CN114406425A - 一种用于超薄金属精密焊接的焊缝跟踪方法 - Google Patents
一种用于超薄金属精密焊接的焊缝跟踪方法 Download PDFInfo
- Publication number
- CN114406425A CN114406425A CN202210172635.4A CN202210172635A CN114406425A CN 114406425 A CN114406425 A CN 114406425A CN 202210172635 A CN202210172635 A CN 202210172635A CN 114406425 A CN114406425 A CN 114406425A
- Authority
- CN
- China
- Prior art keywords
- welding
- molten pool
- seam
- ultra
- heat source
- 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- Withdrawn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
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
- B23K10/00—Welding or cutting by means of a plasma
- B23K10/02—Plasma 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
- B23K9/00—Arc welding or cutting
- B23K9/12—Automatic feeding or moving of electrodes or work for spot or seam welding or cutting
- B23K9/127—Means for tracking lines during arc welding or cutting
- B23K9/1272—Geometry oriented, e.g. beam optical trading
- B23K9/1276—Using non-contact, electric or magnetic means, e.g. inductive means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Plasma & Fusion (AREA)
- Mechanical Engineering (AREA)
- Geometry (AREA)
- Arc Welding In General (AREA)
Abstract
本发明提供了一种用于超薄金属精密焊接的焊缝跟踪方法,属于智能焊接制造技术领域。本发明针对超薄金属精密焊接中微细接缝与微小动态熔池的检测难题,利用无辅助光源的显微视觉传感系统获取焊接过程中微小熔池及接缝清晰图像,基于自适应双ROI选取,并结合大津阈值分割和随机采样一致性算法实现熔池轮廓形心坐标和接缝中心线的实时提取,在此基础上计算获得焊接过程中的焊缝偏差,并通过时序型神经网络模型预测下一时刻的焊接热源偏移量。该方法有利于实现检测端接接头焊接过程中的自动对中纠偏控制,对实现航空航天、核电、精密仪表、医疗器械等领域薄壁、超薄壁复杂精密零部件智能化焊接、提升产品合格率具有重要意义。
Description
技术领域
本发明属于智能焊接制造技术领域。涉及一种用于超薄金属精密焊接的焊缝跟踪方法,该方法的实现有利于实时检测端接接头焊接过程中的焊缝位置偏差并进行自动对中纠偏控制,对实现航空航天、核电、电子、精密仪表、医疗器械等领域薄壁、超薄壁复杂精密零部件智能化焊接、提升产品合格率具有重要意义。
背景技术
超薄件精密焊接工艺是航空航天等工业领域超薄壁金属零部件一项不可或缺的关键制造技术,由于超薄焊件的特殊性,对焊接区域热量分布对称性极为敏感:焊接过程中即使出现细微的焊接位置偏差也会导致工件两侧受热不均,从而导致焊菇菇头向一侧偏移,致使裂纹产生或应力集中,严重时甚至直接造成未熔合等成型缺陷并导致工件不密封和报废。而且,介观尺度下的焊接状态给视觉传感系统在焊接过程中进行在线监测或采用肉眼直接观测均造成极大困难,对视觉传感系统的集成度和紧凑化设计、图像或视频采集及传输、设备安全性保障措施提出极高要求。当前工业实际焊接生产中,端缝焊接通常要求一次焊接合格,焊接操作人员需要长时间借助显微镜通过肉眼观察焊缝、熔池及焊枪来判断焊接对中情况,并时刻调整焊枪与工件的相对位置,焊缝成形质量保障严重依赖焊接操作人员的经验、技巧和体力,而且其低下的检测效率和劳动强度限制了薄壁端接结构的批量生产;同时,焊缝偏差的准确检测严重依赖熔池视觉传感稳定性的和图像分割的鲁棒性。由于薄壁端缝焊接熔池微小可至介观尺度,同时接缝间隙特别细窄,对动态熔池及接缝区域清晰成像和图像跨尺度特征稳定提取均造成极大困难。因此发展超薄金属精密焊接的焊缝跟踪实属刚需,对保障装备质量和提升制造效率以及完善产品全生命周期质量追溯体系均具有十分重要的意义。
采用机器视觉与深度学习技术实时检测焊枪、电弧、熔池、待焊轨迹等空间位置以获取焊缝偏差信息,通过自动调节焊枪与工件之间的相对位姿关系保持焊枪精确对中,对保证焊接质量具有重要意义,也是实现智能化焊接制造的关键技术之一,成为焊缝跟踪领域一大有效手段。
经对现有技术文献和专利检索发现,专利申请号为CN201611267754.9的中国发明专利《一种用于汽车焊接的焊缝偏差及熔透状态监测方法》公开了一种用于汽车焊接的焊缝偏差及熔透状态监测方法,从待处理的熔池区域中提取特征信息,作为焊接过程特性参量输入到集焊缝偏差及熔透状态一体的神经网络模型,保证焊接过程中电弧对准焊缝;专利申请号为CN201910223793.6的中国发明专利《一种直线焊缝激光拼焊中焊接位置与焊缝偏差计算方法》公开了一种直线焊缝激光拼焊中焊接位置与焊缝偏差计算方法,以熔池图像上部凸起部分亚像素边缘点经曲线拟合后得到的顶点位置为焊缝位置,以去除凸起部分的熔池亚像素边缘点经椭圆拟合后得到熔池中心为焊接位置,将偏差定义为两者在水平方向上的像素数目。专利申请号为CN201710272076.3的中国发明专利《基于图像匹配的焊缝跟踪方法》公开了一种一种基于图像匹配的焊缝跟踪方法,综合考虑焊缝区域和背景图像以及两者之间的特征差异,焊缝跟踪不受焊缝深浅粗细等限制,且不受光照等环境条件影响,解决了焊缝视觉特征随光照等成像条件逐渐变化而出现的焊缝跟丢等问题。以上技术方案均未涉及超薄金属精密焊接的焊缝跟踪方法。
综上所述,国内外现有的焊缝跟踪方法大多数仅设计大型金属结构件,目前尚未见超薄金属精密焊接的焊缝跟踪方法的公开报道。
发明内容
本发明的目的在于克服现有技术的不足,提出一种用于超薄金属精密焊接的焊缝跟踪方法,为了实现上述目的,本发明采取以下技术方案:
一种用于超薄金属精密焊接的焊缝跟踪方法,包括以下步骤:
1)将成对的超薄金属焊件放置并固定压紧在焊接工装夹具上;移动精密焊接热源并精确定位至所述超薄金属焊件的接头接缝中心上方区域等待焊接开始;
2)启动焊接工作,所述精密焊接热源开始焊接工件,同时所述精密焊接热源相对于所述超薄金属焊件开始移动;采用无辅助光源的显微视觉传感系统拍摄熔池区域,利用熔池自身热辐射光线或熔池对弧光的反射实现熔池区域和熔池前方接缝区域的清晰成像,实现精密焊接熔池区域显微图像的实时获取;
3)对所述显微图像进行全区域滤波、去噪和锐化图像预处理操作,采用自适应双ROI选取方法分别提取所述显微图像中的所述熔池区域和所述熔池前方接缝区域;
4)对所述熔池区域进行图像分割从而检测出熔池轮廓,在此基础之上提取熔池轮廓形心坐标;同时对所述熔池前方接缝区域进行边缘检测,提取熔池前方接缝的两侧边缘并用形态学开运算消除边缘断点,随后对接缝边缘进行直线段特征点提取以及抗干扰拟合,拟合出接缝边缘直线并提取接缝中心线,计算所述熔池轮廓形心坐标与所述接缝中心线在与焊接方向垂直的方向上的差值,即得到焊缝偏差;
5)将当前时刻的所述焊缝偏差作为焊枪热源偏移预测模型的输入参数,实现在焊接过程中预测下一时刻的焊接热源偏移量;
6)将所述下一时刻的焊接热源偏移量传输给焊缝跟踪主控单元,所述焊缝跟踪主控单元通过控制精密焊接热源位置伺服机构执行纠偏运动实现对焊接热源偏移的位置补偿,从而实现所述焊接热源的实时自动对中,即实现焊缝跟踪;
7)由程序判断当前焊接任务是否结束,若当前焊接任务结束则对所述焊缝跟踪主控单元发送指令结束全部流程,否则返回步骤2),并重复步骤2)至步骤6)。
2.上述技术方案中,步骤6)中所述精密焊接热源位置伺服机构采用高精度微米级电动平移台;
3.上述技术方案中,所述高精度微米级电动平移台采用歩距角为1.8°的步进电机,采用螺距不高于4毫米的驱动丝杠,所述高精度微米级电动平移台的分辨率不低于0.5μm,精度优于20μm;
4.上述技术方案中,步骤1)中所述超薄金属焊件为厚度小于0.5mm的金属薄片或金属箔,接头形式为端接或卷边接头,所述精密焊接热源为微束等离子弧或钨极氩弧焊接电弧或激光束,所述精密焊接热源的载体为微束等离子焊枪或TIG焊枪或激光焊接头,焊接速度为3.65-13.15mm/s;
5.上述技术方案中,步骤2)中所述无辅助光源的显微视觉传感系统,其结构包括:堆栈式高速CMOS摄像机、高倍率光学放大镜头、窄带滤光片组、FPGA图像处理模组;
6.上述技术方案中,步骤3)中所述图像预处理操作包括双边滤波、高斯平滑和拉普拉斯锐化;
7.上述技术方案中,步骤3)中所述自适应双ROI选取方法,采用基于Yolo系列的轻量级网络对若干张所述显微图像中的所述熔池区域和所述熔池前方接缝区域进行学习,将所述显微图像进行切片,再对每一张所述切片图像进行多卷积核卷积处理并获得特征图,最终利用构建的自适应双ROI选取模型提取出所述显微图像中的所述熔池区域和所述熔池前方接缝区域;
8.上述技术方案中,步骤4)中所述图像分割,采用基于遗传算法的大津阈值分割(GA-Otsu’s),通过遗传算法来寻找所述熔池区域图像最佳的阈值组合;
9.上述技术方案中,步骤4)中所述焊缝偏差提取,采用基于直线段检测器优化的随机采样一致性(LSD-RANSAC)算法,相应公式表示如下:
Y(J)=k(J)X+b(J) (3)
δ=Ymiddle-Y1c (5)
公式(1)中L(I)为所提取的起始点终止点和对应线段斜率k(I)的集合;公式(2)由公式(1)经过两侧边缘特征点分离所得;公式(3)为公式(2)中特征点经过RANSAC拟合后的接缝边缘直线,其中k(J)和b(J)可分别由公式(6)与公式(7)表示;公式(4)为接缝中心线表达式,Y(A)表示接缝一侧直线,Y(B)表示接缝另一侧直线;公式(5)为焊缝偏差表达式,Y1c为熔池轮廓形心纵坐标;
10.上述技术方案中,步骤5)中所述预测模型,采用基于黏菌寻优算法的长短期记忆神经网络(SMA-LSTM),以最小化LSTM网络误差为自适应度函数,采用SMA算法对LSTM的包括学习率、训练次数、bach_size、隐含层的节点数在内的超参数进行自动寻优,通过LSTM中的遗忘门结构对历史时刻的输出信息以一定概率进行保留或遗忘,通过输入门结构负责更下一时刻的新LSTM细胞状态,结合LSTM对于历史数据的记忆性以及焊接动态帧间图像的特征关联进行神经网络训练,提高训练所得的预测模型性能。
附图说明
图1是一种用于超薄金属精密焊接的焊缝跟踪方法流程框图;
图2是本发明实施例所述超薄金属精密焊接系统示意图;
图中:1—高精度微米级电动平移台;2—步进电机;3—微束等离子焊枪;4—焊接工装夹具;5—超薄金属焊件;6—超薄金属焊件;7—堆栈式高速CMOS摄像机;8—高倍率光学放大镜头;9—窄带滤光片组;10—桌面式光学隔振台;11—光学隔振台;12—FPGA图像处理模组;13—工控机;14—人机交互显示屏;15—焊缝跟踪主控单元;16—无辅助光源的显微视觉传感系统;17—相机支架。
图3是本发明实施例所述超薄金属精密焊接SMA-LSTM结构示意图;
图中:18—数据预处理阶段;19—测试数据集;20—归一化、数据分割;21—焊接热源实际偏移量和焊缝偏差时间序列;22—训练数据集;23—黏菌优化阶段;24—初始化黏菌种群;25—适应度函数;26—获取;27—包裹;28—接近;29—选择;30—最优超参数;31—网络训练阶段;32—训练实际数据;33—输入层(δ1,δ2,...,δn);34—隐含层(LSTM-1,LSTM-2,…LSTM-n);35—输出层36—模型评估SGD优化;37—数据预测阶段;38—测试数据δi;39—SMA-LSTM;40—焊接热源偏移量实时预测;41—误差评估;42—测试实际数据43—反归一化;44—最终预测数据
图4是本发明实施例所述超薄金属精密焊接焊缝偏差提取流程示意图;
图中:45—熔池区域;46—分割后图像;47—熔池轮廓形心坐标;48—熔池前方接缝区域;49—边缘检测图像;50—形态学开运算图像;51—直线段图像;52—特征点图像;53—抗干扰拟合图像;54—焊缝偏差δ=Ymiddle-Y1c;55—接缝中心线;56—显微图像。
图5是本发明实施例所述焊接热源实际偏移0.1mm下的预测效果示意图。
图6是本发明实施例所述焊接热源实际偏移0.5mm下的预测效果示意图。
具体实施方式
下面结合附图和实施例对本发明原理和工作过程做进一步详细说明。
图2所示为本发明实施例所述超薄件精密焊接系统示意图,该系统包括高精度微米级电动平移台1;步进电机2;微束等离子焊枪3;焊接工装夹具4;超薄金属焊件5;超薄金属焊件6;堆栈式高速CMOS摄像机7;高倍率光学放大镜头8;窄带滤光片组9;桌面式光学隔振台10;光学隔振台11;FPGA图像处理模组12;工控机13;人机交互显示屏14;焊缝跟踪主控单元15;无辅助光源的显微视觉传感系统16;相机支架17;
所述焊缝跟踪主控单元15通过信号线与所述高精度微米级电动平移台1、所述人机交互显示屏14进行通讯;所述微束等离子焊枪3固定在所述高精度微米级电动平移台1上;所述高倍率光学放大镜头8安装于所述堆栈式高速CMOS摄像机7前方,所述窄带滤光片组9加装在所述高倍率光学放大镜头8前方构成所述无辅助光源的显微视觉传感系统16;所述无辅助光源的显微视觉传感16系统固定在所述相机支架17上,所述相机支架17放置于所述桌面式光学隔振台10上;所述无辅助光源的显微视觉传感系统16通过信号线与所述FPGA图像处理模组12进行无线图像传输;所述工控机13与所述人机交互显示屏14、所述FPGA图像处理模组12通过信号线进行通讯。
图1所示为一种超薄件精密焊接的焊缝跟踪方法流程框图,包括以下几个步骤:
1)本实施例中所述超薄金属焊件5、所述超薄金属焊件6是厚度为0.12mm的金属薄片,所述精密焊接热源为微束等离子弧,所述精密焊接热源的载体为微束等离子焊枪,接头形式为端接,所述微束等离子焊枪3的焊接速度为3.65-13.15mm/s;将所述超薄金属焊件5和超薄金属焊件6固定压紧在所述焊接工装夹具4上,采用所述高精度微米级电动平移台1将所述微束等离子焊枪3精确定位至所述超薄金属焊件5和超薄金属焊件6的接头接缝中心上方区域等待焊接开始;
2)启动焊接工作,所述微束等离子焊枪3开始焊接工件,同时所述微束等离子焊枪3相对于所述超薄金属焊件5和超薄金属焊件6开始移动;采用所述无辅助光源的显微视觉传感系统16,其结构包括:所述堆栈式高速CMOS摄像机7、所述高倍率光学放大镜头8、所述窄带滤光片组9、所述FPGA图像处理模组12,利用熔池自身光辐射或熔池区域对弧光的反射实现所述熔池区域45及所述熔池前方接缝区域48的清晰成像,实现精密焊接熔池区域所述显微图像56的实时获取;
3)将所述显微图像56传至所述FPGA图像处理模组12,对全区域图像依次进行双边滤波、高斯平滑和拉普拉斯锐化等图像预处理操作,采用基于Yolov5s的自适应双ROI选取方法,对若干张所述显微图像中的所述熔池区域45和所述熔池前方接缝区域48进行学习,根据切片操作将原始的512*512*3像素的焊接图像转化为256*256*12像素,再对每一切片进行单次32个卷积核进行卷积处理并获得256*256*32像素的特征图,最终构建自适应高动态范围ROI模型,准确识别并分离出所述熔池区域45及所述熔池前方接缝区域48;
4)以所述显微图像56的左上角顶点为原点建立XOY坐标系,经过自适应ROI选取后,所述熔池区域45图像坐标系为X1O1Y1,所述熔池前方接缝区域48图像坐标系为X2O2Y2,二者原点均为各自图像的左上角顶点,如图4所示,利用GA-Otsu’s对所述熔池区域45进行最优阈值分割得到所述分割后图像46并提取所述熔池轮廓形心坐标47;所述熔池前方接缝区域48经过canny算子检测得到所述边缘检测图像49,为了消除边缘断点采用开运算得到所述形态学开运算图像50,利用LSD算法对所述形态学开运算图像50进行处理得到所述直线段图像51,接着进行特征点提取得到所述特征点图像52,使用RANSAC算法得到所述抗干扰拟合图像53以及所述接缝中心线55,从而确定所述熔池轮廓形心坐标47与所述接缝中心线55在与焊接方向垂直的方向上的差值,将所述焊缝偏差δ=Ymiddle-Y1c54以时间序列形式传输给所述工控机13;
5)如图3所示,基于黏菌寻优算法的长短期记忆神经网络(SMA-LSTM)共有3个阶段,分别为所述数据预处理阶段18、所述黏菌优化阶段23、所述网络训练阶段31、所述数据预测阶段37,其中所述数据预处理阶段18以及所述网络训练阶段31仅在首次使用该网络时进行,后续任务可直接进行所述数据预测阶段37。首先进入所述数据预处理18阶段,将所述焊接热源实际偏移量和焊缝偏差时间序列21进行所述归一化、数据分割20,按照一定比例划分为所述训练数据集22以及所述测试数据集19;其次进行所述黏菌优化阶段23,通过初始化黏菌种群24计算所述适应度函数25,当所述适应度函数25不为最优解时进行所述选择29、接近28、包裹27、获取26操作迭代至最优解,得到所述最优超参数30,包括学习率、训练轮数、批数据大小以及隐含层节点数;随后进入所述网络训练阶段31,将所述训练数据集22通过所述输入层(δ1,δ2,...,δn)33传输到所述隐含层(LSTM-1,LSTM-2,…LSTM-n)34进行训练,其中所述输入层(δ1,δ2,...,δn)33通过LSTM中的遗忘门结构对历史时刻的输出信息以一定概率进行保留或遗忘,通过输入门结构负责更下一时刻的新LSTM细胞状态,结合LSTM对于历史数据的记忆性以及焊接动态帧间图像的特征关联,提高训练所得的预测模型性能。将所述输出层中训练所得输出值与所述训练实际数据32进行所述模型评估SGD优化36,得到性能良好的预测模型;最后进入数据预测阶段37,将所述测试数据δi38输入到训练所得的所述SMA-LSTM39模型进行所述焊接热源偏移量实时预测40,利用所述测试实际数据与预测值进行所述误差评估41,经过所述反归一化43后输出所述最终预测数据将所述焊接热源偏移预测结果采用Wilcoxon符号秩检验作为显著性检验,通过所述最终预测数据与真实值的显著性水平衡量模型本身的性能,当显著性水平大于设定值时说明模型可通过显著性检验。通过不同焊接条件(焊接电流、焊接电压、脉冲宽度、采样频率)下的焊缝跟踪实验测试该预测模型的泛化性,采用最大误差、绝对误差、相对误差以及均方误差对跟踪效果进行误差评价;如图5所示,所述微束等离子焊枪3实际偏移0.1mm,最大预测值最大误差Errormax=0.028mm,绝对误差0.004mm,如图6所示,所述微束等离子焊枪3实际偏移0.5mm,最大预测值最大误差Errormax=0.026mm,绝对误差为0.004mm,相对误差均控制在2%以内,属于误差允许范围;
7)由程序判断当前焊接任务是否结束,若当前焊接任务结束则对所述焊缝跟踪主控单元15发送指令结束全部流程,否则返回步骤2),并重复步骤2)至步骤6)。
Claims (10)
1.一种用于超薄金属精密焊接的焊缝跟踪方法,其特征在于所述方法包括如下步骤:
1)将成对的超薄金属焊件放置并固定压紧在焊接工装夹具上;移动精密焊接热源并精确定位至所述超薄金属焊件的接头接缝中心上方区域等待焊接开始;
2)启动焊接工作,所述精密焊接热源开始焊接工件,同时所述精密焊接热源相对于所述超薄金属焊件开始移动;采用无辅助光源的显微视觉传感系统拍摄熔池区域,利用熔池自身热辐射光线或熔池对弧光的反射实现熔池区域和熔池前方接缝区域的清晰成像,实现精密焊接熔池区域显微图像的实时获取;
3)对所述显微图像进行全区域滤波、去噪和锐化图像预处理操作,采用自适应双ROI选取方法分别提取所述显微图像中的所述熔池区域和所述熔池前方接缝区域;
4)对所述熔池区域进行图像分割从而检测出熔池轮廓,在此基础之上提取熔池轮廓形心坐标;同时对所述熔池前方接缝区域进行边缘检测,提取熔池前方接缝的两侧边缘并用形态学开运算消除边缘断点,随后对接缝边缘进行直线段特征点提取以及抗干扰拟合,拟合出接缝边缘直线并提取接缝中心线,计算所述熔池轮廓形心坐标与所述接缝中心线在与焊接方向垂直的方向上的差值,即得到焊缝偏差;
5)将当前时刻的所述焊缝偏差作为焊枪热源偏移预测模型的输入参数,实现在焊接过程中预测下一时刻的焊接热源偏移量;
6)将所述下一时刻的焊接热源偏移量传输给焊缝跟踪主控单元,所述焊缝跟踪主控单元通过控制精密焊接热源位置伺服机构执行纠偏运动实现对焊接热源偏移的位置补偿,从而实现所述焊接热源的实时自动对中,即实现焊缝跟踪;
7)由程序判断当前焊接任务是否结束,若当前焊接任务结束则对所述焊缝跟踪主控单元发送指令结束全部流程,否则返回步骤2),并重复步骤2)至步骤6)。
2.根据权利要求1所述的一种用于超薄金属精密焊接的焊缝跟踪方法,其特征在于:步骤6)中所述精密焊接热源位置伺服机构采用高精度微米级电动平移台。
3.根据权利要求2所述的一种用于超薄金属精密焊接的焊缝跟踪方法,其特征在于:所述高精度微米级电动平移台采用歩距角为1.8°的步进电机,采用螺距不高于4毫米的驱动丝杠,所述高精度微米级电动平移台的分辨率不低于0.5μm,精度优于20μm。
4.根据权利要求1所述的一种用于超薄金属精密焊接的焊缝跟踪方法,其特征在于:步骤1)中所述超薄金属焊件为厚度小于0.5mm的金属薄片或金属箔,接头形式为端接或卷边接头,所述精密焊接热源为微束等离子弧或钨极氩弧焊接电弧或激光束,所述精密焊接热源的载体为微束等离子焊枪或TIG焊枪或激光焊接头,焊接速度为3.65-13.15mm/s。
5.根据权利要求1所述的一种用于超薄金属精密焊接的焊缝跟踪方法,其特征在于:步骤2)中所述无辅助光源的显微视觉传感系统,其结构包括:堆栈式高速CMOS摄像机、高倍率光学放大镜头、窄带滤光片组、FPGA图像处理模组。
6.根据权利要求1所述的一种用于超薄金属精密焊接的焊缝跟踪方法,其特征在于:步骤3)中所述图像预处理操作包括双边滤波、高斯平滑和拉普拉斯锐化。
7.根据权利要求1所述的一种用于超薄金属精密焊接的焊缝跟踪方法,其特征在于:步骤3)中所述自适应双ROI选取方法,采用基于Yolo系列的轻量级网络对若干张所述显微图像中的所述熔池区域和所述熔池前方接缝区域进行学习,将所述显微图像进行切片,再对每一张所述切片图像进行多卷积核卷积处理并获得特征图,最终利用构建的自适应双ROI选取模型提取出所述显微图像中的所述熔池区域和所述熔池前方接缝区域。
8.根据权利要求1所述的一种用于超薄金属精密焊接的焊缝跟踪方法,其特征在于:步骤4)中所述图像分割,采用基于遗传算法的大津阈值分割(GA-Otsu’s),通过遗传算法来寻找所述熔池区域图像最佳的阈值组合。
9.根据权利要求1所述的一种用于超薄金属精密焊接的焊缝跟踪方法,其特征在于:步骤4)中所述焊缝偏差提取,采用基于直线段检测器优化的随机采样一致性(LSD-RANSAC)算法,相应公式表示如下:
Y(J)=k(J)X+b(J) (3)
δ=Ymiddle-Y1c (5)
10.根据权利要求1所述的一种用于超薄金属精密焊接的焊缝跟踪方法,其特征在于:步骤5)中所述预测模型,采用基于黏菌寻优算法的长短期记忆神经网络(SMA-LSTM),以最小化LSTM网络误差为自适应度函数,采用SMA算法对LSTM的包括学习率、训练次数、bach_size、隐含层的节点数在内的超参数进行自动寻优,通过LSTM中的遗忘门结构对历史时刻的输出信息以一定概率进行保留或遗忘,通过输入门结构负责更下一时刻的新LSTM细胞状态,结合LSTM对于历史数据的记忆性以及焊接动态帧间图像的特征关联进行神经网络训练,提高训练所得的预测模型性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210172635.4A CN114406425A (zh) | 2022-02-24 | 2022-02-24 | 一种用于超薄金属精密焊接的焊缝跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210172635.4A CN114406425A (zh) | 2022-02-24 | 2022-02-24 | 一种用于超薄金属精密焊接的焊缝跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114406425A true CN114406425A (zh) | 2022-04-29 |
Family
ID=81261561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210172635.4A Withdrawn CN114406425A (zh) | 2022-02-24 | 2022-02-24 | 一种用于超薄金属精密焊接的焊缝跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114406425A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114693679A (zh) * | 2022-05-31 | 2022-07-01 | 江苏中天科技股份有限公司 | 纠偏方法、装置和设备 |
CN114888408A (zh) * | 2022-05-06 | 2022-08-12 | 中国计量大学 | 一种航天运载器贮箱焊接熔透智能控制系统及方法 |
-
2022
- 2022-02-24 CN CN202210172635.4A patent/CN114406425A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114888408A (zh) * | 2022-05-06 | 2022-08-12 | 中国计量大学 | 一种航天运载器贮箱焊接熔透智能控制系统及方法 |
CN114888408B (zh) * | 2022-05-06 | 2024-05-10 | 中国计量大学 | 一种航天运载器贮箱焊接熔透智能控制系统及方法 |
CN114693679A (zh) * | 2022-05-31 | 2022-07-01 | 江苏中天科技股份有限公司 | 纠偏方法、装置和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114406425A (zh) | 一种用于超薄金属精密焊接的焊缝跟踪方法 | |
CN109035204B (zh) | 一种焊缝目标实时检测方法 | |
CN113634964B (zh) | 一种大型构件龙门式机器人焊接装备及焊接工艺 | |
CN110064819B (zh) | 基于结构光的柱面纵向焊缝特征区域提取、焊缝跟踪方法及系统 | |
CN112518072B (zh) | 一种基于线结构光视觉的空间相贯曲线焊缝结构建模方法 | |
CN105478976B (zh) | 基于动态系统辨识的端接微束等离子焊接成形控制方法 | |
CN108489986A (zh) | 一种增材制造在线检测及修复方法 | |
CN106271081A (zh) | 三坐标直角机器人线激光焊缝自动跟踪系统及其跟踪方法 | |
Aviles-Viñas et al. | On-line learning of welding bead geometry in industrial robots | |
He et al. | A critical review for machining positioning based on computer vision | |
Hou et al. | A teaching-free welding method based on laser visual sensing system in robotic GMAW | |
CN111738369A (zh) | 基于熔池视觉特征的焊熔透状态及熔深实时预测方法 | |
CN110238520B (zh) | 一种基于ccd视觉检测的自动精密激光焊接方法 | |
CN115464263A (zh) | 一种激光焊接焊缝自动寻迹方法、检测方法及装置 | |
CN112191993A (zh) | 一种氩弧焊焊缝跟踪系统及方法 | |
CN114131141A (zh) | 一种大型结构件变位置焊接质量在线监测方法及系统 | |
Zou et al. | Learning Siamese networks for laser vision seam tracking | |
Guo et al. | Progress, challenges and trends on vision sensing technologies in automatic/intelligent robotic welding: State-of-the-art review | |
CN114571160A (zh) | 一种离线的曲面焊缝提取和姿态估计方法 | |
Ma et al. | An efficient and robust complex weld seam feature point extraction method for seam tracking and posture adjustment | |
Geng et al. | A method of welding path planning of steel mesh based on point cloud for welding robot | |
CN115464669A (zh) | 基于智能焊接机器人的智能光学感知处理系统及焊接方法 | |
Yang et al. | Automatic extraction and identification of narrow butt joint based on ANFIS before GMAW | |
Hong et al. | Real-time quality monitoring of ultrathin sheets edge welding based on microvision sensing and SOCIFS-SVM | |
CN107843602B (zh) | 一种基于图像的焊缝质量检测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220429 |
|
WW01 | Invention patent application withdrawn after publication |