CN117047274A - 内撑式双焊接张紧轮及其智能加工方法 - Google Patents

Abstract

公开了一种内撑式双焊接张紧轮及其智能加工方法。其首先通过两个同步旋转的夹具使内撑式双焊接张紧轮的内圈和外圈的焊接缝对齐，接着，同时控制激光焊接头，实现所述内圈和所述外圈的第一次焊接，然后，将所述内撑式双焊接张紧轮从所述夹具上取下，对所述内撑式双焊接张紧轮施加预定的张力，使其产生预定的变形，接着，同时控制所述激光扫描头，实现所述内撑式双焊接张紧轮的第二次焊接，最后，对所述内撑式双焊接张紧轮的焊接质量进行检测，并响应于焊接质量符合预定标准的检测结果，将所述内撑式双焊接张紧轮从所述张紧机上取下，进行冷却和清理以得到加工完成的所述内撑式双焊接张紧轮。这样，可以提升焊接质量的检测效果。

Description

内撑式双焊接张紧轮及其智能加工方法

技术领域

本公开涉及智能加工领域，且更为具体地，涉及一种内撑式双焊接张紧轮及其智能加工方法。

背景技术

内撑式双焊接张紧轮由两个金属圆环通过焊接连接而成，具有轻质、耐磨、抗冲击等优点。然而，由于内撑式双焊接张紧轮的结构特点，其加工过程中存在着一些难点，如焊接质量的控制等。

因此，期待一种优化的内撑式双焊接张紧轮的加工方案。

发明内容

有鉴于此，本公开提出了一种内撑式双焊接张紧轮及其智能加工方法，其可以提升焊接质量的检测效果。

根据本公开的一方面，提供了一种内撑式双焊接张紧轮的智能加工方法，其包括：

将内撑式双焊接张紧轮的内圈和外圈分别安装在两个同步旋转的夹具上，使所述内圈和所述外圈的焊接缝对齐；

在所述内圈和所述外圈的所述焊接缝处设置一个激光焊接头，沿着所述焊接缝的方向移动，同时控制所述激光焊接头，实现所述内圈和所述外圈的第一次焊接；

在所述第一次焊接后，将所述内撑式双焊接张紧轮从所述夹具上取下，放置在一个张紧机上，对所述内撑式双焊接张紧轮施加预定的张力，使其产生预定的变形；

在所述张紧机上，将一个激光扫描头对准所述内撑式双焊接张紧轮的第一次焊接缝，沿着所述第一次焊接缝的方向扫描，同时控制所述激光扫描头，实现所述内撑式双焊接张紧轮的第二次焊接；

在所述第二次焊接后，对所述内撑式双焊接张紧轮的焊接质量进行检测；以及

响应于焊接质量符合预定标准的检测结果，将所述内撑式双焊接张紧轮从所述张紧机上取下，进行冷却和清理以得到加工完成的所述内撑式双焊接张紧轮。

根据本公开的另一方面，提供了一种内撑式双焊接张紧轮，其由如前所述的内撑式双焊接张紧轮的智能加工方法加工所得。

根据本公开的实施例，其首先通过两个同步旋转的夹具使内撑式双焊接张紧轮的内圈和外圈的焊接缝对齐，接着，同时控制激光焊接头，实现所述内圈和所述外圈的第一次焊接，然后，将所述内撑式双焊接张紧轮从所述夹具上取下，对所述内撑式双焊接张紧轮施加预定的张力，使其产生预定的变形，接着，同时控制所述激光扫描头，实现所述内撑式双焊接张紧轮的第二次焊接，最后，对所述内撑式双焊接张紧轮的焊接质量进行检测，并响应于焊接质量符合预定标准的检测结果，将所述内撑式双焊接张紧轮从所述张紧机上取下，进行冷却和清理以得到加工完成的所述内撑式双焊接张紧轮。这样，可以提升焊接质量的检测效果。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

图1示出根据本公开的实施例的内撑式双焊接张紧轮的智能加工方法的流程图。

图2示出根据本公开的实施例的内撑式双焊接张紧轮的智能加工方法的子步骤S150的流程图。

图3示出根据本公开的实施例的内撑式双焊接张紧轮的智能加工方法的子步骤S150的架构示意图。

图4示出根据本公开的实施例的内撑式双焊接张紧轮的智能加工方法的子步骤S152的流程图。

图5示出根据本公开的实施例的内撑式双焊接张紧轮的智能加工方法的子步骤S153的流程图。

图6示出根据本公开的实施例的内撑式双焊接张紧轮的智能加工系统的框图。

图7示出根据本公开的实施例的内撑式双焊接张紧轮的智能加工方法的应用场景图。

图8示出了一种内撑式双焊接结构的示意图。

具体实施方式

下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本公开的部分实施例，而不是全部的实施例。基于本公开实施例，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，也属于本公开保护的范围。

如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。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。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

本公开提供了一种内撑式双焊接张紧轮的智能加工方法，图1示出根据本公开的实施例的内撑式双焊接张紧轮的智能加工方法的流程图。如图1所示，根据本公开实施例的内撑式双焊接张紧轮的智能加工方法，包括步骤：S110，将内撑式双焊接张紧轮的内圈和外圈分别安装在两个同步旋转的夹具上，使所述内圈和所述外圈的焊接缝对齐；S120，在所述内圈和所述外圈的所述焊接缝处设置一个激光焊接头，沿着所述焊接缝的方向移动，同时控制所述激光焊接头，实现所述内圈和所述外圈的第一次焊接；S130，在所述第一次焊接后，将所述内撑式双焊接张紧轮从所述夹具上取下，放置在一个张紧机上，对所述内撑式双焊接张紧轮施加预定的张力，使其产生预定的变形；S140，在所述张紧机上，将一个激光扫描头对准所述内撑式双焊接张紧轮的第一次焊接缝，沿着所述第一次焊接缝的方向扫描，同时控制所述激光扫描头，实现所述内撑式双焊接张紧轮的第二次焊接；S150，在所述第二次焊接后，对所述内撑式双焊接张紧轮的焊接质量进行检测；以及，S160，响应于焊接质量符合预定标准的检测结果，将所述内撑式双焊接张紧轮从所述张紧机上取下，进行冷却和清理以得到加工完成的所述内撑式双焊接张紧轮。

在S150步骤中，对内撑式双焊接张紧轮的焊接质量进行检测的目的是确保焊接的质量符合预定标准，以验证焊接的准确性和一致性。进而保证内撑式双焊接张紧轮能够正常工作并具备所需的力学性能。

然而，现有的对内撑式双焊接张紧轮的焊接质量的检测方法存在一些问题。例如，传统的使用目视检查来判断焊缝的完整性和强度可能不够准确。也就是说，目视检查可能因为操作员的主观判断不一致，导致检查结果的不一致。因此，期待一种优化的方案。

基于此，本公开的技术构思为对焊接质量进行基于机器视觉的智能检测以判断焊接质量是否符合预定标准。

图2示出根据本公开的实施例的内撑式双焊接张紧轮的智能加工方法的子步骤S150的流程图。图3示出根据本公开的实施例的内撑式双焊接张紧轮的智能加工方法的子步骤S150的架构示意图。如图2和图3所示，根据本公开实施例的内撑式双焊接张紧轮的智能加工方法，在所述第二次焊接后，对所述内撑式双焊接张紧轮的焊接质量进行检测，包括步骤：S151，获取由摄像头采集的焊接区域图像；S152，对所述焊接区域图像进行图像特征提取以得到语义融合焊接区域浅层特征图；以及，S153，基于所述语义融合焊接区域浅层特征图，确定焊接质量是否符合预定标准。

具体地，在本公开的技术方案中，首先，获取由摄像头采集的焊接区域图像。然后，提取所述焊接区域图像的浅层特征、中层特征和深层特征以得到焊接区域浅层特征图、焊接区域中层特征图和焊接区域深层特征图。

应可以理解，提取焊接区域图像的浅层特征、中层特征和深层特征可以获取不同层次的关于焊接区域的焊接隐含特征信息。具体而言，浅层特征通常是指图像的低级视觉特征，如边缘、纹理、颜色等。在焊接质量检测中，浅层特征可以用于检测焊缝的位置、形状、尺寸等基本特性。中层特征是在浅层特征的基础上提取的更高级、更抽象的特征。通过中层特征的提取，可以捕捉到更丰富的图像信息，如纹理的组合模式、局部结构等。在焊接质量检测中，中层特征可以用于对焊接缺陷、裂纹、气孔等进行更准确的表征。深层特征是从图像中学习到的高级抽象表示。在焊接质量检测中，深层特征可以捕捉到更高级别的语义信息，如焊缝的结构、形状、连续性等。

在本公开的一个具体示例中，提取所述焊接区域图像的浅层特征、中层特征和深层特征以得到焊接区域浅层特征图、焊接区域中层特征图和焊接区域深层特征图的编码过程，包括：将所述焊接区域图像通过基于金字塔网络的焊接区域图像特征提取器以得到焊接区域浅层特征图、焊接区域中层特征图和焊接区域深层特征图。

接着，融合所述焊接区域浅层特征图、所述焊接区域中层特征图和所述焊接区域深层特征图以得到所述语义融合焊接区域浅层特征图。在本公开的一个具体示例中，融合所述焊接区域浅层特征图、所述焊接区域中层特征图和所述焊接区域深层特征图以得到所述语义融合焊接区域浅层特征图的编码过程，包括：先融合所述焊接区域中层特征图和所述焊接区域深层特征图以得到多尺度语义焊接特征图；随后，使用语义信息传播模块来融合所述多尺度语义焊接特征图和所述焊接区域浅层特征图以得到语义融合焊接区域浅层特征图。

更具体地，在本公开的实施例中，使用语义信息传播模块来融合所述多尺度语义焊接特征图和所述焊接区域浅层特征图以得到语义融合焊接区域浅层特征图的编码过程，包括：先将所述多尺度语义焊接特征图进行上采样以得到分辨率重构特征图；随后，对由所述分辨率重构特征图进行全局均值池化后得到的全局均值特征向量进行点卷积、批量归一化操作和基于ReLU的非激活函数操作以得到全局语义向量；接着，对所述分辨率重构特征图进行点卷积、批量归一化操作和基于ReLU的非激活函数操作以得到局部语义向量；再将所述全局语义向量和所述局部语义向量进行点加以得到语义权重向量；然后，以所述语义权重向量为权重向量，对所述焊接区域浅层特征图进行加权处理以得到语义联合特征图；最后，融合所述焊接区域浅层特征图与所述语义联合特征图以得到所述语义融合焊接区域浅层特征图。

相应对，如图4所示，对所述焊接区域图像进行图像特征提取以得到语义融合焊接区域浅层特征图，包括：S1521，提取所述焊接区域图像的浅层特征、中层特征和深层特征以得到焊接区域浅层特征图、焊接区域中层特征图和焊接区域深层特征图；以及，S1522，融合所述焊接区域浅层特征图、所述焊接区域中层特征图和所述焊接区域深层特征图以得到所述语义融合焊接区域浅层特征图。应可以理解，这里，涉及到了图像特征提取的过程，以及特征融合的步骤。在步骤S1521中，通过使用深度学习模型或计算机视觉技术，从焊接区域的图像中提取出浅层特征、中层特征和深层特征，这些特征可以包括边缘、纹理、颜色等信息，浅层特征通常是指低级的图像特征，如边缘和纹理，中层特征则更加抽象，可以表示物体的形状和结构，深层特征是通过深度神经网络等深度学习方法学习得到的高级特征，能够更好地表示图像的语义信息。在步骤S1522中，将之前提取得到的焊接区域的浅层特征图、中层特征图和深层特征图进行融合，融合可以采用简单的加权平均或者更复杂的特征融合方法，如卷积神经网络中的多层特征融合，通过融合这些不同层次的特征，可以综合利用它们的优势，得到更具有语义信息的焊接区域浅层特征图，这样的特征图可以用于后续的目标检测、图像分割或其他图像分析任务中，以提高对焊接区域的理解和处理能力。换言之，S1521步骤用于提取焊接区域图像的不同层次的特征，S1522步骤用于将这些特征进行融合，得到更具语义信息的特征图。这些步骤都是为了更好地理解和处理焊接区域的图像。

更具体地，在步骤S1521中，提取所述焊接区域图像的浅层特征、中层特征和深层特征以得到焊接区域浅层特征图、焊接区域中层特征图和焊接区域深层特征图，包括：将所述焊接区域图像通过基于金字塔网络的焊接区域图像特征提取器以得到所述焊接区域浅层特征图、所述焊接区域中层特征图和所述焊接区域深层特征图。值得一提的是，基于金字塔网络的焊接区域图像特征提取器是一种用于提取多尺度特征的深度学习网络结构，它的设计灵感来自于金字塔的形状，通过在不同尺度上构建并堆叠多个子网络，可以同时捕捉到图像的细节和全局信息。金字塔网络的主要目的是解决图像中物体尺度变化带来的挑战。在焊接区域图像中，焊接细节可能存在不同的尺度，例如焊缝的宽度、焊接熔池的大小等。传统的单尺度特征提取方法可能无法充分捕捉到这些尺度变化的信息，导致特征提取的不准确性。金字塔网络通过在不同尺度上应用子网络，可以在每个尺度上提取到对应的浅层、中层和深层特征。子网络可以是具有不同感受野的卷积神经网络，或者是具有不同层次结构的网络模块。通过堆叠和融合这些多尺度特征，金字塔网络能够更全面地描述图像中的信息，从而提高对焊接区域的特征提取能力。金字塔网络在焊接图像处理中的应用可以帮助更好地理解和分析焊接区域的特征。通过提取焊接区域图像的浅层、中层和深层特征，金字塔网络可以捕捉到不同尺度上的细节信息和全局上的语义信息。这样的特征提取方式可以提高对焊接区域的理解能力，有助于后续的目标检测、图像分割或其他图像分析任务。

更具体地，在步骤S1522中，融合所述焊接区域浅层特征图、所述焊接区域中层特征图和所述焊接区域深层特征图以得到所述语义融合焊接区域浅层特征图，包括：融合所述焊接区域中层特征图和所述焊接区域深层特征图以得到多尺度语义焊接特征图；以及，使用语义信息传播模块来融合所述多尺度语义焊接特征图和所述焊接区域浅层特征图以得到所述语义融合焊接区域浅层特征图。值得一提的是，语义信息传播模块是一种用于在图像中传播和融合语义信息的组件或方法，在融合所述焊接区域浅层特征图、所述焊接区域中层特征图和所述焊接区域深层特征图的过程中，使用语义信息传播模块可以进一步提高特征的语义表示能力。语义信息传播模块通常基于图像的上下文信息，通过利用特征之间的关联关系来传播和融合语义信息。它可以帮助特征在不同层次和尺度之间进行交互和传递，从而更好地捕捉到图像中的语义信息。首先融合所述焊接区域中层特征图和所述焊接区域深层特征图以得到多尺度语义焊接特征图，这一步骤的目的是将不同层次的特征进行融合，以综合利用它们的优势，并捕捉到多尺度的语义信息。然后，使用语义信息传播模块来融合所述多尺度语义焊接特征图和所述焊接区域浅层特征图，得到所述语义融合焊接区域浅层特征图。语义信息传播模块可以通过引入注意力机制、图卷积网络等方法，将多尺度语义特征与浅层特征进行交互和融合，以增强浅层特征的语义表示能力。这样的融合结果可以更好地反映焊接区域的语义信息，为后续的图像分析任务提供更准确和有用的特征。语义信息传播模块在融合特征的过程中起到了关键作用，它能够帮助特征之间进行交互和传递，提高特征的语义表示能力，从而得到更具有语义信息的焊接区域浅层特征图。

进一步地，将所述语义融合焊接区域浅层特征图通过分类器以得到分类结果，所述分类结果用于表示焊接质量是否符合预定标准。

相应地，如图5所示，基于所述语义融合焊接区域浅层特征图，确定焊接质量是否符合预定标准，包括：S1531，将所述语义融合焊接区域浅层特征图进行特征图展开以得到语义融合焊接区域浅层特征向量；S1532，对所述语义融合焊接区域浅层特征向量进行特征分布优化以得到优化语义融合焊接区域浅层特征向量；以及，S1533，将所述优化语义融合焊接区域浅层特征向量通过分类器以得到分类结果，所述分类结果用于表示焊接质量是否符合预定标准。应可以理解，在步骤S1531中，其目的是将语义融合焊接区域浅层特征图转换为特征向量的形式，通过将特征图展开成向量，可以将图像中的空间信息转化为特征向量的形式，方便后续的特征处理和分析。在步骤S1532中，其目的是对语义融合焊接区域浅层特征向量进行优化，使得特征向量更具有区分度和表达能力，特征分布优化可以通过一些方法，如特征归一化、特征选择、特征降维等，对特征向量进行处理，提高特征的质量和区分度。在步骤S1533中，其目的是使用分类器对优化的语义融合焊接区域浅层特征向量进行分类，判断焊接质量是否符合预定标准。分类器可以是训练好的机器学习模型，如支持向量机（SVM）、随机森林（Random Forest）或深度学习模型等，通过将优化的特征向量输入分类器，可以得到分类结果，用于表示焊接质量的好坏。综合这些步骤，可以通过将语义融合焊接区域浅层特征图转换为特征向量，并对特征向量进行优化和分类，来判断焊接质量是否符合预定标准。这样的流程可以帮助自动化地评估焊接质量，提高工作效率和准确性。

在本公开的技术方案中，所述焊接区域图像通过基于金字塔网络的焊接区域图像特征提取器后，所述焊接区域浅层特征图、所述焊接区域中层特征图和所述焊接区域深层特征图的各个特征矩阵可以表达基于金字塔网络的不同尺度下的不同深度的图像语义特征，由此，通过融合所述焊接区域浅层特征图、所述焊接区域中层特征图和所述焊接区域深层特征图得到的所述语义融合焊接区域浅层特征图的各个特征矩阵也具有尺度混合和深度混合的图像语义特征表示，从而在将所述语义融合焊接区域浅层特征图通过分类器进行分类时，基于各个特征矩阵的混合图像语义特征表示来进行尺度启发式的类概率映射，但是考虑到每个特征矩阵的局部通道维度特征分布均包含了混合图像语义特征分布表示，这会导致所述分类器的训练效率降低。

基于此，本公开的申请人在将所述语义融合焊接区域浅层特征图展开后得到的语义融合焊接区域浅层特征向量通过分类器进行分类时，对所述语义融合焊接区域浅层特征向量进行特征秩表达的语义信息均一化激活。

相应地，在一个具体示例中，对所述语义融合焊接区域浅层特征向量进行特征分布优化以得到优化语义融合焊接区域浅层特征向量，包括：以如下优化公式对所述语义融合焊接区域浅层特征向量进行特征分布优化以得到所述优化语义融合焊接区域浅层特征向量；其中，所述优化公式为：其中，/>是所述语义融合焊接区域浅层特征向量，/>是所述语义融合焊接区域浅层特征向量的第/>个特征值，表示所述语义融合焊接区域浅层特征向量的二范数，/>是以2为底的对数函数，且是权重超参数，/>是所述优化语义融合焊接区域浅层特征向量的第/>个特征值。

这里，考虑到所述语义融合焊接区域浅层特征向量的特征分布在高维特征空间到类回归空间时的特征分布映射，在基于混合图像语义特征的不同的特征分布级别上会呈现不同的映射模式，导致基于尺度启发式的映射策略无法获得最优效率，因而基于特征向量范数的秩表达语义信息均一化而不是尺度进行特征匹配，可以将相似特征秩表达以类似方式激活，并降低差异较大的特征秩表达之间的相关性，从而解决所述语义融合焊接区域浅层特征向量/>的特征分布在不同空间秩表达下的概率表达映射效率低下的问题，提升所述语义融合焊接区域浅层特征图通过分类器进行分类时的训练效率。

进一步地，在步骤S1533中，将所述优化语义融合焊接区域浅层特征向量通过分类器以得到分类结果，所述分类结果用于表示焊接质量是否符合预定标准，包括：使用所述分类器的全连接层对所述优化语义融合焊接区域浅层特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

也就是，在本公开的技术方案中，所述分类器的标签包括焊接质量符合预定标准(第一标签)，以及，焊接质量不符合预定标准(第二标签)，其中，所述分类器通过软最大值函数来确定所述优化语义融合焊接区域浅层特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“焊接质量是否符合预定标准”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，焊接质量是否符合预定标准的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“焊接质量是否符合预定标准”的语言文本意义。

应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。

值得一提的是，全连接编码（Fully Connected Encoding）是一种将输入数据通过全连接层进行编码的方法。在这种编码方式中，输入数据的每个特征都连接到全连接层中的每个神经元，形成完全连接的结构。全连接层通常由多个神经元组成，每个神经元都有自己的权重参数，用于对输入特征进行线性组合和非线性变换。全连接编码的作用是将输入特征向量映射到一个更高维度的特征空间，并通过学习适当的权重参数来捕捉输入特征之间的复杂关系。这种编码方式可以帮助提取更丰富和抽象的特征表示，从而提高分类器对输入数据的判别能力。在所述步骤中，通过使用分类器的全连接层对优化的语义融合焊接区域浅层特征向量进行全连接编码，得到编码分类特征向量。全连接编码可以通过线性变换和非线性激活函数的组合来实现，例如使用ReLU（Rectified Linear Unit）作为激活函数。全连接编码的目的是将优化的特征向量进行进一步的变换和映射，以获得更具有判别能力的特征表示。这样的编码特征向量可以更好地表达焊接区域的关键特征，有助于提高分类器对焊接质量的判断准确性。全连接编码是一种通过全连接层对特征向量进行线性组合和非线性变换的方法，用于提取更丰富和抽象的特征表示，以改善分类器的性能和分类结果的准确性。

综上，基于本公开实施例的内撑式双焊接张紧轮的智能加工方法，其可以提升焊接质量的检测效果。

图6示出根据本公开的实施例的内撑式双焊接张紧轮的智能加工系统100的框图。如图6所示，根据本公开实施例的内撑式双焊接张紧轮的智能加工系统100，包括：对齐模块110，用于将内撑式双焊接张紧轮的内圈和外圈分别安装在两个同步旋转的夹具上，使所述内圈和所述外圈的焊接缝对齐；第一次焊接模块120，用于在所述内圈和所述外圈的所述焊接缝处设置一个激光焊接头，沿着所述焊接缝的方向移动，同时控制所述激光焊接头，实现所述内圈和所述外圈的第一次焊接；形变模块130，用于在所述第一次焊接后，将所述内撑式双焊接张紧轮从所述夹具上取下，放置在一个张紧机上，对所述内撑式双焊接张紧轮施加预定的张力，使其产生预定的变形；第二次焊接模块140，用于在所述张紧机上，将一个激光扫描头对准所述内撑式双焊接张紧轮的第一次焊接缝，沿着所述第一次焊接缝的方向扫描，同时控制所述激光扫描头，实现所述内撑式双焊接张紧轮的第二次焊接；质量检测模块150，用于在所述第二次焊接后，对所述内撑式双焊接张紧轮的焊接质量进行检测；以及，冷却清理模块160，用于响应于焊接质量符合预定标准的检测结果，将所述内撑式双焊接张紧轮从所述张紧机上取下，进行冷却和清理以得到加工完成的所述内撑式双焊接张紧轮。

在一种可能的实现方式中，所述质量检测模块150，包括：图像获取单元，用于获取由摄像头采集的焊接区域图像；图像特征提取单元，用于对所述焊接区域图像进行图像特征提取以得到语义融合焊接区域浅层特征图；以及，质量分析单元，用于基于所述语义融合焊接区域浅层特征图，确定焊接质量是否符合预定标准。

这里，本领域技术人员可以理解，上述内撑式双焊接张紧轮的智能加工系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的内撑式双焊接张紧轮的智能加工方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本公开实施例的内撑式双焊接张紧轮的智能加工系统100可以实现在各种无线终端中，例如具有内撑式双焊接张紧轮的智能加工算法的服务器等。在一种可能的实现方式中，根据本公开实施例的内撑式双焊接张紧轮的智能加工系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该内撑式双焊接张紧轮的智能加工系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该内撑式双焊接张紧轮的智能加工系统100同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该内撑式双焊接张紧轮的智能加工系统100与该无线终端也可以是分立的设备，并且该内撑式双焊接张紧轮的智能加工系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

图7示出根据本公开的实施例的内撑式双焊接张紧轮的智能加工方法的应用场景图。如图7所示，在该应用场景中，首先，获取由摄像头采集（例如，图7中所示意的C）的焊接区域图像（例如，图7中所示意的D），然后，将所述焊接区域图像输入至部署有内撑式双焊接张紧轮的智能加工算法的服务器中（例如，图7中所示意的S），其中，所述服务器能够使用所述内撑式双焊接张紧轮的智能加工算法对所述焊接区域图像进行处理以得到用于表示焊接质量是否符合预定标准的分类结果。

进一步地，本公开的实施例还提供了一种内撑式双焊接张紧轮，其由如前任一所述的内撑式双焊接张紧轮的智能加工方法加工所得。

一体式皮带轮，包括轴套部分、轮辐、内撑轮三个部分组成，轴套内孔装有两个6206轴承，轴承中间由定距环固定位置，两侧用卡簧定位轴承，定距环内侧装满润滑脂来润滑轴承，增加皮带轮稳定性，组合轮连接农机轴，皮带轮内侧有内撑轮支撑，通过焊接的方式和外圆轮辐连接在一块，支撑整个皮带轮的运转，可以减轻皮带轮的重量，可以使重心保持在中心线上，使传动更加稳定，同时内撑式皮带轮式水泵皮带轮动平衡比较小，可以有效的防止装配晃动和噪音的影响，从而更有效的传递扭矩，本一种内撑式双焊接张紧轮具有良好的装配固定作用，张紧轮涨紧可以拉紧皮带，传动大的力矩载荷，在保持皮带轮原有性能的情况下，提升了产品质量，产品跳动、平衡量更易保证，同时减轻了劳动强度。

图8示出了一种内撑式双焊接结构，零件内撑轮2用材料DC03下料后通过拉伸成型后，然后修边后和中间轴1压装在一块焊接成型，轮辐部分3是材料DC03下料拉伸成型，修边后和轴套、内撑轮过盈配合后压在零件外部，结合面用二保焊焊接在一起，保证产品外部受力面可承受的力，本结构成本小，利用率大，能承受一定的径向载荷，在农机中得到广泛应用。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (8)

1.一种内撑式双焊接张紧轮的智能加工方法，其特征在于，包括：

将内撑式双焊接张紧轮的内圈和外圈分别安装在两个同步旋转的夹具上，使所述内圈和所述外圈的焊接缝对齐；

在所述内圈和所述外圈的所述焊接缝处设置一个激光焊接头，沿着所述焊接缝的方向移动，同时控制所述激光焊接头，实现所述内圈和所述外圈的第一次焊接；

在所述第一次焊接后，将所述内撑式双焊接张紧轮从所述夹具上取下，放置在一个张紧机上，对所述内撑式双焊接张紧轮施加预定的张力，使其产生预定的变形；

在所述张紧机上，将一个激光扫描头对准所述内撑式双焊接张紧轮的第一次焊接缝，沿着所述第一次焊接缝的方向扫描，同时控制所述激光扫描头，实现所述内撑式双焊接张紧轮的第二次焊接；

在所述第二次焊接后，对所述内撑式双焊接张紧轮的焊接质量进行检测；以及

响应于焊接质量符合预定标准的检测结果，将所述内撑式双焊接张紧轮从所述张紧机上取下，进行冷却和清理以得到加工完成的所述内撑式双焊接张紧轮。

2.根据权利要求1所述的内撑式双焊接张紧轮的智能加工方法，其特征在于，在所述第二次焊接后，对所述内撑式双焊接张紧轮的焊接质量进行检测，包括：

获取由摄像头采集的焊接区域图像；

对所述焊接区域图像进行图像特征提取以得到语义融合焊接区域浅层特征图；以及

基于所述语义融合焊接区域浅层特征图，确定焊接质量是否符合预定标准。

3.根据权利要求2所述的内撑式双焊接张紧轮的智能加工方法，其特征在于，对所述焊接区域图像进行图像特征提取以得到语义融合焊接区域浅层特征图，包括：

提取所述焊接区域图像的浅层特征、中层特征和深层特征以得到焊接区域浅层特征图、焊接区域中层特征图和焊接区域深层特征图；以及

融合所述焊接区域浅层特征图、所述焊接区域中层特征图和所述焊接区域深层特征图以得到所述语义融合焊接区域浅层特征图。

4.根据权利要求3所述的内撑式双焊接张紧轮的智能加工方法，其特征在于，提取所述焊接区域图像的浅层特征、中层特征和深层特征以得到焊接区域浅层特征图、焊接区域中层特征图和焊接区域深层特征图，包括：

将所述焊接区域图像通过基于金字塔网络的焊接区域图像特征提取器以得到所述焊接区域浅层特征图、所述焊接区域中层特征图和所述焊接区域深层特征图。

5.根据权利要求4所述的内撑式双焊接张紧轮的智能加工方法，其特征在于，融合所述焊接区域浅层特征图、所述焊接区域中层特征图和所述焊接区域深层特征图以得到所述语义融合焊接区域浅层特征图，包括：

融合所述焊接区域中层特征图和所述焊接区域深层特征图以得到多尺度语义焊接特征图；以及

使用语义信息传播模块来融合所述多尺度语义焊接特征图和所述焊接区域浅层特征图以得到所述语义融合焊接区域浅层特征图。

6.根据权利要求5所述的内撑式双焊接张紧轮的智能加工方法，其特征在于，基于所述语义融合焊接区域浅层特征图，确定焊接质量是否符合预定标准，包括：

将所述语义融合焊接区域浅层特征图进行特征图展开以得到语义融合焊接区域浅层特征向量；

对所述语义融合焊接区域浅层特征向量进行特征分布优化以得到优化语义融合焊接区域浅层特征向量；以及

将所述优化语义融合焊接区域浅层特征向量通过分类器以得到分类结果，所述分类结果用于表示焊接质量是否符合预定标准。

7.根据权利要求6所述的内撑式双焊接张紧轮的智能加工方法，其特征在于，对所述语义融合焊接区域浅层特征向量进行特征分布优化以得到优化语义融合焊接区域浅层特征向量，包括：

以如下优化公式对所述语义融合焊接区域浅层特征向量进行特征分布优化以得到所述优化语义融合焊接区域浅层特征向量；

其中，所述优化公式为：其中，/>是所述语义融合焊接区域浅层特征向量，/>是所述语义融合焊接区域浅层特征向量的第/>个特征值，表示所述语义融合焊接区域浅层特征向量的二范数，/>是以2为底的对数函数，且是权重超参数，/>是所述优化语义融合焊接区域浅层特征向量的第/>个特征值。

8.一种内撑式双焊接张紧轮，其特征在于，由如权利要求1-7任一所述的内撑式双焊接张紧轮的智能加工方法加工所得。