CN111912905A - 电阻点焊焊核直径的确定方法、装置、系统、电子设备及存储介质 - Google Patents

电阻点焊焊核直径的确定方法、装置、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN111912905A
CN111912905A CN202010562765.XA CN202010562765A CN111912905A CN 111912905 A CN111912905 A CN 111912905A CN 202010562765 A CN202010562765 A CN 202010562765A CN 111912905 A CN111912905 A CN 111912905A
Authority
CN
China
Prior art keywords
data
diameter
welding
determining
historical
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010562765.XA
Other languages
English (en)
Other versions
CN111912905B (zh
Inventor
彭飞
冯波
何洪岩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Geely Holding Group Co Ltd
Zhejiang Geely Automobile Research Institute Co Ltd
Original Assignee
Zhejiang Geely Holding Group Co Ltd
Zhejiang Geely Automobile Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Geely Holding Group Co Ltd, Zhejiang Geely Automobile Research Institute Co Ltd filed Critical Zhejiang Geely Holding Group Co Ltd
Priority to CN202010562765.XA priority Critical patent/CN111912905B/zh
Publication of CN111912905A publication Critical patent/CN111912905A/zh
Application granted granted Critical
Publication of CN111912905B publication Critical patent/CN111912905B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/06—Visualisation of the interior, e.g. acoustic microscopy
    • G01N29/0654—Imaging
    • G01N29/069—Defect imaging, localisation and sizing using, e.g. time of flight diffraction [TOFD], synthetic aperture focusing technique [SAFT], Amplituden-Laufzeit-Ortskurven [ALOK] technique
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
    • G01N29/4418—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a model, e.g. best-fit, regression analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4445—Classification of defects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4481—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/26—Scanned objects
    • G01N2291/267—Welds
    • G01N2291/2672—Spot welding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30152—Solder
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Acoustics & Sound (AREA)
  • Medical Informatics (AREA)
  • Resistance Welding (AREA)

Abstract

本申请实施例所公开的一种电阻点焊焊核直径的确定方法、装置、系统、电子设备及存储介质，其中，方法包括利用人工智能领域的图片识别技术，直接获取超声波探测的当前焊点的回波图片和当前焊点对应的探头直径数据，并将特征处理后的当前焊点的回波图片和当前焊点对应的独热编码后的探头直径数据输入训练后的焊核直径确定模型中，可以得到高准确率的当前焊点的焊核直径。整个处理过程中全部由应用程序实现，无需升级超声波设备，可以节约购买设备成本，也可以节约检测人员培训成本。

Description

电阻点焊焊核直径的确定方法、装置、系统、电子设备及存储 介质
技术领域
本发明涉及焊接制造技术领域，尤其涉及一种电阻点焊焊核直径的确定方法、装置、系统、电子设备及存储介质。
背景技术
电阻点焊是一项技术成熟、成本低廉的简单工艺，被广泛应用于汽车白车身连接，但是，电阻点焊存在比较明显的缺点，一是焊接质量受外界环境因素影响，二是焊接质量无法通过目视进行检测。
目前，可以根据焊核的直径大小来判断焊核的不良类型，并根据焊核的不良类型采取不同的返修和追溯方案。当检测到焊核直径为标准直径的75％及以下时，判定焊核为虚焊焊核，当检测到焊核直径在标准直径的75％-100％范围内时，判定焊核为小焊核。现有的技术中，检测焊核直径的方法主要有三类：全破坏检测、半破坏检测和超声波无损检测，其中，全破坏检测的准确度最高，可以检测所有焊点的直径，但是检测后的零部件无法再投入使用需要报废，成本较高；半破坏的准确度次于全破坏检测，虽然不会报废零部件，但是会存在部分焊点由于位置原因而无法被检测到，适用性有限，此外，焊核直径也无法准确测量，只能够通过经验估测；超声波无损检测操作简单，且不会对零部件产生损伤，但是也无法准确测量出焊核直径，只能够根据超声波回波图像估计焊核直径。
综合上述三种检测方法的利弊，在实际操作过程中，可以通过升级超声波检测设备，采购具有焊核成像功能的超声波检测设备，来根据焊核各区域的回波状态，绘制焊核的轮廓图和缺陷分布图，并以此来估计焊核的直径。然而，升级超声波检测设备具有以下弊端：
(1)超声波检测设备的升级费用昂贵，一般，具有焊核成像功能的超声波检测设备是普通超声波检测设备的数倍，替换成本高达百万人民币；
(2)具有焊核成像功能的超声波检测设备操作复杂，需要对焊接人员进行额外培训，部署周期慢，且准确率并不稳定，存在判断出错的情况。
发明内容
本申请实施例提供一种电阻点焊焊核直径的确定方法、装置、系统、电子设备及存储介质，可以节约购买设备成本，节约检测人员培训成本，也可以提高焊核直径确定模型的准确率和稳定输出性。
本申请实施例提供一种电阻点焊焊核直径的确定方法，该方法包括：
获取当前焊点的回波图片和当前焊点对应的探头直径数据；
对当前焊点的回波图片进行特征处理，得到第一数据；
其中，特征处理包括根据预设比例压缩当前焊点的回波图片，得到压缩后的回波图片，对压缩后的回波图片进行灰度处理，得到灰度数据，对灰度数据进行二值化处理，并将二值化处理后的灰度数据与噪音数值集合中对应的噪音数值相加；噪音数值集合中所有噪音数值的均值为0，且标准差为1；
对当前焊点对应的探头直径数据进行独热编码，得到当前焊点对应的编码后的探头直径数据；
将第一数据和当前焊点对应的编码后的探头直径数据输入训练后的焊核直径确定模型中，输出当前焊点的焊核直径。
进一步地，上述焊核直径确定模型的训练步骤包括：
获取历史数据集；历史数据集中包括多个历史焊点的回波图片、每个历史焊点对应的探头直径数据和每个历史焊点的实际焊核直径；
对历史焊点的回波图片进行特征处理，得到第二数据；
其中，特征处理包括根据预设比例压缩历史焊点的回波图片，得到压缩后的回波图片，对压缩后的回波图片进行灰度处理，得到灰度数据，对灰度数据进行二值化处理，并将二值化处理后的灰度数据与噪音数值集合中对应的噪音数值相加；噪音数值集合中所有噪音数值的均值为0，且标准差为1；
对每个历史焊点对应的探头直径数据进行独热编码，得到每个历史焊点对应的编码后的探头直径数据；
构建预设机器学习模型，将预设机器学习模型确定为当前机器学习模型；
基于当前机器学习模型，对第二数据与每个历史焊点对应的编码后的探头直径数据进行预测操作，确定预测焊核直径；
根据预测焊核直径和实际焊核直径确定均方误差，得到损失值；
当损失值大于预设阈值时，基于损失值进行反向传播，对当前机器学习模型进行更新以得到更新后的机器学习模型，将更新后的机器学习模型重新确定为当前机器学习模型；重复步骤：对第二数据与每个历史焊点对应的编码后的探头直径数据进行预测操作，确定预测焊核直径；
当损失值小于或者等于预设阈值时，将当前机器学习模型确定为焊核直径确定模型，将损失值对应的模型参数确定为焊核直径确定模型的参数。
进一步地，焊核直径确定模型包括第一卷积层、第二卷积层、第一全连接层、数据合并层和第二全连接层；
第一卷积层、第二卷积层、第一全连接层、数据合并层和第二全连接层依次串行连接；
数据合并层包括第一输入端和第二输入端，第一输入端用于输入第一全连接层的输出数据，第二输入端用于输入每个历史焊点对应的编码后的探头直径数据。
进一步地，第一卷积层、第二卷积层、第一全连接层和第二全连接层均包括多个感知机，多个感知机中每个感知机对应含有多个权重系数；
对当前机器学习模型进行更新以得到更新后的机器学习模型，将更新后的机器学习模型重新确定为当前机器学习模型，包括：
对第一卷积层、第二卷积层、第一全连接层和第二全连接层中每个感知机对应的多个权重系数进行调整，得到更新后的机器学习模型；
将更新后的机器学习模型重新确定为当前机器学习模型。
进一步地，回波图片的像素矩阵中含有多个单元像素，多个单元像素中单元像素含有第一颜色变量、第二颜色变量或第三颜色变量，
对压缩后的回波图片进行灰度处理，得到灰度数据，包括：
根据第一预设值和第一颜色变量确定单元像素的第一灰度子数据，根据第二预设值和第二颜色变量确定单元像素的第二灰度子数据，根据第三预设值和第三颜色变量确定单元像素的第三灰度子数据；
确定第一灰度子数据、第二灰度子数据和第三灰度子数据的和为单元像素对应的灰度数据。
进一步地，对灰度数据进行二值化处理，包括：
根据多个像素单元对应的灰度数据确定灰度数据均值；
若单元像素的灰度数据大于灰度数据均值，确定单元像素对应的二值化数据为0。
相应地，本申请实施例还提供了一种电阻点焊焊核直径的确定装置，该装置包括：
第一获取模块，用于获取当前焊点的回波图片和当前焊点对应的探头直径数据；
第一处理模块，用于对当前焊点的回波图片进行特征处理，得到第一数据；
其中，特征处理包括根据预设比例压缩当前焊点的回波图片，得到压缩后的回波图片，对压缩后的回波图片进行灰度处理，得到灰度数据，对灰度数据进行二值化处理，并将二值化处理后的灰度数据与噪音数值集合中对应的噪音数值相加；噪音数值集合中所有噪音数值的均值为0，且标准差为1；
第一编码模块，用于对当前焊点对应的探头直径数据进行独热编码，得到当前焊点对应的编码后的探头直径数据；
输入输出模块，用于将第一数据和编码后的当前焊点对应的探头直径数据输入训练后的焊核直径确定模型中，输出当前焊点的焊核直径。
进一步地，上述装置还包括：
第二获取模块，用于获取历史数据集；历史数据集中包括多个历史焊点的回波图片、每个历史焊点对应的探头直径数据和每个历史焊点的实际焊核直径；
第二处理模块，用于对历史焊点的回波图片进行特征处理，得到第二数据；
其中，特征处理包括根据预设比例压缩历史焊点的回波图片，得到压缩后的回波图片，对压缩后的回波图片进行灰度处理，得到灰度数据，对灰度数据进行二值化处理，并将二值化处理后的灰度数据与噪音数值集合中对应的噪音数值相加；噪音数值集合中所有噪音数值的均值为0，且标准差为1；
第二编码模块，用于对每个历史焊点对应的探头直径数据进行独热编码，得到每个历史焊点对应的编码后的探头直径数据；
构建模块，用于构建预设机器学习模型，将预设机器学习模型确定为当前机器学习模型；
第一确定模块，用于基于当前机器学习模型，对第二数据与每个历史焊点对应的编码后的探头直径数据进行预测操作，确定预测焊核直径；；
第二确定模块，用于根据预测焊核直径和实际焊核直径确定均方误差，得到损失值；
重复模块，用于当损失值大于预设阈值时，基于损失值进行反向传播，对当前机器学习模型进行更新以得到更新后的机器学习模型，将更新后的机器学习模型重新确定为当前机器学习模型；重复步骤：对第二数据与每个历史焊点对应的编码后的探头直径数据进行预测操作，确定预测焊核直径；
第三确定模块，用于当损失值小于或者等于预设阈值时，将当前机器学习模型确定为焊核直径确定模型，将损失值对应的模型参数确定为焊核直径确定模型的参数。
相应地，本申请实施例还提供了一种电阻点焊焊核直径的确定系统，该系统包括：
终端，终端装载有电阻点焊焊核直径的确定方法的应用程序，用于显示当前焊点的焊核直径；
超声波设备，与终端连接，用于向终端发送当前焊点的回波图片、当前焊点对应的探头直径数据和历史数据集；历史数据集中包括多个历史焊点的回波图片、每个历史焊点对应的探头直径数据和每个历史焊点的实际焊核直径。
相应地，本申请实施例还提供了一种电子设备，该电子设备包括处理器和存储器，存储器中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述电阻点焊焊核直径的确定方法。
相应地，本申请实施例还提供了一种计算机可读存储介质，该存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述电阻点焊焊核直径的确定方法。
本申请实施例具有如下有益效果：
本申请实施例所公开的一种电阻点焊焊核直径的确定方法、装置、电子设备及存储介质，其中，方法包括获取当前焊点的回波图片和当前焊点对应的探头直径数据，对当前焊点的回波图片进行特征处理，得到第一数据，其中，特征处理包括根据预设比例压缩当前焊点的回波图片，得到压缩后的回波图片，对压缩后的回波图片进行灰度处理，得到灰度数据，对灰度数据进行二值化处理，并将二值化处理后的灰度数据与噪音数值集合中对应的噪音数值相加，噪音数值集合中所有噪音数值的均值为0，且标准差为1，对当前焊点对应的探头直径数据进行独热编码，得到当前焊点对应的编码后的探头直径数据，将第一数据和当前焊点对应的编码后的探头直径数据输入训练后的焊核直径确定模型中，输出当前焊点的焊核直径。基于本申请实施例，利用人工智能领域的图片识别技术，直接获取超声波探测的当前焊点的回波图片和当前焊点对应的探头直径数据，并将特征处理后的当前焊点的回波图片和当前焊点对应的独热编码后的探头直径数据输入训练后的焊核直径确定模型中，可以得到高准确率的当前焊点的焊核直径。整个处理过程中全部由应用程序实现，无需升级超声波设备，可以节约购买设备成本，也可以节约检测人员培训成本。此外，利用大量历史焊点的回波图片、每个历史焊点对应的探头直径数据和每个历史焊点的实际焊核直径训练焊核直径确定模型，可以提高焊核直径确定模型的准确率，在模型的训练过程中，将二值化处理后的灰度数据与噪音数值集合中对应的噪音数值相加，使得模型具有抵抗无规律噪音影响的功能，可以提高焊核直径确定模型的稳定输出性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1是本申请实施例所提供的一种应用环境的示意图；
图2是本申请实施例所提供的一种超声波检测焊核直径的示意图；
图3是本申请实施例所提供的一种超声波设备检测到的回波波形图；
图4是本申请实施例所提供的一种电阻点焊焊核直径的确定方法的流程示意图；
图5是本申请实施例所提供的一种焊核直径确定模型训练方法的流程示意图；
图6a是本申请实施例所提供的一种利用卷积核对第二数据进行处理的流程示意图；
图6b是本申请实施例所提供的一种利用卷积核对第二数据进行处理的流程示意图；
图7是本申请实施例所提供的一种电阻点焊焊核直径的确定装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例作进一步地详细描述。显然，所描述的实施例仅仅是本申请一个实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
此处所称的“实施例”是指可包含于本申请至少一个实现方式中的特定特征、结构或特性。在本申请实施例的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含的包括一个或者更多个该特征。而且，术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请实施例能够以除了在这里图示或描述以外的顺序实施。此外，术语“包括”、“具有”和“为”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、装置、产品或设备固有的其它步骤或模块。
请参阅图1，其所示为本申请实施例所提供的一种应用环境的示意图，包括终端101和超声波设备103。如图2所示提供了一种超声波检测焊核直径的示意图，检测人员通过利用不同直径探头的超声波设备103，向点焊焊核的表面发送超声波，并不断探测焊核返回的回波，同时将其发送至终端101的显示界面进行显示。如图3所示提供了一种超声波设备检测到的回波波形图，图中，横坐标表示时间，纵坐标表示波的强度，由于超声波在焊核内部震荡传播不断衰减，波形图中回波的强度，即回波的高度越来越低，图中，相邻回波间的距离表示焊核所在板件的材料的厚度，相邻回波间的距离相隔越远，表示焊核所在半径的材料的厚度越厚，回波与回波间杂波的数量和大小表示焊核直径与探头直径的相对关系，当回波与回波间杂波数量少且杂波小表示此刻焊核直径的与探头直径相对比较接近，当回波与回波间杂波数量多且杂波大表示此刻焊核直径小于探头直径。
本申请实施例中，终端101装载有电阻点焊焊核直径的确定方法的应用程序，用于显示当前焊点的焊核直径，终端101可以是具有显示界面的移动设备，例如手机、平板、笔记本电脑，也可以是具有显示器的计算机，还可以是装载有电阻点焊焊核直径的确定方法的应用程序且具有显示设备的超声波检测设备。
在实际应用过程中，若检测人员根据图3所示提供的回波波形图确定出当前时刻时当前焊点对应的波形图中仅有少量杂波，触发快捷键，终端101中的应用程序实时读取当前焊点的回波图片和当前焊点对应的探头直径数据，并对当前焊点的回波图片进行特征处理，得到第一数据，其中，特征处理包括根据预设比例压缩当前焊点的回波图片，得到压缩后的回波图片，对压缩后的回波图片进行灰度处理，得到灰度数据，对灰度数据进行二值化处理，并将二值化处理后的灰度数据与噪音数值集合中对应的噪音数值相加，其中，噪音数值集合中所有噪音数值的均值为0，且标准差为1，同时终端101中的应用程序还对当前焊点对应的探头直径数据进行独热编码，得到当前焊点对应的编码后的探头直径数据。对回波图片和探头数据处理之后，将第一数据和当前焊点对应的编码后的探头直径数据输入训练后的焊核直径确定模型中，输出当前焊点的焊核直径。
在本申请实施例中，服务器101和客户端103可以通过有线链路连接，也可以通过无线链路连接。除非另有明确的规定和限定，术语“连接”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的相连或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
下面介绍本申请一种电阻点焊焊核直径的确定方法的具体实施例，图4是本申请实施例提供的一种电阻点焊焊核直径的确定方法的流程示意图，本说明书提供了如实施例或流程图所示的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多执行顺序中的一种方式，不代表唯一的执行顺序，在实际执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图4所示，该方法包括：
S401：获取当前焊点的回波图片和当前焊点对应的探头直径数据。
本申请实施例中，当检测人员确定出回波波形图中当前时刻时当前焊点对应的波形图中仅有少量杂波，触发快捷键，终端获取超声波设备发送的当前焊点的回波图片和当前焊点对应的探头直径数据。
S403：对当前焊点的回波图片进行特征处理，得到第一数据。
本申请实施例中，终端在获取当前焊点的回波图片和当前焊点对应的探头直径数据之后，对该焊点的回波图片进行特征处理，即根据预设比例压缩当前焊点的回波图片，得到压缩后的回波图片，对压缩后的回波图片进行灰度处理，得到灰度数据，对灰度数据进行二值化处理，并将二值化处理后的灰度数据与噪音数值集合中对应的噪音数值相加；噪音数值集合中所有噪音数值的均值为0，且标准差为1。
总所周知，每张图片是由一个像素矩阵构成的，一个像素矩阵中含有多个单元像素，多个单元像素含有红、绿、蓝三种原色，即第一颜色变量、第二颜色变量和第三颜色变量，本申请实施例中，为了便于说明，假设第一颜色为原色红、第二颜色为原色绿、第三颜色为原色蓝。
本申请实施例中，当终端根据预设比例压缩当前焊点的回波图片之后，根据第一预设值和原色红对应的变量值R确定多个单元像素中一个单元像素的第一灰度子数据R1，同样地，根据第二预设值和原色绿对应的变量值G确定多个单元像素中一个单元像素的第二灰度子数据G1，根据第三预设值和原色蓝对应的变量值B确定多个单元像素中一个单元像素的第三灰度子数据B1。
一种可选的实施方式中，假设，第一预设值、第二预设值和第三预设值均为1/3，终端确定第一灰度子数据R1、第二灰度子数据G1和第三灰度子数据B1的和为单元像素对应的灰度数据{R1，G1，B1}，其中，R1＝G1＝B1＝1/3R+1/3G+1/3B。
另一种可选的实施方式中，假设，第一预设值为0.30、第二预设值为0.59、第三预设值为0.11，终端确定第一灰度子数据R2、第二灰度子数据G2和第三灰度子数据B2的和为单元像素对应的灰度数据{R2，G2，B2}，其中，R2＝G2＝B2＝0.30R+0.59G+0.11B。
本申请实施例中，终端对压缩后的回波图片进行灰度处理，得到灰度数据之后，对灰度数据进行二值化处理。具体地，终端根据多个像素单元对应的灰度数据确定灰度数据均值。一种可选的实施方式中，灰度数据均值为127，即取R、G、B的取值范围0～255的中值，当单元像素中灰度数据的数值大于灰度数据均值，终端确定该单元像素的灰度数据为黑，用“0”表示，当单元像素中灰度数据的数值小于等于灰度数据均值，终端确定该单元像素的灰度数据为白，用“1”表示。下面举个例子进行说明，假设上文中得到的某一个单元像素的灰度数据为{R1＝200，G1＝30，B1＝80}，那么对灰度数据进行二值化处理后，该单元像素的对应的二值化数据为{R1＝0，G1＝1，B1＝1}。
另一种可选的实施方式中，根据多个单元像素的每个灰度数据中灰度R1、G1、B1分别确定R1、G1、B1对应的灰度数据均值R0、G0、B0，即R0＝(R1+R2+...+Rn)/n，G0＝(G1+G2+...+Gn)/n，B0＝(B1+B2+...+Bn)/n。当单元像素中灰度数据的数值大于灰度数据均值，终端确定该单元像素的灰度数据为黑，用“0”表示，当单元像素中灰度数据的数值小于等于灰度数据均值，终端确定该单元像素的灰度数据为白，用“1”表示。
本申请实施例中，终端将二值化处理后的灰度数据与噪音数值集合中对应的噪音数值相加，其中，噪音数值集合中所有噪音数值的均值为0，且标准差为1。将二值化处理后的灰度数据与对应的噪音数值相加可以模拟出在实际检测过程中人工操作随机性因素对下文中所输出的焊核直径的影响。
S405：对当前焊点对应的探头直径数据进行独热编码，得到当前焊点对应的编码后的探头直径数据。
本申请实施例中，终端对获取到的当前焊点对应的探头直径数据进行onehot独热编码，可以得到当前焊点对应的编码后的探头直径数据。此时，当前焊核的回波图片和当前焊点对应的探头直径数据均为0～1之间的数字。
S307：将第一数据和当前焊点对应的编码后的探头直径数据输入训练后的焊核直径确定模型中，输出当前焊点的焊核直径。
本申请实施例中，终端基于训练后的焊核直径确定模型对当前焊点进行焊核直径确定，即，将第一数据和当前焊点对应的编码后的探头直径数据作为训练后的焊核直径确定模型的输入，以输出当前焊点的焊核直径。由于焊核直径确定模型已经过大量训练数据的训练，输出的当前焊点的焊核直径已经十分接近实际测量过程中测量到的当前焊点的焊核直径，考虑到焊核直径的测量误差，焊核直径确定模型输出的当前焊点的焊核直径可以作为判断当前焊点的焊核实际直径的重要参考，也可以直接作为当前焊点的焊核实际直径。
本申请实施例中，焊核直径确定模型属于深度学习中的有监督回归类型，所采用的开发语言可以具体为python，也可以采用Java等其他能够调用机器学习或者额深度学习库的语言。使用的算法类型可以具体为卷积神经网络和全连接神经网络，也可以使用其他集成回归算法，例如Xgboost、随机森林等，还可以使用其他非集成算法，例如支持向量机、线形回归等。使用的开发工具包可以具体为tensorflow2.0版本，也可以选用Pytorch等其他工具包。
采用本申请实施例所提供的焊核直径确定方法，利用人工智能领域的图片识别技术，直接获取超声波探测的当前焊点的回波图片和当前焊点对应的探头直径数据，并将特征处理后的当前焊点的回波图片和当前焊点对应的独热编码后的探头直径数据输入训练后的焊核直径确定模型中，可以得到高准确率的当前焊点的焊核直径。整个处理过程中全部由应用程序实现，无需升级超声波设备，可以节约购买设备成本，也可以节约检测人员培训成本。
本申请实施例中，在将第一数据和当前焊点对应的编码后的探头直径数据输入训练后的焊核直径确定模型中之前，需要对焊核直径确定模型进行训练，图5是本申请实施例提供的一种焊核直径确定模型训练方法的流程示意图，本说明书提供了如实施例或流程图所示的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多执行顺序中的一种方式，不代表唯一的执行顺序，在实际执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图5所示，具体步骤包括：
S501：获取历史焊点的回波图片、每个历史焊点对应的探头直径数据和每个历史焊点的实际焊核直径。
本申请实施例中，终端获取历史焊点的回波图片、每个历史焊点对应的探头直径数据和每个历史焊点的实际焊核直径，其中，每个历史焊点的实际焊核直径是将每个历史焊点破解拆开后使用测量工具测出的，例如将历史焊点破解拆开后，利用游标卡尺测得历史焊点的实际焊核直径。
S503：对历史焊点的回波图片进行特征处理，得到第二数据。
本申请实施例中，终端对多个历史焊点的回波图片进行特征处理与上文中描述的对当前焊点的回波图片进行特征处理方式一样。终端在获取历史焊点的回波图片、每个历史焊点对应的探头直径数据和每个历史焊点的实际焊核直径之后，对该历史焊点的回波图片进行特征处理，即根据预设比例压缩历史焊点的回波图片，得到压缩后的回波图片，对压缩后的回波图片进行灰度处理，得到灰度数据，对灰度数据进行二值化处理，并将二值化处理后的灰度数据与噪音数值集合中对应的噪音数值相加；噪音数值集合中所有噪音数值的均值为0，且标准差为1。将二值化处理后的灰度数据与对应的噪音数值相加可以模拟出在实际检测过程中人工操作随机性因素对下文中所输出的焊核直径的影响。
S505：对每个历史焊点对应的探头直径数据进行独热编码，得到每个历史焊点对应的编码后的探头直径数据。
本申请实施例中，终端对获取到的当前焊点对应的探头直径数据进行onehot独热编码，可以得到当前焊点对应的编码后的探头直径数据。此时，历史焊点的回波图片和每个历史焊点对应的探头直径数据均为0～1之间的数字。
S507：构建预设机器学习模型，将预设机器学习模型确定为当前机器学习模型。
S509：基于当前机器学习模型，对第二数据与每个历史焊点对应的编码后的探头直径数据进行预测操作，确定预测焊核直径。
本申请实施例中，当前机器学习模型包括第一卷积层、第二卷积层、第一全连接层、数据合并层和第二全连接层，其中，第一卷积层、第二卷积层、第一全连接层和第二全连接层均包括多个感知机，且多个感知机中每个感知机对应含有多个权重系数，多个权重系数为初始权重系数，可以是基于预设范围0.8～1.25内随机任意指定的浮点数。数据合并层包括第一输入端和第二输入端，第一输入端用于输入第一全连接层的输出数据，第二输入端用于输入每个历史焊点对应的编码后的探头直径数据。
本申请实施例中，第一卷积层的输出端与第二卷积层中输入端连接，第二卷积层的输出端与第一全连接层的输入端连接，第二全连接层的输出端与数据合并层的第一输入端连接，数据合并层的输出端与第二全连接层的输入端连接。第一卷积层的输出端的输出数据是由第一数据和第一卷积层中多个感知机中每个感知机含有的多个权重系数决定的；第二卷积层的输出端的输出数据是由第一卷积层的输出数据和第二卷积层中多个感知机中每个感知机的多个权重系数决定的；第一全连接层的输出端的输出数据是由第二卷积层的输出数据决定的，具体是将第二卷积层输出的二维数据打平为一维数据，以便于在数据合并层中与每个历史焊点对应的编码后的探头直径数据进行数学计算；数据合并层的输出端的输出数据是由第一全连接层的输出数据和每个历史焊点对应的编码后的探头直径数据决定的；第二全连接层的输出端的输出数据是由数据合并层的输出数据决定的。
本申请实施例中，由于每个卷积层中感知机含有的每个权重系数都在卷积核上具有固定的位置，经过二值化处理后的第二数据仍然保持原先单元像素间的位置关系，如图6a所示提供了一种利用卷积核对第二数据进行处理的流程示意图，图6b所示提供了一种利用卷积核对第二数据进行处理的流程示意图。图6a和图6b中，第二数据为5*5的矩阵数据，卷积核为3*3的矩阵数据，卷积核的步长为2，5*5的第二数据经过3*3的卷积核可以输出2*2的矩阵数据。在卷积层的卷积过程中，第二数据会与几百万甚至几千万个权重系数进行相乘和相加计算。在第一全连接层中，将第二卷积层处理后输出数据打平为特定尺寸的一维数据，以使得输出数据数据可以和每个历史焊点对应的编码后的探头直径数据进行数学计算，第二卷积层的输出端的输出数据和每个历史焊点对应的编码后的探头直径数据合并后需要再经过一个全连接层，最终输出一个单一的数值，该数值即为预测焊核直径。
本申请实施例中，每个感知机所含有的权重系数模拟了人脑中的神经元，每一层每一个神经元的输入都是上一层所有神经元的输出之和，大量的神经元集合在一起就可以模拟出类似人脑的判断和决策能力。
S511：根据预测焊核直径和实际焊核直径确定均方误差，得到损失值。
本申请实施例中，将预测焊核直径和实际焊核直径作差，得到多个差值，并求出多个差值的平方和作为均方误差，该均方误差即为损失值，用于描述预测焊核直径与实际焊核直径间的误差，该损失值越小说明焊核直径确定模型输出的预测焊核直径的准确性越高。
S513：判断损失值是否大于预设阈值，若损失值大于预设阈值，转至S515；否则，转至S517。
S515：基于损失值进行反向传播，对当前机器学习模型进行更新以得到更新后的机器学习模型，将更新后的机器学习模型重新确定为当前机器学习模型；重复步骤：对第二数据与每个历史焊点对应的编码后的探头直径数据进行预测操作，确定预测焊核直径。
本申请实施例中，与上文中所描述的预设机器学习模型一致，当前机器学习模型的第一卷积层、第二卷积层、第一全连接层和第二全连接层也均包括包括多个感知机，多个感知机中每个感知机对应含有多个权重系数。终端对第一卷积层、第二卷积层、第一全连接层和第二全连接层中每个感知机对应的多个权重系数进行调整，得到更新后的机器学习模型，并将该更新后的机器学习模型重新确定为当前机器学习模型，需要说明的是，当当前机器学习模型经过大量历史数据集训练后，在对新一轮中的当前机器学习模型进行更新时，可以是对第一卷积层、第二卷积层、第一全连接层和第二全连接层中每个感知机对应的全部权重系数进行调整，也可以是基于初始权重系数和焊核直径确定模型输出的预测焊核直径和实际焊核直径的差值，对第一卷积层、第二卷积层、第一全连接层和第二全连接层中每个感知机对应的部分权重系数进行调整。
本申请实施例中，在模型运行过程中，网络优化器对所有随机任意指定的权重系数进行求导，确定出使得损失值变小的变化方向，并据此调整权重系数的值，如此循环可以使得损失值越来越小，预测焊核直径与实际焊核直径间的误差也就越来越小。
S517：将当前机器学习模型确定为焊核直径确定模型，将损失值对应的模型参数确定为焊核直径确定模型的参数。
本申请实施例中，理论上，预设阈值为0，也就是说当损失值为0时，预测焊核直径与实际焊核直径间不存在误差，预测焊核直径与实际焊核直径是完全一致的，即焊核直径确定模型输出的预测焊接参数是100％准确的。但是，实际上，通过不断调整权重系数的大小，只可以使得该损失值无限稳定地趋近于接近0的一个极小值，该极小值表示预测焊核直径与实际焊核直径的误差容忍度，该极小值即可以设定为预设阈值，当损失值无限接近于该预设阈值且变化幅度趋向稳定，即可以将当前机器学习模型确定为焊核直径确定模型，将损失值对应的模型参数确定为焊核直径确定模型的参数。
采用本申请实施例所提供的焊核直径确定模型训练方法，利用大量历史焊点的回波图片、每个历史焊点对应的探头直径数据和每个历史焊点的实际焊核直径训练焊核直径确定模型，可以提高焊核直径确定模型的准确率，在模型的训练过程中，将二值化处理后的灰度数据与噪音数值集合中对应的噪音数值相加，使得模型具有抵抗无规律噪音影响的功能，可以提高焊核直径确定模型的稳定输出性。
本申请实施例还提供的一种电阻点焊焊核直径的确定装置，图7是本申请实施例提供的一种电阻点焊焊核直径的确定装置的结构示意图，如图7所示，该装置包括：
第一获取模块701用于获取当前焊点的回波图片和当前焊点对应的探头直径数据；
第一处理模块703用于对当前焊点的回波图片进行特征处理，得到第一数据；
其中，特征处理包括根据预设比例压缩当前焊点的回波图片，得到压缩后的回波图片，对压缩后的回波图片进行灰度处理，得到灰度数据，对灰度数据进行二值化处理，并将二值化处理后的灰度数据与噪音数值集合中对应的噪音数值相加；噪音数值集合中所有噪音数值的均值为0，且标准差为1；
第一编码模块705用于对当前焊点对应的探头直径数据进行独热编码，得到当前焊点对应的编码后的探头直径数据；
输入输出模块707用于将第一数据和当前焊点对应的编码后的探头直径数据输入训练后的焊核直径确定模型中，输出当前焊点的焊核直径。
本申请实施例中，上述装置还包括：
第二获取模块，用于获取历史焊点的回波图片、每个历史焊点对应的探头直径数据和每个历史焊点的实际焊核直径；
第二处理模块，用于对历史焊点的回波图片进行特征处理，得到第二数据；
其中，特征处理包括根据预设比例压缩历史焊点的回波图片，得到压缩后的回波图片，对压缩后的回波图片进行灰度处理，得到灰度数据，对灰度数据进行二值化处理，并将二值化处理后的灰度数据与噪音数值集合中对应的噪音数值相加；噪音数值集合中所有噪音数值的均值为0，且标准差为1；
第二编码模块，用于对每个历史焊点对应的探头直径数据进行独热编码，得到每个历史焊点对应的编码后的探头直径数据；
构建模块，用于构建预设机器学习模型，将预设机器学习模型确定为当前机器学习模型；
第一确定模块，用于基于当前机器学习模型，对第二数据与每个历史焊点对应的编码后的探头直径数据进行预测操作，确定预测焊核直径；
第二确定模块，用于根据预测焊核直径和实际焊核直径确定均方误差，得到损失值；
重复模块，用于当损失值大于预设阈值时，基于损失值进行反向传播，对当前机器学习模型进行更新以得到更新后的机器学习模型，将更新后的机器学习模型重新确定为当前机器学习模型；重复步骤：对第二数据与每个历史焊点对应的编码后的探头直径数据进行预测操作，确定预测焊核直径；
第三确定模块，用于当损失值小于或者等于预设阈值时，将当前机器学习模型确定为焊核直径确定模型，将损失值对应的模型参数确定为焊核直径确定模型的参数。
相应地，本申请实施例还提供了一种电阻点焊焊核直径的确定系统，该系统包括：
终端，终端装载有电阻点焊焊核直径的确定方法的应用程序，用于显示当前焊点的焊核直径；
超声波设备，与终端连接，用于向终端发送当前焊点的回波图片、当前焊点对应的探头直径数据和历史数据集；历史数据集中包括多个历史焊点的回波图片、每个历史焊点对应的探头直径数据和每个历史焊点的实际焊核直径。
本申请实施例中的装置与方法实施例基于同样的申请构思。
本申请实施例还提供的一种电子设备，电子设备可设置于服务器之中以保存用于实现方法实施例中的一种电阻点焊的焊接参数确定方法相关的至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该存储器加载并执行以实现上述的电阻点焊焊核直径的确定方法。
本申请实施例还提供的一种存储介质，存储介质可设置于服务器之中以保存用于实现方法实施例中一种电阻点焊的焊接参数确定方法相关的至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现上述电阻点焊焊核直径的确定方法。
可选的，在本实施例中，上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地，在本实施例中，上述存储介质可以包括但不限于包括：U盘、只读存储器(ROM，Read-only Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
由上述本申请提供的电阻点焊焊核直径的确定方法、装置、系统、电子设备或存储介质的实施例可见，本申请中方法包括获取当前焊点的回波图片和当前焊点对应的探头直径数据，对当前焊点的回波图片进行特征处理，得到第一数据，其中，特征处理包括根据预设比例压缩当前焊点的回波图片，得到压缩后的回波图片，对压缩后的回波图片进行灰度处理，得到灰度数据，对灰度数据进行二值化处理，并将二值化处理后的灰度数据与噪音数值集合中对应的噪音数值相加，噪音数值集合中所有噪音数值的均值为0，且标准差为1，对当前焊点对应的探头直径数据进行独热编码，得到当前焊点对应的编码后的探头直径数据，将第一数据和当前焊点对应的编码后的探头直径数据输入训练后的焊核直径确定模型中，输出当前焊点的焊核直径。基于本申请实施例，利用人工智能领域的图片识别技术，直接获取超声波探测的当前焊点的回波图片和当前焊点对应的探头直径数据，并将特征处理后的当前焊点的回波图片和当前焊点对应的独热编码后的探头直径数据输入训练后的焊核直径确定模型中，可以得到高准确率的当前焊点的焊核直径。整个处理过程中全部由应用程序实现，无需升级超声波设备，可以节约购买设备成本，也可以节约检测人员培训成本。此外，利用大量历史焊点的回波图片、每个历史焊点对应的探头直径数据和每个历史焊点的实际焊核直径训练焊核直径确定模型，可以提高焊核直径确定模型的准确率，在模型的训练过程中，将二值化处理后的灰度数据与噪音数值集合中对应的噪音数值相加，使得模型具有抵抗无规律噪音影响的功能，可以提高焊核直径确定模型的稳定输出性。
需要说明的是：上述本申请实施例的先后顺序仅仅为了描述，不代表实施例的优劣，且上述本说明书对特定的实施例进行了描述，其他实施例也在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或者步骤可以按照不同的实施例中的顺序来执行并且能够实现预期的结果。另外，在附图中描绘的过程不一定要求示出特定顺序或者而连接顺序才能够实现期望的结果，在某些实施方式中，多任务并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的均为与其他实施例的不同之处。尤其，对于装置和系统的实施例而言，由于其基于相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (11)

1.一种电阻点焊焊核直径的确定方法，其特征在于，包括：
获取当前焊点的回波图片和所述当前焊点对应的探头直径数据；
对所述当前焊点的回波图片进行特征处理，得到第一数据；
其中，所述特征处理包括根据预设比例压缩所述当前焊点的回波图片，得到压缩后的回波图片，对所述压缩后的回波图片进行灰度处理，得到灰度数据，对所述灰度数据进行二值化处理，并将二值化处理后的灰度数据与噪音数值集合中对应的噪音数值相加；所述噪音数值集合中所有噪音数值的均值为0，且标准差为1；
对所述当前焊点对应的探头直径数据进行独热编码，得到当前焊点对应的编码后的探头直径数据；
将所述第一数据和所述当前焊点对应的编码后的探头直径数据输入训练后的焊核直径确定模型中，输出所述当前焊点的焊核直径。
2.根据权利要求1所述的方法，其特征在于，所述焊核直径确定模型的训练步骤包括：
获取历史数据集；所述历史数据集中包括多个历史焊点的回波图片、每个历史焊点对应的探头直径数据和所述每个历史焊点的实际焊核直径；
对所述历史焊点的回波图片进行特征处理，得到第二数据；
其中，所述特征处理包括根据所述预设比例压缩所述历史焊点的回波图片，得到压缩后的回波图片，对所述压缩后的回波图片进行灰度处理，得到灰度数据，对所述灰度数据进行二值化处理，并将二值化处理后的灰度数据与噪音数值集合中对应的噪音数值相加；所述噪音数值集合中所有噪音数值的均值为0，且标准差为1；
对所述每个历史焊点对应的探头直径数据进行独热编码，得到所述每个历史焊点对应的编码后的探头直径数据；
构建预设机器学习模型，将所述预设机器学习模型确定为当前机器学习模型；
基于所述当前机器学习模型，对所述第二数据与所述每个历史焊点对应的编码后的探头直径数据进行预测操作，确定预测焊核直径；
根据所述预测焊核直径和所述实际焊核直径确定均方误差，得到损失值；
当所述损失值大于所述预设阈值时，基于所述损失值进行反向传播，对所述当前机器学习模型进行更新以得到更新后的机器学习模型，将所述更新后的机器学习模型重新确定为当前机器学习模型；重复步骤：对所述第二数据与所述每个历史焊点对应的编码后的探头直径数据进行预测操作，确定预测焊核直径；
当所述损失值小于或者等于所述预设阈值时，将所述当前机器学习模型确定为所述焊核直径确定模型，将所述损失值对应的模型参数确定为所述焊核直径确定模型的参数。
3.根据权利要求2所述的方法，其特征在于，所述焊核直径确定模型包括第一卷积层、第二卷积层、第一全连接层、数据合并层和第二全连接层；
所述第一卷积层、所述第二卷积层、所述第一全连接层、所述数据合并层和所述第二全连接层依次串行连接；
所述数据合并层包括第一输入端和第二输入端，所述第一输入端用于输入所述第一全连接层的输出数据，所述第二输入端用于输入所述每个历史焊点对应的编码后的探头直径数据。
4.根据权利要求3所述的方法，其特征在于，所述第一卷积层、所述第二卷积层、所述第一全连接层和所述第二全连接层均包括多个感知机，所述多个感知机中每个感知机对应含有多个权重系数；
所述对所述当前机器学习模型进行更新以得到更新后的机器学习模型，将所述更新后的机器学习模型重新确定为当前机器学习模型，包括：
对所述第一卷积层、所述第二卷积层、所述第一全连接层和所述第二全连接层中每个感知机对应的多个权重系数进行调整，得到所述更新后的机器学习模型；
将所述更新后的机器学习模型重新确定为当前机器学习模型。
5.根据权利要求1所述的方法，其特征在于，所述回波图片的像素矩阵中含有多个单元像素，所述多个单元像素中单元像素含有第一颜色变量、第二颜色变量或第三颜色变量，
所述对所述压缩后的回波图片进行灰度处理，得到灰度数据，包括：
根据第一预设值和所述第一颜色变量确定单元像素的第一灰度子数据，根据第二预设值和所述第二颜色变量确定单元像素的第二灰度子数据，根据第三预设值和所述第三颜色变量确定单元像素的第三灰度子数据；
确定所述第一灰度子数据、所述第二灰度子数据和所述第三灰度子数据的和为所述单元像素对应的灰度数据。
6.根据权利要求1所述的方法，其特征在于，所述对所述灰度数据进行二值化处理，包括：
根据所述多个像素单元对应的灰度数据确定灰度数据均值；
若所述单元像素的灰度数据大于所述灰度数据均值，确定所述单元像素对应的二值化数据为0。
7.一种电阻点焊焊核直径的确定装置，其特征在于，包括：
第一获取模块，用于获取当前焊点的回波图片和所述当前焊点对应的探头直径数据；
第一处理模块，用于对所述当前焊点的回波图片进行特征处理，得到第一数据；
其中，所述特征处理包括根据预设比例压缩所述当前焊点的回波图片，得到压缩后的回波图片，对所述压缩后的回波图片进行灰度处理，得到灰度数据，对所述灰度数据进行二值化处理，并将二值化处理后的灰度数据与噪音数值集合中对应的噪音数值相加；所述噪音数值集合中所有噪音数值的均值为0，且标准差为1；
第一编码模块，用于对所述当前焊点对应的探头直径数据进行独热编码，得到当前焊点对应的编码后的探头直径数据；
输入输出模块，用于将所述第一数据和所述当前焊点对应的编码后的探头直径数据输入训练后的焊核直径确定模型中，输出所述当前焊点的焊核直径。
8.根据权利要求7所述的装置，其特征在于，还包括：
第二获取模块，用于获取历史数据集；所述历史数据集中包括多个历史焊点的回波图片、每个历史焊点对应的探头直径数据和所述每个历史焊点的实际焊核直径；
第二处理模块，用于对所述历史焊点的回波图片进行特征处理，得到第二数据；
其中，所述特征处理包括根据所述预设比例压缩所述历史焊点的回波图片，得到压缩后的回波图片，对所述压缩后的回波图片进行灰度处理，得到灰度数据，对所述灰度数据进行二值化处理，并将二值化处理后的灰度数据与噪音数值集合中对应的噪音数值相加；所述噪音数值集合中所有噪音数值的均值为0，且标准差为1；
第二编码模块，用于对所述每个历史焊点对应的探头直径数据进行独热编码，得到所述每个历史焊点对应的编码后的探头直径数据；
构建模块，用于构建预设机器学习模型，将所述预设机器学习模型确定为当前机器学习模型；
第一确定模块，用于基于所述当前机器学习模型，对所述第二数据与所述每个历史焊点对应的编码后的探头直径数据进行预测操作，确定预测焊核直径；
第二确定模块，用于根据所述预测焊核直径和所述实际焊核直径确定均方误差，得到损失值；
重复模块，用于当所述损失值大于所述预设阈值时，基于所述损失值进行反向传播，对所述当前机器学习模型进行更新以得到更新后的机器学习模型，将所述更新后的机器学习模型重新确定为当前机器学习模型；重复步骤：对所述第二数据与所述每个历史焊点对应的编码后的探头直径数据进行预测操作，确定预测焊核直径；
第三确定模块，用于当所述损失值小于或者等于所述预设阈值时，将所述当前机器学习模型确定为所述焊核直径确定模型，将所述损失值对应的模型参数确定为所述焊核直径确定模型的参数。
9.一种电阻点焊焊核直径的确定系统，其特征在于，包括：
终端，所述终端装载有电阻点焊焊核直径的确定方法的应用程序，用于显示当前焊点的焊核直径；
超声波设备，与所述终端连接，用于向所述终端发送当前焊点的回波图片、当前焊点对应的探头直径数据和历史数据集；所述历史数据集中包括多个历史焊点的回波图片、每个历史焊点对应的探头直径数据和所述每个历史焊点的实际焊核直径。
10.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现权利要求1-6任意一项所述电阻点焊焊核直径的确定方法。
11.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1-6任意一项所述电阻点焊焊核直径的确定方法。
CN202010562765.XA 2020-06-18 2020-06-18 电阻点焊焊核直径的确定方法、装置、系统及电子设备 Active CN111912905B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010562765.XA CN111912905B (zh) 2020-06-18 2020-06-18 电阻点焊焊核直径的确定方法、装置、系统及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010562765.XA CN111912905B (zh) 2020-06-18 2020-06-18 电阻点焊焊核直径的确定方法、装置、系统及电子设备

Publications (2)

Publication Number Publication Date
CN111912905A true CN111912905A (zh) 2020-11-10
CN111912905B CN111912905B (zh) 2023-08-01

Family

ID=73237928

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010562765.XA Active CN111912905B (zh) 2020-06-18 2020-06-18 电阻点焊焊核直径的确定方法、装置、系统及电子设备

Country Status (1)

Country Link
CN (1) CN111912905B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11166917A (ja) * 1997-12-05 1999-06-22 Nkk Corp 重ね抵抗溶接部の溶接状態検査方法および装置
US20030234239A1 (en) * 2002-02-20 2003-12-25 Hsu-Tung Lee Method and system for assessing quality of spot welds
US20040245315A1 (en) * 2003-06-04 2004-12-09 Maev Roman Gr. Method and apparatus for assessing the quality of spot welds
CN1811335A (zh) * 2006-03-03 2006-08-02 北京工业大学 点焊熔核直径的无损检测方法
CN101241001A (zh) * 2008-02-28 2008-08-13 河北工业大学 一种铝合金电阻点焊熔核直径实时检测的方法
CN102654482A (zh) * 2012-03-14 2012-09-05 重庆理工大学 电阻点焊熔核形核动态质量无损检测方法
KR20140118574A (ko) * 2013-03-29 2014-10-08 경일대학교산학협력단 비파괴 검사를 위한 장치 및 방법
CN104729434A (zh) * 2015-03-06 2015-06-24 武汉理工大学 一种点焊熔核直径的定量化超声波无损检测方法
CN106370733A (zh) * 2016-08-15 2017-02-01 广西艾盛创制科技有限公司 一种基于超声回波特征的焊点质量评价标准建立方法
CN109387563A (zh) * 2017-08-11 2019-02-26 上汽通用五菱汽车股份有限公司 一种建立焊点质量检测标准的方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11166917A (ja) * 1997-12-05 1999-06-22 Nkk Corp 重ね抵抗溶接部の溶接状態検査方法および装置
US20030234239A1 (en) * 2002-02-20 2003-12-25 Hsu-Tung Lee Method and system for assessing quality of spot welds
US20040245315A1 (en) * 2003-06-04 2004-12-09 Maev Roman Gr. Method and apparatus for assessing the quality of spot welds
CN1811335A (zh) * 2006-03-03 2006-08-02 北京工业大学 点焊熔核直径的无损检测方法
CN101241001A (zh) * 2008-02-28 2008-08-13 河北工业大学 一种铝合金电阻点焊熔核直径实时检测的方法
CN102654482A (zh) * 2012-03-14 2012-09-05 重庆理工大学 电阻点焊熔核形核动态质量无损检测方法
KR20140118574A (ko) * 2013-03-29 2014-10-08 경일대학교산학협력단 비파괴 검사를 위한 장치 및 방법
CN104729434A (zh) * 2015-03-06 2015-06-24 武汉理工大学 一种点焊熔核直径的定量化超声波无损检测方法
CN106370733A (zh) * 2016-08-15 2017-02-01 广西艾盛创制科技有限公司 一种基于超声回波特征的焊点质量评价标准建立方法
CN109387563A (zh) * 2017-08-11 2019-02-26 上汽通用五菱汽车股份有限公司 一种建立焊点质量检测标准的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
K. C. KIRN, A等: "Neural Network Analysis for Evaluating Welding Process", 《AMERICAN INSTITUTE OF PHYSICS》 *
史立丰,郑祥明,史耀武: "超声C扫描检测铝合金电阻点焊的焊核直径", 无损检测 *
苏珊等: "基于超声波检测的点焊焊核直径有限元分析", 《河南理工大学学报》 *

Also Published As

Publication number Publication date
CN111912905B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN108154508B (zh) 产品缺陷检测定位的方法、装置、存储介质及终端设备
O’Byrne et al. Texture analysis based damage detection of ageing infrastructural elements
Zapata et al. An adaptive-network-based fuzzy inference system for classification of welding defects
JP2019035626A (ja) タイヤ画像の認識方法及びタイヤ画像の認識装置
WO2018203470A1 (en) Learning apparatus, learning method, and learning program
CN111915572B (zh) 一种基于深度学习的自适应齿轮点蚀定量检测系统及方法
WO2019176993A1 (ja) 検査システム、画像識別システム、識別システム、識別器生成システム、及び学習データ生成装置
US20220300809A1 (en) Data generation system, learning apparatus, data generation apparatus, data generation method, and computer-readable storage medium storing a data generation program
CN109086876A (zh) 设备的运行状态检测方法、装置、计算机设备和存储介质
CN110264444A (zh) 基于弱分割的损伤检测方法及装置
KR20030089784A (ko) 프랙탈 차원을 이용한 디스플레이 장치의 화질 분석 방법및 시스템
CN113554645B (zh) 基于wgan的工业异常检测方法和装置
CN115270266A (zh) 基于改进层次分析法的边坡监测状态风险判断方法
CN111387932B (zh) 一种视力检测方法、装置及设备
CN110597934A (zh) 生成水质信息地图的方法及装置
CN111912905B (zh) 电阻点焊焊核直径的确定方法、装置、系统及电子设备
JP2019158684A (ja) 検査システム、識別システム、及び識別器評価装置
JP7265915B2 (ja) 津波高及び津波到達時間予測システム
CN116091403B (zh) 一种彩色夜视融合图像质量主客观评价方法
Jung et al. Univariant assessment of the quality of images
CN116542963A (zh) 一种基于机器学习的浮法玻璃缺陷检测系统及检测方法
Sinha Automated underground pipe inspection using a unified image processing and artificial intelligence methodology
CN111241725B (zh) 基于条件生成对抗网络的结构响应重构方法
KR102667862B1 (ko) 정보 시각화를 이용한 중전기기 모니터링 시스템 및 그 방법
Delgorge et al. Towards a new tool for the evaluation of the quality of ultrasound compressed images

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant