CN112967231A - 焊接质量检测方法及其装置、计算机可读存储介质 - Google Patents
焊接质量检测方法及其装置、计算机可读存储介质 Download PDFInfo
- Publication number
- CN112967231A CN112967231A CN202110167057.0A CN202110167057A CN112967231A CN 112967231 A CN112967231 A CN 112967231A CN 202110167057 A CN202110167057 A CN 202110167057A CN 112967231 A CN112967231 A CN 112967231A
- Authority
- CN
- China
- Prior art keywords
- basic
- node
- sample data
- features
- data set
- 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
Links
Images
Classifications
-
- 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
- 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
-
- 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
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Factory Administration (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
Abstract
本发明公开了一种焊接质量检测方法及其装置、计算机可读存储介质,其中,焊接质量检测方法包括:获取并分类待焊接物体在激光焊接过程中的源样本数据,形成基础样本数据集和测试样本数据集;将基础样本数据集和测试样本数据集分别输入卷积神经网络中筛选处理,得到基础类别特征和测试类别特征;将基础节点特征输入图神经网络中处理得到基础边特征,并形成全连接图;通过全连接图更新算法,分别对基础节点特征和基础边特征进行更新处理,得到网络节点特征和网络边特征,形成训练模型;将测试类别特征输入训练模型中,得到质量评估结果。本申请能够实现在激光过程中对焊接质量进行实时自动评估,提高生产效率。
Description
技术领域
本发明涉及焊接工艺领域,特别是一种焊接质量检测方法及其装置、计算机可读存储介质。
背景技术
随着激光焊接技术的快速发展,激光焊接加工广泛并深入应用在航天航空、汽车制造和电子消费产品等领域。在激光焊接的自动化生产线上常常出现影响良品率的不良因素但却无法获知产品的实时焊接质量而进行及时的处理,导致生产效率低。
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检测方法及其装置、计算机可读存储介质,能够在激光焊接过程中对焊接质量进行实时自动评估,提高生产效率。
第一方面,本发明实施例提供了一种焊接质量检测方法,所述焊接质量检测方法包括:获取并分类待焊接物体在激光焊接过程中的源样本数据,形成基础样本数据集和测试样本数据集;
将所述基础样本数据集输入卷积神经网络中筛选处理,得到基础类别特征;
将所述测试样本数据集输入所述卷积神经网络中筛选处理,得到测试类别特征;
将基础节点特征输入图神经网络中处理得到基础边特征,根据所述基础节点特征和所述基础边特征形成全连接图,其中,所述基础节点特征由所述基础类别特征计算得到;
通过全连接图更新算法,分别对所述基础节点特征和所述基础边特征进行更新处理,得到网络节点特征和网络边特征;
根据所述网络节点特征和所述网络边特征处理得到训练模型;
将所述测试类别特征输入所述训练模型中,得到质量评估结果。
根据本发明提供的实施例的焊接质量检测方法,至少具有如下有益效果:采集待焊接物体在焊接过程中的源样本数据,对采集得到的源样本数据进行分类,分类形成用于建立预测模型的基础样本数据集和用于质量评估的测试样本数据集,并分别输入卷积神经网络进行筛选提取处理,分别对应得到基础类别特征和测试类别特征,从而能够在焊接过程中自动获取待焊接物体的焊接样本数据,实时评估焊接质量,分类处理能够提高质量评估准确性。通过对基础类别特征处理得到节点特征和边特征,根据已有特征建立全连接图,并根据图神经网络得到训练模型,再通过输入测试类别特征至训练模型得到待焊接物体焊接的质量评估结果,实现在激光过程中对焊接质量进行实时自动评估,避免出现在焊接过程中出现不良因素而用户无法获知而导致产品材料损坏,从而提高良品率,降低生产成本,提高生产效率。
根据本发明的一些实施例,所述分类待焊接物体在激光焊接过程中的源样本数据,形成基础样本数据集和测试样本数据集,包括:将待焊接物体在激光焊接过程中的源样本数据分成多个质量类别,形成基础样本数据集和测试样本数据集,其中,所述基础样本数据集和所述测试样本数据集均包括一个以上所述质量类别。对待焊接物体的源样本数据分类,且对基础样本数据集和测试样本数据集细化成多个质量类别,提高焊接质量评估的准确性。
根据本发明的一些实施例,所述根据所述基础节点特征得到基础边特征,包括:根据各个所述基础节点特征之间的类别关系,建立并初始化基础边特征。对基础类别特征进行处理得到基础节点特征和基础边特征,建立全连接图,能够提高已有特征的关联性,提高训练模型对焊接质量评估的准确性。
根据本发明的一些实施例,所述基础类别特征包括基础支持集特征和基础查询集特征,所述基础节点特征包括带有节点标签的带签节点特征和不带有节点标签的普通节点特征,其中,所述带签节点特征由所述基础支持集特征处理得到,所述普通节点特征由所述基础查询集特征处理得到。分类得到不同的节点标签能够有助于找出两个基础节点特征之间的相似关系,提高焊接质量评估的准确性。
根据本发明的一些实施例,所述图神经网络设置有多层,所述通过全连接图更新算法,分别对所述基础节点特征和所述基础边特征进行更新处理,得到网络节点特征和网络边特征,包括:对所述基础节点特征进行邻域聚合;通过计算上一层所述图神经网络中的所述基础节点特征与上一层所述图神经网络中的所述基础边特征的比例,得到本层的网络节点特征;通过全连接图更新算法对本层的所述网络节点特征以及上一层所述图神经网络中的所述基础边特征计算,得到本层的网络边特征。因此,能够提高基础节点特征与基础边特征之间传递消息的联系性,还能够提高基础节点特征与基础边特征的实时性和有效性,提高训练模型预测焊接质量评估的准确性。
根据本发明的一些实施例,根据测试节点特征和所述质量评估结果得出模型预测准确率,其中,所述测试节点特征根据所述测试类别特征而得到,计算得出模型预测准确率,有助于用户进行记录,便于用户进行调试和测试。
根据本发明的一些实施例,所述源样本数据包括等离子浓度数据、激光光强数据和温度随时间的测量值序列数据,源样本数据采用焊接过程中释出电、光、热信号,便于采集数据,易于测量。
根据本发明的一些实施例,所述卷积神经网络包括至少一个卷积层、至少一个池化层以及至少一个泄露修正线性单元LeakyReLU激活层,其中,至少一个所述卷积层和至少一个所述池化层为间隔设置,能够对样本数据进行检测辨别、筛选和提取,有利于进行后续的数据处理。
第二方面,本发明实施例还提供了一种焊接质量检测装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上述第一方面所述的焊接质量检测方法。
第三方面,本发明实施例还提供了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上述第一方面所述的焊接质量检测方法。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
本发明的附加方面和优点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是本发明一个实施例提供的焊接质量检测方法的流程图;
图2是本发明另一实施例提供的焊接质量检测方法中分类源样本数据的具体步骤的流程图;
图3是本发明另一实施例提供的焊接质量检测方法中根据基础类别特征得到基础节点特征的具体步骤的流程图;
图4是本发明另一实施例提供的焊接质量检测方法中通过全连接图算法对基础节点特征和基础边特征进行更新处理的具体步骤的流程图;
图5是本发明另一实施例提供的焊接质量检测方法中计算模型预测准确率的流程图;
图6是本发明另一实施例提供的焊接质量检测方法中基础边特征初始化建立全连接图的过程演示图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,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或者隐含指明所指示的技术特征的先后关系。
在本发明的描述中,如果有描述到第一、第二只是用于区分技术特征为目的,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或者隐含指明所指示的技术特征的先后关系。
本发明提供了一种焊接质量检测方法及其装置、计算机可读存储介质,获取待焊接物体在激光焊接过程中的源样本数据,并对其分类形成用于建立训练模型的基础样本数据集和用于焊接质量评估测试的测试样本数据集;通过卷积神经网络分别对基础样本数据集和测试样本数据集进行筛选处理,分别得到基础类别特征和测试类别特征。实时自动获取带焊接物体的源样本数据并对其进行分类处理,从而有助于实时进行后续的焊接质量评估预测,提高焊接质量评估的准确性。通过已有特征得到基础节点特征和基础边特征,形成全连接图;通过全连接图更新算法对基础节点特征和基础边特征进行更新处理,得到网络节点特征和网络边特征并形成训练模型,提高训练模型的实时有效性和预测准确性。输入测试类别特征至训练模型得到质量评估结果,得到对待焊接物体的实时焊接质量评估结果,能够实时自动评估,避免出现在焊接过程中出现不良因素而用户无法获知而导致产品材料损坏,从而提高良品率,降低生产成本,提高生产效率。
下面结合附图,对本发明实施例作进一步阐述。
第一方面,本发明实施例提供了一种焊接质量检测方法。
如图1所示,图1是本发明一个实施例提供的焊接质量检测方法的流程图,该焊接质量检测方法包括但不限于有步骤S100、步骤S200、步骤S300、步骤S400、步骤S500、步骤S600和步骤S700。
步骤S100,获取并分类待焊接物体在激光焊接过程中的源样本数据,形成基础样本数据集和测试样本数据集。
可以理解的是,深度学习技术中需要大量的样本数据才能得到真实合理的预测效果,但在激光焊接环境中,源样本数据采集困难,需要通过人工抽样或破坏性采集来实现不良样本的大量采集,使得不良样本的获取需要大量的人力和成本。而且相关技术中只能获取基于不良样本本身的数据,即只能获取不良样本产生后的数据,不能对焊接过程中的焊接质量进行实时评估,提醒用户及时进行相应处理。本实施例提供的焊接质量检测方法则通过传感器如声学传感器、光谱仪、光电二极管、视觉传感器或温度传感器,对在激光焊接过程中释出大量的声、光、电或热信号进行实时监测,从而实现待焊接物体在激光焊接过程中的源样本数据采集,如等离子浓度数据、激光光强数据和温度随时间的测量值序列数据。因此,能够对在激光焊接过程中的待焊接物体的焊接数据进行实时采集,便于后续对数据进行处理完成实时焊接质量评估,及时提醒用户对待焊接物体做出相应处理,避免产品材料缺陷,从而提高良品率和生产效率。将采集得到的源样本数据进行分类,分成两大类,包括用于进行训练模型建立的基础样本数据集和用于进行焊接质量评估的测试样本数据集,对源样本数据集进行分类,便于进行后续的数据处理,避免源样本数据集混乱,提高焊接质量评估结果的准确性,提高良品率,降低生产成本。
步骤S200,将基础样本数据集输入卷积神经网络中筛选处理,得到基础类别特征;
步骤S300,将测试样本数据集输入卷积神经网络中筛选处理,得到测试类别特征。
可以理解的是,对采集并分类后得到的基础样本数据集输入卷积神经网络中进行筛选处理,筛选出局部范围内响应最强的特征,并把特征处理为图神经网络学习传播的特征,得到基础样本数据集的基础类别特征。基础类别特征是基础样本数据集内中最具有代表性的数据,能够使得由基础类别特征建立后的训练模型更加贴合实际情况,提高训练模型与基础样本数据集的联系性,从而提高训练模型的准确性,并且提高训练模型的构造速度,降低训练模型的所需训练样本个数,使得训练模型的可读性更高,有助于用户对焊接质量检测方法进行使用和检测。因此,对测试样本数据集输入相同的卷积神经网络中筛选处理得到测试样本数据集的测试类别特征。处理得到测试类别特征有助于对后续进行训练模型的预测,使得训练模型的焊接质量评估结果更加贴合实际焊接质量结果,提高焊接质量检测方法的准确性。
需要说明的是,卷积神经网络中包含有至少一个卷积层、至少一个池化层以及至少一个泄露修正线性单元LeakyReLU激活层,其中,卷积层能够检测判别基础样本数据集和测试样本数据集的特征,对基础样本数据集和测试样本数据集进行提取,池化层能够筛选出在局部范围内响应最强的特征,而泄露修正线性单元LeakyReLU激活层能够将从基础样本数据集和测试样本数据集各自筛出的特征进行调整处理。而至少一个卷积层和至少一个池化层为间隔设置,例如,卷积神经网络有5层,第一层为卷积层,第二层为池化层,第三层为卷积层,第四层为池化层,最后一层为泄露修正线性单元LeakyReLU激活层,从而使得经过最后一层的基础类别特征和测试类别特征分别为基础样本数据集和测试样本数据集中最具代表性的特征,并且基础类别特征和测试类别特征能够提高在图神经网络的信息传播性,使得由基础类别特征建立的训练模型能够提高对焊接质量评估记过预测的准确性。
步骤S400,将基础节点特征输入图神经网络中处理得到基础边特征,根据基础节点特征和基础边特征形成全连接图,其中,基础节点特征由基础类别特征计算得到。
可以理解的是,源样本数据采集困难,不良样本的获取需要耗费大量的人力和成本,而通过图神经网络能够将少量样本映射到图神经网络中,对稀少样本进行建立训练模型,通过少量已知样本预测大量未知样本结果。从卷积神经网络处理得到的基础类别特征作为图神经网络训练模型的基础节点特征,即每个基础节点特征代表一个具体的样本数据。通过图神经网络,两个基础节点特征之间建立邻边得到基础边特征,从而基础边特征与通过基础边特征连接的基础节点特征形成全连接图。基础类别特征是基础样本数据集最具代表性的数据,通过基础类别特征得到基础节点特征,并以基础节点特征得到基础节点特征,再通过已有特征建立图神经网络的全连接图,能够提高全连接图、图神经网络与基础样本数据集的联系性,提高图神经网络的真实性,使得图神经网络更加贴合实际焊接情况,从而通过图神经网络能够建立速度更快、所需样本数据更低的训练模型,提高训练模型对焊接质量评估结果预测的准确性,有助于用户对待焊接物体在激光焊接过程中的焊接质量评估结果进行实时观测,提高良品率和生产效率,降低生产成本。
步骤S500,通过全连接图更新算法,分别对所述基础节点特征和所述基础边特征进行更新处理,得到网络节点特征和网络边特征;
步骤S600,根据网络节点特征和网络边特征处理得到训练模型。
可以理解的是,通过全连接图更新算法对全连接图中的基础节点特征和基础边特征进行更新处理,得到建立图神经网络的网络节点特征和网络边特征,并根据网络节点特征和网络部边特征构建一层图神经网络。对图神经网络中的数据进行多次训练更新,得到不同层的网络节点特征和网络边特征,形成多层图神经网络,不断贴合实际焊接情况,提高构建全连接图的节点特征和边特征的数据准确性和真实性,从而提高图神经网络的时效性和准确性。将最后一层的网络节点特征和网络边特征构建训练模型,采用更新后的特征进行建立训练模型能够提高训练模型对焊接质量评估结果预测的准确性。
步骤S700,将测试类别特征输入训练模型中,得到质量评估结果。
可以理解的是,通过与基础类别特征不同的测试类别特征输入到训练模型进行样本测试,测试类别特征通过训练模型中的全连接图进行样本测试,并且不断对全连接图中的特征数据进行更新,使得训练模型更加贴合需要进行预测的测试类别数据,提高训练模型的真实性、实时性和准确性,提高质量评估结果的准确性,有助于用户对待焊接物在激光焊接过程中的焊接质量进行实时观察,避免用户不能对不良因素的出现做出及时的处理,提高产品的良品率和生产效率,降低生产成本。
另外,在一实施例中,参照图2,步骤S100中的分类待焊接物体在激光焊接过程中的源样本数据,形成基础样本数据集和测试样本数据集,可以包括但不限于有以下步骤:
步骤S110,将待焊接物体在激光焊接过程中的源样本数据分成多个质量类别,形成基础样本数据集和测试样本数据集,其中,基础样本数据集和测试样本数据集均包括一个以上质量类别。
可以理解的是,由于待焊接物体在激光焊接过程的源样本数据难以采集,为了提高源样本数据的利用率,对源样本数据分成多个质量类别,如正常、焊接离焦、母材表面覆有物体、母材反面、漏焊、漂移、母材倾斜等质量类别,再将多个质量类别分成两大类,形成基础样本数据集和测试样本数据集,且基础样本数据集和测试样本数据集均包括一个以上质量类别,例如基础样本数据集可以包括有正常、离焦、母材表面覆有物体和母材反面四个质量类别,测试样本数据集可以包括有漏焊、漂移、母材倾斜三个质量类别。对源样本数据细化分类,能够有助于提高焊接质量评估结果的准确性,便于用户获得具体的焊接质量评估结果,及时对不良因素的出现做出对应的处理,避免用户因无法获知具体的质量评估结果而进行错误处理导致材料损坏的情况出现,提高良品率和生产效率,降低生产成本。
另外,在一实施例中,参照图3,步骤S400中的根据基础节点特征得到基础边特征,可以包括但不限于有以下步骤:
步骤S410,根据各个基础节点特征之间的类别关系,建立并初始化基础边特征。
可以理解的是,从卷积神经网络处理得到基础类别特征作为图神经网络训练模型的基础节点特征,基础边特征包含有两个值,第一个值为基础节点特征之间的相似性值,第二个值为基础节点特征之间的相异性值,根据两个基础节点之间的相似性值进行标记建立邻边形成基础边特征,即两个基础节点特征之间的基础边特征代表着两个基础节点特征为相同情况的概率。基础节点特征中包含有带有标签的带签节点特征和不带有标签的普通节点特征,根据标签的情况,将相同标签的带签节点特征之间的基础边特征初始化为1,将标签不同的带签节点特征之间的基础边特征初始化为0,其他情况(如带签节点特征与普通节点特征之间未知的情况)的基础边特征标记为0.5,完成对基础边特征的初始化,通过具体数值表示各个基础节点特征之间的关联程度,即两个具体焊接样本之间的相似程度,从而提高基础节点特征与基础边特征之间的联系,提高数据的可读性,有助于建立后续步骤的全连接图,提高全连接图的准确性。标记也可以通过颜色的深浅表示,颜色越深,代表两个基础节点特征的相关程度越高;颜色越浅,代表两个基础节点特征的相关程度越低,因此通过颜色的区分能够便于用户获取焊接数据信息,有利于提高全连接图的可读性。
需要说明的是,基础类别特征包括基础支持集特征和基础查询集特征,基础节点特征包括带有节点标签的带签节点特征和不带有节点标签的普通节点特征。从卷积神经网络处理得到的基础类别特征中的基础支持集特征作为图神经网络训练模型的带签节点特征,而从卷积神经网络处理得到的基础类别特征中的基础查询集特征作为图神经网络的普通节点特征。其中,基础样本数据集包含有一个以上质量类别,基础支持集特征包含有与基础样本数据中相同的质量类别,而每个基础查询集特征的质量类别与基础支持集特征的其中一个质量类别相同。由基础支持集特征得到的带签节点特征上携带有节点标签,节点标签上携带有该带签节点特征所属质量类别的信息,将相同标签的带签节点特征之间的基础边特征初始化为1,将标签不同的带签节点特征之间的基础边特征初始化为0,其他情况(如带签节点特征与普通节点特征之间未知的情况)的基础边特征标记为0.5,从而能够根据各个节点特征携带的节点标签标记两个节点之间的关联程度完成对基础边特征的初始化,建立全连接图。例如,图6为来自两个不同质量类别的四个带签节点特征与三个普通带签节点特征建立全连接图的过程演示图,其中,实线圆圈代表带签节点特征,虚线圆圈代表普通节点特征,而不同质量类别的节点特征通过圆圈中不同的线条进行表示;边的标记通过方块的线条疏密程度表示,方块中的线条越密集,代表该边连接的两个节点特征的关联程度越高,。
因此,基础查询集特征会受到基础支持集特征的影响,提高基础类别特征之间信息的传递性和关联性,基础查询集特征作为训练模型中的更新处理的已有特征数据,提高训练模型的实时有效性和准确性。
另外,在一实施例中,参照图4,步骤S500中的通过全连接图更新算法,分别对基础节点特征和基础边特征进行更新处理,得到网络节点特征和网络边特征,可以包括但不限于有以下步骤:
步骤S510,对基础节点特征进行邻域聚合;
步骤S520,通过计算上一层图神经网络中的基础节点特征与上一层图神经网络中的基础边特征的比例,得到本层的网络节点特征;
步骤S530,通过全连接图更新算法对本层的网络节点特征以及上一层图神经网络中的基础边特征计算,得到本层的网络边特征。
可以理解的是,全连接图是一种图数据结构。图神经网络是一种直接作用于图数据结构上的神经网络。经过对全连接图中的基础节点特征和基础边特征更新处理,得到训练后的多层图神经网络。全连接图更新算法利用邻域聚合框架对每个基础节点特征的邻居节点特征通过消息传递进行递归聚合和转换。通过上一层的基础节点特征和上一层的基础边特征的比例进行计算,得到本层网络节点特征。通过基础边特征连接的两个更新后的网络节点特征以及上一层的基础边特征计算得出更新后的本层网络边特征。更新后基础边特征后,将本层的网络节点特征和网络边特征分别作为更新后的本层的基础节点特征和基础边特征,对全连接图中的基础节点特征和基础边特征完成更新,从而完成对一层图神经网络的全连接图更新。可以对图神经网络进行多次训练更新,提高图神经网络预测的准确性,即可以将更新后的网络节点特征进行邻域聚合处理,再与网络边特征同时进行多次的聚合迭代和相同的更新计算,得出新的网络节点特征和网络边特征,邻域聚合处理能够提高节点特征在相邻数据中消息的交互性,提高节点特征之间的联系性,而网络节点特征和网络边特征的更新,能够保持数据的实时有效性,使得后续步骤建立的训练模型更加贴合实际焊接情况,提高焊接质量评估结果的准确性。
另外,在一实施例中,参照图5,该焊接质量检测方法还可以包括但不限于有步骤S800。
步骤S800,根据测试节点特征和质量评估结果得出模型预测准确率,其中,测试节点特征根据测试类别特征而得到。
可以理解的是,对训练模型的样本预测准确率测试采用测试类别数据,测试类别特征作为图神经网络训练模型的测试节点特征,输入训练模型得到质量评估结果,通过质量评估结果与测试节点特征做对比,计算质量评估结果与测试节点特征相符合的所有数量占所有测试节点特征数量的比例,得到模型预测准确率,能够提高数据的直观性,有助于用户直接观察焊接质量评估结果,便于与对训练模型进行调试和检测。
第二方面,本发明实施例还提供了一种焊接质量检测装置,该焊接质量检测装置包括:存储器、处理器、存储在存储器上并可在处理器上运行的计算机程序以及数据监测器。
数据检测器能够实时获取待焊接物在激光焊接过程中的源样本数据,并与存储器、处理器进行信号传输。
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以及非暂态性计算机可执行程序。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处理器。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。
实现上述实施例的焊接质量检测方法所需的非暂态软件程序以及指令存储在存储器中,当被处理器执行时,执行上述实施例中的焊接质量检测方法,例如,执行以上描述的图1中的方法步骤S100至S700、图2中的方法步骤S110、图3中的方法步骤S410、图4中的方法步骤S510至S530、图5中的方法步骤S800。
第三方面,本发明实施例还提供了一种计算机可读存储介质,该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处理器或控制器执行,例如,被上述焊接质量检测装置实施例中的一个处理器执行,可使得上述处理器执行上述实施例中的网络切片连接方法,例如,执行以上描述的图1中的方法步骤S100至S700、图2中的方法步骤S110、图3中的方法步骤S410、图4中的方法步骤S510至S530、图5中的方法步骤S800。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
以上是对本发明的较佳实施进行了具体说明,但本发明并不局限于上述实施方式,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换,这些等同的变形或替换均包含在本发明权利要求所限定的范围内。
Claims (10)
1.一种焊接质量检测方法,包括:
获取并分类待焊接物体在激光焊接过程中的源样本数据,形成基础样本数据集和测试样本数据集;
将所述基础样本数据集输入卷积神经网络中筛选处理,得到基础类别特征;
将所述测试样本数据集输入所述卷积神经网络中筛选处理,得到测试类别特征;
将基础节点特征输入图神经网络中处理得到基础边特征,根据所述基础节点特征和所述基础边特征形成全连接图,其中,所述基础节点特征由所述基础类别特征计算得到;
通过全连接图更新算法,分别对所述基础节点特征和所述基础边特征进行更新处理,得到网络节点特征和网络边特征;
根据所述网络节点特征和所述网络边特征处理得到训练模型;
将所述测试类别特征输入所述训练模型中,得到质量评估结果。
2.根据权利要求1所述的焊接质量检测方法,其特征在于,所述分类待焊接物体在激光焊接过程中的源样本数据,形成基础样本数据集和测试样本数据集,包括:
将待焊接物体在激光焊接过程中的源样本数据分成多个质量类别,形成基础样本数据集和测试样本数据集,其中,所述基础样本数据集和所述测试样本数据集均包括一个以上所述质量类别。
3.根据权利要求1所述的焊接质量检测方法,其特征在于,所述根据所述基础节点特征得到基础边特征,包括:
根据各个所述基础节点特征之间的类别关系,建立并初始化基础边特征。
4.根据权利要求1或3所述的焊接质量检测方法,其特征在于,所述基础类别特征包括基础支持集特征和基础查询集特征,所述基础节点特征包括带有节点标签的带签节点特征和不带有节点标签的普通节点特征,其中,所述带签节点特征由所述基础支持集特征处理得到,所述普通节点特征由所述基础查询集特征处理得到。
5.根据权利要求1所述的焊接质量检测方法,其特征在于,所述图神经网络设置有多层,所述通过全连接图更新算法,分别对所述基础节点特征和所述基础边特征进行更新处理,得到网络节点特征和网络边特征,包括:
对所述基础节点特征进行邻域聚合;
通过计算上一层所述图神经网络中的所述基础节点特征与上一层所述图神经网络中的所述基础边特征的比例,得到本层的网络节点特征;
通过全连接图更新算法对本层的所述网络节点特征以及上一层所述图神经网络中的所述基础边特征计算,得到本层的网络边特征。
6.根据权利要求1所述的焊接质量检测方法,其特征在于,还包括:
根据测试节点特征和所述质量评估结果得出模型预测准确率,其中,所述测试节点特征根据所述测试类别特征而得到。
7.根据权利要求1所述的焊接质量检测方法,其特征在于,所述源样本数据包括等离子浓度数据、激光光强数据和温度随时间的测量值序列数据。
8.根据权利要求1所述的焊接质量检测方法,其特征在于,所述卷积神经网络包括至少一个卷积层、至少一个池化层以及至少一个泄露修正线性单元LeakyReLU激活层,其中,至少一个所述卷积层和至少一个所述池化层为间隔设置。
9.一种焊接质量检测装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,还包括数据监测器,所述处理器执行所述计算机程序时实现如权利要求1至8中任意一项所述的焊接质量检测方法。
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至8任意一项所述的焊接质量检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110167057.0A CN112967231B (zh) | 2021-02-05 | 2021-02-05 | 焊接质量检测方法及其装置、计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110167057.0A CN112967231B (zh) | 2021-02-05 | 2021-02-05 | 焊接质量检测方法及其装置、计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112967231A true CN112967231A (zh) | 2021-06-15 |
CN112967231B CN112967231B (zh) | 2022-11-15 |
Family
ID=76274958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110167057.0A Active CN112967231B (zh) | 2021-02-05 | 2021-02-05 | 焊接质量检测方法及其装置、计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112967231B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6484122B1 (en) * | 2000-05-16 | 2002-11-19 | Siemens Aktiengesellschaft | System and method for evaluating characteristics for suitability in classification |
CN111079780A (zh) * | 2019-11-06 | 2020-04-28 | 中国科学院深圳先进技术研究院 | 空间图卷积网络的训练方法、电子设备及存储介质 |
US20200382612A1 (en) * | 2019-05-29 | 2020-12-03 | Adobe Inc. | Interpretable user modeling from unstructured user data |
CN112285114A (zh) * | 2020-09-29 | 2021-01-29 | 华南理工大学 | 一种基于机器视觉的漆包线点焊质量检测系统及检测方法 |
-
2021
- 2021-02-05 CN CN202110167057.0A patent/CN112967231B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6484122B1 (en) * | 2000-05-16 | 2002-11-19 | Siemens Aktiengesellschaft | System and method for evaluating characteristics for suitability in classification |
US20200382612A1 (en) * | 2019-05-29 | 2020-12-03 | Adobe Inc. | Interpretable user modeling from unstructured user data |
CN111079780A (zh) * | 2019-11-06 | 2020-04-28 | 中国科学院深圳先进技术研究院 | 空间图卷积网络的训练方法、电子设备及存储介质 |
CN112285114A (zh) * | 2020-09-29 | 2021-01-29 | 华南理工大学 | 一种基于机器视觉的漆包线点焊质量检测系统及检测方法 |
Non-Patent Citations (1)
Title |
---|
张琳林等: "一种基于卷积神经网络的图像分类方法", 《福建电脑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112967231B (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111815572B (zh) | 一种基于卷积神经网络对锂电池焊接质量的检测方法 | |
CN111242123B (zh) | 一种基于红外图像的电力设备故障诊断方法 | |
CN111401419A (zh) | 基于改进RetinaNet的员工着装规范检测方法 | |
CN109544533A (zh) | 一种基于深度学习的金属板缺陷检测和度量方法 | |
Heideklang et al. | Multi-sensor image fusion at signal level for improved near-surface crack detection | |
CN112697798B (zh) | 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置 | |
CN113222913B (zh) | 一种电路板缺陷检测定位方法、装置和存储介质 | |
CN113916284B (zh) | 机房环境的监测方法、装置、设备及存储介质 | |
TW201909010A (zh) | 設計佈局為主的快速線上缺陷診斷、分類及取樣方法及系統 | |
CN116308958A (zh) | 基于移动终端的碳排放在线检测预警系统及方法 | |
CN111753877B (zh) | 一种基于深度神经网络迁移学习的产品质量检测方法 | |
CN116823793A (zh) | 设备缺陷检测方法、装置、电子设备和可读存储介质 | |
CN108428247B (zh) | 焊锡点方向的检测方法和系统 | |
CN114863311A (zh) | 一种变电站机器人巡检目标自动跟踪方法及系统 | |
CN112967231B (zh) | 焊接质量检测方法及其装置、计算机可读存储介质 | |
CN112347874A (zh) | 一种火灾检测方法、装置、设备及存储介质 | |
CN116934732A (zh) | 一种光伏组件的检测方法、装置及电子设备 | |
CN115239733B (zh) | 裂缝检测方法、装置、终端设备以及存储介质 | |
CN115187880A (zh) | 基于图像识别的通信光缆缺陷检测方法、系统及存储介质 | |
CN111078912B (zh) | 电力设备图像数据仓库及电力设备缺陷检测方法 | |
Xu et al. | Multi-layer feature boosting framework for pipeline inspection using an intelligent pig system | |
CN113063843A (zh) | 一种管道缺陷识别方法、装置及存储介质 | |
US20220189005A1 (en) | Automatic inspection using artificial intelligence models | |
CN117607019B (zh) | 电力金具表面智能检测方法和检测系统 | |
CN117522872B (zh) | 一种光伏电站的实时异常检测方法及装置 |
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 |