CN112733884A - 焊接缺陷识别模型训练方法、装置和计算机终端 - Google Patents
焊接缺陷识别模型训练方法、装置和计算机终端 Download PDFInfo
- Publication number
- CN112733884A CN112733884A CN202011535834.4A CN202011535834A CN112733884A CN 112733884 A CN112733884 A CN 112733884A CN 202011535834 A CN202011535834 A CN 202011535834A CN 112733884 A CN112733884 A CN 112733884A
- Authority
- CN
- China
- Prior art keywords
- welding
- recognition model
- data sample
- welding data
- sample
- 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.)
- Withdrawn
Links
- 238000003466 welding Methods 0.000 title claims abstract description 321
- 238000012549 training Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000007547 defect Effects 0.000 title claims abstract description 59
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 238000012790 confirmation Methods 0.000 claims description 4
- 239000002699 waste material Substances 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000007635 classification algorithm Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000005493 welding type Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Abstract
本发明实施例公开了焊接缺陷识别模型训练方法、装置和计算机终端，该方法包括：对初始焊接数据样本集合中的各个初始焊接数据样本进行预处理获取标准焊接数据集合；根据所述标准焊接数据集合中的各个焊接数据样本中的焊接电流、焊接电压和送丝速度确定所述各个焊接数据样本所代表的焊接阶段；根据所述焊接阶段对各个焊接数据样本进行特征提取以获取特征集合；利用所述特征集合对待训练的识别模型进行迭代训练，直至所述识别模型的识别精度满足预设要求。实现利用训练焊接缺陷识别模型识别焊接缺陷，可以避免浪费人力资源，并且有效提高焊接缺陷的识别效率。
Description
技术领域
本发明涉及焊接技术领域，尤其涉及一种焊接缺陷识别模型训练方法、装置和计算机终端。
背景技术
焊接作为一种重要的制造技术，被广泛应用于工业生产中。焊接过程属于典型的不确定性、非线性系统过程，焊接过程会发生复杂的物理化学反应，焊接质量受到各种因素的影响，焊接工艺的复杂性导致不可避免的会出现焊接缺陷。通常基于人工经验或使用专业检测设备进行焊接质量检测，专业依赖性高、检测效率低、检测成本高。
发明内容
鉴于上述问题，本发明提出一种焊接缺陷识别模型训练方法、装置和计算机终端。
本发明的一个实施例提出一种焊接缺陷识别模型训练方法，该方法包括：
对初始焊接数据样本集合中的各个初始焊接数据样本进行预处理以获取标准焊接数据集合；
根据所述标准焊接数据集合中的各个焊接数据样本中的焊接电流、焊接电压和送丝速度确定所述各个焊接数据样本所代表的焊接阶段；
根据所述焊接阶段对各个焊接数据样本进行特征提取以获取特征集合；
利用所述特征集合对待训练的识别模型进行迭代训练，直至所述识别模型的识别精度满足预设要求。
上述的焊接缺陷识别模型训练方法，所述初始焊接数据样本集合为根据各个训练样本中的焊缝类型对所述各个训练样本进行分类后的每一类别对应的样本集合，或未进行分类的全部训练样本构成的集合。
本发明的另一个实施例所述的焊接缺陷识别模型训练方法，所述根据所述焊接阶段对各个焊接数据样本进行特征提取以获取特征集合，包括：
根据所述各个焊接数据样本中的质量标签确定需要进行上采样的焊接数据样本；
复制需要进行上采样的焊接数据样本以使各类质量标签对应的焊接数据样本的数目之差小于预设数目阈值。
上述的焊接缺陷识别模型训练方法，所述特征集合包括时域特征和/或频域特征，所述获取特征集合，包括：
根据每一焊接阶段的各个焊接数据样本中的时间参数确定对应阶段的持续时间；
根据所述持续时间确定对应阶段的时域特征；
根据每一焊接阶段的各个焊接数据样本确定对应阶段的傅里叶函数；
根据所述傅里叶函数确定对应阶段的频域特征。
上述的焊接缺陷识别模型训练方法，所述时域特征包括焊接电流均值、焊接电压均值、焊接电流方差、焊接电压方差、焊接电流峰值、焊接电压峰值、焊接电压分为点值、焊接电流分位点值和每一焊接阶段的各个焊接数据样本的样本熵中的至少一种。
上述的焊接缺陷识别模型训练方法，所述频域特征包括傅里叶变换系数和Ricker小波变换系数中的至少一种。
本发明的又一个实施例提出一种焊接缺陷识别模型训练装置，该装置包括：
焊接样本预处理模块，用于对初始焊接数据样本集合中的各个初始焊接数据样本进行预处理以获取标准焊接数据集合；
焊接阶段确认模块，用于根据所述标准焊接数据集合中的各个焊接数据样本中的焊接电流、焊接电压和送丝速度确定所述各个焊接数据样本所代表的焊接阶段；
焊接特征提取模块，用于根据所述焊接阶段对各个焊接数据样本进行特征提取以获取特征集合；
识别模型训练模块，用于利用所述特征集合对待训练的识别模型进行迭代训练，直至所述识别模型的识别精度满足预设要求。
上述的焊接缺陷识别模型训练装置，所述初始焊接数据样本集合为根据各个训练样本中的焊缝类型对所述各个训练样本进行分类后的每一类别对应的样本集合，或未进行分类的全部训练样本构成的集合。
本发明实施例涉及一种计算机终端，包括存储器和处理器，所述存储器用于存储计算机程序，所述计算机程序在所述处理器上运行时执行本发明实施例所述的焊接缺陷识别模型训练方法。
本发明实施例涉及一种可读存储介质，其存储有计算机程序，所述计算机程序在处理器上运行时执行本发明实施例所述的焊接缺陷识别模型训练方法。
本发明对初始焊接数据样本集合中的各个初始焊接数据样本进行预处理以获取标准焊接数据集合；根据所述标准焊接数据集合中的各个焊接数据样本中的焊接电流、焊接电压和送丝速度确定所述各个焊接数据样本所代表的焊接阶段；根据所述焊接阶段对各个焊接数据样本进行特征提取以获取特征集合；利用所述特征集合对待训练的识别模型进行迭代训练，直至所述识别模型的识别精度满足预设要求。本发明的技术方案通过对焊接工况数据进行分析处理以用于训练焊接缺陷识别模型，实现利用训练焊接缺陷识别模型识别焊接缺陷，可以避免浪费人力资源，并且有效提高焊接缺陷的识别效率。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。
图1示出了本发明实施例提供的一种焊接缺陷识别模型训练方法的流程示意图；
图2示出了本发明实施例提供的焊接电流在焊接过程中焊接电流变化图像；
图3示出了本发明实施例提供的焊接电流在焊接过程中焊接电压变化图像；
图4示出了本发明实施例提供的焊接电流在焊接过程中送丝速度变化图像；
图5示出了本发明实施例提供的一种焊接缺陷识别模型训练装置的结构示意图；
图6示出了本发明实施例提供的一种焊接缺陷识别模型训练模型构建及应用的过程示意图。
主要元件符号说明：
1-焊接缺陷识别模型训练装置；100-焊接样本预处理模块；200-焊接阶段确认模块；300-焊接特征提取模块；400-识别模型训练模块。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
在下文中，可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明的各种实施例中被清楚地限定。
本发明公开的技术方案如图6所示，自下至上来看，首先获取数据源，然后利用数据源训练构建的训练识别模型，最后可以利用训练好的识别模型对焊接过程中的缺陷进行识别。示范性的，预先收集焊接过程IOT数据，然后对数据进行清洗过滤，利用焊接过程IOT数据，提取焊接过程的工况数据，例如，焊接电流、焊接电压和送丝速度的特征，采用机器学习分类算法，通过学习大量各种缺陷模式的焊接工况数据，构建焊接缺陷识别模型，为焊接缺陷快速辨别提供了新方法。不同焊接缺陷在焊接过程中的焊接电流、焊接电压和送丝速度有一定差异。以多种类别焊接缺陷所对应的焊接速度数据为输入，在时、频域上提取影响较大的特征，通过机器学习中集成学习的分类算法，训练得到焊接缺陷识别模式，用于对焊接过程进行的缺陷预测识别。
实施例1
本实施例，参见图1，示出了一种焊接缺陷识别模型训练方法包括以下步骤：
S100：对初始焊接数据样本集合中的各个初始焊接数据样本进行预处理以获取标准焊接数据集合。
初始焊接数据样本集合可以有两种，一种是通过预设方法获取的全部训练样本所构成的集合；另一种是通过预设方法获取的全部训练样本之后，根据各个训练样本中的焊缝类型对各个训练样本进行分类，分类后的每一类别对应的样本集合。
其中，训练样本是用于训练的焊接数据样本，每一焊接数据样本包括焊缝编号、焊缝类型、记录时间、焊接电流、焊接电压、送丝速度、是否焊接标志以及质量标签。
可以理解，质量标签是基于质检人员预先对焊接质量的评价结果为每一焊接数据样本添加的标签，质量标签的类别包括正常、烧穿、漏焊、咬边、焊偏、气孔、焊瘤等。
进一步的，标准焊接数据集合是指集合中的各类质量标签对应的焊接数据样本的数目均衡，即各类质量标签对应的焊接数据样本的数目之差小于预设数目阈值。避免焊接缺陷识别模型训练的训练结果出现过拟合问题，影响识别模型的识别精度。可以通过上采样方法或下采样方法获取标准焊接数据集合。
其中，预设方法获取训练样本可以是以下任意一种或任意多种方法：
(1)可以从保存焊接的工况数据的存储设备中获取。保存焊接的工况数据的存储设备包括存储硬盘、存储U盘和具有存储功能的终端设备，例如，手机、pad、笔记本电脑和PC等终端设备。
(2)还可以通过访问存储焊接的工况数据的数据库获取焊接的工况数据样本集。
(3)还可以按照预设的采样频率对焊接过程中的数据进行采样，其中，采样的时间间隔越短，越能保证采样数据的有效性，可以避免遗漏有效数据。将采样获得的工况数据样本按照采样时间顺序进行存储。可以存储在本地终端，也可以上传至数据库。
S200：根据所述标准焊接数据集合中的各个焊接数据样本中的焊接电流、焊接电压和送丝速度确定所述各个焊接数据样本所代表的焊接阶段。
可以理解，工业机器人焊接过程可以分为起弧、焊接和收弧三个阶段，而且焊接电流、焊接电压和送丝速度在三个阶段上的表现有所差异。可以在工业机器人的特定位置安装电流测量装置、电压测量装置以及速度传感器，以获取焊接电流、焊接电压和送丝速度等参数。其中，焊接过程中焊接电流变化可参见图2，焊接电流在起弧阶段电流波动性上升，在焊接阶段电流在一定范围内波动变化，且变化相对平缓，在收弧阶段电流波动性下降；焊接过程中焊接电压变化可参见图3，焊接电压在起弧阶段电压骤升，在焊接阶段电压在一定范围内波动变化，且变化相对平缓，在收弧阶段电压波动性下降；焊接过程中送丝速度变化可参见图4，送丝速度在起弧阶段保持低速，速度接近为0，在焊接阶段保持预设速度匀速送丝，在收弧阶段下降至低速，速度接近为0。
可以根据标准焊接数据集合中的各个焊接数据样本中的焊接电流、焊接电压和送丝速度确定各个焊接数据样本所代表的焊接阶段，以对焊接过程中的各个焊接数据样本进行自动化的分割。
S300：根据所述焊接阶段对各个焊接数据样本进行特征提取以获取特征集合。
特征集合可以包括时域特征和频域特征中的至少一种。时域特征包括焊接电流均值、焊接电压均值、焊接电流方差、焊接电压方差、焊接电流峰值、焊接电压峰值、焊接电压分为点值、焊接电流分位点值和每一焊接阶段的各个焊接数据样本的样本熵中的至少一种。频域特征包括傅里叶变换系数和Ricker小波变换系数中的至少一种。时域特征获取方法包括：根据每一焊接阶段的各个焊接数据样本中的时间参数确定对应阶段的持续时间；根据所述持续时间确定对应阶段的时域特征。特征集合中频域特征获取方法包括：根据每一焊接阶段的各个焊接数据样本确定对应阶段的傅里叶函数；根据所述傅里叶函数确定对应阶段的频域特征。
S400：利用所述特征集合对待训练的识别模型进行迭代训练，直至所述识别模型的识别精度满足预设要求。
可以将所述特征集合分为训练集、测试集和验证集；利用所述训练集对所述识别模型进行训练；利用所述验证集验证当前训练后的所述识别模型是否过拟合；若过拟合，需要重新调整用于训练的焊接数据样本，更新特征集合；若拟合正常，可以利用所述测试集测试所述识别模型的识别精度满足预设要求。
示范性的，待训练的识别模型可以是梯度提升树(GBDT)分类算法训练分类模型。梯度提升树(GBDT)分类算法训练分类模型通过多轮迭代，每轮迭代产生一个弱分类器，每个分类器在上一轮分类器的残差基础上进行训练。最终的总分类器是将每轮训练得到的弱分类器加权求和得到的。
本实施例对初始焊接数据样本集合中的各个初始焊接数据样本进行预处理以获取标准焊接数据集合；根据所述标准焊接数据集合中的各个焊接数据样本中的焊接电流、焊接电压和送丝速度确定所述各个焊接数据样本所代表的焊接阶段；根据所述焊接阶段对各个焊接数据样本进行特征提取以获取特征集合；利用所述特征集合对待训练的识别模型进行迭代训练，直至所述识别模型的识别精度满足预设要求。本实施例的技术方案通过对焊接工况数据进行分析处理以用于训练焊接缺陷识别模型，实现利用训练焊接缺陷识别模型识别焊接缺陷，可以避免浪费人力资源，并且有效提高焊接缺陷的识别效率。
实施例2
进一步的，若初始焊接数据样本集合为根据各个训练样本中的焊缝类型对所述各个训练样本进行分类后的每一类别对应的样本集合，其中，焊缝类型平缝和立缝，可以将各个训练样本分为两类，一类为平缝焊接数据样本集合，一类为立缝焊接数据样本集合。然后，依次利用平缝焊接数据样本集合对焊接缺陷识别模型进行训练，利用立缝焊接数据样本集合对焊接缺陷识别模型进行训练。
示范性的，通过对平缝焊接数据样本集合中的各个初始焊接数据样本进行预处理获取标准焊接数据集合；根据所述标准焊接数据集合中的各个焊接数据样本中的焊接电流、焊接电压和送丝速度确定所述各个焊接数据样本所代表的焊接阶段；根据所述焊接阶段对各个焊接数据样本进行特征提取以获取特征集合；利用所述特征集合对待训练的识别模型进行迭代训练，直至所述识别模型的识别精度满足预设要求。
示范性的，通过对立缝焊接数据样本集合中的各个初始焊接数据样本进行预处理获取标准焊接数据集合；根据所述标准焊接数据集合中的各个焊接数据样本中的焊接电流、焊接电压和送丝速度确定所述各个焊接数据样本所代表的焊接阶段；根据所述焊接阶段对各个焊接数据样本进行特征提取以获取特征集合；利用所述特征集合对待训练的识别模型进行迭代训练，直至所述识别模型的识别精度满足预设要求。
对各个训练样本进行分类后，依次利用各个类别下的焊接数据样本对应的特征集合训练焊接缺陷识别模型，可以有效提高识别模型的识别精度。
实施例3
根据所述焊接阶段对各个焊接数据样本进行特征提取以获取特征集合，包括：根据所述各个焊接数据样本中的质量标签确定需要进行上采样的焊接数据样本；复制需要进行上采样的焊接数据样本以使各类质量标签对应的焊接数据样本的数目之差小于预设数目阈值。
或者，利用SMOTE算法对非正常类别焊接数据样本进行过采样，SMOTE算法的思想是合成新的少数类样本，合成的策略是对每个少数类样本a，从它的最近邻中随机选一个样本b，然后在a、b之间的连线上随机选一点作为新合成的少数类样本。
实施例4
本实施例，参见图5，示出了一种焊接缺陷识别模型训练装置1包括焊接样本预处理模块100、焊接阶段确认模块200、焊接特征提取模块300和识别模型训练模块400。
焊接样本预处理模块100，用于对初始焊接数据样本集合中的各个初始焊接数据样本进行预处理以获取标准焊接数据集合；焊接阶段确认模块200，用于根据所述标准焊接数据集合中的各个焊接数据样本中的焊接电流、焊接电压和送丝速度确定所述各个焊接数据样本所代表的焊接阶段；焊接特征提取模块300，用于根据所述焊接阶段对各个焊接数据样本进行特征提取以获取特征集合；识别模型训练模块400，用于利用所述特征集合对待训练的识别模型进行迭代训练，直至所述识别模型的识别精度满足预设要求。
本实施例公开的焊接缺陷识别模型训练装置1通过焊接样本预处理模块100、焊接阶段确认模块200、焊接特征提取模块300和识别模型训练模块400的配合使用，用于执行上述实施例所述的焊接缺陷识别方法，上述实施例所涉及的实施方案以及有益效果在本实施例中同样适用，在此不再赘述。
可以理解，本发明实施例涉及一种计算机终端，包括存储器和处理器，所述存储器用于存储计算机程序，所述计算机程序在所述处理器上运行时执行本发明实施例所述的焊接缺陷识别模型训练方法。
可以理解，本发明实施例涉及一种可读存储介质，其存储有计算机程序，所述计算机程序在处理器上运行时执行本发明实施例所述的焊接缺陷识别模型训练方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种焊接缺陷识别模型训练方法，其特征在于，该方法包括：
对初始焊接数据样本集合中的各个初始焊接数据样本进行预处理以获取标准焊接数据集合；
根据所述标准焊接数据集合中的各个焊接数据样本中的焊接电流、焊接电压和送丝速度确定所述各个焊接数据样本所代表的焊接阶段；
根据所述焊接阶段对各个焊接数据样本进行特征提取以获取特征集合；
利用所述特征集合对待训练的识别模型进行迭代训练，直至所述识别模型的识别精度满足预设要求。
2.根据权利要求1所述的焊接缺陷识别模型训练方法，其特征在于，所述初始焊接数据样本集合为根据各个训练样本中的焊缝类型对所述各个训练样本进行分类后的每一类别对应的样本集合，或未进行分类的全部训练样本构成的集合。
3.根据权利要求1所述的焊接缺陷识别模型训练方法，其特征在于，所述根据所述焊接阶段对各个焊接数据样本进行特征提取以获取特征集合，包括：
根据所述各个焊接数据样本中的质量标签确定需要进行上采样的焊接数据样本；
复制需要进行上采样的焊接数据样本以使各类质量标签对应的焊接数据样本的数目之差小于预设数目阈值。
4.根据权利要求1所述的焊接缺陷识别模型训练方法，其特征在于，所述特征集合包括时域特征和/或频域特征，所述获取特征集合，包括：
根据每一焊接阶段的各个焊接数据样本中的时间参数确定对应阶段的持续时间；
根据所述持续时间确定对应阶段的时域特征；
根据每一焊接阶段的各个焊接数据样本确定对应阶段的傅里叶函数；
根据所述傅里叶函数确定对应阶段的频域特征。
5.根据权利要求4所述的焊接缺陷识别模型训练方法，其特征在于，所述时域特征包括焊接电流均值、焊接电压均值、焊接电流方差、焊接电压方差、焊接电流峰值、焊接电压峰值、焊接电压分为点值、焊接电流分位点值和每一焊接阶段的各个焊接数据样本的样本熵中的至少一种。
6.根据权利要求4所述的焊接缺陷识别模型训练方法，其特征在于，所述频域特征包括傅里叶变换系数和Ricker小波变换系数中的至少一种。
7.一种焊接缺陷识别模型训练装置，其特征在于，该装置包括：
焊接样本预处理模块，用于对初始焊接数据样本集合中的各个初始焊接数据样本进行预处理以获取标准焊接数据集合；
焊接阶段确认模块，用于根据所述标准焊接数据集合中的各个焊接数据样本中的焊接电流、焊接电压和送丝速度确定所述各个焊接数据样本所代表的焊接阶段；
焊接特征提取模块，用于根据所述焊接阶段对各个焊接数据样本进行特征提取以获取特征集合；
识别模型训练模块，用于利用所述特征集合对待训练的识别模型进行迭代训练，直至所述识别模型的识别精度满足预设要求。
8.根据权利要求7所述的焊接缺陷识别模型训练装置，其特征在于，所述初始焊接数据样本集合为根据各个训练样本中的焊缝类型对所述各个训练样本进行分类后的每一类别对应的样本集合，或未进行分类的全部训练样本构成的集合。
9.一种计算机终端，其特征在于，包括存储器和处理器，所述存储器用于存储计算机程序，所述计算机程序在所述处理器上运行时执行权利要求1至6任一项所述的焊接缺陷识别模型训练方法。
10.一种可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序在处理器上运行时执行权利要求1至6中任一项所述的焊接缺陷识别模型训练方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011535834.4A CN112733884A (zh) | 2020-12-23 | 2020-12-23 | 焊接缺陷识别模型训练方法、装置和计算机终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011535834.4A CN112733884A (zh) | 2020-12-23 | 2020-12-23 | 焊接缺陷识别模型训练方法、装置和计算机终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112733884A true CN112733884A (zh) | 2021-04-30 |
Family
ID=75604675
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011535834.4A Withdrawn CN112733884A (zh) | 2020-12-23 | 2020-12-23 | 焊接缺陷识别模型训练方法、装置和计算机终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112733884A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113762410A (zh) * | 2021-09-17 | 2021-12-07 | 哈尔滨工业大学 | 基于机器学习的关键焊接工艺参数预测方法 |
| CN113870260A (zh) * | 2021-12-02 | 2021-12-31 | 苏芯物联技术(南京)有限公司 | 一种基于高频时序数据的焊接缺陷实时检测方法及系统 |
| CN114202224A (zh) * | 2021-12-16 | 2022-03-18 | 蕴硕物联技术(上海)有限公司 | 用于检测生产环境中焊接质量的方法、设备、介质及程序产品 |
| CN114559133A (zh) * | 2022-04-27 | 2022-05-31 | 苏芯物联技术(南京)有限公司 | 一种普适焊接起弧连续性实时检测方法及系统 |
| CN114700587A (zh) * | 2022-05-25 | 2022-07-05 | 苏芯物联技术(南京)有限公司 | 一种基于模糊推理和边缘计算的漏焊缺陷实时检测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6583386B1 (en) * | 2000-12-14 | 2003-06-24 | Impact Engineering, Inc. | Method and system for weld monitoring and tracking |
| CN110751628A (zh) * | 2019-09-24 | 2020-02-04 | 河海大学常州校区 | 一种基于超声图像的焊缝缺陷自动识别方法 |
| WO2020048119A1 (en) * | 2018-09-04 | 2020-03-12 | Boe Technology Group Co., Ltd. | Method and apparatus for training a convolutional neural network to detect defects |
| CN111860671A (zh) * | 2020-07-28 | 2020-10-30 | 中山大学 | 分类模型训练方法、装置、终端设备和可读存储介质 |
| CN112116560A (zh) * | 2020-08-20 | 2020-12-22 | 华南理工大学 | 一种焊接图像缺陷识别方法、装置、存储介质及设备 |
-
2020
- 2020-12-23 CN CN202011535834.4A patent/CN112733884A/zh not_active Withdrawn
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6583386B1 (en) * | 2000-12-14 | 2003-06-24 | Impact Engineering, Inc. | Method and system for weld monitoring and tracking |
| WO2020048119A1 (en) * | 2018-09-04 | 2020-03-12 | Boe Technology Group Co., Ltd. | Method and apparatus for training a convolutional neural network to detect defects |
| CN110930347A (zh) * | 2018-09-04 | 2020-03-27 | 京东方科技集团股份有限公司 | 卷积神经网络的训练方法、焊点缺陷的检测方法及装置 |
| CN110751628A (zh) * | 2019-09-24 | 2020-02-04 | 河海大学常州校区 | 一种基于超声图像的焊缝缺陷自动识别方法 |
| CN111860671A (zh) * | 2020-07-28 | 2020-10-30 | 中山大学 | 分类模型训练方法、装置、终端设备和可读存储介质 |
| CN112116560A (zh) * | 2020-08-20 | 2020-12-22 | 华南理工大学 | 一种焊接图像缺陷识别方法、装置、存储介质及设备 |
Non-Patent Citations (1)
| Title |
|---|
| 李超;孙俊;: "基于机器视觉方法的焊缝缺陷检测及分类算法", 计算机工程与应用, no. 06, pages 269 - 275 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113762410A (zh) * | 2021-09-17 | 2021-12-07 | 哈尔滨工业大学 | 基于机器学习的关键焊接工艺参数预测方法 |
| CN113762410B (zh) * | 2021-09-17 | 2023-12-08 | 哈尔滨工业大学 | 基于机器学习的关键焊接工艺参数预测方法 |
| CN113870260A (zh) * | 2021-12-02 | 2021-12-31 | 苏芯物联技术(南京)有限公司 | 一种基于高频时序数据的焊接缺陷实时检测方法及系统 |
| CN113870260B (zh) * | 2021-12-02 | 2022-04-12 | 苏芯物联技术(南京)有限公司 | 一种基于高频时序数据的焊接缺陷实时检测方法及系统 |
| CN114202224A (zh) * | 2021-12-16 | 2022-03-18 | 蕴硕物联技术(上海)有限公司 | 用于检测生产环境中焊接质量的方法、设备、介质及程序产品 |
| CN114559133A (zh) * | 2022-04-27 | 2022-05-31 | 苏芯物联技术(南京)有限公司 | 一种普适焊接起弧连续性实时检测方法及系统 |
| CN114559133B (zh) * | 2022-04-27 | 2022-07-29 | 苏芯物联技术(南京)有限公司 | 一种普适焊接起弧连续性实时检测方法及系统 |
| CN114700587A (zh) * | 2022-05-25 | 2022-07-05 | 苏芯物联技术(南京)有限公司 | 一种基于模糊推理和边缘计算的漏焊缺陷实时检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112733884A (zh) | 焊接缺陷识别模型训练方法、装置和计算机终端 | |
| EP2323080B1 (en) | Sample attribution class estimation method, sample attribution class estimation program, and attribution class estimation apparatus | |
| JP6438549B1 (ja) | 機械学習を用いた未知化合物の分類方法 | |
| CN111406270B (zh) | 基于图像的伪造品检测 | |
| CN108171064B (zh) | 一种用于灰盒模糊测试的样本格式保护方法及装置 | |
| EP3798924A1 (en) | System and method for classifying manufactured products | |
| CN109063433B (zh) | 虚假用户的识别方法、装置及可读存储介质 | |
| CN112052813B (zh) | 染色体间易位识别方法、装置、电子设备及可读存储介质 | |
| CN116453438B (zh) | 一种显示屏参数检测方法、装置、设备及存储介质 | |
| CN112529109A (zh) | 一种基于无监督多模型的异常检测方法及系统 | |
| US11132790B2 (en) | Wafer map identification method and computer-readable recording medium | |
| JP2010231455A (ja) | 信号識別方法および信号識別装置 | |
| US11686703B2 (en) | Automated analysis of analytical gels and blots | |
| US11727052B2 (en) | Inspection systems and methods including image retrieval module | |
| CN113283467A (zh) | 一种基于平均损失和逐类选择的弱监督图片分类方法 | |
| US20230297886A1 (en) | Cluster targeting for use in machine learning | |
| CN115758237A (zh) | 基于智能巡检机器人的轴承故障分类方法及系统 | |
| CN115601293A (zh) | 对象检测方法、装置、电子设备及可读存储介质 | |
| CN114186644A (zh) | 一种基于优化随机森林的缺陷报告严重程度预测方法 | |
| CN113239075A (zh) | 一种施工数据自检方法及系统 | |
| CN116911204B (zh) | 一种基于深度学习的汽车零部件寿命预测方法 | |
| CN114580982B (zh) | 一种工业设备的数据质量的评估方法、装置及设备 | |
| Chen | Transient identification and interpretation of real-time pressure data from modern well surveillance systems | |
| KR20190078846A (ko) | 인트론과 엑손 구분에 기반한 이상 서열 식별 방법 | |
| CN112788331B (zh) | 一种视频重压缩检测方法、终端设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: Room 303-309, No.3, Pazhou Avenue East Road, Haizhu District, Guangzhou City, Guangdong Province 510000 Applicant after: Shugen Internet Co.,Ltd. Address before: Unit 12-30, 4th floor, Xigang office building, Guangzhou international media port, 218 and 220 Yuejiang West Road, Haizhu District, Guangzhou City, Guangdong Province 510000 Applicant before: IROOTECH TECHNOLOGY Co.,Ltd. |
|
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210430 |