CN112183957A - 一种焊接质量的检测方法、装置及存储介质 - Google Patents
一种焊接质量的检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112183957A CN112183957A CN202010947805.2A CN202010947805A CN112183957A CN 112183957 A CN112183957 A CN 112183957A CN 202010947805 A CN202010947805 A CN 202010947805A CN 112183957 A CN112183957 A CN 112183957A
- Authority
- CN
- China
- Prior art keywords
- welding
- information
- quality
- target
- neural network
- 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.)
- Pending
Links
- 238000003466 welding Methods 0.000 title claims abstract description 207
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000003860 storage Methods 0.000 title claims description 14
- 238000012549 training Methods 0.000 claims abstract description 65
- 238000013528 artificial neural network Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 29
- 230000008859 change Effects 0.000 claims description 50
- 230000036470 plasma concentration Effects 0.000 claims description 32
- 238000011176 pooling Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 18
- 239000010953 base metal Substances 0.000 claims description 17
- 238000002372 labelling Methods 0.000 claims description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims 5
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 239000000463 material Substances 0.000 description 12
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
Abstract
本发明公开了一种焊接质量的检测方法，包括以下步骤：采集在标准时间段内的焊接训练信息，并对焊接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，通过标记焊接信息对初始神经网络进行训练，得到目标神经网络；获取在目标时间段内的焊接目标信息，并将其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。本发明通过对焊接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，使得目标神经网络能够有效的对焊接目标信息进行分类，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。
Description
技术领域
本发明涉及焊接技术领域，具体涉及一种焊接质量的检测方法、装置及存储介质。
背景技术
焊接是机械制造领域最重要的工艺之一，根据焊接性质、方式、应用场合等方面的不同，焊接可分为手工焊接、半自动焊接、自动焊接等形式。
目前，在激光焊接过程中，经常会发生焊接异常的情况，导致漏焊、焊穿、焊缝成型不均匀等现象。而目前一般是依靠人工对焊接产品进行检测，这很大程度上依赖于检测工人的技术以及经验，会产生很多不稳定因素，并且增加了工人的工作量，降低了工人的工作效率。
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，本发明提出一种焊接质量的检测方法、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。
根据本发明的第一方面的实施例的焊接质量的检测方法，包括以下步骤：
采集在标准时间段内的焊接训练信息，并对所述焊接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。
根据本发明实施例的焊接质量的检测方法，至少具有如下有益效果：通过对焊接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，使得目标神经网络能够有效的对焊接目标信息进行分类，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，所述焊接训练信息包括以下至少之一：等离子浓度变化信息、温度变化信息和激光反射强度变化信息。
根据本发明的一些实施例，所述采集在标准时间段内的焊接训练信息，并对所述焊接训练信息进行质量分类的标记处理，得到标记焊接信息，包括以下步骤的至少之一：
当所述焊接训练信息包括等离子浓度变化信息，采集在标准时间段内的等离子浓度变化信息，得到等离子浓度时间序列，根据所述等离子浓度时间序列对所述焊接训练信息进行质量分类的标记处理，得到标记焊接信息；
当所述焊接训练信息包括温度变化信息，采集在标准时间段内的温度变化信息，得到温度时间序列，根据所述温度时间序列对所述焊接训练信息进行质量分类的标记处理，得到标记焊接信息；
当所述焊接训练信息包括激光反射强度变化信息，采集在标准时间段内的激光反射强度变化信息，得到激光反射强度时间序列，根据所述激光反射强度时间序列对所述焊接训练信息进行质量分类的标记处理，得到标记焊接信息。
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、第三卷积层和全局平均池化层。
根据本发明的一些实施例，所述全局平均池化层内设置有softmax分类器。
根据本发明的一些实施例，所述方法还包括：
通过梯度下降法对softmax分类器内的参数进行更新。
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焊接质量的检测装置，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焊接质量的检测方法。
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焊接质量的检测方法。
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焊接质量的检测方法，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，并对焊接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S200：构建初始神经网络，通过标记焊接信息对初始神经网络进行训练，得到目标神经网络；
步骤S300：获取在目标时间段内的焊接目标信息，并将焊接目标信息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。
例如，如图1所示，在步骤S100中，通过分析在标准时间段内的焊接训练信息的变化状态，能够对焊接训练信息进行质量分类，使得焊接训练信息带有质量分类的标记，便于区分各种质量类型的焊接问题。
在步骤S200和步骤S300中，通过标记焊接信息对初始神经网络进行训练，使得目标神经网络具有识别焊接质量类型的功能，从而使得目标神经能够有效的对焊接目标信息进行质量的分类，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，焊接训练信息包括以下至少之一：等离子浓度变化信息、温度变化信息和激光反射强度变化信息。
具体地，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，即能有效的获得焊接训练信息的质量类型。
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。
另外，焊接训练信息是焊接训练母材上的等离子浓度变化信息、温度变化信息和激光反射强度变化信息中的一种，或多种的组合；而焊接目标信息是实际检测焊接目标母材上的等离子浓度变化信息、温度变化信息和激光反射强度变化信息中的一种，或多种的组合。
在本发明的一些具体实施例中，采集在标准时间段内的焊接训练信息，并对焊接训练信息进行质量分类的标记处理，得到标记焊接信息，包括以下步骤的至少之一：
步骤S110：当所述焊接训练信息包括等离子浓度变化信息，采集在标准时间段内的等离子浓度变化信息，得到等离子浓度时间序列，根据所述等离子浓度时间序列对所述焊接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S120：当所述焊接训练信息包括温度变化信息，采集在标准时间段内的温度变化信息，得到温度时间序列，根据所述温度时间序列对所述焊接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S130：当所述焊接训练信息包括激光反射强度变化信息，采集在标准时间段内的激光反射强度变化信息，得到激光反射强度时间序列，根据所述激光反射强度时间序列对所述焊接训练信息进行质量分类的标记处理，得到标记焊接信息。
具体地，在步骤S110中，由于等离子浓度时间序列反映了等离子浓度随时间变化的状态，通过对等离子浓度时间序列进行分析，即通过使等离子浓度变化信息随时间变化的状态，与正常状态下的等离子浓度进行对比，从而获取焊接训练信息的质量类型，进而能够对焊接训练信息进行质量分类的标记。
在步骤S120中，由于温度时间序列反映了温度随时间变化的状态，通过对温度时间序列进行分析，即通过使温度变化信息随时间变化的状态，与正常状态下的温度进行对比，从而获取焊接训练信息的质量类型，进而能够对焊接训练信息进行质量分类的标记。
在步骤S130中，由于激光反射强度时间序列反映了激光反射强度随时间变化的状态，通过对激光反射强度时间序列进行分析，即通过使激光反射强度变化信息随时间变化的状态，与正常状态下的激光反射强度进行对比，从而获取焊接训练信息的质量类型，进而能够对焊接训练信息进行质量分类的标记。
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，母材焊接出现异常的情况包括以下几种：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识别已设置的质量类型。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、第三卷积层和全局平均池化层。
具体地，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，全局平均池化层能够对若干第三判别特征进特征降维，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。
在本发明的一些具体实施例中，全局平均池化层内设置有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，所述方法还包括：通过梯度下降法对softmax分类器内的参数进行更新。
具体地，softmax分类器能够映射质量类型的概率，从而预测各个质量类型的概率，并将概率最大的质量类型定义为该焊接训练信息的质量类型。
通过将预测的质量类型与实际输入的质量类型作比较，得到初始神经网络的分类准确率，若分类准确度低于准确阈值，则通过梯度下降法计算出初始神经网络的梯度下降方向，并通过梯度下降方向对softmax分类器内的参数进行更新，从而提高初始神经网络的预测准确率。其中，准确阈值可以根据实际的需要设置，例如是95％。
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，并将焊接目标信息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，包括以下步骤：
步骤S310：获取在目标时间段内的焊接目标信息，并将焊接目标信息输入到目标神经网络进行分类处理，得到若干个目标类型，以及目标类型对应的概率；
步骤S320：根据概率最大的目标类型，得到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焊接质量的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，以一个具体的实施例详细描述根据本发明实施例的焊接质量的检测方法，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所示，一种焊接质量的检测方法，包括以下步骤：
步骤S140：采集在标准时间段内的焊接训练信息，得到等离子浓度时间序列、温度时间序列和激光反射强度时间序列；所述焊接训练信息包括：等离子浓度变化信息、温度变化信息和激光反射强度变化信息；
步骤S150：根据等离子浓度时间序列、温度时间序列和激光反射强度时间序列的变化状态，对焊接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S200：构建初始神经网络，通过标记焊接信息对初始神经网络进行训练，得到目标神经网络；所述初始神经网络包括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、第三卷积层和全局平均池化层；所述全局平均池化层内设置有softmax分类器；
步骤S310：获取在目标时间段内的焊接目标信息，并将焊接目标信息输入到目标神经网络进行分类处理，得到若干个目标类型，以及目标类型对应的概率；
步骤S320：根据概率最大的目标类型，得到焊接目标信息的质量类型。
根据本发明实施例的焊接质量的检测方法，通过如此设置，可以达成至少如下的一些效果，在步骤S140和步骤S150中，通过对等离子浓度时间序列、温度时间序列和激光反射强度时间序列的变化状态进行分析，即通过使等离子浓度变化信息、温度变化信息和激光反射强度变化信息随时间变化的状态，与正常状态下的等离子浓度、温度和激光反射强度进行对比，从而获取焊接训练信息的质量类型，进而能够对焊接训练信息进行质量分类的标记。
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2(a)所示，等离子浓度相对于正常值会略有下降；如图2(b)所示，激光反射强度相对于正常值会急剧上升；如图2(c)所示，温度相对于正常值会迅速下降。若观察得到离子浓度变化信息、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S200、步骤S310和步骤S320中，标记焊接信息能够对初始神经网络进行训练，从而使得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、母材有污点和母材有水，且目标类型对应的概率为：0.05、0.05、0.05、0.55、0.05、0.05、0.05、0.05、0.05、0.05，可以看出对应概率最高的为0.55，而0.55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，降低了劳动成本。
此外，本发明的另一个实施例还提供了一种焊接质量的检测装置，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焊接质量的检测方法。
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S300、S110至S150、以及S310至S320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S300、S110至S150、以及S310至S320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。
Claims (10)
1.一种焊接质量的检测方法，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，并对所述焊接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。
2.根据权利要求1所述的一种焊接质量的检测方法，其特征在于：所述焊接训练信息包括以下至少之一：等离子浓度变化信息、温度变化信息和激光反射强度变化信息。
3.根据权利要求2所述的一种焊接质量的检测方法，其特征在于：所述采集在标准时间段内的焊接训练信息，并对所述焊接训练信息进行质量分类的标记处理，得到标记焊接信息，包括以下步骤的至少之一：
当所述焊接训练信息包括等离子浓度变化信息，采集在标准时间段内的等离子浓度变化信息，得到等离子浓度时间序列，根据所述等离子浓度时间序列对所述焊接训练信息进行质量分类的标记处理，得到标记焊接信息；
当所述焊接训练信息包括温度变化信息，采集在标准时间段内的温度变化信息，得到温度时间序列，根据所述温度时间序列对所述焊接训练信息进行质量分类的标记处理，得到标记焊接信息；
当所述焊接训练信息包括激光反射强度变化信息，采集在标准时间段内的激光反射强度变化信息，得到激光反射强度时间序列，根据所述激光反射强度时间序列对所述焊接训练信息进行质量分类的标记处理，得到标记焊接信息。
4.根据权利要求1所述的一种焊接质量的检测方法，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。
5.根据权利要求1所述的一种焊接质量的检测方法，其特征在于：所述初始神经网络包括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、第三卷积层和全局平均池化层。
6.根据权利要求5所述的一种焊接质量的检测方法，其特征在于：所述全局平均池化层内设置有softmax分类器。
7.根据权利要求6所述的一种焊接质量的检测方法，其特征在于：所述方法还包括：
通过梯度下降法对softmax分类器内的参数进行更新。
8.根据权利要求1所述的一种焊接质量的检测方法，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。
9.一种焊接质量的检测装置，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1-8任一项所述的焊接质量的检测方法。
10.一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1-8任一项所述的焊接质量的检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010947805.2A CN112183957A (zh) | 2020-09-10 | 2020-09-10 | 一种焊接质量的检测方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010947805.2A CN112183957A (zh) | 2020-09-10 | 2020-09-10 | 一种焊接质量的检测方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112183957A true CN112183957A (zh) | 2021-01-05 |
Family
ID=73920424
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010947805.2A Pending CN112183957A (zh) | 2020-09-10 | 2020-09-10 | 一种焊接质量的检测方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112183957A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108027911A (zh) * | 2015-07-29 | 2018-05-11 | 伊利诺斯工具制品有限公司 | 促进焊接即服务软件的系统及方法 |
| 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 |
| CN109900706A (zh) * | 2019-03-20 | 2019-06-18 | 易思维（杭州）科技有限公司 | 一种基于深度学习的焊缝及焊缝缺陷检测方法 |
| CN110636715A (zh) * | 2019-08-27 | 2019-12-31 | 杭州电子科技大学 | 一种基于自学习的自动焊接及缺陷检测方法 |
| CN111292299A (zh) * | 2020-01-21 | 2020-06-16 | 长沙理工大学 | 一种乳腺肿瘤识别方法、装置及存储介质 |
| CN111401472A (zh) * | 2020-04-09 | 2020-07-10 | 中国人民解放军国防科技大学 | 基于深度卷积神经网络的红外目标分类方法和装置 |
| CN111563422A (zh) * | 2020-04-17 | 2020-08-21 | 五邑大学 | 基于双模态情绪识别网络的服务评价获取方法及其装置 |
-
2020
- 2020-09-10 CN CN202010947805.2A patent/CN112183957A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108027911A (zh) * | 2015-07-29 | 2018-05-11 | 伊利诺斯工具制品有限公司 | 促进焊接即服务软件的系统及方法 |
| 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 |
| CN109900706A (zh) * | 2019-03-20 | 2019-06-18 | 易思维（杭州）科技有限公司 | 一种基于深度学习的焊缝及焊缝缺陷检测方法 |
| CN110636715A (zh) * | 2019-08-27 | 2019-12-31 | 杭州电子科技大学 | 一种基于自学习的自动焊接及缺陷检测方法 |
| CN111292299A (zh) * | 2020-01-21 | 2020-06-16 | 长沙理工大学 | 一种乳腺肿瘤识别方法、装置及存储介质 |
| CN111401472A (zh) * | 2020-04-09 | 2020-07-10 | 中国人民解放军国防科技大学 | 基于深度卷积神经网络的红外目标分类方法和装置 |
| CN111563422A (zh) * | 2020-04-17 | 2020-08-21 | 五邑大学 | 基于双模态情绪识别网络的服务评价获取方法及其装置 |
Non-Patent Citations (1)
| Title |
|---|
| FUQIN DENG等: "A Multi-Sensor Data Fusion System for Laser Welding Process Monitoring", 《IEEE ACCESS》, vol. 8, pages 147349 - 147357, XP011805953, DOI: 10.1109/ACCESS.2020.3015529 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hoang | Detection of surface crack in building structures using image processing technique with an improved Otsu method for image thresholding | |
| CN102441737B (zh) | 用于确定焊缝端部的形状的设备和方法 | |
| CN111814850B (zh) | 缺陷检测模型训练方法、缺陷检测方法及相关装置 | |
| Bulnes et al. | An efficient method for defect detection during the manufacturing of web materials | |
| JP6420529B2 (ja) | パッチ・ツー・パッチ比較を含む欠陥検出のための装置及び方法 | |
| CN112171057B (zh) | 基于激光焊接的质量检测方法、装置及存储介质 | |
| CN111292303A (zh) | 焊缝缺陷类别检测方法、装置、电子设备及存储介质 | |
| CN113592828B (zh) | 基于工业内窥镜的无损检测方法及系统 | |
| CN110161035B (zh) | 基于图像特征与贝叶斯数据融合的结构表面裂缝检测方法 | |
| US11747284B2 (en) | Apparatus for optimizing inspection of exterior of target object and method thereof | |
| KR101702841B1 (ko) | 편광 필름의 결함 모니터링 방법 | |
| CN113727022B (zh) | 巡检图像的采集方法及装置、电子设备、存储介质 | |
| US20160321792A1 (en) | System and a method for automatic recipe validation and selection | |
| KR20230013206A (ko) | 인공지능을 이용하여 위험도를 평가하는 용접 검사 시스템 및 그 방법 | |
| Das et al. | Application of deep convolutional neural networks for automated and rapid identification and computation of crack statistics of thin cracks in strain hardening cementitious composites (SHCCs) | |
| CN115629127A (zh) | 一种货箱缺陷分析方法、装置、设备及可读存储介质 | |
| CN117260046A (zh) | 门窗的无缝焊接系统及其方法 | |
| CN112183957A (zh) | 一种焊接质量的检测方法、装置及存储介质 | |
| CN113778091A (zh) | 一种风电场升压站设备巡检方法 | |
| Khan et al. | Ensemble Based Automotive Paint Surface Defect Detection Augmented By Order Statistics Filtering Using Machine Learning | |
| US10957035B2 (en) | Defect classification by fitting optical signals to a point-spread function | |
| CN115512098B (zh) | 一种桥梁电子化巡检系统及巡检方法 | |
| US20240139815A1 (en) | Additive manufacturing development method and three-dimensional additive manufacturing system | |
| CN115965625A (zh) | 一种基于视觉识别的仪表检测装置及其检测方法 | |
| Gao et al. | An enhanced percolation method for automatic detection of cracks in concrete bridges |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210105 |