样中 边路第j层的第一块卷积输出； 表示上采样中 边路第层的第块卷积输出；为跳跃连接函数；

将上采样后的特征与门控卷积输出、全局平均池化卷积输出进行融合，得到最终的特征图yi，处理过程如下：；

式中，OutConv为卷积操作。

6.根据权利要求1所述的面向多源噪声环境的多层多道焊缝识别方法，其特征在于，利用Dice Loss和Boundary Loss组合损失函数来优化改进的LSEGN模型的训练结果，得到焊缝识别模型，包括：引入Dice Loss和Boundary Loss组合损失函数，通过计算改进的LSEGN模型生成的特征图与标签的二分类损失、相似性损失以及边缘损失，优化改进的LSEGN模型的训练结果，得到焊缝识别模型。

7.根据权利要求6所述的面向多源噪声环境的多层多道焊缝识别方法，其特征在于，引入Dice Loss和Boundary Loss组合损失函数，通过计算改进的LSEGN模型生成的特征图与标签的二分类损失、相似性损失以及边缘损失，优化改进的LSEGN模型的训练结果，得到焊缝识别模型，包括：计算改进的LSEGN模型生成的特征图与标签的二分类损失、相似性损失以及边缘损失，计算公式如下：；

；

；

；

；

；

式中， 表示BCE损失函数； 表示Dice损失函数； 表示Boundary损失函数； 表示第 个像素的预测概率； 表示第 个像素的真实标签；Sigmoid表示激活函数； 表示Sobel X卷积核； 表示Sobel Y卷积核；conv2d表示卷积操作；的值为 ；MSE表示均方误差；、、表示权重系数。

8.一种面向多源噪声环境的多层多道焊缝识别系统，其特征在于，包括：数据获取模块，用于通过图像采集系统获取工件上的焊缝图像数据，形成多层多道焊缝数据集，对多层多道焊缝数据集中的焊缝图像数据进行标记后按比例划分为训练集和测试集；

模型构建模块，用于以LSEGN模型为基础，融合多个双通道注意力模块，得到具有双通道注意力模块的LSEGN模型，包括：在LSEGN模型主干部分的Conv2‑2、Conv3‑3、Conv4‑3、Conv5‑3、Conv6‑3输出端分别接入一个双通道注意力模块，并通过GCP和LFP得到更新后的权重模型，该更新后的权重模型作为具有双通道注意力模块的LSEGN模型，包括：对于LSEGN模型中主干部分的Conv2‑2、Conv3‑3、Conv4‑3、Conv5‑3、Conv6‑3层的输出，分别作为双通道注意力模块的输入 、 、 、 、 ，采用GCP得到其全局上下文信息 、、 、 、 ；

对于LSEGN模型中主干部分的Conv2‑2、Conv3‑3、Conv4‑3、Conv5‑3、Conv6‑3层的输出，分别作为双通道注意力模块的输入 、 、 、 、 ，采用LFP得到其局部特征信息 、 、、 、 ；

将全局上下文信息 、 、 、 、 和局部特征信息 、 、 、 、 分别与主干部分的Conv2‑2、Conv3‑3、Conv4‑3、Conv5‑3、Conv6‑3层的输出 、 、 、 、 进行相乘后再相加，获得更新后的权重模型 、 、 、 、 ，处理过程如下：；其中，双通道注意力模块用于飞溅、电弧噪声干

扰下主干网络的权重自适应更新；

所述模型构建模块，用于以具有双通道注意力模块的LSEGN模型为基础，引入轻量特征融合模块，得到改进的LSEGN模型；其中，轻量特征融合模块用于加强对多层次特征的深度挖掘；

损失函数建立模块，用于引入Dice Loss和Boundary Loss组合损失函数，Dice Loss和Boundary Loss组合损失函数用于处理焊缝分类中的样本类别不平衡与焊缝过拟合问题；

模型训练模块，用于利用训练集对改进的LSEGN模型进行训练；利用Dice Loss和Boundary Loss组合损失函数来优化模型的训练过程，得到焊缝识别模型；利用测试集对焊缝识别模型进行测试；对焊缝识别模型进行性能评价；

焊缝识别模块，用于利用经过测试的焊缝识别模型进行工件焊接过程中的焊缝识别。