CN115122005A - 一种超大型人字闸门门体焊接装置 - Google Patents

Abstract

本发明公开一种超大型人字闸门门体焊接装置，包括：侧部支撑板、辊轴安装块、辊轴、定位板、人字闸门定位组件、Z轴梁、Y轴梁、X轴梁、焊接机械臂基座、第一焊接机械臂、第二焊接机械臂、焊接组件、图像采集装置、X轴伺服驱动装置、Y轴伺服驱动装置、Z轴伺服驱动装置以及工控机；图像采集装置设置于所述焊接组件的一侧，所述图像采集装置用于在焊接过程中采集人字闸门门体焊接区域的图像并将所述图像传输至工控机进行焊接缺陷的识别，解决现有的超大型人字闸门门体的生产过程中焊接工作量大，容易产生如气孔、凹坑、焊瘤等焊接缺陷，由于焊缝数量多，依赖人工完成焊缝缺陷识别大大影响了工作效率的问题。

Description

一种超大型人字闸门门体焊接装置

技术领域

本发明涉及机械设备技术领域，具体涉及一种超大型人字闸门门体焊接装置。

背景技术

人字闸门的左右两扇门叶分别绕水道边壁内的垂直门轴旋转，关闭水道时，俯视形成“人”字形状的闸门，左右两扇门叶分别绕水道边壁内的垂直门轴旋转，关闭水道时，俯视形成“人”字形状的闸门。人字闸工作时，两扇门叶构成三铰拱以承受水压力；水道开时，两扇门叶位于边壁的门龛内，不承受水压力，处非工作状态。人字闸门一般只能承受单向水压力，而只能在上、下游水位相等，静水状况下操作运行，最用于通航河道的船闸，作为工作闸门布置在上、下闸首。目前对于超大型人字闸门门体的加工制作中需要采用焊接工艺，现有的超大型人字闸门门体的生产过程中焊接工作量大，容易产生如气孔、凹坑、焊瘤等焊接缺陷，由于焊缝数量多，依赖人工完成焊缝缺陷识别大大影响了工作效率，因此，有必要设计一种超大型人字闸门门体焊接装置，以解决上述问题。

发明内容

本发明的目的在于提供一种超大型人字闸门门体焊接装置，以解决现有的超大型人字闸门门体的生产过程中焊接工作量大，容易产生如气孔、凹坑、焊瘤等焊接缺陷，由于焊缝数量多，依赖人工完成焊缝缺陷识别大大影响了工作效率的问题。

本发明提供一种超大型人字闸门门体焊接装置，包括：侧部支撑板、辊轴安装块、辊轴、定位板、人字闸门定位组件、Z轴梁、Y轴梁、X轴梁、焊接机械臂基座、第一焊接机械臂、第二焊接机械臂、焊接组件、图像采集装置、X轴伺服驱动装置、Y轴伺服驱动装置、Z轴伺服驱动装置以及工控机，所述第一焊接机械臂、第二焊接机械臂、焊接组件、图像采集装置、X轴伺服驱动装置、Y轴伺服驱动装置、Z轴伺服驱动装置与所述工控机通信连接；两个所述侧部支撑板相对平行设置，所述辊轴安装块设置于所述侧部支撑板的顶部，数个所述辊轴转动连接在两个辊轴安装块之间，所述定位板设置在所述辊轴安装块上，所述定位板上设置有数个等间距间隔分布的人字闸门定位组件，所述侧部支撑板的外侧两端设置有Z轴梁，两个侧部支撑板外侧的相对的两个Z轴梁之间设置有Y轴梁，所述Y轴梁在Z轴伺服驱动装置的控制下在Z轴方向滑动连接于两个Z轴梁之间，两个Y轴梁之间连接有X轴梁，所述X轴梁在Y轴伺服驱动装置的控制下在Y轴方向滑动连接于两个Y轴梁之间，所述焊接机械臂基座设置在所述X轴梁上，所述焊接机械臂基座在X轴伺服驱动装置的控制下在X轴方向滑动连接于所述X轴梁上方，所述第一焊接机械臂的一端与所述焊接机械臂基座的顶部转动连接，所述第二焊接机械臂的一端与所述第一焊接机械臂的另一端转动连接，所述焊接组件转动连接在所述第二焊接机械臂的另一端，所述焊接组件用于对辊轴上的人字闸门门体进行焊接，所述图像采集装置设置于所述焊接组件的一侧，所述图像采集装置用于在焊接过程中采集人字闸门门体焊接区域的图像并将所述图像传输至工控机进行焊接缺陷的识别。

进一步地，所述人字闸门定位组件包括圆柱形推块、螺杆、螺杆连接块以及转动手柄，所述螺杆螺纹连接在所述定位板上，所述圆柱形推块连接于所述螺杆的一端且位于所述定位板的内侧，所述螺杆连接块连接于所述螺杆的一端且位于所述定位板的外侧，所述转动手柄连接在所述螺杆连接块的两端且与螺杆垂直。

进一步地，所述工控机用于：获取图像采集装置采集的焊接图像；对所述焊接图像进行灰度处理；采用小波滤波的方式对灰度处理后的焊接图像进行去噪处理；判断去噪处理后的焊接图像中的焊缝区域的灰度值是否满足预设要求；如果去噪处理后的焊接图像中的焊缝区域的灰度值不满足预设要求，采用Sin函数对去噪处理后的焊接图像中的焊缝区域进行灰度增强：

式中，f(x，y)、h(x，y)分别表示转换前后的焊缝区域像素灰度值，m和n分别为灰度增强前焊缝区域的最大和最小灰度值。

进一步地，所述工控机还用于：采用Ostu法自动寻找出焊接图像中的焊缝区域的最佳分割阈值，基于所述最佳分割阈值对焊缝区域进行分割后得到黑白二值图像。

进一步地，所述工控机还用于：采用Prewitt算子对黑白二值图像进行边缘检测，所述Prewitt算子是一种3×3模版下的全方向微分算子，将3×3模版当作核与像素的邻域求卷积加权，所求得的偏导数代表各方向的边缘强度，取其中绝对值大的值赋予该像素作为新像素值，以此方法遍历待检图像完成焊缝区域的边缘检测。

进一步地，所述工控机还用于：对于呈现为近似直线的两条焊缝边界，采用Hough变换利用点线对应关系，找出参数空间中相交直线的交点坐标从而得出焊缝边界直线方程，所得直线表达式记为：

j＝k₁·i+b₁；j＝k₂·i+b₂；

其中两条边界直线斜率分别为k1和k2，截距为b1和b2，已知所采焊接图像的焊缝斜率均大于0，用此条件对所得直线方程进行验证，且焊缝边界上和其区域内的所有点(i，j)均应该满足：

[j-(k₁·i+b₁)]·[j-(k₂·i+b₂)]＜0。

进一步地，所述工控机还用于：获取图像采集装置采集的焊接图像作为样本数据，焊接图像中包括不同形状、亮度的焊缝，对焊接图像中的焊缝进行标注，基于FPN网络结构创建和训练焊缝定位模型并优化焊缝定位模型；通过所述焊缝定位模型对焊接图像中的焊缝区域进行定位。

进一步地，所述焊接组件上还设置有激光传感器，激光传感器用于将激光投射到焊缝表面，形成具有一定特征的激光条纹，通过图像采集装置采集所述激光条纹，通过工控机对激光条纹进行焊缝特征信息提取，识别焊缝特征点位置，根据所述焊缝特征点位置进行焊接位置实时校准。

进一步地，所述工控机还用于：基于深度学习的语义分割模型上对焊缝上存在的气孔、凹坑缺陷进行进一步的识别，深度学习的语义分割模型采用交并比均值MIoU作为算法衡量标准，并比均值MIoU是将焊缝中包括背景、气孔、凹坑在内的每一类的交并比求平均值，每一类的交并比是属于该类的实际像素集合与预测像素集合的交集和并集之比，并比均值MIoU计算公式如下：

式中pij表示本属于类i但被预测为类j的像素数量，pii为预测正确的像素数量，pji表示本属于类j但被预测为类i的像素数量；焊缝图像分为背景、气孔、凹坑3类，3类对应的k值分别为k＝0，1，2。

进一步地，所述工控机还用于：基于深度学习的语义分割模型上对焊缝上存在的气孔、凹坑缺陷进行进一步的识别，深度学习的语义分割模型采用像素精度均值MPA作为算法衡量标准，像素精度均值MPA是指分别计算背景、气孔、凹坑3类中每个类别分类正确的像素数和该类所有像素数的比例然后求平均，像素精度均值MPA的计算公式如下：

式中pij表示本属于类i但被预测为类j的像素数量，pii为预测正确的像素数量，pji表示本属于类j但被预测为类i的像素数量；焊缝图像分为背景、气孔、凹坑3类，3类对应的k值分别为k＝0，1，2。

由以上技术方案可知，本发明提供一种超大型人字闸门门体焊接装置，所述第一焊接机械臂、第二焊接机械臂、焊接组件、图像采集装置、X轴伺服驱动装置、Y轴伺服驱动装置、Z轴伺服驱动装置与所述工控机通信连接；采用所述图像采集装置设置于所述焊接组件的一侧，所述图像采集装置用于在焊接过程中采集人字闸门门体焊接区域的图像并将所述图像传输至工控机进行焊接缺陷的识别，解决现有的超大型人字闸门门体的生产过程中焊接工作量大，容易产生如气孔、凹坑、焊瘤等焊接缺陷，由于焊缝数量多，依赖人工完成焊缝缺陷识别大大影响了工作效率的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的一种超大型人字闸门门体焊接装置的示意图；

图2为本发明提供的一种超大型人字闸门门体焊接装置的底部示意图；

图3为本发明提供的一种超大型人字闸门门体焊接装置的人字闸门定位组件示意图；

图4为本发明提供的一种超大型人字闸门门体焊接装置的焊接组件的示意图；

图5为本发明提供的一种超大型人字闸门门体焊接装置的工控机工作流程图。

图示说明：1-侧部支撑板；2-辊轴安装块；3-辊轴；4-定位板；5-人字闸门定位组件；6-Z轴梁；7-Y轴梁；8-X轴梁；9-焊接机械臂基座；10-第一焊接机械臂；11-第二焊接机械臂；12-焊接组件；13-图像采集装置；91-X轴伺服驱动装置；81-Y轴伺服驱动装置；71-Z轴伺服驱动装置；90-工控机；100-人字闸门门体；51-圆柱形推块；52-螺杆；53-螺杆连接块；54-转动手柄。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。

现在，将参照附图更详细地描述根据本申请的示例性实施方式。然而，这些示例性实施方式可以由多种不同的形式来实施，并且不应当被解释为只限于这里所阐述的实施方式。应当理解的是，提供这些实施方式是为了使得本申请的公开彻底且完整，并且将这些示例性实施方式的构思充分传达给本领域普通技术人员，在附图中，为了清楚起见，扩大了层和区域的厚度，并且使用相同的附图标记表示相同的器件，因而将省略对它们的描述。

请参阅图1至图4，本发明实施例提供的一种超大型人字闸门门体焊接装置，包括：侧部支撑板1、辊轴安装块2、辊轴3、定位板4、人字闸门定位组件5、Z轴梁6、Y轴梁7、X轴梁8、焊接机械臂基座9、第一焊接机械臂10、第二焊接机械臂11、焊接组件12、图像采集装置13、X轴伺服驱动装置91、Y轴伺服驱动装置81、Z轴伺服驱动装置71以及工控机90。

其中，第一焊接机械臂10、第二焊接机械臂11、焊接组件12、图像采集装置13、X轴伺服驱动装置91、Y轴伺服驱动装置81、Z轴伺服驱动装置71与工控机90通信连接，X轴伺服驱动装置91、Y轴伺服驱动装置81、Z轴伺服驱动装置71可以通过电动滑台、气缸滑台等实现。

两个侧部支撑板1相对平行设置，辊轴安装块2设置于侧部支撑板1的顶部，数个辊轴3转动连接在两个辊轴安装块2之间，定位板4设置在辊轴安装块2上，定位板4上设置有数个等间距间隔分布的人字闸门定位组件5，人字闸门定位组件5包括圆柱形推块51、螺杆52、螺杆连接块53以及转动手柄54，螺杆52螺纹连接在定位板4上，圆柱形推块51连接于螺杆52的一端且位于定位板4的内侧，螺杆连接块53连接于螺杆52的一端且位于定位板4的外侧，转动手柄54连接在螺杆连接块53的两端且与螺杆52垂直，可通过转动转动手柄54，带动螺杆52转动，使得推块51向内移动压紧人字闸门门体100，人字闸门定位组件5可用于对人字闸门门体100进行固定。

侧部支撑板1的外侧两端设置有Z轴梁6，两个侧部支撑板1外侧的相对的两个Z轴梁6之间设置有Y轴梁7，Y轴梁7在Z轴伺服驱动装置71的控制下在Z轴方向滑动连接于两个Z轴梁6之间，两个Y轴梁7之间连接有X轴梁8，X轴梁8在Y轴伺服驱动装置81的控制下在Y轴方向滑动连接于两个Y轴梁7之间，焊接机械臂基座9设置在X轴梁8上，焊接机械臂基座9在X轴伺服驱动装置91的控制下在X轴方向滑动连接于X轴梁8上方，可实现X、Y、Z三个方向的移动，以调节至焊接位置。

第一焊接机械臂10的一端与焊接机械臂基座9的顶部转动连接，第二焊接机械臂11的一端与第一焊接机械臂10的另一端转动连接，焊接组件12转动连接在第二焊接机械臂11的另一端，第一焊接机械臂10与焊接机械臂基座9之间、第一焊接机械臂10与第二焊接机械臂11之间、第二焊接机械臂11与焊接组件12之间可设置电机，通过工控机90控制电机转动实现第一焊接机械臂10与焊接机械臂基座9之间、第一焊接机械臂10与第二焊接机械臂11之间、第二焊接机械臂11与焊接组件12之间的调节角度。

焊接组件12用于对辊轴3上的人字闸门门体100进行焊接，图像采集装置13设置于焊接组件12的一侧，图像采集装置13用于在焊接过程中采集人字闸门门体100焊接区域的图像并将图像传输至工控机90进行焊接缺陷的识别。

在本实施例中，请参阅图5，工控机90用于执行以下步骤：

步骤S101，获取图像采集装置13采集的焊接图像。

步骤S102，对所述焊接图像进行灰度处理。

步骤S103，采用小波滤波的方式对灰度处理后的焊接图像进行去噪处理。

步骤S104，判断去噪处理后的焊接图像中的焊缝区域的灰度值是否满足预设要求。

焊缝图像中焊缝区域的灰度值一般较低，且区域内绝大部分像素的灰度比平均灰度低，而区域外的像素值高于平均灰度。由此特点对所采图像的对比度进行判断，对低对比度图像使用非线性变换的方式进行图像增强。

步骤S105，如果去噪处理后的焊接图像中的焊缝区域的灰度值不满足预设要求，采用Sin函数对去噪处理后的焊接图像中的焊缝区域进行灰度增强：

式中，f(x，y)、h(x，y)分别表示转换前后的焊缝区域像素灰度值，m和n分别为灰度增强前焊缝区域的最大和最小灰度值。

在本实施例中，所述工控机90还用于在去噪处理后的焊接图像中的焊缝区域的灰度值满足预设要求的情况下，执行步骤S106，采用Ostu法自动寻找出焊接图像中的焊缝区域的最佳分割阈值，基于所述最佳分割阈值对焊缝区域进行分割后得到黑白二值图像。

经边缘分割后的焊缝图像可明显观察到焊缝区的边沿轮廓，但所得分割图像只是从视觉角度对边沿进行呈现，要想获取焊缝的具体位置信息，还需对分割后的图像进行边缘检测。

在本实施例中，所述工控机90还用于：采用Prewitt算子对黑白二值图像进行边缘检测，所述Prewitt算子是一种3×3模版下的全方向微分算子，将3×3模版当作核与像素的邻域求卷积加权，所求得的偏导数代表各方向的边缘强度，取其中绝对值大的值赋予该像素作为新像素值，以此方法遍历待检图像完成焊缝区域的边缘检测。

在本实施例中，所述工控机90还用于对于呈现为近似直线的两条焊缝边界，采用Hough变换利用点线对应关系，找出参数空间中相交直线的交点坐标从而得出焊缝边界直线方程，所得直线表达式记为：

j＝k₁·i+b₁；j＝k₂·i+b₂；

其中两条边界直线斜率分别为k1和k2，截距为b1和b2，已知所采焊接图像的焊缝斜率均大于0，用此条件对所得直线方程进行验证，且焊缝边界上和其区域内的所有点(i，j)均应该满足：

[j-(k₁·i+b₁)]·[j-(k₂·i+b₂)]＜0。

代表焊缝及焊缝缺陷的像素在焊接图像中的占比非常小，而高分辨率的图像采集装置拍摄的人字闸门门体图像包含的信息量非常大，焊缝及缺陷属于小目标，因此适合运用这种塔形结构的FPN网络进行焊缝定位及缺陷识别，既保证了图像输入输出尺寸前后一致，又保证了焊缝与焊缝缺陷最终的识别效果。

在本实施例中，所述工控机90还用于：获取图像采集装置13采集的焊接图像作为样本数据，焊接图像中包括不同形状、亮度的焊缝，对焊接图像中的焊缝进行标注，基于FPN网络结构创建和训练焊缝定位模型并优化焊缝定位模型；通过所述焊缝定位模型对焊接图像中的焊缝区域进行定位。FPN网络即Feature Pyramid Network。通过该网络结构解决了不同尺寸图像的目标检测问题，它可以将卷积神经网络的高维特征与低维特征进行融合，使网络所包含的语义更加丰富。在塔形结构端部的目标会有更高的分辨率，有助于小目标的识别。

具体地，所述焊接组件12上还设置有激光传感器，激光传感器用于将激光投射到焊缝表面，形成具有一定特征的激光条纹，通过图像采集装置13采集所述激光条纹，通过工控机90对激光条纹进行焊缝特征信息提取，识别焊缝特征点位置，根据所述焊缝特征点位置进行焊接位置实时校准。对于不同的焊缝几何形式，根据不同的焊缝特征提取方法及特征信息转换原理，选用的激光条纹分为单线、多线、十字及圆环等特征形式。

气孔、凹坑缺陷边缘较为清晰，但是边界形态各异，深度学习语义分割的方法可以细化每个像素的分类，较适用于边缘不规则缺陷的识别。所述工控机90还用于：基于深度学习的语义分割模型上对焊缝上存在的气孔、凹坑缺陷进行进一步的识别，深度学习的语义分割模型采用交并比均值MIoU作为算法衡量标准，并比均值MIoU是将焊缝中包括背景、气孔、凹坑在内的每一类的交并比求平均值，每一类的交并比是属于该类的实际像素集合与预测像素集合的交集和并集之比，并比均值MIoU计算公式如下：

式中pij表示本属于类i但被预测为类j的像素数量，pii为预测正确的像素数量，pji表示本属于类j但被预测为类i的像素数量；焊缝图像分为背景、气孔、凹坑3类，3类对应的k值分别为k＝0，1，2。

所述工控机90还用于：基于深度学习的语义分割模型上对焊缝上存在的气孔、凹坑缺陷进行进一步的识别，深度学习的语义分割模型采用像素精度均值MPA作为算法衡量标准，像素精度均值MPA是指分别计算背景、气孔、凹坑3类中每个类别分类正确的像素数和该类所有像素数的比例然后求平均，像素精度均值MPA的计算公式如下：

式中pij表示本属于类i但被预测为类j的像素数量，pii为预测正确的像素数量，pji表示本属于类j但被预测为类i的像素数量；焊缝图像分为背景、气孔、凹坑3类，3类对应的k值分别为k＝0，1，2。

由以上实施例可知，本发明提供一种超大型人字闸门门体焊接装置，图像采集装置设置于焊接组件的一侧，所述图像采集装置用于在焊接过程中采集人字闸门门体焊接区域的图像并将所述图像传输至工控机进行焊接缺陷的识别，解决现有的超大型人字闸门门体的生产过程中焊接工作量大，容易产生如气孔、凹坑、焊瘤等焊接缺陷，由于焊缝数量多，依赖人工完成焊缝缺陷识别大大影响了工作效率的问题。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施方式例如能够以除了在这里图示或描述的那些以外的顺序实施。以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种超大型人字闸门门体焊接装置，其特征在于，包括：侧部支撑板(1)、辊轴安装块(2)、辊轴(3)、定位板(4)、人字闸门定位组件(5)、Z轴梁(6)、Y轴梁(7)、X轴梁(8)、焊接机械臂基座(9)、第一焊接机械臂(10)、第二焊接机械臂(11)、焊接组件(12)、图像采集装置(13)、X轴伺服驱动装置(91)、Y轴伺服驱动装置(81)、Z轴伺服驱动装置(71)以及工控机(90)，所述第一焊接机械臂(10)、第二焊接机械臂(11)、焊接组件(12)、图像采集装置(13)、X轴伺服驱动装置(91)、Y轴伺服驱动装置(81)、Z轴伺服驱动装置(71)与所述工控机(90)通信连接；

两个所述侧部支撑板(1)相对平行设置，所述辊轴安装块(2)设置于所述侧部支撑板(1)的顶部，数个所述辊轴(3)转动连接在两个辊轴安装块(2)之间，所述定位板(4)设置在所述辊轴安装块(2)上，所述定位板(4)上设置有数个等间距间隔分布的人字闸门定位组件(5)，所述侧部支撑板(1)的外侧两端设置有Z轴梁(6)，两个侧部支撑板(1)外侧的相对的两个Z轴梁(6)之间设置有Y轴梁(7)，所述Y轴梁(7)在Z轴伺服驱动装置(71)的控制下在Z轴方向滑动连接于两个Z轴梁(6)之间，两个Y轴梁(7)之间连接有X轴梁(8)，所述X轴梁(8)在Y轴伺服驱动装置(81)的控制下在Y轴方向滑动连接于两个Y轴梁(7)之间，所述焊接机械臂基座(9)设置在所述X轴梁(8)上，所述焊接机械臂基座(9)在X轴伺服驱动装置(91)的控制下在X轴方向滑动连接于所述X轴梁(8)上方，所述第一焊接机械臂(10)的一端与所述焊接机械臂基座(9)的顶部转动连接，所述第二焊接机械臂(11)的一端与所述第一焊接机械臂(10)的另一端转动连接，所述焊接组件(12)转动连接在所述第二焊接机械臂(11)的另一端，所述焊接组件(12)用于对辊轴(3)上的人字闸门门体(100)进行焊接，所述图像采集装置(13)设置于所述焊接组件(12)的一侧，所述图像采集装置(13)用于在焊接过程中采集人字闸门门体(100)焊接区域的图像并将所述图像传输至工控机(90)进行焊接缺陷的识别。

2.根据权利要求1所述的一种超大型人字闸门门体焊接装置，其特征在于，所述人字闸门定位组件(5)包括圆柱形推块(51)、螺杆(52)、螺杆连接块(53)以及转动手柄(54)，所述螺杆(52)螺纹连接在所述定位板(4)上，所述圆柱形推块(51)连接于所述螺杆(52)的一端且位于所述定位板(4)的内侧，所述螺杆连接块(53)连接于所述螺杆(52)的一端且位于所述定位板(4)的外侧，所述转动手柄(54)连接在所述螺杆连接块(53)的两端且与螺杆(52)垂直。

3.根据权利要求1所述的一种超大型人字闸门门体焊接装置，其特征在于，所述工控机(90)用于：获取图像采集装置(13)采集的焊接图像；对所述焊接图像进行灰度处理；采用小波滤波的方式对灰度处理后的焊接图像进行去噪处理；判断去噪处理后的焊接图像中的焊缝区域的灰度值是否满足预设要求；如果去噪处理后的焊接图像中的焊缝区域的灰度值不满足预设要求，采用Sin函数对去噪处理后的焊接图像中的焊缝区域进行灰度增强：

式中，f(x，y)、h(x，y)分别表示转换前后的焊缝区域像素灰度值，m和n分别为灰度增强前焊缝区域的最大和最小灰度值。

4.根据权利要求3所述的一种超大型人字闸门门体焊接装置，其特征在于，所述工控机(90)还用于：采用Ostu法自动寻找出焊接图像中的焊缝区域的最佳分割阈值，基于所述最佳分割阈值对焊缝区域进行分割后得到黑白二值图像。

5.根据权利要求4所述的一种超大型人字闸门门体焊接装置，其特征在于，所述工控机(90)还用于：采用Prewitt算子对黑白二值图像进行边缘检测，所述Prewitt算子是一种3×3模版下的全方向微分算子，将3×3模版当作核与像素的邻域求卷积加权，所求得的偏导数代表各方向的边缘强度，取其中绝对值大的值赋予该像素作为新像素值，以此方法遍历待检图像完成焊缝区域的边缘检测。

6.根据权利要求5所述的一种超大型人字闸门门体焊接装置，其特征在于，所述工控机(90)还用于：对于呈现为近似直线的两条焊缝边界，采用Hough变换利用点线对应关系，找出参数空间中相交直线的交点坐标从而得出焊缝边界直线方程，所得直线表达式记为：

j＝k₁·i+b₁；j＝k₂·i+b₂；

其中两条边界直线斜率分别为k1和k2，截距为b1和b2，已知所采焊接图像的焊缝斜率均大于0，用此条件对所得直线方程进行验证，且焊缝边界上和其区域内的所有点(i，j)均应该满足：

[j-(k₁·i+b₁)]·[j-(k₂·i+b₂)]＜0。

7.根据权利要求6所述的一种超大型人字闸门门体焊接装置，其特征在于，所述工控机(90)还用于：获取图像采集装置(13)采集的焊接图像作为样本数据，焊接图像中包括不同形状、亮度的焊缝，对焊接图像中的焊缝进行标注，基于FPN网络结构创建和训练焊缝定位模型并优化焊缝定位模型；通过所述焊缝定位模型对焊接图像中的焊缝区域进行定位。

8.根据权利要求7所述的一种超大型人字闸门门体焊接装置，其特征在于，所述焊接组件(12)上还设置有激光传感器，激光传感器用于将激光投射到焊缝表面，形成具有一定特征的激光条纹，通过图像采集装置(13)采集所述激光条纹，通过工控机(90)对激光条纹进行焊缝特征信息提取，识别焊缝特征点位置，根据所述焊缝特征点位置进行焊接位置实时校准。

9.根据权利要求8所述的一种超大型人字闸门门体焊接装置，其特征在于，，所述工控机(90)还用于：基于深度学习的语义分割模型上对焊缝上存在的气孔、凹坑缺陷进行进一步的识别，深度学习的语义分割模型采用交并比均值MIoU作为算法衡量标准，并比均值MIoU是将焊缝中包括背景、气孔、凹坑在内的每一类的交并比求平均值，每一类的交并比是属于该类的实际像素集合与预测像素集合的交集和并集之比，并比均值MIoU计算公式如下：

式中pij表示本属于类i但被预测为类j的像素数量，pii为预测正确的像素数量，pji表示本属于类j但被预测为类i的像素数量；焊缝图像分为背景、气孔、凹坑3类，3类对应的k值分别为k＝0，1，2。

10.根据权利要求8所述的一种超大型人字闸门门体焊接装置，其特征在于，，所述工控机(90)还用于：基于深度学习的语义分割模型上对焊缝上存在的气孔、凹坑缺陷进行进一步的识别，深度学习的语义分割模型采用像素精度均值MPA作为算法衡量标准，像素精度均值MPA是指分别计算背景、气孔、凹坑3类中每个类别分类正确的像素数和该类所有像素数的比例然后求平均，像素精度均值MPA的计算公式如下：

式中pij表示本属于类i但被预测为类j的像素数量，pii为预测正确的像素数量，pji表示本属于类j但被预测为类i的像素数量；焊缝图像分为背景、气孔、凹坑3类，3类对应的k值分别为k＝0，1，2。

Images