CN114714022A - 焊接质量检测方法及装置 - Google Patents
焊接质量检测方法及装置 Download PDFInfo
- Publication number
- CN114714022A CN114714022A CN202210448743.XA CN202210448743A CN114714022A CN 114714022 A CN114714022 A CN 114714022A CN 202210448743 A CN202210448743 A CN 202210448743A CN 114714022 A CN114714022 A CN 114714022A
- Authority
- CN
- China
- Prior art keywords
- welding
- audio data
- historical
- data
- model
- 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 576
- 238000001514 detection method Methods 0.000 title claims abstract description 162
- 230000007547 defect Effects 0.000 claims abstract description 152
- 238000000034 method Methods 0.000 claims abstract description 140
- 238000003062 neural network model Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims description 113
- 238000004590 computer program Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 18
- 230000009467 reduction Effects 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 20
- 238000004891 communication Methods 0.000 description 12
- 239000007789 gas Substances 0.000 description 9
- 239000000463 material Substances 0.000 description 8
- 230000003595 spectral effect Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000003993 interaction Effects 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 6
- 238000010891 electric arc Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 229910000838 Al alloy Inorganic materials 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 235000002597 Solanum melongena Nutrition 0.000 description 1
- 244000061458 Solanum melongena Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups
- B23K31/12—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups relating to investigating the properties, e.g. the weldability, of materials
- B23K31/125—Weld quality monitoring
-
- 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
- B23K9/32—Accessories
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4472—Mathematical theories or simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Plasma & Fusion (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供了一种焊接质量检测方法及装置，该方法包括：采集焊接时的焊接电弧音频数据；根据焊接电弧音频数据和预设的焊接缺陷检测模型，确定焊接缺陷检测结果；其中，焊接缺陷检测模型是根据历史焊接缺陷音频数据所建立的用于预测焊接缺陷的神经网络模型。通过利用预设的焊接缺陷检测模型对焊接时采集的焊接电弧音频数据进行分析并预测，得到焊接是否存在缺陷以及缺陷类型，无需增设检测设备和检测工序，故不会影响焊接效率，还能够准确检测焊接缺陷，相较于现有技术，减少了检测成本，并提高了焊接效率。
Description
技术领域
本发明涉及焊接技术领域，特别涉及一种焊接质量检测方法及装置。
背景技术
焊接是金属加工领域最重要的工艺之一，通过焊接制造出来的成品被广泛应用于各个领域，因此焊接工艺保证和焊接工件的质量检测也是焊接加工的重要环节。
目前，焊接工艺保证主要靠管理人员检查巡视或作业者认真、自觉。而行业内通用的焊接质量检测方法多为X射线检测、超声检测、气压水压等压力检测。以上检测手段需要靠购买检测设备和增加检测工序来实现，对金属加工厂家来说，既增加了加工成本又降低了焊接效率。
发明内容
本发明的目的是提供一种不影响焊接效率又能够准确检测焊接缺陷的焊接质量检测方法及装置。
为达到上述目的，本发明提供了一种焊接质量检测方法，其包括：
采集焊接时的焊接电弧音频数据；
根据所述焊接电弧音频数据和预设的焊接缺陷检测模型，确定焊接缺陷检测结果；
其中，所述焊接缺陷检测模型是根据历史焊接缺陷音频数据所建立的用于预测焊接缺陷的神经网络模型。
其中，按照如下方法预先建立所述焊接缺陷检测模型：
获取多个历史焊接电弧音频数据和每个历史焊接电弧音频数据对应的焊接缺陷信息；
以每个历史焊接电弧音频数据对应的焊接缺陷信息为输出，以每个历史焊接电弧音频数据为输入，建立多层卷积神经网络模型，得到所述焊接缺陷检测模型。
具体实施例中，预先建立所述焊接缺陷检测模型的过程，还包括：
对每个历史焊接电弧音频数据进行预处理，得到每个历史焊接电弧音频数据对应的音频特征；
相应地，以每个历史焊接电弧音频数据对应的焊接缺陷信息为输出，以每个历史焊接电弧音频数据为输入，建立多层卷积神经网络模型，得到所述焊接缺陷检测模型，包括：
利用多个历史焊接电弧音频数据对应的音频特征和每个历史焊接电弧音频数据对应的焊接缺陷信息组成的数据集，对多层卷积神经网络模型进行训练，得到所述焊接缺陷检测模型。
具体实施时，对每个历史焊接电弧音频数据进行预处理，得到每个历史焊接电弧音频数据对应的音频特征，包括：
将每个历史焊接电弧音频数据读取为信号波形数据；
将所述信号波形数据进行傅里叶变换，得到声波数据；
对所述声波数据中预设音频范围外的数据进行降噪处理，得到降噪后的声波数据；
将所述降噪后的声波数据进行傅里叶逆变换，得到倒频谱域；
根据所述倒频谱域，确定每个历史焊接电弧音频数据对应的音频特征。
为了进一步提高检测的准确性，具体实施例中提供的焊接质量检测方法，还包括：
根据所述焊接电弧音频数据和预设的焊接工艺识别模型，得到识别的焊接工艺信息；所述焊接工艺识别模型用于根据焊接电弧音频数据，预测焊接工艺信息；
接收焊接设备传输的焊接工艺设定信息；
根据所述焊接工艺设定信息和识别的焊接工艺信息，确定焊接工艺检测结果。
其中，按照如下方法预先建立所述焊接工艺识别模型：
获取多个历史焊接电弧音频数据和每个历史焊接电弧音频数据对应的焊接工艺信息；
以每个历史焊接电弧音频数据对应的焊接工艺信息为输出，以每个历史焊接电弧音频数据为输入，建立多层卷积神经网络模型，得到所述焊接工艺识别模型。
具体实施例中，采集焊接时的焊接电弧音频数据，包括：
在接收到焊接设备发出的开始焊接信号时，对焊接电弧开始音频采集，直至接收到焊接设备发出的停止焊接信号或异常信号，采集结束，得到焊接时的焊接电弧音频数据。
本发明还提供一种焊接质量检测装置，用以在不影响焊接效率的前提下，准确检测焊接缺陷，其包括：
数据采集模块，用于采集焊接时的焊接电弧音频数据；
焊接缺陷检测模块，用于根据所述焊接电弧音频数据和预设的焊接缺陷检测模型，确定焊接缺陷检测结果；
其中，所述焊接缺陷检测模型是根据历史焊接缺陷音频数据所建立的用于预测焊接缺陷的神经网络模型。
本发明提供一种计算机设备，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，所述处理器执行所述计算机程序时实现如上所述的焊接质量检测方法。
本发明提供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程序，所述计算机程序被处理器执行时实现如上所述的焊接质量检测方法。
本发明提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如上所述的焊接质量检测方法。
本发明实施例通过采集焊接时的焊接电弧音频数据；根据焊接电弧音频数据和预设的焊接缺陷检测模型，确定焊接缺陷检测结果；其中，焊接缺陷检测模型是根据历史焊接缺陷音频数据所建立的用于预测焊接缺陷的神经网络模型。通过利用预设的焊接缺陷检测模型对焊接时采集的焊接电弧音频数据进行分析并预测，得到焊接是否存在缺陷以及缺陷类型，无需增设检测设备和检测工序，故不会影响焊接效率，还能够准确检测焊接缺陷，相较于现有技术，减少了检测成本，并提高了焊接效率。
附图说明
以下附图仅旨在于对本发明做示意性说明和解释，并不限定本发明的范围。其中：
图1是本发明实施例的焊接质量检测方法的实现过程示意图；
图2是本发明具体实施例的预先建立焊接缺陷检测模型的过程示意图；
图3是本发明一具体实施例的预先建立焊接缺陷检测模型的过程示意图；
图4是本发明具体实施例中步骤301的实现过程示意图；
图5是本发明一具体实施例的焊接质量检测方法的实现过程示意图；
图6是本发明具体实例中焊接质量检测系统的结构示意图；
图7是本发明具体实例中音频采集装置的结构示意图；
图8是本发明实施例的焊接质量检测装置的结构示意图；
图9是本发明一具体实施例的焊接质量检测装置的结构示意图；
图10是本发明另一具体实施例的焊接质量检测装置的结构示意图；
图11是本发明又一具体实施例的焊接质量检测装置的结构示意图；
图12是本发明实施例中一种计算机设备的结构示意图。
具体实施方式
下面通过附图和实施例对本申请进一步详细说明。通过这些说明，本申请的特点和优点将变得更为清楚明确。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
此外，下面所描述的本申请不同实施方式中涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例提供了一种焊接质量检测方法，用以在不影响焊接效率的前提下，准确检测焊接缺陷，该方法如图1所示，包括：
步骤101：采集焊接时的焊接电弧音频数据；
步骤102：根据焊接电弧音频数据和预设的焊接缺陷检测模型，确定焊接缺陷检测结果；
其中，焊接缺陷检测模型是根据历史焊接缺陷音频数据所建立的用于预测焊接缺陷的神经网络模型。
具体实施例中，通过采集焊接时的焊接电弧音频数据；根据焊接电弧音频数据和预设的焊接缺陷检测模型，确定焊接缺陷检测结果；其中，焊接缺陷检测模型是根据历史焊接缺陷音频数据所建立的用于预测焊接缺陷的神经网络模型。通过利用预设的焊接缺陷检测模型对焊接时采集的焊接电弧音频数据进行分析并预测，得到焊接是否存在缺陷以及缺陷类型，无需增设检测设备和检测工序，故不会影响焊接效率，还能够准确检测焊接缺陷，相较于现有技术，减少了检测成本，并提高了焊接效率。
具体实施例中，首先采集焊接时的焊接电弧音频数据，具体实施时，在接收到焊接设备发出的开始焊接信号时，对焊接电弧开始音频采集，直至接收到焊接设备发出的停止焊接信号或异常信号，采集结束，得到焊接时的焊接电弧音频数据。具体实施例中，为了减少音频数据中存在的干扰因素，进行音频采集时，要将采集工具尽可能指向有利于收集当前工位电弧声音并同时尽量过滤其他位置电弧声音的方向。且对于现有技术而言，常用的音频录制方式为一直打开音频采集工具，当检测到的声音音量大于某一阈值即开始录音，小于某一阈值即停止录音；或检测到某一特定频率范围的音频即开始录音，超出某一特定频率范围即停止录音；或检测某一特定的语音，如手机拍照时大声说“茄子”即可拍照；但对于本实施例，存在一种情况：焊接开始阶段没有产生电弧声音，即焊接进入异常状态，但采用现有技术无法将这段异常的电弧音频录制。故本实施例提供的音频采集工具置与焊接设备，例如焊接电源或焊接机器人实时通信，当检测到焊接设备给出开始焊接信号后即开始录音，检测到焊接设备给出停止焊接信号或异常信号后停止录音。可有效规避焊接开始阶段没有产生电弧声音，即进入异常状态的情况下，无法采集电弧音频的情况，从而提高焊接质量检测的准确性。
采集焊接时的焊接电弧音频数据后，根据焊接电弧音频数据和预设的焊接缺陷检测模型，确定焊接缺陷检测结果。其中，焊接缺陷检测模型是根据历史焊接缺陷音频数据所建立的用于预测焊接缺陷的神经网络模型，具体实施例中，按照如图2所示的方法预先建立焊接缺陷检测模型：
步骤201：获取多个历史焊接电弧音频数据和每个历史焊接电弧音频数据对应的焊接缺陷信息；
步骤202：以每个历史焊接电弧音频数据对应的焊接缺陷信息为输出，以每个历史焊接电弧音频数据为输入，建立多层卷积神经网络模型，得到焊接缺陷检测模型。
具体实施时，多个历史焊接电弧音频数据和每个历史焊接电弧音频数据对应的焊接缺陷信息是通过在实验室环境下，对每种焊机/焊接机器人进行不同焊丝材质、焊丝直径、保护气体、脉冲有无、焊接权限、预置电流等各种组合的焊接音频数据进行录制，并标注其焊接缺陷得到的，将音频数据命名为缺陷类型-机型-保护气体-焊丝材质-焊丝直径-脉冲有无-预置电流-预置电压的格式。
具体实施例中，由于焊接环境属于开放环境，不可避免会在焊接电弧音频录制时有除尘、保护气、敲击打磨、工件吊装、人声等各种噪音及焊接飞溅掩盖电弧的真实声音，因此需要对采集到的音频数据进行降噪处理。故具体实施例中，如图3所示，在图2的基础上，还包括：
步骤301：对每个历史焊接电弧音频数据进行预处理，得到每个历史焊接电弧音频数据对应的音频特征；
相应地，步骤202变为步骤302：利用多个历史焊接电弧音频数据对应的音频特征和每个历史焊接电弧音频数据对应的焊接缺陷信息组成的数据集，对多层卷积神经网络模型进行训练，得到焊接缺陷检测模型。
其中，步骤301具体实现过程，如图4所示，包括：
步骤401：将每个历史焊接电弧音频数据读取为信号波形数据；
步骤402：将信号波形数据进行傅里叶变换，得到声波数据；
步骤403：对声波数据中预设音频范围外的数据进行降噪处理，得到降噪后的声波数据；
步骤404：将降噪后的声波数据进行傅里叶逆变换，得到倒频谱域；
步骤405：根据倒频谱域，确定每个历史焊接电弧音频数据对应的音频特征。
其中，预设音频范围根据机型、保护气体、焊丝材质、脉冲有无和预置电流电压等参数来确定，例如可以设置为600赫兹-3000赫兹，在600赫兹-3000赫兹范围之外的数据进行降噪处理，得到降噪后的声波数据。
步骤405具体实施时，每个历史焊接电弧音频数据对应的音频特征是指梅尔频率倒谱系数MFCCs、梅尔频谱(Mel Spectrogram)、频谱质心(Spectral Centroid)、频谱衰减(Spectral Roll-off等)一系列音频特征。其中，梅尔频率倒谱系数(Mel-FrequencyCepstral Coefficients，MFCCs)，是组成梅尔频率倒谱的系数，其中，梅尔频率倒谱(Mel-Frequency Cepstrum)是基于声音频率的非线性梅尔刻度(mel scale)的对数能量频谱的线性变换。梅尔频率倒谱系数衍生自音讯片段的倒频谱(cepstrum)，倒谱和梅尔频率倒谱的区别在于，梅尔频率倒谱的频带划分是在梅尔刻度上等距划分的，它比用于正常的对数倒频谱中的线性间隔的频带更能近似人类的听觉系统。
由于声音信号是一维信号直观上只能看到时域信息，不能看到频域信息。通过傅里叶变换可以变换到频域，降噪后再做傅里叶逆变换，就能够得到声谱图(Spectrogram)，将声谱图通过梅尔标度滤波器组(mel-scale filter banks)，即可变换为梅尔频谱，在梅尔频谱上做倒谱分析，得到梅尔频率倒谱，就能够确定梅尔频率倒谱系数。相应地，也能够确定频谱质心和频谱衰减，频谱质心是描述音色属性的重要物理参数之一，是频率成分的重心，是在一定频率范围内通过能量加权平均的频率。频谱衰减对声音信号形状(波形图)的一种衡量，表示低于总频谱能量的指定百分比的频率。
通过对每个历史焊接电弧音频数据进行去噪，求取梅尔频率倒谱系数等预处理能够将每个历史焊接电弧音频数据转成带有音频特征标记的可视化倒频谱图。
将带有音频特征标记的可视化倒频谱图作为输入，每个历史焊接电弧音频数据对应的焊接缺陷信息作为输出，多组数据对建立的多层卷积神经网络模型进行训练，得到焊接缺陷检测模型。使用卷积神经网络(Convolutional Neural Networks，CNN)，可以直接输入原始图像，包括：特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。
在训练得到焊接缺陷检测模型后，为了提高模型的检测准确性，还可以从上述多个历史焊接电弧音频数据对应的音频特征和每个历史焊接电弧音频数据对应的焊接缺陷信息组成的数据集中抽取部分数据作为验证集和测试集，基于验证集，对训练好的焊接缺陷检测模型进行验证，基于测试集，对训练好的焊接缺陷检测模型进行测试，以提高焊接缺陷检测模型检测的准确性。
得到训练好的焊接缺陷检测模型后，将采集到的焊接时的焊接电弧音频数据进行预处理得到带有音频特征标记的可视化倒频谱图，输入训练好的焊接缺陷检测模型，输出对应的焊接缺陷，例如：无缺陷(正常)、烧穿、断弧等。
具体实施例中，除了焊接缺陷外，还可能存在实际的焊接工艺与设定的焊接工艺不符的情况，也是不符合最终的质量检测要求的，故图5所示的焊接质量检测方法，在图1的基础上，还包括：
步骤501：根据焊接电弧音频数据和预设的焊接工艺识别模型，得到识别的焊接工艺信息；其中，焊接工艺识别模型用于根据焊接电弧音频数据，预测焊接工艺信息；
步骤502：接收焊接设备传输的焊接工艺设定信息；
步骤503：根据焊接工艺设定信息和识别的焊接工艺信息，确定焊接工艺检测结果。
具体实施时，利用焊接电弧音频数据和预设的焊接工艺识别模型，能够得到识别的焊接工艺信息，即实际的焊接工艺。接收焊接设备传输的焊接工艺设定信息后，将二者进行比对，若二者一致说明实际执行的是设定的焊接工艺，若不一致，则焊接工艺检测结果为不合格，需要提示工作人员进行确认或校正。
其中，焊接工艺信息是指焊接工艺参数，例如包括保护气体、焊丝材质、焊丝直径、脉冲有无和预置电流电压范围等。获取多个历史焊接电弧音频数据和每个历史焊接电弧音频数据对应的焊接工艺信息，为了减少数据采集的复杂度，具体实施例中可直接选用步骤201中采集的多个历史焊接电弧音频数据，由于其将音频数据命名为缺陷类型-机型-保护气体-焊丝材质-焊丝直径-脉冲有无-预置电流-预置电压的格式，数据名中包含有焊接工艺信息，可直接以每个历史焊接电弧音频数据对应的焊接工艺信息为输出，以每个历史焊接电弧音频数据为输入，建立多层卷积神经网络模型，得到焊接工艺识别模型。
具体实施时，为了提高识别的准确性，还可以多个历史焊接电弧音频数据和将每个历史焊接电弧音频数据对应的机型作为输入，每个历史焊接电弧音频数据对应的焊接工艺信息为输出，对建立好的多层卷积神经网络模型进行训练、验证和测试，得到焊接工艺识别模型。
具体实施时，首先从接收到焊接设备发出的开始焊接信号至接收到焊接设备发出的停止焊接信号或异常信号过程中，采集焊接时的焊接电弧音频数据，对该焊接电弧音频数据进行降噪、确定梅尔频率倒谱的系数等预处理后，将预处理后的带有音频特征标记的可视化倒频谱图首先输入预先建立的焊接工艺识别模型，并将焊接所用的机型信息输入，输出识别的焊接工艺信息，将识别的焊接工艺信息与接收到的焊接设备传输的焊接工艺设定信息比对，得到焊接工艺检测结果，若焊接工艺检测结果为不合格，则报错。若检测结果合格，则再将带有音频特征标记的可视化倒频谱图输入预先建立的焊接缺陷检测模型，输出焊接缺陷检测结果，根据输出的焊接缺陷检测结果提示工作人员，有缺陷则报错，没有缺陷则告知本次焊接的焊接质量检测结果正常。
为了更好地说明本实施例提供的焊接质量检测方法，提供一具体实例说明，该具体实例构建了一种焊接质量检测系统，可应用于焊接工艺准确性验证及汽车零部件、五金家具、铝合金等薄板焊接领域缺陷检测。
具体结构如图6所示包括：焊接电源/焊接机器人、音频采集装置、服务器(本地服务器/云服务器)，服务器与音频采集装置之间可以依靠RJ45(布线系统中信息插座连接器)/WiFi/4G/5G等通讯方式进行信息交互，音频采集装置与焊接电源/焊接机器人之间依靠RS485通讯协议下的工业总线进行数据交互。
其中，音频采集装置的结构如图7所示，主要包含：中央处理器单元(可运行Linux等操作系统)，音频采集单元(例如麦克风)，存储器(保存音频文件、焊接缺陷检测模型和焊接工艺识别模型)，网络通信单元及4G/5G通信模组(与云服务器或本地服务器通信)，UI交互单元(用于分析结果并反馈)。且音频采集单元应设置在靠近电弧产生的位置，指向需要有利于收集当前工位电弧声音，同时尽量过滤其他位置电弧声音。
其中，首先进行基础数据的准备，在实验室环境下对每种焊机/机器人进行不同焊丝材质、焊丝直径、保护气体、脉冲有无、焊接权限、预置电流等各种组合的焊接音频数据进行录制，例如表1所示：
表1
其中，将音频文件命名格式为：缺陷类型-机型-保护气体-焊丝材质-焊丝直径-脉冲有无-预置电流-预置电压.wav，例如：正常-500GS6-MAG-碳钢-1.2-脉冲有-200-28.wav。
音频采集装置与焊接电源/焊接机器人实时通信，检测到焊接电源/焊接机器人给出开始焊接信号后即开始录音，检测到焊接电源/焊接机器人给出停止焊接信号或异常信号后停止录音。
对音频采集装置录制的音频文件进行降噪等预处理：将音频文件A0读取为数据S0；将数据S0进行傅里叶变换得到数据S1；对S1一定音频范围(如600赫兹-3000赫兹)之外的数据进行降噪处理，得到数据S2，具体音频范围根据机型、保护气体、焊丝材质、脉冲有无、预置电流电压确定；将S2进行傅里叶逆变换得到数据S3；将S3转化为图片P0。即音频文件转化为带有音频特征标记的可视化图片，A0转换为P0。
利用转换后的图片P0，进行多层卷积神经网络运算，得到数据预测模型，数据预测模型分为2种：焊接工艺识别模型M1，输入参数为音频文件和机型，输出结果为保护气体、焊丝材质、焊丝直径、脉冲有无、预置电流电压范围等识别到的焊接工艺信息；焊接缺陷检测模型M2，输入参数为音频文件，输出结果为焊接缺陷类型。
做好上述准备后，音频采集装置录制焊接电弧音频，并将音频文件和当前焊接电源/焊接机器人的机型输入焊接工艺识别模型M1；调用存储器中的焊接工艺识别模型M1返回结果(保护气体、焊丝材质、焊丝直径、脉冲有无、预置电流电压范围等焊接工艺信息)；音频采集装置将M1返回结果与当前通过总线接收到的焊接电源/焊接机器人设置值进行比对，不符合项通过UI交互单元提示工作人员，设定与实操不符，进行报错处理；接着将音频文件输入焊接缺陷检测模型M2；调用存储器中的M2返回缺陷类型，UI交互单元对焊接缺陷进行提示。
具体实施时，为了提高模型的可访问性、可用性、安全性、共享性、实时同步性，可将焊接缺陷检测模型和焊接工艺识别模型上传服务器，可以是本地服务器，也可以是灵活度更高的云服务器，具体的检测过程，包括：
音频采集装置录制焊接电弧音频，并将音频文件和当前焊接电源/焊接机器人的机型发送到服务器；服务器调用焊接工艺识别模型M1并返回结果给音频采集装置(保护气体、焊丝材质、焊丝直径、脉冲有无、预置电流电压范围等焊接工艺信息)；音频采集装置将服务器返回结果与当前焊接电源/焊接机器人通过总线传输的设置值进行比对，不符合项通过UI交互单元提示；服务器调用焊接缺陷检测模型M2并返回缺陷类型给音频采集装置；音频采集装置中的UI交互单元对焊接缺陷进行提示。
通过设置音频采集装置与焊接设备相连，在焊接过程中就能够实现焊接工艺检测和焊接缺陷检测，而无需购置昂贵的检测设备，也不必在焊接结束后增加检测工序来检测焊接质量，焊接设备可直接投入下次生产过程。相较于检测设备检测焊接质量的现有技术，既提高了焊接效率，减少了检测成本。同时，通过对模型的不断训练、验证、测试和校正，也能够不断提高模型检测的准确性，从而满足准确检测焊接缺陷的要求。
基于同一发明构思，本发明实施例还提供一种焊接质量检测装置，所解决问题的原理相似，重复之处不再赘述，具体结构如图8所示，包括：
数据采集模块801，用于采集焊接时的焊接电弧音频数据；
焊接缺陷检测模块802，用于根据焊接电弧音频数据和预设的焊接缺陷检测模型，确定焊接缺陷检测结果；
其中，焊接缺陷检测模型是根据历史焊接缺陷音频数据所建立的用于预测焊接缺陷的神经网络模型。
具体实施时，如图9所示的焊接质量检测装置，在图8的基础上，还包括：
焊接缺陷检测模型建立模块901，用于：
获取多个历史焊接电弧音频数据和每个历史焊接电弧音频数据对应的焊接缺陷信息；
以每个历史焊接电弧音频数据对应的焊接缺陷信息为输出，以每个历史焊接电弧音频数据为输入，建立多层卷积神经网络模型，得到焊接缺陷检测模型。
具体实施例中，焊接缺陷检测模型建立模块901，包括：
预处理单元，用于：对每个历史焊接电弧音频数据进行预处理，得到每个历史焊接电弧音频数据对应的音频特征；
相应地，焊接缺陷检测模型建立模块901，具体用于：
利用多个历史焊接电弧音频数据对应的音频特征和每个历史焊接电弧音频数据对应的焊接缺陷信息组成的数据集，对多层卷积神经网络模型进行训练，得到焊接缺陷检测模型。
具体实施时，预处理单元，具体用于：
将每个历史焊接电弧音频数据读取为信号波形数据；
将信号波形数据进行傅里叶变换，得到声波数据；
对声波数据中预设音频范围外的数据进行降噪处理，得到降噪后的声波数据；
将降噪后的声波数据进行傅里叶逆变换，得到倒频谱域；
根据倒频谱域，确定每个历史焊接电弧音频数据对应的音频特征。
具体实施例中，提供的焊接质量检测装置，如图10所示，在图8的基础上，还包括：焊接工艺检测模块1001，用于：
根据焊接电弧音频数据和预设的焊接工艺识别模型，得到识别的焊接工艺信息；焊接工艺识别模型用于根据焊接电弧音频数据，预测焊接工艺信息；
接收焊接设备传输的焊接工艺设定信息；
根据焊接工艺设定信息和识别的焊接工艺信息，确定焊接工艺检测结果。
具体实施时，如图11所示的焊接质量检测装置，在图10的基础上，还包括：焊接工艺识别模型建立模块1101，用于：
获取多个历史焊接电弧音频数据和每个历史焊接电弧音频数据对应的焊接工艺信息；
以每个历史焊接电弧音频数据对应的焊接工艺信息为输出，以每个历史焊接电弧音频数据为输入，建立多层卷积神经网络模型，得到焊接工艺识别模型。
具体实施例中，数据采集模块801，具体用于：
在接收到焊接设备发出的开始焊接信号时，对焊接电弧开始音频采集，直至接收到焊接设备发出的停止焊接信号或异常信号，采集结束，得到焊接时的焊接电弧音频数据。
本发明实施例还提供一种计算机设备，图12为本发明实施例中计算机设备的示意图，该计算机设备能够实现上述实施例中的焊接质量检测方法中全部步骤，该计算机设备具体包括如下内容：
处理器(processor)1201、存储器(memory)1202、通信接口(CommunicationsInterface)1203和通信总线1204；
其中，所述处理器1201、存储器1202、通信接口1203通过所述通信总线1204完成相互间的通信；所述通信接口1203用于实现相关设备之间的信息传输；
所述处理器1201用于调用所述存储器1202中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的焊接质量检测方法。
本发明实施例还提供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程序，所述计算机程序被处理器执行时实现上述焊接质量检测方法。
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述焊接质量检测方法。
本具体实施例提供的焊接质量检测方法及装置具有如下优点：
通过采集焊接时的焊接电弧音频数据；根据焊接电弧音频数据和预设的焊接缺陷检测模型，确定焊接缺陷检测结果；其中，焊接缺陷检测模型是根据历史焊接缺陷音频数据所建立的用于预测焊接缺陷的神经网络模型。通过利用预设的焊接缺陷检测模型对焊接时采集的焊接电弧音频数据进行分析并预测，得到焊接是否存在缺陷以及缺陷类型，无需增设检测设备和检测工序，故不会影响焊接效率，还能够准确检测焊接缺陷，相较于现有技术，减少了检测成本，并提高了焊接效率。
虽然本发明提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
本领域技术人员应明白，本说明书的实施例可提供为方法、装置(系统)或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。本发明并不局限于任何单一的方面，也不局限于任何单一的实施例，也不局限于这些方面和/或实施例的任意组合和/或置换。而且，可以单独使用本发明的每个方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (17)
1.一种焊接质量检测方法，其特征在于，包括：
采集焊接时的焊接电弧音频数据；
根据所述焊接电弧音频数据和预设的焊接缺陷检测模型，确定焊接缺陷检测结果；
其中，所述焊接缺陷检测模型是根据历史焊接缺陷音频数据所建立的用于预测焊接缺陷的神经网络模型。
2.根据权利要求1所述的焊接质量检测方法，其特征在于，按照如下方法预先建立所述焊接缺陷检测模型：
获取多个历史焊接电弧音频数据和每个历史焊接电弧音频数据对应的焊接缺陷信息；
以每个历史焊接电弧音频数据对应的焊接缺陷信息为输出，以每个历史焊接电弧音频数据为输入，建立多层卷积神经网络模型，得到所述焊接缺陷检测模型。
3.根据权利要求2所述的焊接质量检测方法，其特征在于，预先建立所述焊接缺陷检测模型的过程，还包括：
对每个历史焊接电弧音频数据进行预处理，得到每个历史焊接电弧音频数据对应的音频特征；
以每个历史焊接电弧音频数据对应的焊接缺陷信息为输出，以每个历史焊接电弧音频数据为输入，建立多层卷积神经网络模型，得到所述焊接缺陷检测模型，包括：
利用多个历史焊接电弧音频数据对应的音频特征和每个历史焊接电弧音频数据对应的焊接缺陷信息组成的数据集，对多层卷积神经网络模型进行训练，得到所述焊接缺陷检测模型。
4.根据权利要求3所述的焊接质量检测方法，其特征在于，对每个历史焊接电弧音频数据进行预处理，得到每个历史焊接电弧音频数据对应的音频特征，包括：
将每个历史焊接电弧音频数据读取为信号波形数据；
将所述信号波形数据进行傅里叶变换，得到声波数据；
对所述声波数据中预设音频范围外的数据进行降噪处理，得到降噪后的声波数据；
将所述降噪后的声波数据进行傅里叶逆变换，得到倒频谱域；
根据所述倒频谱域，确定每个历史焊接电弧音频数据对应的音频特征。
5.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：
根据所述焊接电弧音频数据和预设的焊接工艺识别模型，得到识别的焊接工艺信息；所述焊接工艺识别模型用于根据焊接电弧音频数据，预测焊接工艺信息；
接收焊接设备传输的焊接工艺设定信息；
根据所述焊接工艺设定信息和识别的焊接工艺信息，确定焊接工艺检测结果。
6.根据权利要求5所述的焊接质量检测方法，其特征在于，按照如下方法预先建立所述焊接工艺识别模型：
获取多个历史焊接电弧音频数据和每个历史焊接电弧音频数据对应的焊接工艺信息；
以每个历史焊接电弧音频数据对应的焊接工艺信息为输出，以每个历史焊接电弧音频数据为输入，建立多层卷积神经网络模型，得到所述焊接工艺识别模型。
7.根据权利要求1所述的焊接质量检测方法，其特征在于，采集焊接时的焊接电弧音频数据，包括：
在接收到焊接设备发出的开始焊接信号时，对焊接电弧开始音频采集，直至接收到焊接设备发出的停止焊接信号或异常信号，采集结束，得到焊接时的焊接电弧音频数据。
8.一种焊接质量检测装置，其特征在于，包括：
数据采集模块，用于采集焊接时的焊接电弧音频数据；
焊接缺陷检测模块，用于根据所述焊接电弧音频数据和预设的焊接缺陷检测模型，确定焊接缺陷检测结果；
其中，所述焊接缺陷检测模型是根据历史焊接缺陷音频数据所建立的用于预测焊接缺陷的神经网络模型。
9.根据权利要求8所述的焊接质量检测装置，其特征在于，还包括：焊接缺陷检测模型建立模块，用于：
获取多个历史焊接电弧音频数据和每个历史焊接电弧音频数据对应的焊接缺陷信息；
以每个历史焊接电弧音频数据对应的焊接缺陷信息为输出，以每个历史焊接电弧音频数据为输入，建立多层卷积神经网络模型，得到所述焊接缺陷检测模型。
10.根据权利要求9所述的焊接质量检测装置，其特征在于，所述焊接缺陷检测模型建立模块，包括：
预处理单元，用于：对每个历史焊接电弧音频数据进行预处理，得到每个历史焊接电弧音频数据对应的音频特征；
所述焊接缺陷检测模型建立模块，具体用于：
利用多个历史焊接电弧音频数据对应的音频特征和每个历史焊接电弧音频数据对应的焊接缺陷信息组成的数据集，对多层卷积神经网络模型进行训练，得到所述焊接缺陷检测模型。
11.根据权利要求10所述的焊接质量检测装置，其特征在于，所述预处理单元，具体用于：
将每个历史焊接电弧音频数据读取为信号波形数据；
将所述信号波形数据进行傅里叶变换，得到声波数据；
对所述声波数据中预设音频范围外的数据进行降噪处理，得到降噪后的声波数据；
将所述降噪后的声波数据进行傅里叶逆变换，得到倒频谱域；
根据所述倒频谱域，确定每个历史焊接电弧音频数据对应的音频特征。
12.根据权利要求8所述的焊接质量检测装置，其特征在于，还包括：焊接工艺检测模块，用于：
根据所述焊接电弧音频数据和预设的焊接工艺识别模型，得到识别的焊接工艺信息；所述焊接工艺识别模型用于根据焊接电弧音频数据，预测焊接工艺信息；
接收焊接设备传输的焊接工艺设定信息；
根据所述焊接工艺设定信息和识别的焊接工艺信息，确定焊接工艺检测结果。
13.根据权利要求12所述的焊接质量检测装置，其特征在于，还包括：焊接工艺识别模型建立模块，用于：
获取多个历史焊接电弧音频数据和每个历史焊接电弧音频数据对应的焊接工艺信息；
以每个历史焊接电弧音频数据对应的焊接工艺信息为输出，以每个历史焊接电弧音频数据为输入，建立多层卷积神经网络模型，得到所述焊接工艺识别模型。
14.根据权利要求8所述的焊接质量检测装置，其特征在于，所述数据采集模块，具体用于：
在接收到焊接设备发出的开始焊接信号时，对焊接电弧开始音频采集，直至接收到焊接设备发出的停止焊接信号或异常信号，采集结束，得到焊接时的焊接电弧音频数据。
15.一种计算机设备，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权利要求1至7任一所述的焊接质量检测方法。
16.一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程序，所述计算机程序被处理器执行时实现权利要求1至7任一所述的焊接质量检测方法。
17.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至7任一所述的焊接质量检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210448743.XA CN114714022A (zh) | 2022-04-26 | 2022-04-26 | 焊接质量检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210448743.XA CN114714022A (zh) | 2022-04-26 | 2022-04-26 | 焊接质量检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114714022A true CN114714022A (zh) | 2022-07-08 |
Family
ID=82245456
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210448743.XA Pending CN114714022A (zh) | 2022-04-26 | 2022-04-26 | 焊接质量检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114714022A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118032935A (zh) * | 2024-04-11 | 2024-05-14 | 江南大学 | 一种基于经验共振分解的倒装芯片缺陷检测方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB1430824A (en) * | 1972-07-27 | 1976-04-07 | Mitsui Shipbuilding Eng | Welding control method by welding sound |
| US5283418A (en) * | 1992-02-27 | 1994-02-01 | Westinghouse Electric Corp. | Automated rotor welding processes using neural networks |
| CN102764927A (zh) * | 2012-07-03 | 2012-11-07 | 广东技术师范学院 | 一种基于电弧声声谱样本熵的弧焊过程稳定性定量评价方法 |
| CN110695562A (zh) * | 2019-09-26 | 2020-01-17 | 广东工业大学 | 一种焊接质量在线检测系统及方法 |
| 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 |
| DE102021002565A1 (de) * | 2021-05-17 | 2021-07-01 | Daimler Ag | Verfahren zum Erkennen von Schweißfehlern |
| DE102021002682A1 (de) * | 2021-05-21 | 2021-07-22 | Daimler Ag | Verfahren zur Qualitätsüberwachung beim Schweißen |
| CN113537069A (zh) * | 2021-07-19 | 2021-10-22 | 大连交通大学 | 一种基于声信号多特征融合的cmt焊接缺陷识别方法 |
-
2022
- 2022-04-26 CN CN202210448743.XA patent/CN114714022A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB1430824A (en) * | 1972-07-27 | 1976-04-07 | Mitsui Shipbuilding Eng | Welding control method by welding sound |
| US5283418A (en) * | 1992-02-27 | 1994-02-01 | Westinghouse Electric Corp. | Automated rotor welding processes using neural networks |
| CN102764927A (zh) * | 2012-07-03 | 2012-11-07 | 广东技术师范学院 | 一种基于电弧声声谱样本熵的弧焊过程稳定性定量评价方法 |
| CN110695562A (zh) * | 2019-09-26 | 2020-01-17 | 广东工业大学 | 一种焊接质量在线检测系统及方法 |
| 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 |
| DE102021002565A1 (de) * | 2021-05-17 | 2021-07-01 | Daimler Ag | Verfahren zum Erkennen von Schweißfehlern |
| DE102021002682A1 (de) * | 2021-05-21 | 2021-07-22 | Daimler Ag | Verfahren zur Qualitätsüberwachung beim Schweißen |
| CN113537069A (zh) * | 2021-07-19 | 2021-10-22 | 大连交通大学 | 一种基于声信号多特征融合的cmt焊接缺陷识别方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118032935A (zh) * | 2024-04-11 | 2024-05-14 | 江南大学 | 一种基于经验共振分解的倒装芯片缺陷检测方法及系统 |
| CN118032935B (zh) * | 2024-04-11 | 2024-06-07 | 江南大学 | 一种基于经验共振分解的倒装芯片缺陷检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105841797B (zh) | 一种基于mfcc和svm的车窗电机异常噪声检测方法及装置 | |
| JP2018534026A5 (zh) | ||
| CN109946055B (zh) | 一种汽车座椅滑轨异响检测方法及系统 | |
| CN110044472B (zh) | 一种线上产品异音异响智能检测系统 | |
| CN110472587B (zh) | 基于cnn和声音时频特征图的微型振动马达缺陷识别方法及装置 | |
| US20090281804A1 (en) | Processing unit, speech recognition apparatus, speech recognition system, speech recognition method, storage medium storing speech recognition program | |
| CN111985788A (zh) | 汽车电器件声品质测试评价方法 | |
| CN110444202B (zh) | 复合语音识别方法、装置、设备及计算机可读存储介质 | |
| CN107527626A (zh) | 一种音频识别系统 | |
| JP2020064286A (ja) | 異音等検出システム、装置、方法及びプログラム | |
| CN113763986B (zh) | 一种基于声音分类模型的空调内机异常声音检测方法 | |
| CN110954826B (zh) | 基于音频分析的步进丝杆马达缺陷诊断装置及缺陷识别方法 | |
| CN114714022A (zh) | 焊接质量检测方法及装置 | |
| CN106568501A (zh) | 低噪声产品的声品质客观参量近场检测方法 | |
| CN112562724A (zh) | 语音质量的评估模型、训练评估方法、系统、设备及介质 | |
| CN106548786A (zh) | 一种音频数据的检测方法及系统 | |
| CN111916109A (zh) | 一种基于特征的音频分类方法、装置及计算设备 | |
| CN115512688A (zh) | 异音检测方法及装置 | |
| CN116778964A (zh) | 一种基于声纹识别的变电设备故障监测系统及方法 | |
| CN111816207B (zh) | 声音分析方法、系统、汽车及存储介质 | |
| Miao et al. | Sound-based improved densenet conveyor belt longitudinal tear detection | |
| CN115223584B (zh) | 音频数据处理方法、装置、设备及存储介质 | |
| CN108871558B (zh) | 一种基于大数据的电力电缆运行振动健康监测系统 | |
| Perera et al. | Automatic Evaluation Software for Contact Centre Agents’ voice Handling Performance | |
| CN106098080A (zh) | 一种噪声环境下言语识别阈的确定方法及装置 |
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 |