CN112171057B - 基于激光焊接的质量检测方法、装置及存储介质 - Google Patents
基于激光焊接的质量检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112171057B CN112171057B CN202010947802.9A CN202010947802A CN112171057B CN 112171057 B CN112171057 B CN 112171057B CN 202010947802 A CN202010947802 A CN 202010947802A CN 112171057 B CN112171057 B CN 112171057B
- Authority
- CN
- China
- Prior art keywords
- information
- neural network
- distribution
- welding
- target
- 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.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K26/00—Working by laser beam, e.g. welding, cutting or boring
- B23K26/20—Bonding
- B23K26/21—Bonding by welding
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K26/00—Working by laser beam, e.g. welding, cutting or boring
- B23K26/70—Auxiliary operations or equipment
- B23K26/702—Auxiliary equipment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Optics & Photonics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mechanical Engineering (AREA)
- Plasma & Fusion (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Laser Beam Processing (AREA)
Abstract
本发明公开了基于激光焊接的质量检测方法,包括以下步骤:采集在标准时间段内的焊接训练信息;将分布内异常信息划分为:分布内异常训练信息和分布内异常检测信息;对正常信息和分布内异常训练信息进行质量分类的标记处理,得到标记焊接信息;构建初始神经网络,通过所述标记焊接信息对所述初始神经网络进行训练,得到标准神经网络;通过分布内异常检测信息和分布外异常信息对标准神经网络进行检测,提取准确率大于准确阈值的标准神经网络,得到目标神经网络;获取在目标时间段内的焊接目标信息,并输入到目标神经网络进行分类处理,得到焊接目标信息的质量类型。本发明能够对产品的焊接质量进行检测和分类,提高了质量检测的效率和准确性。
Description
技术领域
本发明涉及焊接技术领域,具体涉及一种基于激光焊接的质量检测方法、装置及存储介质。
背景技术
激光焊接是一种先进的焊接工艺,凭借其能量密度大、焊接速度高、焊缝热影响区小、变形小、接头机械性能高等优势,在工业界的各个领域占据着不可替代的地位。
但是在激光焊接的过程中,也会出现焊接异常的情况,一般包括有:分布内异常和分布外异常;其中,分布内异常是常见的异常问题,比较容易分辨,而分布外异常的情况由于出现机率比较少,分辨难度也较大,从而容易降低产品的焊接质量检测的准确性。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种基于激光焊接的质量检测方法、装置及存储介质,能够对产品的焊接质量进行检测和分类,提高了质量检测的效率和准确性。
根据本发明的实施例的基于激光焊接的质量检测方法,包括以下步骤:
采集在标准时间段内的焊接训练信息;所述焊接训练信息包括:正常信息、分布内异常信息和分布外异常信息;
将所述分布内异常信息划分为:分布内异常训练信息和分布内异常检测信息;
对所述正常信息和所述分布内异常训练信息进行质量分类的标记处理,得到标记焊接信息;
构建初始神经网络,通过所述标记焊接信息对所述初始神经网络进行训练,得到标准神经网络;
通过所述分布内异常检测信息和所述分布外异常信息对所述标准神经网络进行检测,提取准确率大于准确阈值的所述标准神经网络,得到目标神经网络;
获取在目标时间段内的焊接目标信息,并将所述焊接目标信息输入到所述目标神经网络进行分类处理,得到所述焊接目标信息的质量类型;所述质量类型包括:正常、分布内异常和分布外异常。
根据本发明实施例的基于激光焊接的质量检测方法,至少具有如下有益效果:通过对正常信息和分布内异常训练信息进行质量分类的标记处理,有利于对初始神经网络进行训练,使得标准神经网络具有识别质量类型为正常和分布内异常的能力;通过分布内异常检测信息和分布外异常信息对标准神经网络进行检测,使得目标神经网络具有识别质量类型为分布外异常的能力,从而使得目标神经网络能够对焊接目标信息进行有效的分类处理,便于用户获取质量分类类型,从而提高了焊接质量检测的效率和准确性。
根据本发明的一些实施例,所述正常信息、所述分布内异常信息和所述分布外异常信息内的数据类型相同,且所述数据类型至少包括有以下之一:等离子浓度变化数据、温度变化数据和激光反射强度变化数据。
根据本发明的一些实施例,所述质量分类的标记类型包括以下至少之一:正常、离焦、漏焊、重焊、反面焊接、位置漂移、位置倾斜、母材有污点和母材有水。
根据本发明的一些实施例,所述初始神经网络包括:用于输出各类质量类型概率的分类层、用于输出置信度的全连接层,以及依次连接的第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层和第三最大池化层;所述第三最大池化层分别与所述分类层和所述全连接层连接。
根据本发明的一些实施例,所述分类层内设置有softmax分类器。
根据本发明的一些实施例,所述通过所述分布内异常检测信息和所述分布外异常信息对所述标准神经网络进行检测,提取准确率大于准确阈值的所述标准神经网络,得到目标神经网络,包括以下步骤:
将所述分布内异常检测信息划分为:第一分布内信息和第二分布内信息;
通过所述第一分布内信息对所述标准神经网络进行检测,得到若干标准类型和若干置信度;
通过若干所述标准类型,确认所述标准神经网络的第一准确度,提取所述第一准确度大于第一准确阈值的所述标准神经网络,得到第一检测神经网络;
通过若干所述置信度确认平均置信度,并提取所述平均置信度大于置信度阈值的所述第一检测神经网络,得到第二检测神经网络;
通过所述第二分布内信息和所述分布外异常信息对所述第二检测神经网络进行检测,得到所述第二检测神经网络的第二准确度;
提取所述第二准确度大于第二准确阈值的所述第二检测神经网络,得到目标神经网络。
根据本发明的一些实施例,所述获取在目标时间段内的焊接目标信息,并将所述焊接目标信息输入到所述目标神经网络进行分类处理,得到所述焊接目标信息的质量类型,包括以下步骤:
获取在目标时间段内的焊接目标信息,并将所述焊接目标信息输入到所述目标神经网络进行分类处理,得到若干个目标类型,以及所述目标类型对应的概率;
根据概率最大的所述目标类型,得到所述焊接目标信息的质量类型。
根据本发明的第二方面的实施例的一种基于激光焊接的质量检测装置,包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如以上任一项所述的一种基于激光焊接的质量检测方法。
根据本发明的第三方面的实施例的一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如以上任一项所述的一种基于激光焊接的质量检测方法。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本发明实施例的焊接质量的检测方法的流程图;
图2是根据本发明实施例的初始神经网络的结构图;
图3是根据本发明实施例的漏焊的焊接训练信息的状态图。
具体实施方式
下面结合附图,对本发明实施例作进一步阐述。
如图1所示,根据本发明实施例的一种基于激光焊接的质量检测方法,包括:
步骤S100:采集在标准时间段内的焊接训练信息;所述焊接训练信息包括:正常信息、分布内异常信息和分布外异常信息;
步骤S200:将分布内异常信息划分为:分布内异常训练信息和分布内异常检测信息;
步骤S300:对正常信息和分布内异常训练信息进行质量分类的标记处理,得到标记焊接信息;
步骤S400:构建初始神经网络,通过所述标记焊接信息对所述初始神经网络进行训练,得到标准神经网络;
步骤S500:通过分布内异常检测信息和分布外异常信息对标准神经网络进行检测,提取准确率大于准确阈值的标准神经网络,得到目标神经网络;
步骤S600:获取在目标时间段内的焊接目标信息,并将所述焊接目标信息输入到所述目标神经网络进行分类处理,得到所述焊接目标信息的质量类型;所述质量类型包括:正常、分布内异常和分布外异常。
具体地,在步骤S100中,由于焊接的质量类型一般包括有:正常、分布内异常和分布外异常,因此通过获取正常信息、分布内异常信息和分布外异常信息,能够有效的对这三种类型进行分析。
在步骤S200、步骤S300和步骤S400中,通过对分布内异常信息进行划分,并对正常信息和分布内异常训练信息进行质量分类的标记处理,有利于对初始神经网络进行训练,使得标准神经网络具有识别质量类型为正常和分布内异常的能力。
在步骤S500中,通过分布外异常信息对标准神经网络进行检测,筛选出能够识别分布外异常类型的目标神经网络;并且,同时通过分布内异常信息和分布外异常信息对标准神经网络进行检测,能够检测标准神经网络对于分布内异常信息和分布外异常信息类型识别的准确性,从而提高标准神经网络的分类准确性。
在步骤S600中,目标神经网络能够有效的对焊接目标信息进行识别和分类,便于用户获取质量类型,从而提高了焊接质量检测的效率和准确性。
其中,标准时间段和目标时间段的长度没有限制,可以根据实际的需要而设置,例如是选取连续时间内的128秒。
在本发明的一些具体实施例中,所述正常信息、所述分布内异常信息和所述分布外异常信息内的数据类型相同,且所述数据类型至少包括有以下之一:等离子浓度变化数据、温度变化数据和激光反射强度变化数据。
具体地,通过使正常信息、分布内异常信息和分布外异常信息内的数据类型相同,从而减少正常信息、分布内异常信息和分布外异常信息对初始神经网络训练的差异,也减少目标神经网络对正常信息、分布内异常信息和分布外异常信息的识别和分类的差异,进而在整体上提高了质量分类的准确性。
由于在激光焊接的过程中,会伴随着光信号、电信号和热信号的释出,因此通过检测光信号、电信号或热信号的变化状态,即能有效的对焊接训练信息的质量类型进行分析。
由于电信号的强弱变化,会引起母材上等离子浓度的变化,因此通过采集等离子浓度变化信息可以反映电信号的强弱变化;而温度变化信息可以反映热信号的变化,激光反射强度变化信息可以反映光信号的变化。并且,等离子浓度变化信息和激光反射强度变化信息可以通过硅探测器获取,而温度变化信息可以通过红外测温仪获取。
在本发明的一些具体实施例中,质量分类的标记类型包括以下至少之一:正常、离焦、漏焊、重焊、反面焊接、位置漂移、位置倾斜、母材有污点和母材有水。
具体地,在一般情况下,母材焊接出现的分布内异常情况包括以下几种:离焦、漏焊、重焊、反面焊接、位置漂移、位置倾斜、母材有污点和母材有水。
其中,离焦是指:母材上的焊接点并没有在标准焊接焦距的误差范围内,导致母材焊接的不稳定或失败,且离焦一般包括有离焦2mm和离焦-2mm。离焦2mm是指:母材上的焊接点与标准焊接焦距之间的距离超过2mm;离焦-2mm是指:母材上的焊接点与标准焊接焦距之间的距离小于-2mm。
漏焊是指:在母材焊接过程中存在没有焊接的焊接点;重焊是指:在同一个焊接点上重复焊接;反面焊接是指:在母材的反面进行焊接,即焊接面错误;位置漂移是指:在母材上焊接时,母材出现位置的漂移或偏移;位置倾斜是指:在母材上焊接时,母材出现位置的倾斜或反侧;母材有污点是指:母材上存在污点;母材有水是指:母材上存在水。上述类型均会使焊接的质量下降,导致母材上的焊接点出现质量问题。
通过设置本实施例的质量分类的标记类型的种类,使得训练完成的目标神经网络能够有效的对已设置的质量类型进行识别和分类。例如设置本实施例的质量分类的标记类型为正常、离焦2mm、离焦-2mm和漏焊,那么目标神经网络得到的焊接目标信息的质量类型可能为正常、离焦2mm、离焦-2mm或漏焊。
在本发明的一些具体实施例中,初始神经网络包括:用于输出各质量类型概率的分类层、用于输出置信度的全连接层,以及依次连接的第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层和第三最大池化层;所述第三最大池化层分别与分类层和全连接层连接。
例如,如图2所示,第一卷积层能够提取标记焊接信息内的若干第一判别特征,第一最大池化层能够提取若干第一判别特征内的若干第一最强特征,第二卷积层能够提取若干第一最强特征内的若干第二判别特征,第二最大池化层能够提取若干第二判别特征内的若干第二最强特征,第三卷积层能够提取若干第二最强特征内的若干第三判别特征,第三最大池化层能够提取若干第三判别特征内的若干第三最强特征。
分类层能够对若干第三最强特征进特征降维,提取出特征值较高的重点特征,并且根据特征值之间的数值大小,获取与焊接训练信息最相近的质量类型。全连接层能够提取该质量类型的置信度,即初始神经网络对于得到该质量类型的可信度。
在本发明的一些具体实施例中,分类层内设置有softmax分类器。
具体地,softmax分类器能够将提取得到的特征值映射为0-1之间的实数,并对特征值进行归一化,使所有特征值之和为1,从而便于特征值之间的数值大小的比较,反映出各个质量类型的概率。
在本发明的一些具体实施例中,通过分布内异常检测信息和分布外异常信息对标准神经网络进行检测,提取准确率大于准确阈值的标准神经网络,得到目标神经网络,包括以下步骤:
步骤S510:将所述分布内异常检测信息划分为:第一分布内信息和第二分布内信息;
步骤S520:通过所述第一分布内信息对所述标准神经网络进行检测,得到若干标准类型和若干置信度;
步骤S530:通过若干所述标准类型,确认所述标准神经网络的第一准确度,提取所述第一准确度大于第一准确阈值的所述标准神经网络,得到第一检测神经网络;
步骤S540:通过若干所述置信度确认平均置信度,并提取所述平均置信度大于置信度阈值的所述第一检测神经网络,得到第二检测神经网络;
步骤S550:通过所述第二分布内信息和所述分布外异常信息对所述第二检测神经网络进行检测,得到所述第二检测神经网络的第二准确度;
步骤S560:提取所述第二准确度大于第二准确阈值的所述第二检测神经网络,得到目标神经网络。
具体地,在步骤S520中,由于第一分布内信息的数量有若干个,那么标准神经网络通过对第一分布内信息进行识别和分类处理,能够得到若干个标准类型和若干置信度。
在步骤S530中,由于第一分布内信息的质量类型是已知的,故通过将已知的质量类型与标准质量类型进行对比,得到标准神经网络的第一准确度。通过提取第一准确度大于第一准确阈值的标准神经网络,使得筛选的第一检测神经网络对于分布内异常类型的检测准确性较高。
在步骤S540中,求取若干置信度的平均值,得到平均置信度,平均置信度有效的反映了标准神经网络的可信度;通过筛选平均置信度大于置信度阈值的第一检测神经网络,使得第二检测神经网络对于分布内异常类型检测的可信度较强。
在步骤S550和步骤S560中,通过第二分布内信息和分布外异常信息对第二检测神经网络进行检测,能够得到第二分布内信息的分布内置信度序列,以及分布外异常信息的分布外置信度序列。
提取分布内置信度序列和分布外置信度序列中的最大置信度和最小置信度,得到置信度空间。并且,根据最大置信度、最小置信度,以及分布内置信度序列和分布外置信度序列中的置信度的总数量,通过以下公式能够得到步长:
其中,S为步长,δmax为最大置信度,δmin为最小置信度,i为分布内置信度序列和分布外置信度序列中的置信度的总数量。
通过设置测试阈值,并使其数值大小与最小置信度相等,然后按照下述的关系式,获取分布内置信度序列和分布外异常信息的预测结果序列:
其中,c为置信度,δ为测试阈值,p(c;δ)为c与δ之间的比较值,0代表为分布内异常类型,1代表分布外异常类型。上述关系式的含义可以表示为:若分布内置信度序列内的置信度大于测试阈值,则使其比较值为0,否则比较值为1,从而得到分布内预测结果序列;若分布外异常信息内的置信度大于测试阈值,则使其比较值为0,否则比较值为1,从而得到分布外预测结果序列。
由于分布内置信度序列是由分布内异常类型的数据产生的,因此分布内置信度序列内的比较值应该全部为0,但是实际预测的结果有可能不同,通过分布内预测结果序列,可以计算得到分布内类型准确率。
由于分布外置信度序列是由分布外异常类型的数据产生的,因此分布外置信度序列内的比较值应该全部为1,但是实际预测的结果有可能不同,通过分布外预测结果序列,可以计算得到分布外类型准确率。求取分布内类型准确率和分布外类型准确率的平均值,得到平均准确率。
通过使测试阈值满足关系式:δ=δmin+NS,其中N为正整数,从而能够得到每个步长下的平均准确率,提取最大平均准确率,并使最大平均准确率定义为第二准确度,通过使第二准确度与第二准确阈值进行比较,若第二准确度大于第二准确阈值,则该第二检测神经网络满足需求,得到的目标神经网络对于分布内异常和分布外异常的检测准确性都较高。
例如,分布内置信度序列为{0.4,0.45,0.95,0.98,0.99},分布外置信度序列为{0.1,0.05,0.08,0.12,0.6},那么最大置信度为0.99,最小置信度为0.05,置信度空间为[0.05,0.99],i为10,则步长S为0.094。
首先,测试阈值δ=0.05,得到分布内预测结果序列{0,0,0,0,0},分布外预测结果序列{0,1,0,0,0},那么分布内预测结果序列的准确率为100%,分布外预测结果序列的准确率为20%,则平均准确率为60%。
然后,通过关系式δ=δmin+NS,使N为1,得到δ=0.144,再求取平均准确率;继续操作这个步骤,直到测试阈值超出置信度空间的范围,即δ>0.99,则停止求取平均准确率。接着,通过比较所有平均准确率的数值大小,提取第二准确度与第二准确阈值进行比较。
在本发明的一些具体实施例中,获取在目标时间段内的焊接目标信息,并将所述焊接目标信息输入到所述目标神经网络进行分类处理,得到所述焊接目标信息的质量类型,包括以下步骤:
步骤S610:获取在目标时间段内的焊接目标信息,并将所述焊接目标信息输入到所述目标神经网络进行分类处理,得到若干个目标类型,以及所述目标类型对应的概率;
步骤S620:根据概率最大的所述目标类型,得到所述焊接目标信息的质量类型。
具体地,目标神经网络能够对焊接目标信息的特征进行识别和分类,得到的目标类型概率可以反映焊接目标信息属于该目标类型的可能性大小。通过筛选出概率最大的目标类型,就是该焊接目标信息最可能属于的质量类型。
根据本发明实施例的基于激光焊接的质量检测方法的其他构成以及操作,对于本领域普通技术人员而言都是已知的,这里不再详细描述。
下面参考图1和图2,以一个具体的实施例详细描述根据本发明实施例的基于激光焊接的质量检测方法,值得理解的是,下述描述仅是示例性说明,而不是对发明的具体限制。
如图1和图2所示,基于激光焊接的质量检测方法,包括以下步骤:
步骤S100:采集在标准时间段内的焊接训练信息;所述焊接训练信息包括:正常信息、分布内异常信息和分布外异常信息;所述焊接训练信息通过以下数据进行显示:等离子浓度变化数据、温度变化数据和激光反射强度变化数据;
步骤S200:将分布内异常信息划分为:分布内异常训练信息和分布内异常检测信息;
步骤S300:对正常信息和分布内异常训练信息进行质量分类的标记处理,得到标记焊接信息;所述质量分类的标记类型包括:正常、离焦2mm、离焦-2mm、漏焊、重焊、反面焊接、位置漂移、位置倾斜、母材有污点和母材有水;
步骤S400:构建初始神经网络,通过所述标记焊接信息对所述初始神经网络进行训练,得到标准神经网络;所述初始神经网络包括:用于输出各质量类型概率的分类层、用于输出置信度的全连接层,以及依次连接的第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层和第三最大池化层;所述第三最大池化层分别与分类层和全连接层连接;
步骤S510:将所述分布内异常检测信息划分为:第一分布内信息和第二分布内信息;
步骤S520:通过所述第一分布内信息对所述标准神经网络进行检测,得到若干标准类型和若干置信度;
步骤S530:通过若干所述标准类型,确认所述标准神经网络的第一准确度,提取所述第一准确度大于第一准确阈值的所述标准神经网络,得到第一检测神经网络;
步骤S540:通过若干所述置信度确认平均置信度,并提取所述平均置信度大于置信度阈值的所述第一检测神经网络,得到第二检测神经网络;
步骤S550:通过所述第二分布内信息和所述分布外异常信息对所述第二检测神经网络进行检测,得到所述第二检测神经网络的第二准确度;
步骤S560:提取所述第二准确度大于第二准确阈值的所述第二检测神经网络,得到目标神经网络;
步骤S610:获取在目标时间段内的焊接目标信息,并将所述焊接目标信息输入到所述目标神经网络进行分类处理,得到若干个目标类型,以及所述目标类型对应的概率;
步骤S620:根据概率最大的所述目标类型,得到所述焊接目标信息的质量类型。
根据本发明实施例的基于激光焊接的质量检测方法,通过如此设置,可以达成至少如下的一些效果,在步骤S100中,由于正常信息、分布内异常信息和分布外异常信息的等离子浓度变化数据、温度变化数据和激光反射强度变化数据都有所差异,因此通过分析等离子浓度变化数据、温度变化数据和激光反射强度变化数据,即能区分正常信息、分布内异常信息和分布外异常信息。
在步骤S300中,将正常信息标记为正常;然后根据分布内异常训练信息的等离子浓度变化数据、温度变化数据和激光反射强度变化数据,将其区分为离焦2mm、离焦-2mm、漏焊、重焊、反面焊接、位置漂移、位置倾斜、母材有污点或母材有水的类型,并使其带上相应的质量分类标记。
例如,当焊接训练信息属于漏焊的情况时,在一个持续的时间段内,如图3(a)所示,等离子浓度相对于正常值会略有下降;如图3(b)所示,激光反射强度相对于正常值会急剧上升;如图3(c)所示,温度相对于正常值会迅速下降。那么,若观察得到分布内异常训练信息的离子浓度变化信息、温度变化信息和激光反射强度变化信息属于上述的情况,则将焊接训练信息标记为漏焊。
在步骤S400中,通过标记焊接信息对所述初始神经网络进行训练,使得标准神经网络具有识别质量类型为正常和分布内异常的能力。
在步骤S510-步骤S540中,通过提取第一准确度大于第一准确阈值的标准神经网络,使得筛选的第一检测神经网络对于分布内异常类型的检测准确性较高;通过筛选平均置信度大于置信度阈值的第一检测神经网络,使得第二检测神经网络对于分布内异常类型检测的可信度较强。
在步骤S550和步骤S560中,通过第二分布内信息和分布外异常信息对第二检测神经网络进行检测,使得第二检测神经网络具有识别分布外异常类型的能力;同时能够提高第二检测神经网络对于分布内异常和分布外异常类型识别的准确性,从而提高标准神经网络的分类准确性。
在步骤S610和步骤S620中,目标神经网络能够对焊接目标信息的特征进行识别和分类,得到的目标类型概率可以反映焊接目标信息属于该目标类型的可能性大小。通过筛选出概率最大的目标类型,就是该焊接目标信息最可能属于的质量类型。
例如,将漏焊的焊接目标信息输入到目标神经网络中,那么目标神经网络得到的目标类型有:正常、离焦2mm、离焦-2mm、漏焊、重焊、反面焊接、位置漂移、位置倾斜、母材有污点、母材有水和分布外异常,且目标类型对应的概率为:0.05、0.05、0.05、0.45、0.05、0.05、0.05、0.05、0.05、0.05、0.1,可以看出对应概率最高的为0.45,而0.45对应的目标类型为漏焊,则目标神经网络输出的质量类型为漏焊。
通过上述方法对产品的焊接质量进行检测和分类,有效的提高了质量检测的效率和准确性,从而提高了产品的合格率。
此外,本发明的另一个实施例还提供了一种基于激光焊接的质量检测装置,包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如上的任一项所述的一种基于激光焊接的质量检测方法。
在本实施例中,检测装置包括:一个或多个控制处理器和存储器,控制处理器和存储器可以通过总线或者其他方式连接。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块,如本发明实施例中的检测方法对应的程序指令/模块。控制处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行检测装置的各种功能应用以及数据处理,即实现上述方法实施例的检测方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据检测装置的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于控制处理器远程设置的存储器,这些远程存储器可以通过网络连接至该检测装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器中,当被所述一个或者多个控制处理器执行时,执行上述方法实施例中的检测方法,例如,执行以上描述检测方法步骤S100至S600、S510至S560、以及S610至S620的功能。
本发明实施例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存储有计算机可执行指令,该计算机可执行指令被一个或多个控制处理器执行,例如,一个控制处理器执行,可使得上述一个或多个控制处理器执行上述方法实施例中的检测方法,例如,执行以上描述的方法步骤S100至S600、S510至S560、以及S610至S620的功能。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述,本领域技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现。本领域技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(ReadOnly Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、或“本实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、或“本实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (9)
1.一种基于激光焊接的质量检测方法,其特征在于,包括以下步骤:
采集在标准时间段内的焊接训练信息;所述焊接训练信息包括:正常信息、分布内异常信息和分布外异常信息;
将所述分布内异常信息划分为:分布内异常训练信息和分布内异常检测信息;
对所述正常信息和所述分布内异常训练信息进行质量分类的标记处理,得到标记焊接信息;
构建初始神经网络,通过所述标记焊接信息对所述初始神经网络进行训练,得到标准神经网络;
通过所述分布内异常检测信息和所述分布外异常信息对所述标准神经网络进行检测,提取准确率大于准确阈值的所述标准神经网络,得到目标神经网络;
获取在目标时间段内的焊接目标信息,并将所述焊接目标信息输入到所述目标神经网络进行分类处理,得到所述焊接目标信息的质量类型;所述质量类型包括:正常、分布内异常和分布外异常。
2.根据权利要求1所述的一种基于激光焊接的质量检测方法,其特征在于:所述正常信息、所述分布内异常信息和所述分布外异常信息内的数据类型相同,且所述数据类型至少包括有以下之一:等离子浓度变化数据、温度变化数据和激光反射强度变化数据。
3.根据权利要求1所述的一种基于激光焊接的质量检测方法,其特征在于:所述质量分类的标记类型包括以下至少之一:正常、离焦、漏焊、重焊、反面焊接、位置漂移、位置倾斜、母材有污点和母材有水。
4.根据权利要求1所述的一种基于激光焊接的质量检测方法,其特征在于:所述初始神经网络包括:用于输出各类质量类型概率的分类层、用于输出置信度的全连接层,以及依次连接的第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层和第三最大池化层;所述第三最大池化层分别与所述分类层和所述全连接层连接。
5.根据权利要求4所述的一种基于激光焊接的质量检测方法,其特征在于:所述分类层内设置有softmax分类器。
6.根据权利要求1所述的一种基于激光焊接的质量检测方法,其特征在于:所述通过所述分布内异常检测信息和所述分布外异常信息对所述标准神经网络进行检测,提取准确率大于准确阈值的所述标准神经网络,得到目标神经网络,包括以下步骤:
将所述分布内异常检测信息划分为:第一分布内信息和第二分布内信息;
通过所述第一分布内信息对所述标准神经网络进行检测,得到若干标准类型和若干置信度;
通过若干所述标准类型,确认所述标准神经网络的第一准确度,提取所述第一准确度大于第一准确阈值的所述标准神经网络,得到第一检测神经网络;
通过若干所述置信度确认平均置信度,并提取所述平均置信度大于置信度阈值的所述第一检测神经网络,得到第二检测神经网络;
通过所述第二分布内信息和所述分布外异常信息对所述第二检测神经网络进行检测,得到所述第二检测神经网络的第二准确度;
提取所述第二准确度大于第二准确阈值的所述第二检测神经网络,得到目标神经网络。
7.根据权利要求6所述的一种基于激光焊接的质量检测方法,其特征在于:所述获取在目标时间段内的焊接目标信息,并将所述焊接目标信息输入到所述目标神经网络进行分类处理,得到所述焊接目标信息的质量类型,包括以下步骤:
获取在目标时间段内的焊接目标信息,并将所述焊接目标信息输入到所述目标神经网络进行分类处理,得到若干个目标类型,以及所述目标类型对应的概率;根据概率最大的所述目标类型,得到所述焊接目标信息的质量类型。
8.一种基于激光焊接的质量检测装置,其特征在于,包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如权利要求1-7任一项所述的基于激光焊接的质量检测方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1-7任一项所述的基于激光焊接的质量检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010947802.9A CN112171057B (zh) | 2020-09-10 | 2020-09-10 | 基于激光焊接的质量检测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010947802.9A CN112171057B (zh) | 2020-09-10 | 2020-09-10 | 基于激光焊接的质量检测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112171057A CN112171057A (zh) | 2021-01-05 |
CN112171057B true CN112171057B (zh) | 2022-04-08 |
Family
ID=73921765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010947802.9A Active CN112171057B (zh) | 2020-09-10 | 2020-09-10 | 基于激光焊接的质量检测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112171057B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113210936B (zh) * | 2021-04-23 | 2022-05-31 | 张家港华程机车精密制管有限公司 | 一种直缝焊管的焊接方法、系统和可读介质 |
CN113210824B (zh) * | 2021-05-26 | 2022-09-02 | 上海大制科技有限公司 | 一种伺服焊枪驱动的异常检测方法及设备 |
CN114523201A (zh) * | 2022-01-31 | 2022-05-24 | 扬州市恒泰人防设备有限公司 | 一种安全门的全自动激光焊接系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000135580A (ja) * | 1998-10-29 | 2000-05-16 | Honda Motor Co Ltd | レーザ溶接部の検査方法 |
CN106271036A (zh) * | 2016-08-12 | 2017-01-04 | 广州市精源电子设备有限公司 | 超声波金属焊接质量评估方法、装置和超声波金属焊接机 |
CN107463927A (zh) * | 2017-09-21 | 2017-12-12 | 广东工业大学 | 一种基于卷积神经网络的道路减速带检测方法及装置 |
CN108500498A (zh) * | 2018-03-26 | 2018-09-07 | 华中科技大学 | 一种焊缝成型质量监测方法 |
CN109308489A (zh) * | 2018-09-03 | 2019-02-05 | 中国人民解放军国防科技大学 | 一种元件电弧焊焊接质量检测方法 |
CN109886298A (zh) * | 2019-01-16 | 2019-06-14 | 江苏大学 | 一种基于卷积神经网络的焊缝质量检测方法 |
CN109940305A (zh) * | 2019-03-19 | 2019-06-28 | 天津大学 | 基于等离子体电信号的激光深熔焊智能监测系统及方法 |
CN110349145A (zh) * | 2019-07-09 | 2019-10-18 | 京东方科技集团股份有限公司 | 缺陷检测方法、装置、电子设备以及存储介质 |
CN110881022A (zh) * | 2018-09-06 | 2020-03-13 | 福建雷盾信息安全有限公司 | 一种大型网络安全态势检测分析方法 |
CN111069736A (zh) * | 2019-12-27 | 2020-04-28 | 唐山松下产业机器有限公司 | 存储介质、焊接设备、焊接异常检测方法及装置 |
-
2020
- 2020-09-10 CN CN202010947802.9A patent/CN112171057B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000135580A (ja) * | 1998-10-29 | 2000-05-16 | Honda Motor Co Ltd | レーザ溶接部の検査方法 |
CN106271036A (zh) * | 2016-08-12 | 2017-01-04 | 广州市精源电子设备有限公司 | 超声波金属焊接质量评估方法、装置和超声波金属焊接机 |
CN107463927A (zh) * | 2017-09-21 | 2017-12-12 | 广东工业大学 | 一种基于卷积神经网络的道路减速带检测方法及装置 |
CN108500498A (zh) * | 2018-03-26 | 2018-09-07 | 华中科技大学 | 一种焊缝成型质量监测方法 |
CN109308489A (zh) * | 2018-09-03 | 2019-02-05 | 中国人民解放军国防科技大学 | 一种元件电弧焊焊接质量检测方法 |
CN110881022A (zh) * | 2018-09-06 | 2020-03-13 | 福建雷盾信息安全有限公司 | 一种大型网络安全态势检测分析方法 |
CN109886298A (zh) * | 2019-01-16 | 2019-06-14 | 江苏大学 | 一种基于卷积神经网络的焊缝质量检测方法 |
CN109940305A (zh) * | 2019-03-19 | 2019-06-28 | 天津大学 | 基于等离子体电信号的激光深熔焊智能监测系统及方法 |
CN110349145A (zh) * | 2019-07-09 | 2019-10-18 | 京东方科技集团股份有限公司 | 缺陷检测方法、装置、电子设备以及存储介质 |
CN111069736A (zh) * | 2019-12-27 | 2020-04-28 | 唐山松下产业机器有限公司 | 存储介质、焊接设备、焊接异常检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112171057A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112171057B (zh) | 基于激光焊接的质量检测方法、装置及存储介质 | |
Zhang et al. | Concrete crack detection using context‐aware deep semantic segmentation network | |
Deng et al. | Concrete crack detection with handwriting script interferences using faster region‐based convolutional neural network | |
US11823429B2 (en) | Method, system and device for difference automatic calibration in cross modal target detection | |
CN111179251B (zh) | 基于孪生神经网络利用模板比对的缺陷检测系统及方法 | |
CN109658387B (zh) | 电力列车的受电弓碳滑板缺陷的检测方法 | |
US9098891B2 (en) | Adaptive sampling for semiconductor inspection recipe creation, defect review, and metrology | |
TWI607213B (zh) | 用於包含區塊與區塊比較的缺陷偵測之裝置與方法 | |
JP2013167596A (ja) | 欠陥検査装置、欠陥検査方法及びプログラム | |
CN113592828B (zh) | 基于工业内窥镜的无损检测方法及系统 | |
Liao et al. | A flexible PCB inspection system based on statistical learning | |
CN117853826B (zh) | 基于机器视觉的物体表面精度识别方法及相关设备 | |
Huang | Clustered defect detection of high quality chips using self-supervised multilayer perceptron | |
JP3756507B1 (ja) | 画像処理アルゴリズム評価方法および装置、画像処理アルゴリズム生成方法および装置、プログラムならびにプログラム記録媒体 | |
Miao et al. | Cost‐Sensitive Siamese Network for PCB Defect Classification | |
JP2006292615A (ja) | 外観検査装置、外観検査方法、コンピュータを外観検査装置として機能させるためのプログラムおよび記録媒体 | |
Khan et al. | Ensemble Based Automotive Paint Surface Defect Detection Augmented By Order Statistics Filtering Using Machine Learning | |
CN116678888A (zh) | 一种构件缺陷检测方法和装置 | |
CN113963013B (zh) | 一种基于计算机视觉的无标靶输电塔位移振动识别方法 | |
CN110751623A (zh) | 基于联合特征的缺陷检测方法、装置、设备及存储介质 | |
CN113538351A (zh) | 一种融合多参数电信号的外绝缘设备缺陷程度评估方法 | |
Elanangai et al. | Automated system for defect identification and character recognition using IR images of SS-plates | |
CN111091150A (zh) | 铁路货车交叉杆盖板断裂检测方法 | |
Zhao et al. | YOLOv8-QR: An improved YOLOv8 model via attention mechanism for object detection of QR code defects | |
JP2007017264A (ja) | 画像処理アルゴリズム評価方法および装置、画像処理アルゴリズム生成方法および装置、プログラムならびにプログラム記録媒体 |
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 |