CN117593298A - 一种基于机器视觉的激光焊接质量检测系统 - Google Patents

一种基于机器视觉的激光焊接质量检测系统 Download PDF

Info

Publication number
CN117593298A
CN117593298A CN202410070834.3A CN202410070834A CN117593298A CN 117593298 A CN117593298 A CN 117593298A CN 202410070834 A CN202410070834 A CN 202410070834A CN 117593298 A CN117593298 A CN 117593298A
Authority
CN
China
Prior art keywords
quality
welding
image
images
coefficient
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.)
Granted
Application number
CN202410070834.3A
Other languages
English (en)
Other versions
CN117593298B (zh
Inventor
周凯
吴海燕
周英杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Superwave Laser Technology Co ltd
Original Assignee
Shenzhen Superwave Laser Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Superwave Laser Technology Co ltd filed Critical Shenzhen Superwave Laser Technology Co ltd
Priority to CN202410070834.3A priority Critical patent/CN117593298B/zh
Priority claimed from CN202410070834.3A external-priority patent/CN117593298B/zh
Publication of CN117593298A publication Critical patent/CN117593298A/zh
Application granted granted Critical
Publication of CN117593298B publication Critical patent/CN117593298B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/70—Auxiliary operations or equipment
    • B23K26/702—Auxiliary equipment
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/041—Abduction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/141—Control of illumination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G06V10/993—Evaluation of the quality of the acquired pattern
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30152—Solder
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Computer Hardware Design (AREA)
  • Animal Behavior & Ethology (AREA)
  • Databases & Information Systems (AREA)
  • Signal Processing (AREA)
  • Geometry (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Optics & Photonics (AREA)
  • Plasma & Fusion (AREA)
  • Mechanical Engineering (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种基于机器视觉的激光焊接质量检测系统，涉及焊接质量检测技术领域，在焊接区内采集若干次焊接后的器件图像，为各个器件图像匹配出对应的预处理策略，将预处理后的器件图像作为器件目标图像；依据图像质量系数，从若干个目标图像内筛选出待识别图像，对待识别图像进行缺陷识别及质量检测，使用检测数据构建期间的器件质量系数，以此对器件焊接质量做出区分；并由当前批次内的器件质量系数构建批次质量系数，若批次质量系数低于批次质量阈值，从建焊优化知识图谱内为当前的焊接设备匹配出对应的工艺优化方案。通过构建器件模型，对器件焊接质量做预测分析，在对焊接质量进行判断时，提高检测的可靠性。

Description

一种基于机器视觉的激光焊接质量检测系统
技术领域
本发明涉及焊接质量检测技术领域，具体为一种基于机器视觉的激光焊接质量检测系统。
背景技术
激光焊接是一种以聚焦的激光束作为能源轰击焊件所产生的热量进行焊接的方法。激光焊接技术属于熔融焊接，以激光束为能源，使其冲击在焊件接头上以达到焊接目的的技术。激光焊接可以采用连续或脉冲激光束加以实现，其原理可分为热传导型焊接和激光深熔焊接。由于激光具有折射、聚焦等光学性质，使得激光焊非常适合于微型零件和可达性很差的部位的焊接。此外，激光焊接还具有热输入低、焊接变形小、不受电磁场影响等特点。
机器视觉就是用机器代替人眼来做测量和判断，机器视觉系统是通过机器视觉产品（即图像摄取装置，分CMOS和CCD两种）将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，在激光焊接完成后，通过机器视觉的配合，能够对焊接质量形成检测。
在申请公布号为CN115841484A的中国发明专利中，公开了一种基于三维激光扫描的钢结构焊接质量检测系统，包括扫描模块；用于采集焊接位置的整体三维轮廓参数信息，构建实时轮廓模型；参照模块包括数据库，依据实际焊接条件，调取理想轮廓模型；处理模块对实时轮廓模型以及理想轮廓模型进行处理，得出对应的切片模型以及标准模型；比对模块将顺序标记对应的切片模型与标准模型进行比对，确定焊接质量。
以上申请中，比对方式更加具体，受到外部影响因素较少，且质量检测的结果更加准确。在结合以上申请和现有技术中，在对器件完成激光焊接并进行质量检测时，若焊接区域内光线条件较差，成像单元在采集图像时，图像质量也会相对较差，在对焊接质量进行检测及评价时，较低的图像质量会导致给出的检测结果可靠性不足，而现有的质量检测方法在给出质量检测结果后，对质量检测过程形成的反馈也较为有限。
为此，本发明提供了一种基于机器视觉的激光焊接质量检测系统。
发明内容
（一）解决的技术问题
针对现有技术的不足，本发明提供了一种基于机器视觉的激光焊接质量检测系统，在焊接区内采集若干次焊接后的器件图像，为各个器件图像匹配出对应的预处理策略，将预处理后的器件图像作为器件目标图像；依据图像质量系数，从若干个目标图像内筛选出待识别图像，对待识别图像进行缺陷识别及质量检测，使用检测数据构建期间的器件质量系数，以此对器件焊接质量做出区分；并由当前批次内的器件质量系数构建批次质量系数，若批次质量系数低于批次质量阈值，从建焊优化知识图谱内为当前的焊接设备匹配出对应的工艺优化方案。通过构建器件模型，对器件焊接质量做预测分析，提高检测的可靠性，从而解决背景技术中提出技术问题。
（二）技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于机器视觉的激光 焊接质量检测系统，包括，检测单元，检测焊接区内的光线条件，由检测数据构建对应的光 线条件系数，若所述光线条件系数低于条件阈值，发出补光指令，并获取焊接区域内 在光线条件改善后的光线条件系数；
图像优化单元，在焊接区内采集若干次焊接后的器件图像，并在识别获取对应的图像属性数据后，为各个器件图像匹配出对应的预处理策略，并对其做出预处理，将预处理后的器件图像作为器件目标图像；
评价单元，构建目标图像的图像质量系数，依据图像质量系数从若干个目 标图像内筛选出合格图像，并进而在合格图像内区分出待识别图像及备用图像；
筛选单元，对待识别图像进行缺陷识别及质量检测，使用检测数据构建器件的器 件质量系数，以此对器件焊接质量做出区分；并由当前批次内的器件质量系数构建 批次质量系数，若批次质量系数低于批次质量阈值，发出优化指令；
工艺优化单元，接收到优化指令后，对当前批次内器件焊接质量数据做特征识别，依据识别获取的优化特征从建焊优化知识图谱内为当前的焊接设备匹配出对应的工艺优化方案。
进一步的，在焊接区内设置若干个均匀分布的采样点，于各个采样点处对焊接区 内的光线条件进行采集，构建焊接区内的光线条件系数，方式如下：对光线条件集合内光 照强度做线性归一化处理，将相应的数据值映射至区间内，依照如下公式：
其中，为采样点的序号，m，m为采样点的个数，为光照强度的 均值；为第i个采样点处的光照强度。
进一步的，依据光线条件系数约束对焊接区内焊接后器件的图像采集次数，方 式如下：
n为采集次数，是第i次采集到第j次采集的间隔，为采集平均间隔，为光 线条件系数。
进一步的，依据图像采集次数为图像采集确定对应的时间节点，于各个时间节点处对已经焊接的器件进行图像采集，识别获取各个器件图像的属性数据，对属性数据做出特征识别后，获取特征数据；
依据器件图像的特征数据与预处理策略的对应性，从预先构建的预处理方案库内为各个器件图像匹配出对应的预处理策略，执行预处理策略对图像做出预处理，将预处理后的器件图像作为器件目标图像。
进一步的，识别获取器件目标图像的属性数据，并依据识别结果获取目标图像的 信噪比Xz及对比度Dz，将两者做归一化处理后，依据如下方式构建对应的图像质量系数 ：
权重系数：，，以获取到的图像质量系数对目标图像进行标 记。
进一步的，依据各个器件目标图像的图像质量系数，预先构建异常阈值，将图 像质量系数不在异常阈值之内的器件目标图像做异常图像，剩余器件图像作为合格图 像；以任意两个合格图像图像质量系数间的差值作为最短距离，计算各个合格图像的接 近中心度，以接近中心度最大的合格图像作为待识别图像，剩余的图像为备用图像。
进一步的，对待识别图像中缺陷进行识别，获取焊接质量的识别数据，并在识别出器件上的缺陷类型、状态、数量及位置后，结合其规格数据及材料数据，训练获取对应的器件模型；依据器件的使用历史预先为器件设置应用场景，在预先应用场景下，使用训练后的器件模型对器件可用性进行预测，在重复若干次预测后，获取相应的预测数据。
进一步的，将获取到预测数据汇总构建预测数据集合，将预测数据集合内器件使 用寿命St做无量纲处理后，构建器件的质量系数，若获取的器件质量系数低于质量 阈值，将器件确定为不合格产品，若相反为合格产品；器件质量系数的获取方式如下：
其中，，n为预测次数，为器件使用寿命的均值，为第i次 预测时器件的使用寿命。
进一步的，限定器件的加工批次，连续获取加工批次内若干个器件质量系数 后，构建批次质量系数，对当前批次的器件焊接质量进行判断，其具体方式如下：
其中，，为器件质量产生异常的个数；权重系数：，且；为第i个器件质量系数产生异常时的异常程度，所述为 异常程度的均值，为异常可被容忍程度。
进一步的，获取当前批次内所有器件的焊接质量的识别数据，在将质量识别数据汇总后，设置优化标准并对识别数据进行特征识别，获取对应的优化特征；以焊接质量为目标词，在经过数据检索和搭建实体关系后，预先构建焊接优化知识图谱；
依据优化特征与优化方案的对应性，从建焊优化知识图谱内为当前的焊接设备匹配出对应的工艺优化方案，在执行工艺优化方案后，重新使用优化后的设备对器件进行焊接，并获取相应的质量检测数据。
（三）有益效果
本发明提供了一种基于机器视觉的激光焊接质量检测系统，具备以下有益效果：
1、构建对焊接区内光线条件形成判断的光线条件系数，若确定焊接区内的光线 条件较差，在机器视觉获取图像时，会对机器识别造成一定程度上的干扰，不易识别出器件 上当前存在焊接瑕疵；通过对焊接区内的光线条件进行改善，对后续的质量检测的效果形 成改善。
2、使用训练后的匹配模型为采集到的器件图像匹配出针对性的图像预处理及优化策略，对图像质量进行改善，从而在以此用于对器件焊接质量检测时，使检测结果的可靠性更高，减少低质量图像对检测结果的干扰。
3、获取对应的图像质量系数，并以图像质量系数对若干个目标图像做筛选，从中获取对应的合格图像，在对器件焊接质量进行检测时，使用机器视觉对合格图像进行识别时，能够进一步的对识别结果的可靠性形成保障。
4、构建对应的训练后的器件模型，以训练后的器件模型对器件的使用做预测，相对于直接对器件的瑕疵进行评估，和器件实际使用的对应性更高。
5、以器件质量系数对器件焊接质量进行判断，对器件焊接质量是否合格进行 判断，完成焊接质量的检测，通过对器件图像进行优化及筛选，确定出图像质量较佳的部 分，减少质量检测的失误风险，并且通过构建器件模型，对器件焊接质量做预测分析，在对 焊接质量进行判断时，提高检测的可靠性。
6、对当前批次内的器件焊接质量进行判断，并进而构建对应的批次系数，以批 次系数对当前整体的焊接质量进行判断，若是当前的焊接效果整体性的差，低质量焊接 器件出现的频率过高，则可以说明当前的焊接工艺可能存在故障，需要对焊接质量做整体 性改善。
7、从预先搭建的焊接优化知识图谱内匹配出对应的工艺优化方案，对当前的焊接工艺进行调整，根据检测结果自动调整焊接参数，如激光功率、焊接速度等，以改善焊接质量；通过对焊接工艺的优化，在部分器件的焊接质量不足时，在整体上改善焊接质量，在对焊接质量进行检测的基础上，对焊接质量形成正反馈，也降低后续质量检测的难度。
附图说明
图1为本发明基于机器视觉的激光焊接质量检测系统结构示意图；
图2为本发明基于机器视觉的激光焊接质量检测方法流程示意图。
具体实施方式
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及图2，本发明提供一种基于机器视觉的激光焊接质量检测系统，包括：
检测单元，检测焊接区内的光线条件，由检测数据构建对应的光线条件系数，若 所述光线条件系数低于条件阈值，发出补光指令；
在应用时包括如下内容：
步骤101、在对器件进行焊接前，依据焊接设备对器件的焊接区域预先限定焊接区，在焊接区内设置若干个均匀分布的采样点，于各个采样点处对焊接区内的光线条件进行采集，将各个采样点内光照强度汇总，构建光线条件集合；
步骤102、由光线条件集合构建焊接区内的光线条件系数，其方式如下：对光线 条件集合内光照强度做线性归一化处理，将相应的数据值映射至区间内，依照如下 公式：
其中，为采样点的序号，m，m为采样点的个数，为光照强度的 均值；为第i个采样点处的光照强度；
依据历史数据及对焊接区内的光线条件的管理预期，预先构建光线条件的条件阈 值，若所述光线条件系数低于条件阈值，则说明焊接区域内的光线条件较差；此时，向外 部发出补光指令，提高焊接区光照强度，并获取焊接区域内在光线条件改善后的光线条件 系数；
使用时，结合步骤101及102中的内容：
在焊接设备进入工作状态后，确定出相应的焊接区，对焊接区内的光线条件进行 检测和判断，并由此构建对焊接区内光线条件形成判断的光线条件系数，若在综合判断 后，确定焊接区内的光线条件较差，在机器视觉获取图像时，图像的质量很难达到预期，这 会对机器识别造成一定程度上的干扰，在对器件的焊接质量进行检测时，可能不易识别出 器件上当前存在焊接瑕疵；于是，在此条件下，通过对焊接区内的光线条件进行改善，进而 可以对后续的质量检测的效果形成改善。
图像优化单元，在焊接区内采集若干次焊接后的器件图像，并在识别获取对应的图像属性数据后，为各个器件图像匹配出对应的预处理策略，并对其做出预处理，将预处理后的器件图像作为器件目标图像；
在应用时包括如下内容：
步骤201、在获取焊接区的光线条件系数后，依据光线条件系数约束对焊接区内 焊接后器件的图像采集次数，方式如下：
n为采集次数，是第i次采集到第j次采集的间隔，为采集平均间隔，为光 线条件系数；
使用时，依据焊接区域内的光线条件系数为器件限定图像采集次数，能够通过 多次的图像采集来对光线条件较差及图像质量较差这一情形进行弥补，提高质量检测的可 靠性；
步骤202、在限定图像采集时长后，依据图像采集次数为图像采集确定对应的时间节点，于各个时间节点处对已经焊接的器件进行图像采集，并将采集到的器件图像汇总，识别获取各个器件图像的属性数据，对属性数据做出特征识别后，获取特征数据；
步骤203、在汇总当前的若干图像预处理策略后，预先构建预处理策略库；依据器件图像的特征数据与预处理策略的对应性，使用训练后的匹配模型从预处理方案库内为各个器件图像匹配出对应的预处理策略；执行预处理策略对图像做出预处理，将预处理后的器件图像作为器件目标图像；
使用时，结合步骤201至203中的内容：
完成对焊接后器件的图像采集后，为了进一步提高对应的图像质量，识别获取各个图像的属性及参数后，从预先构建的预处理策略库中，使用训练后的匹配模型为采集到的器件图像匹配出针对性的图像预处理及优化策略，对图像质量进行改善，从而在以此用于对器件焊接质量检测时，使检测结果的可靠性更高，减少低质量图像对检测结果的干扰。
评价单元，构建目标图像的图像质量系数，依据图像质量系数从若干个目 标图像内筛选出合格图像，并进而在合格图像内区分出待识别图像及备用图像；
在应用时包括如下内容：
步骤301、在获取器件目标图像后，识别获取其属性数据，并依据识别结果获取目 标图像的信噪比Xz及对比度Dz，将两者做归一化处理后，依据如下方式构建对应的图像质 量系数：
权重系数：，，权重系数可由用户设定或参考层次分析法获取； 以获取到的图像质量系数对目标图像进行标记；
步骤302、依据各个器件目标图像的图像质量系数，预先构建异常阈值，将图像质量系数不在异常阈值之内的器件目标图像做异常图像，剩余器件图 像作为合格图像；方式如下：
其中，，k为图像质量系数的个数，为图像质量系数的均 值；为第i个图像质量系数。
以任意两个合格图像图像质量系数间的差值作为最短距离，计算各个合格图 像的接近中心度，以接近中心度最大的合格图像作为待识别图像，剩余的图像为备用图像；
使用时，结合步骤301及302中的内容：
在完成对各个器件图像的优化的基础上，对获取到的目标图像做质量评估，获取对应的图像质量系数，并以图像质量系数对若干个目标图像做筛选，从中获取对应的合格图像，在对器件焊接质量进行检测时，使用机器视觉对合格图像进行识别时，能够进一步的对识别结果的可靠性形成保障。
筛选单元，对待识别图像进行缺陷识别及质量检测，使用检测数据构建器件的器 件质量系数，以此对器件焊接质量做出区分；并由当前批次内的器件质量系数构建 批次质量系数，若批次质量系数低于批次质量阈值，发出优化指令；
在应用时包括如下内容：
步骤401、在获取到待识别图像后，对待识别图像中缺陷进行识别，获取焊接质量的识别数据，并在识别出器件上的缺陷类型、状态、数量及位置后，结合其规格数据及材料数据，训练获取对应的器件模型；
依据器件的使用历史预先为器件设置应用场景，在预先应用场景下，使用训练后的器件模型对器件可用性进行预测，在重复若干次预测后，获取相应的预测数据；
使用时，在识别出器件的焊接质量不足后，采集对应的瑕疵数据，并以此构建对应的训练后的器件模型，以训练后的器件模型对器件的使用做预测，相对于直接对器件的瑕疵进行评估，和器件实际使用的对应性更高。
步骤402、将获取到预测数据汇总构建预测数据集合，将预测数据集合内器件使用 寿命St做无量纲处理后，构建器件的质量系数，方式如下：
其中，，n为预测次数，为器件使用寿命的均值，为第i次 预测时器件的使用寿命；
依据对器件的焊接质量的管理预期及历史数据，预先设置质量阈值；若获取的器 件质量系数低于质量阈值，则说明当前的器件质量低于预期，为不合格产品，需要废弃 或者重新焊接；若相反，则可以将其确定为合格产品；
使用时，预测数据的基础上构建器件质量系数，以器件质量系数对器件焊 接质量进行判断，对器件焊接质量是否合格进行判断，完成焊接质量的检测，通过对器件图 像进行优化及筛选，确定出图像质量较佳的部分，减少质量检测的失误风险，并且通过构建 器件模型，对器件焊接质量做预测分析，在对焊接质量进行判断时，提高检测的可靠性。
步骤403、在限定器件的加工批次，连续获取加工批次内若干个器件质量系数 后，构建批次质量系数，对当前批次的器件焊接质量进行判断，其具体方式如下：
其中，，为器件质量产生异常的个数；权重系数：，且；为第i个器件质量系数产生异常时的异常程度，所述为 异常程度的均值，为异常可被容忍程度；
结合对器件焊接的管理预期及历史数据，预先设置批次质量阈值，若批次质量系 数低于批次质量阈值，则说明在对当前的器件进行焊接时，可能是加工工艺存在不足， 需要进行整体性优化，发出优化指令；
使用时，结合步骤401至403中的内容：
在完成对单一的器件焊接质量检测及评价后，依据单次检测结果对当前批次内的 器件焊接质量进行判断，并进而构建对应的批次系数，以批次系数对当前整体的焊 接质量进行判断，若是当前的焊接效果整体性的差，低质量焊接器件出现的频率过高，则可 以说明当前的焊接工艺可能存在故障，需要对焊接质量做整体性改善。
工艺优化单元，接收到优化指令后，对当前批次内器件焊接质量数据做特征识别，依据识别获取的优化特征从建焊优化知识图谱内为当前的焊接设备匹配出对应的工艺优化方案；
在应用时包括如下内容：
步骤501、在获取到优化指令后，获取当前批次内所有器件的焊接质量的识别数据，在将质量识别数据汇总后，设置优化标准并对识别数据进行特征识别，获取对应的优化特征；以焊接质量为目标词，在经过数据检索和搭建实体关系后，预先构建焊接优化知识图谱；
步骤502、依据优化特征与优化方案的对应性，从建焊优化知识图谱内为当前的焊接设备匹配出对应的工艺优化方案，在执行工艺优化方案后，重新使用优化后的设备对器件进行焊接，并获取相应的质量检测数据；
使用时，结合步骤501及502中的内容：
在获取当前匹配的器件焊接质量数据后，对焊接质量数据进行特征分析，进而从预先搭建的焊接优化知识图谱内匹配出对应的工艺优化方案，对当前的焊接工艺进行调整，例如，根据检测结果自动调整焊接参数，如激光功率、焊接速度等，以改善焊接质量；通过对焊接工艺的优化，在部分器件的焊接质量不足时，在整体上改善焊接质量，在对焊接质量进行检测的基础上，对焊接质量形成正反馈，也降低后续质量检测的难度。
其中，知识图谱的搭建可以参考如下内容：
收集相关焊接工艺优化领域的文献、专家知识、行业标准等信息，进行知识抽取，将相关知识从文本、数据等形式中提取出来；整理知识，建立知识库或知识图谱的初始结构；根据焊接工艺优化的特点和优化目标，设计知识图谱的模型和结构，定义焊接工艺优化领域的概念和关系，建立本体或图谱模式，利用语义网络、图数据库等技术，进行知识表示和存储；利用自然语言处理、信息抽取、数据挖掘等技术，自动或半自动地从新数据源中提取和补充知识；结合领域专家的经验和知识，进行人工的知识补充和修正；建立概念之间的关联和关系，通过链接不同概念，形成知识网络，运用推理机制，进行知识的推理和推断，发现隐藏的关联和规律，从而完成知识图谱的搭建。
需要说明的是：层次分析法是一种定性和定量相结合的分析方法，它可以将复杂的问题分解为多个层次，通过比较各层次因素的重要性，可以帮助决策者对复杂问题进行决策，确定最终的决策方案，在这个过程中，层次分析法可以用来确定这些指标的权重系数。
本领域普通技术人员可以意识到，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、或者计算机软件和电子硬件的结合来实现。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申请的范围。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于机器视觉的激光焊接质量检测系统，其特征在于：包括，
检测单元，检测焊接区内的光线条件，由检测数据构建对应的光线条件系数，若所述光线条件系数/>低于条件阈值，发出补光指令，并获取焊接区域内在光线条件改善后的光线条件系数/>；
图像优化单元，在焊接区内采集若干次焊接后的器件图像，并在识别获取对应的图像属性数据后，为各个器件图像匹配出对应的预处理策略，并对其做出预处理，将预处理后的器件图像作为器件目标图像；
评价单元，构建目标图像的图像质量系数，依据图像质量系数/>从若干个目标图像内筛选出合格图像，并进而在合格图像内区分出待识别图像及备用图像；
筛选单元，对待识别图像进行缺陷识别及质量检测，使用检测数据构建器件的器件质量系数，以此对器件焊接质量做出区分；并由当前批次内的器件质量系数/>构建批次质量系数/>，若批次质量系数/>低于批次质量阈值，发出优化指令；
工艺优化单元，接收到优化指令后，对当前批次内器件焊接质量数据做特征识别，依据识别获取的优化特征从建焊优化知识图谱内为当前的焊接设备匹配出对应的工艺优化方案。
2.根据权利要求1所述的一种基于机器视觉的激光焊接质量检测系统，其特征在于：
在焊接区内设置若干个均匀分布的采样点，于各个采样点处对焊接区内的光线条件进行采集，构建焊接区内的光线条件系数，方式如下：对光线条件集合内光照强度/>做线性归一化处理，将相应的数据值映射至区间/>内，依照如下公式：
；
其中，为采样点的序号，/>m，m为采样点的个数，/>为光照强度的均值；为第i个采样点处的光照强度。
3.根据权利要求1所述的一种基于机器视觉的激光焊接质量检测系统，其特征在于：
依据光线条件系数约束对焊接区内焊接后器件的图像采集次数，方式如下：
；
n为采集次数，是第i次采集到第j次采集的间隔，/>为采集平均间隔，/>为光线条件系数。
4.根据权利要求1所述的一种基于机器视觉的激光焊接质量检测系统，其特征在于：
依据图像采集次数为图像采集确定对应的时间节点，于各个时间节点处对已经焊接的器件进行图像采集，识别获取各个器件图像的属性数据，对属性数据做出特征识别后，获取特征数据；
依据器件图像的特征数据与预处理策略的对应性，从预先构建的预处理方案库内为各个器件图像匹配出对应的预处理策略，执行预处理策略对图像做出预处理，将预处理后的器件图像作为器件目标图像。
5.根据权利要求4所述的一种基于机器视觉的激光焊接质量检测系统，其特征在于：
识别获取器件目标图像的属性数据，并依据识别结果获取目标图像的信噪比及对比度/>，将两者做归一化处理后，依据如下方式构建对应的图像质量系数/>：
；
权重系数：，/>以获取到的图像质量系数/>对目标图像进行标记。
6.根据权利要求5所述的一种基于机器视觉的激光焊接质量检测系统，其特征在于：
依据各个器件目标图像的图像质量系数，预先构建异常阈值，将图像质量系数/>不在异常阈值之内的器件目标图像做异常图像，剩余器件图像作为合格图像；以任意两个合格图像图像质量系数/>间的差值作为最短距离，计算各个合格图像的接近中心度，以接近中心度最大的合格图像作为待识别图像，剩余的为备用图像。
7.根据权利要求1所述的一种基于机器视觉的激光焊接质量检测系统，其特征在于：
对待识别图像中缺陷进行识别，获取焊接质量的识别数据，并在识别出器件上的缺陷类型、状态、数量及位置后，结合其规格数据及材料数据，训练获取对应的器件模型；依据器件的使用历史预先为器件设置应用场景，在预先应用场景下，使用训练后的器件模型对器件可用性进行预测，在重复若干次预测后，获取相应的预测数据。
8.根据权利要求7所述的一种基于机器视觉的激光焊接质量检测系统，其特征在于：
将获取到预测数据汇总构建预测数据集合，将预测数据集合内器件使用寿命St做无量纲处理后，构建器件的质量系数，若获取的器件质量系数/>低于质量阈值，将器件确定为不合格产品，若相反为合格产品；器件质量系数/>的获取方式如下：
；
其中，，n为预测次数，/>为器件使用寿命的均值，/>为第i次预测时器件的使用寿命。
9.根据权利要求8所述的一种基于机器视觉的激光焊接质量检测系统，其特征在于：
限定器件的加工批次，连续获取加工批次内若干个器件质量系数后，构建批次质量系数/>，对当前批次的器件焊接质量进行判断，其具体方式如下：
；
其中，，/>为器件质量产生异常的个数；权重系数：/>，且/>；/>为第i个器件质量系数产生异常时的异常程度，所述/>为异常程度的均值，/>为异常可被容忍程度。
10.根据权利要求1所述的一种基于机器视觉的激光焊接质量检测系统，其特征在于：
获取当前批次内所有器件的焊接质量的识别数据，在将质量识别数据汇总后，设置优化标准并对识别数据进行特征识别，获取对应的优化特征；以焊接质量为目标词，在经过数据检索和搭建实体关系后，预先构建焊接优化知识图谱；
依据优化特征与优化方案的对应性，从建焊优化知识图谱内为当前的焊接设备匹配出对应的工艺优化方案，在执行工艺优化方案后，重新使用优化后的设备对器件进行焊接，并获取相应的质量检测数据。
CN202410070834.3A 2024-01-18 一种基于机器视觉的激光焊接质量检测系统 Active CN117593298B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410070834.3A CN117593298B (zh) 2024-01-18 一种基于机器视觉的激光焊接质量检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410070834.3A CN117593298B (zh) 2024-01-18 一种基于机器视觉的激光焊接质量检测系统

Publications (2)

Publication Number Publication Date
CN117593298A true CN117593298A (zh) 2024-02-23
CN117593298B CN117593298B (zh) 2024-06-04

Family

ID=

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117828539A (zh) * 2024-03-06 2024-04-05 昆明智合力兴信息系统集成有限公司 数据智能融合分析系统及方法
CN117984024A (zh) * 2024-04-03 2024-05-07 中国水利水电第十工程局有限公司 基于船闸人字门自动化生产的焊接数据管理方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160193681A1 (en) * 2015-01-07 2016-07-07 Illinois Tool Works Inc. Synchronized image capture for welding machine vision
CN113510412A (zh) * 2021-04-28 2021-10-19 湖北云眸科技有限公司 一种识别焊缝状态的检测系统、检测方法及储存介质
CN114936755A (zh) * 2022-04-28 2022-08-23 上海波士内智能科技有限公司 一种基于知识图谱的螺柱焊接缺陷根因分析方法
CN115294114A (zh) * 2022-09-30 2022-11-04 南通艾美瑞智能制造有限公司 一种基于ecu电路焊接的质量检测方法
US20230410281A1 (en) * 2022-06-13 2023-12-21 Tata Consultancy Services Limited. Weld quality inspection with domain knowledge infused adaptive-network-based fuzzy inference system
CN117324769A (zh) * 2023-11-14 2024-01-02 江西瑞升科技股份有限公司 一种基于ccd视觉检测的自动精密激光焊接方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160193681A1 (en) * 2015-01-07 2016-07-07 Illinois Tool Works Inc. Synchronized image capture for welding machine vision
CN113510412A (zh) * 2021-04-28 2021-10-19 湖北云眸科技有限公司 一种识别焊缝状态的检测系统、检测方法及储存介质
CN114936755A (zh) * 2022-04-28 2022-08-23 上海波士内智能科技有限公司 一种基于知识图谱的螺柱焊接缺陷根因分析方法
US20230410281A1 (en) * 2022-06-13 2023-12-21 Tata Consultancy Services Limited. Weld quality inspection with domain knowledge infused adaptive-network-based fuzzy inference system
CN115294114A (zh) * 2022-09-30 2022-11-04 南通艾美瑞智能制造有限公司 一种基于ecu电路焊接的质量检测方法
CN117324769A (zh) * 2023-11-14 2024-01-02 江西瑞升科技股份有限公司 一种基于ccd视觉检测的自动精密激光焊接方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117828539A (zh) * 2024-03-06 2024-04-05 昆明智合力兴信息系统集成有限公司 数据智能融合分析系统及方法
CN117828539B (zh) * 2024-03-06 2024-05-24 昆明智合力兴信息系统集成有限公司 数据智能融合分析系统及方法
CN117984024A (zh) * 2024-04-03 2024-05-07 中国水利水电第十工程局有限公司 基于船闸人字门自动化生产的焊接数据管理方法及系统

Similar Documents

Publication Publication Date Title
CN109658387A (zh) 电力列车的受电弓碳滑板缺陷的检测方法
CN113762240B (zh) 一种基于深度学习的熔覆层几何特征预测方法及系统
CN112508053A (zh) 基于集成学习框架的智能诊断方法、装置、设备及介质
CN110458828B (zh) 一种基于多模态融合网络的激光焊接缺陷识别方法及装置
KR20130100266A (ko) 납땜 이음의 품질을 검사하는 방법
CN114515705B (zh) 基于多模态成像分析的煤矸石分选系统
CN117274864A (zh) 基于异常识别的工业物联网及控制方法
CN113553762A (zh) 基于焊接曲线进行焊点分析的神经网络及建立方法
CN115865483A (zh) 一种基于机器学习的异常行为分析方法和装置
US20230274407A1 (en) Systems and methods for analyzing weld quality
CN116030310A (zh) 一种基于激光诱导击穿光谱技术的样品分类方法及系统
CN113469388B (zh) 轨道交通车辆维保系统及方法
CN117593298B (zh) 一种基于机器视觉的激光焊接质量检测系统
Santolini et al. Cut quality estimation in industrial laser cutting machines: A machine learning approach
CN112395766B (zh) 一种考虑故障传播影响的风电机组故障模式与影响分析方法
CN117593298A (zh) 一种基于机器视觉的激光焊接质量检测系统
CN113205479A (zh) 用于评估资产健康状况的系统和方法
CN115618976A (zh) 一种基于物联网的热泵故障检测系统及方法
CN115106615A (zh) 一种基于工况智能识别的焊偏实时检测方法及系统
CN113919396A (zh) 一种基于半监督学习的振动信号和图像特征机床刀具磨损状态监测方法
CN112508946A (zh) 一种基于对抗神经网络的电缆隧道异常检测方法
CN116611850B (zh) 发动机装配质量曲线的检测和追溯系统
CN117808324B (zh) 一种无人机视觉协同的建筑进度评估方法
CN117787480B (zh) 基于Res-LSTM的焊缝成形质量实时预测方法
CN116935308B (zh) 基于车辆情景ai智能识别的洗车机安全监控系统及方法

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
GR01 Patent grant