CN116765635A - 一种用于激光切割机的焊缝识别方法及识别系统 - Google Patents

Abstract

本发明提供一种用于激光切割机的焊缝识别方法及识别系统，本发明涉及激光切割机技术领域，方法包括：采集标准工件的图像数据；对图像数据进行筛选及扩充，再对筛选及扩充后的图像数据进行分类和标识操作，形成图像数据集；提取图像数据，按预设分配比例划分为训练集和测试集；搭建基于焊缝识别的深度学习模型，并基于训练集和测试集对深度学习模型进行训练，得到焊缝识别模型；将加工工件安装到检测区域，读取加工工件信息；采集加工工件的图像数据，并基于焊缝识别模型识别出感兴趣区域图像数据中的焊缝信息。本发明实现工件焊缝的自动识别，提高了激光切割前对焊缝识别的效率，而且基于训练好的识别模型，提高了识别的精度。

Description

一种用于激光切割机的焊缝识别方法及识别系统

技术领域

本发明涉及激光切割机技术领域，尤其涉及一种用于激光切割机的焊缝识别方法及识别系统。

背景技术

焊缝是利用焊接热源的高温，将焊条和接缝处的金属熔化连接而成的缝。焊缝金属冷却后，即将两个焊件连接成整体。焊缝在物理结构上与原始材料具有极大差异，考虑到刚性和外观，在加工管材时需要对焊缝进行避让或特殊处理。因此，在激光切割领域同样有焊缝识别的需求。

目前现有技术中，在激光切割管切机在切管时，需要确定管材上是否有焊缝，如果有焊缝，为了避免切割到焊缝，需要人工观测管材是否具有焊缝，再控制激光切割管切机对焊缝的避让，而目前无法自动识别管材上是否有焊缝，导致需要由人工进行观测。而且如果未能及时的观测是否有焊缝，则容易导致切割到焊缝，进而影响加工工艺的顺利进行。

而且目前的焊缝识别，比如申请号为：201911224966.2公开的一种管道焊缝自动识别、缺陷检测方法及装置，所述方法包括如下步骤：步骤S1，对不同类型的焊缝，不同尺寸的焊缝底片进行搜集，建立焊缝射线底片图像数据库，其中包括含有典型缺陷的以及无缺陷的图像；步骤S2，对采集的焊缝射线底片图像进行预处理，形成训练样本集；步骤S3，搭建深度神经网络模型，利用所述训练样本集对焊缝提取、文字识别以及缺陷定位分别进行训练；步骤S4，获取焊缝射线底片图像并进行预处理，将预处理后的图像输入训练好的所述深度神经网络模型，提取所述焊缝射线底片图像中的焊缝区域、文字信息以及缺陷信息。其目的是为了自动化焊缝识别，检测焊缝的缺陷，未公开如何与激光切割管进行配合使用，而且也无法有效的识别管材上是否有焊缝的信息。

发明内容

现有技术中，虽然公开了管道焊缝的自动识别和缺陷的检测，但是，现有技术涉及的管道焊缝自动识别和检测无法与激光切割机配合使用，二者是独立使用的两套系统，使得激光切割机在切割有焊缝的管道时，无法进行焊缝的自动识别，造成激光切割机难以满足切割工艺的需求。基于上述问题，本发明提供了一种用于激光切割机的焊缝识别方法，方法在激光切割机上配置焊缝识别系统，在执行激光切割工艺时，可以自动识别管材是否具有焊缝，而且对识别模型进行动态调整，保证焊缝识别模型的精度和准确性，满足切割工艺要求。

方法包括：

步骤101：标定检测区域，将标准工件设置在检测区域，并采集标准工件的图像数据；

步骤102：对图像数据进行筛选及扩充，再对筛选及扩充后的图像数据进行分类和标识操作，形成图像数据集；

步骤103：按预设提取比例从图像数据集中提取图像数据，对提取的图像数据进行封装，并将封装后的图像数据集按预设分配比例划分为训练集和测试集；

步骤104：搭建基于焊缝识别的深度学习模型，并基于训练集和测试集对深度学习模型进行训练，得到焊缝识别模型；

步骤105：将加工工件安装到检测区域，读取加工工件信息，并根据加工工件信息配置感兴趣区域；

步骤106：根据预设图像采集进程，采集加工工件的图像数据，并基于焊缝识别模型识别出感兴趣区域图像数据中的焊缝信息。

进一步需要说明的是，步骤101还包括：将标准工件安装到卡盘上，并延伸出额定距离，设置检测区域；

设定标准工件信息，根据标准工件信息定义标准工件旋转方式以及预设图像采集进程。

进一步需要说明的是，步骤102中的图像数据分类方式包括：判断图像数据中是否具有焊缝，并提取有焊缝的图像数据进行归类储存，形成有焊缝图像数据集；将有无焊缝的图像数据进行归类储存，形成有无焊缝图像数据集。

进一步需要说明的是，步骤102中的图像数据标识方式包括：将有焊缝的图像数据中的焊缝位置进行掩码，并进行定位标记。

进一步需要说明的是，步骤103还包括：按预设提取比例从焊缝图像数据集中提取有焊缝图像数据以及从无焊缝图像数据集中提取无焊缝图像数据；

将提取的有焊缝图像数据和无焊缝图像数据进行封装；

将封装后的图像数据集按预设分配比例划分为训练集和测试集。

进一步需要说明的是，步骤104还包括：深度学习模型包括：卷积层、池化层、全连接层和残差结构；

通过训练集对深度学习模型进行训练，并通过调节训练变量的方式，调整训练一个参数，循环迭代训练深度学习模型，并利用二分法寻求深度学习模型输出的最优解；

再通过测试机并结合测试集对深度学习模型进行性能测试及评估，如满足测试条件，则定义该深度学习模型为焊缝识别模型。

进一步需要说明的是，步骤105还包括：读取自动上料机的运行状态，在接收到加工工件到位信号后，启动焊缝识别进程；

读取加工工件信息，加工工件信息包括：加工工件的类型，加工工件的长度、宽度、高度、壁厚、直径信息和焊缝角度；

根据加工工件信息配置感兴趣区域。

进一步需要说明的是，方法中，预设图像采集进程包括方管图像采集进程；

方管图像采集进程的执行方式包括：

对方管的感兴趣区域进行图像采集；

采集到第一张图像数据之后，对方管旋转90°，再采集第二张图像数据，依次类推将方管的四个面均进行图像采集；

将采集的方管图像数据输入至焊缝识别模型，识别出图像数据中的焊缝信息。

进一步需要说明的是，预设图像采集进程还包括圆管图像采集进程；

圆管图像采集进程的执行方式包括：

按照额定速率旋转圆管，并按照预设时间间隔对圆管的感兴趣区域进行图像采集，直至圆管旋转一周；

将采集的圆管图像数据输入至焊缝识别模型，识别出图像数据中的焊缝信息。

本发明还提供一种用于激光切割机的焊缝识别系统，系统包括：检测标定模块、图像数据预处理模块、提取分配模块、模型搭建模块、工件信息配置模块以及工件检测模块；

检测标定模块，用于标定检测区域，将标准工件设置在检测区域，并采集标准工件的图像数据；

图像数据预处理模块，用于对图像数据进行筛选及扩充，再对筛选及扩充后的图像数据进行分类和标识操作，形成图像数据集；

提取分配模块，用于按预设提取比例从图像数据集中提取图像数据，对提取的图像数据进行封装，并将封装后的图像数据集按预设分配比例划分为训练集和测试集；

模型搭建模块，用于搭建基于焊缝识别的深度学习模型，并基于训练集和测试集对深度学习模型进行训练，得到焊缝识别模型；

工件信息配置模块，用于将加工工件安装到检测区域，读取加工工件信息，并根据加工工件信息配置感兴趣区域；

工件检测模块，用于根据预设图像采集进程，采集加工工件的图像数据，并基于焊缝识别模型识别出感兴趣区域图像数据中的焊缝信息。

从以上技术方案可以看出，本发明具有以下优点：

本发明提供的焊缝识别方法可以对加工工件进行焊缝的自动识别，可以配合激光切割机的加工工艺来进行自动启动，满足自动运行的要求。识别前可以先对深度学习模型进行多次迭代训练，而且训练过程使用了标准工件的图像数据构成的训练集和测试集，对模型的批处理大小、学习率、迭代次数以及其它参数进行动态调整，保存测试精度最高的深度学习模型，形成焊缝识别模型。保证了焊缝识别的精度和准确性，而且在对工件进行识别时，直接使用焊缝识别模型即可，无需再次进行训练，提高了识别过程的效率。

附图说明

为了更清楚地说明本发明的技术方案，下面将对描述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为用于激光切割机的焊缝识别方法流程图；

图2为焊缝识别系统实施例示意图。

具体实施方式

本发明提供的用于激光切割机的焊缝识别方法是为了解决激光切割机无法实现焊缝自动识别，进而影响激光切割机自动运行的问题。焊缝识别方法可以基于人工智能技术对关联的数据进行获取和处理。其中，焊缝识别方法利用数字计算机控制的激光切割机及匹配的识别程序实现管材焊缝的识别，还可以基于传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术，提高识别的自动化程度。本发明的识别模型主要包括计算机视角技术以及机器学习/深度学习等。其中，方法中还具有机器学习功能，其中本发明方法中的机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。实现焊缝识别模型训练，满足焊缝识别精度的要求。进一步有效解决了激光切割机无法实现焊缝自动识别，进而影响激光切割机自动运行的问题。

当然本发明涉及的用于激光切割机的焊缝识别系统可以嵌入到视觉识别套件中，视觉识别套件可以是任何一种可与用户进行人机交互的电子产品，例如，计算机、平板电脑、智能手机、个人数字助理(PersonalDigitalAssistant，PDA)、交互式网络电视(InternetProtocolTelevision，IPTV)等。

视觉识别套件所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(VirtualPrivateNetwork，VPN)等，实现远程焊缝识别的进程，不局限于仅仅安装在激光切割机中使用。

下面将结合本发明实施例中的附图，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。

请参阅图1所示是一具体实施例中用于激光切割机的焊缝识别方法的流程图，方法包括：

步骤101：标定检测区域，将标准工件设置在检测区域，并采集标准工件的图像数据。

可选地，本发明可以配置现有的视觉识别套件，比如申请号为202221803357.X中公开的激光切割机焊缝识别装置。该方案对相机、镜头、光源、偏转镜片、底板、防尘盖板、防尘罩以及防护壳进行集成。其中相机、镜头、光源固定在底板中央；防尘盖板盖利用气缸控制开合，在切割过程中关闭，识别过程中打开；防尘罩固定在底板边缘，防止切割时进入切渣和烟气；防护壳用来保护气缸以及伸缩杆。

当然本发明不局限于使用上述视觉识别套件，还可以采用其他形式的视觉识别套件，如图2所示，卡盘2卡接标准工件，视觉识别套件1进行识别检测。

本发明中的标准工件可以是标准型材如铝制或钢制方管，或者圆管，将标准工件伸出卡盘前端额定距离。对于系统的视觉识别套件来讲，可以开放一个可视化的窗口界面，当标准工件的管口出现在可视化窗口界面的指定区域时，即可固定当前结构安装位置，也就是检测区域。

作为本发明的实施例中，加工工件可以通过卡盘夹持固定，加工工件类型包括矩形管、圆管、椭圆管等，工件可以是各种尺寸（横截面半径不同）的管材，令管材伸出卡盘前端额定距离，转动工件的同时对管材内表面进行图像采集。如圆管需要根据尺寸控制旋转速度，在相机曝光、增益参数不变的情况下对内表面进行图像采集，以图像不产生拖影的旋转速度为额定转速；如方管仅需采集4个内表面即可，每次旋转90°进行一次图像采集。

步骤102：对图像数据进行筛选及扩充，再对筛选及扩充后的图像数据进行分类和标识操作，形成图像数据集。

本发明的实施例中，对图像数据进行筛选可以由人工对图像进行筛选，剔除噪声大或低质量差图像。当然也可以采用高斯低通滤波去噪算法，或者BM3D算法进行自动处理，具体方式本发明不做限定。

本发明对图像数据进行扩充可以采用如平移、缩放、旋转、截取ROI等操作。

本实施例中的对筛选及扩充后的图像数据进行分类和标识操作，形成图像数据集具体方式包括：对扩充后的图像数据进行预处理，如将带有焊缝的图像进行分类处理，标识处理。

可以先进行分类处理，判断图像数据中是否具有焊缝，并提取有焊缝的图像数据进行归类储存，形成有焊缝图像数据集；将有无焊缝的图像数据进行归类储存，形成有无焊缝图像数据集。之后进行标识处理。图像数据标识方式包括：将有焊缝的图像数据中的焊缝位置进行掩码，并进行定位标记。

这里，可以形成焊缝与无焊缝的两个数据集；进行标识处理，可以将所有焊缝进行人工标注，输出焊缝的掩码、标签。还可以基于系统自动进行标注，输出焊缝的掩码、标签。

示例性的讲，分类是将当前图像数据进行类别区分，如“有焊缝”，“无焊缝”，可以利用神经网络对焊缝的具体位置进行定位，可以对单张图像进行处理。标识处理是将当前数据先进行分类，再对分类特征进行定位，适用于对定位精度要求较高的场景。

可选地，分类处理和标识处理并非是同时运行，可以根据实际资源情况，或者工艺需要，选择使用。可以单独进行分类处理，或单独进行标识处理。

步骤103：按预设提取比例从图像数据集中提取图像数据，对提取的图像数据进行封装，并将封装后的图像数据集按预设分配比例划分为训练集和测试集。

预设提取比例和预设分配比例均可采用7:3的方式，这里的7:3是留出法，留出法是一种常见数据集分配方法。当然还可以按照比例分8:2，7:3等等，具体比例不做限定。分配比例构成成互不相交的两部分，其中一个是训练集，一个是测试集，尽量保持训练集和测试集分布一致，比例灵活可根据实际情况进行调整。

本发明除了留出法，还可以采用交叉验证法，交叉验证法是将训练集分成k个互斥的子集，k个子集随机分为k-1个一组作为训练集，剩下一个为另一组作为测试集，有k种分法。

可选地，本发明还可以采用自助法，自助法是每次随机从数据集，有m个样本，抽取一个样本，然后再放回，也就是说可能被重复抽出，m次后得到有m个样本的数据集，将其作为训练集。始终不被抽取到的样本的比例约为0.368，这部分作为测试集。

本发明的按预设分配比例划分就是一部分作为训练集对模型进行训练，一部分作为测试机验证模型性能。具体的划分比例可以基于实际需要进行设定。

步骤104：搭建基于焊缝识别的深度学习模型，并基于训练集和测试集对深度学习模型进行训练，得到焊缝识别模型。

本发明的实施例中，搭建的用于焊缝识别的深度学习模型是以轻量化的卷积神经网络模型为基础进行搭建，深度学习模型以卷积层、池化层、全连接层和残差结构组成。

本发明的深度学习模型是基于卷积神经网络的网络结构进行构建，包含输入层、隐藏层、输出层，其中隐藏层包含卷积层、池化层等，设置初始权重、偏差值，可循环迭代最终获得适用于该任务的参数。当然本发明不具体指定模型，可理解为对本领域常用模型进行优化、轻量化并加以利用。

本发明通过训练集对深度学习模型进行训练，通过测试机对深度学习模型进行性能测试并评估，深度学习模型的输出可以配置为有焊缝数据输出“1”，无焊缝数据输出“0”。

在训练过程中，对模型的批处理大小、学习率、迭代次数以及其它参数进行动态调整，保存测试精度最高的深度学习模型，形成焊缝识别模型。而且在对工件进行识别时，直接使用焊缝识别模型即可，无需再次进行训练。

进一步的讲，动态调整可以理解为：通过控制变量的方法，每次仅改变一个参数，如批处理大小、学习率、迭代次数分别设置一个范围，循环迭代找出最优解，在寻求最优解的过程中，利用二分法迅速逼近理想值，可自动调参求解。这样，训练完成的焊缝识别模型具有鲁棒性。

步骤105：将加工工件安装到检测区域，读取加工工件信息，并根据加工工件信息配置感兴趣区域。

其中，将加工工件安装到检测区域可以将加工工件通过卡盘进行固定，具体位置可以与标准工件的固定位置相匹配，实现对加工工件的焊缝识别。

读取的加工工件信息包括：加工工件的类型，加工工件的长度、宽度、高度、壁厚、直径信息和焊缝角度。加工工件的类型可以是圆管，或方管等等。根据加工工件信息配置感兴趣区域，可以满足焊缝识别的要求。

步骤106：根据预设图像采集进程，采集加工工件的图像数据，并基于焊缝识别模型识别出感兴趣区域图像数据中的焊缝信息。

本实施例中，为了能够实现与激光切割机的自动运行，加工工件安装到位信号可以是激光切割机向检测系统发送到位信息，该信号被系统接收并进行确定后，开启焊缝识别进程。

采集到加工工件的图像数据之后，可以对图像数据预处理。可选地，可以将图像数据转换为焊缝识别模型所需的格式，一般为将图片像素数据归一化到 [0, 1] 之间，同时对图像数据进行大小调整，使其符合焊缝识别模型的输入大小要求。

示例性的讲，本发明焊缝识别模型所使用的神经网络前向传播：将预处理后的图像数据输入到卷积神经网络中进行前向传播，这个过程中会执行多个卷积操作、激活函数、池化等操作，最终得到一个或多个输出特征图。系统对特征图进行提取，也就是将输出特征图通过全局平均池化等操作进行特征提取，得到网络的输出特征向量。再将输出特征向量输入到全连接层进行分类预测，输出每个类别的概率值。其中，可以使用 softmax 函数对输出值进行归一化，使其表示概率分布，进而实现了基于焊缝识别模型识别出感兴趣区域图像数据中的焊缝信息。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

在本发明的一种实施例中，基于步骤105和步骤106，以下将给出一种可能的实施例对其具体的实施方案进行非限制性阐述。

本实施例中，预设图像采集进程包括方管图像采集进程。

方管图像采集进程的执行方式包括：对方管的感兴趣区域进行图像采集；采集到第一张图像数据之后，对方管旋转90°，再采集第二张图像数据，依次类推将方管的四个面均进行图像采集；将采集的方管图像数据输入至焊缝识别模型，识别出图像数据中的焊缝信息。这里可以是将4张图像数据输入焊缝识别模型，还可以基于工艺需要在每个面拍摄多张图像数据输入焊缝识别模型，识别出图像数据中的焊缝信息。

作为本发明的另一种实施例，预设图像采集进程还包括圆管图像采集进程；

圆管图像采集进程的执行方式包括：按照额定速率旋转圆管，并按照预设时间间隔对圆管的感兴趣区域进行图像采集，直至圆管旋转一周；将采集的圆管图像数据输入至焊缝识别模型，识别出图像数据中的焊缝信息。

本实施例中，还可以对圆管旋转一周的数据自动进行判断是否有漏拍角度，若有遗漏，旋转到指定角度进行补充拍摄，若无遗漏，则可以基于拍摄的圆管图像数据输入至焊缝识别模型，识别出图像数据中的焊缝信息。

焊缝识别模型识别图像数据中的焊缝信息是将采集的图像数据所在面或角度与标定过程中的图像数据进行匹配，识别出采集的图像数据是否存在焊缝信息。

可以理解的是，本发明在将标准工件设置在检测区域，并采集标准工件的图像数据，使用标准工件的图像数据作为标准图像数据，使用标准图像数据与采集的图像数据进行比对识别，进而可以判断是是否存在焊缝。

这样，基于上述焊缝识别方法可以对加工工件进行焊缝的自动识别，可以配合激光切割机的加工工艺来进行自动启动，满足自动运行的要求。识别前可以先对深度学习模型进行多次迭代训练，而且训练过程使用了标准工件的图像数据构成的训练集和测试集，对模型的批处理大小、学习率、迭代次数以及其它参数进行动态调整，保存测试精度最高的深度学习模型，形成焊缝识别模型。保证了焊缝识别的精度和准确性，而且在对工件进行识别时，直接使用焊缝识别模型即可，无需再次进行训练，提高了识别过程的效率。

以下是本公开实施例提供的用于激光切割机的焊缝识别系统的实施例，该系统与上述各实施例的用于激光切割机的焊缝识别方法属于同一个发明构思，在用于激光切割机的焊缝识别系统的实施例中未详尽描述的细节内容，可以参考上述用于激光切割机的焊缝识别方法的实施例。

系统包括：检测标定模块、图像数据预处理模块、提取分配模块、模型搭建模块、工件信息配置模块以及工件检测模块。

检测标定模块，用于标定检测区域，将标准工件设置在检测区域，并采集标准工件的图像数据。

图像数据预处理模块，用于对图像数据进行筛选及扩充，再对筛选及扩充后的图像数据进行分类和标识操作，形成图像数据集。

提取分配模块，用于按预设提取比例从图像数据集中提取图像数据，对提取的图像数据进行封装，并将封装后的图像数据集按预设分配比例划分为训练集和测试集。

模型搭建模块，用于搭建基于焊缝识别的深度学习模型，并基于训练集和测试集对深度学习模型进行训练，得到焊缝识别模型。

工件信息配置模块，用于将加工工件安装到检测区域，读取加工工件信息，并根据加工工件信息配置感兴趣区域。

工件检测模块，用于根据预设图像采集进程，采集加工工件的图像数据，并基于焊缝识别模型识别出感兴趣区域图像数据中的焊缝信息。

本发明提供的用于激光切割机的焊缝识别系统是结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种用于激光切割机的焊缝识别方法，其特征在于，方法包括：

步骤101：标定检测区域，将标准工件设置在检测区域，并采集标准工件的图像数据；

步骤102：对图像数据进行筛选及扩充，再对筛选及扩充后的图像数据进行分类和标识操作，形成图像数据集；

步骤103：按预设提取比例从图像数据集中提取图像数据，对提取的图像数据进行封装，并将封装后的图像数据集按预设分配比例划分为训练集和测试集；

步骤104：搭建基于焊缝识别的深度学习模型，并基于训练集和测试集对深度学习模型进行训练，得到焊缝识别模型；

步骤105：将加工工件安装到检测区域，读取加工工件信息，并根据加工工件信息配置感兴趣区域；

步骤106：根据预设图像采集进程，采集加工工件的图像数据，并基于焊缝识别模型识别出感兴趣区域图像数据中的焊缝信息。

2.根据权利要求1所述的用于激光切割机的焊缝识别方法，其特征在于，

步骤101还包括：将标准工件安装到卡盘上，并延伸出额定距离，设置检测区域；

设定标准工件信息，根据标准工件信息定义标准工件旋转方式以及预设图像采集进程。

3.根据权利要求1所述的用于激光切割机的焊缝识别方法，其特征在于，

步骤102中的图像数据分类方式包括：判断图像数据中是否具有焊缝，并提取有焊缝的图像数据进行归类储存，形成有焊缝图像数据集；将有无焊缝的图像数据进行归类储存，形成有无焊缝图像数据集。

4.根据权利要求3所述的用于激光切割机的焊缝识别方法，其特征在于，

步骤102中的图像数据标识方式包括：将有焊缝的图像数据中的焊缝位置进行掩码，并进行定位标记。

5.根据权利要求3所述的用于激光切割机的焊缝识别方法，其特征在于，

步骤103还包括：按预设提取比例从焊缝图像数据集中提取有焊缝图像数据以及从无焊缝图像数据集中提取无焊缝图像数据；

将提取的有焊缝图像数据和无焊缝图像数据进行封装；

将封装后的图像数据集按预设分配比例划分为训练集和测试集。

6.根据权利要求1或2所述的用于激光切割机的焊缝识别方法，其特征在于，

步骤104还包括：深度学习模型包括：卷积层、池化层、全连接层和残差结构；

通过训练集对深度学习模型进行训练，并通过调节训练变量的方式，调整训练一个参数，循环迭代训练深度学习模型，并利用二分法寻求深度学习模型输出的最优解；

再通过测试机并结合测试集对深度学习模型进行性能测试及评估，如满足测试条件，则定义该深度学习模型为焊缝识别模型。

7.根据权利要求1或2所述的用于激光切割机的焊缝识别方法，其特征在于，

步骤105还包括：读取自动上料机的运行状态，在接收到加工工件到位信号后，启动焊缝识别进程；

读取加工工件信息，加工工件信息包括：加工工件的类型，加工工件的长度、宽度、高度、壁厚、直径信息和焊缝角度；

根据加工工件信息配置感兴趣区域。

8.根据权利要求1或2所述的用于激光切割机的焊缝识别方法，其特征在于，

方法中，预设图像采集进程包括方管图像采集进程；

方管图像采集进程的执行方式包括：

对方管的感兴趣区域进行图像采集；

采集到第一张图像数据之后，对方管旋转90°，再采集第二张图像数据，依次类推将方管的四个面均进行图像采集；

将采集的方管图像数据输入至焊缝识别模型，识别出图像数据中的焊缝信息。

9.根据权利要求1或2所述的用于激光切割机的焊缝识别方法，其特征在于，

预设图像采集进程还包括圆管图像采集进程；

圆管图像采集进程的执行方式包括：

按照额定速率旋转圆管，并按照预设时间间隔对圆管的感兴趣区域进行图像采集，直至圆管旋转一周；

将采集的圆管图像数据输入至焊缝识别模型，识别出图像数据中的焊缝信息。

10.一种用于激光切割机的焊缝识别系统，其特征在于，系统采用如权利要求1至9任意一项所述的用于激光切割机的焊缝识别方法；

系统包括：检测标定模块、图像数据预处理模块、提取分配模块、模型搭建模块、工件信息配置模块以及工件检测模块；

检测标定模块，用于标定检测区域，将标准工件设置在检测区域，并采集标准工件的图像数据；

图像数据预处理模块，用于对图像数据进行筛选及扩充，再对筛选及扩充后的图像数据进行分类和标识操作，形成图像数据集；

提取分配模块，用于按预设提取比例从图像数据集中提取图像数据，对提取的图像数据进行封装，并将封装后的图像数据集按预设分配比例划分为训练集和测试集；

模型搭建模块，用于搭建基于焊缝识别的深度学习模型，并基于训练集和测试集对深度学习模型进行训练，得到焊缝识别模型；

工件信息配置模块，用于将加工工件安装到检测区域，读取加工工件信息，并根据加工工件信息配置感兴趣区域；

工件检测模块，用于根据预设图像采集进程，采集加工工件的图像数据，并基于焊缝识别模型识别出感兴趣区域图像数据中的焊缝信息。