CN117817111A - 激光焊接智能识别匹配工艺参数的方法及系统 - Google Patents
激光焊接智能识别匹配工艺参数的方法及系统 Download PDFInfo
- Publication number
- CN117817111A CN117817111A CN202311724129.2A CN202311724129A CN117817111A CN 117817111 A CN117817111 A CN 117817111A CN 202311724129 A CN202311724129 A CN 202311724129A CN 117817111 A CN117817111 A CN 117817111A
- Authority
- CN
- China
- Prior art keywords
- workpiece
- welding
- laser
- detected
- parameters
- 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 123
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000008569 process Effects 0.000 title claims abstract description 26
- 239000000463 material Substances 0.000 claims abstract description 75
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 210000001503 joint Anatomy 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 229910000975 Carbon steel Inorganic materials 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000010962 carbon steel Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
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
- B23K26/00—Working by laser beam, e.g. welding, cutting or boring
- B23K26/20—Bonding
- B23K26/21—Bonding by welding
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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)
- Theoretical Computer Science (AREA)
- Optics & Photonics (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Plasma & Fusion (AREA)
- Mechanical Engineering (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种激光焊接智能识别匹配工艺参数的方法及系统，包括：获取待测工件的RGB图像数据，利用基于深度神经网络的材质预测模型，对待测工件的材质进行识别；利用不同焊缝对激光的反射特性识别出焊缝类型；通过激光测距获取待测工件的厚度；基于得到的待测工件的厚度、材质和焊缝类型数据，与预设的数据库进行对比，自动匹配待测工件的焊接参数。本发明无需人工手动输入焊接参数，极大提高了焊接效率。
Description
技术领域
本发明涉及激光焊接技术领域，尤其涉及一种激光焊接智能识别匹配工艺参数的方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
目前激光焊接场合中，无论是手持激光焊还是机器人用激光焊，都无法精准的识别工件材质，无法自动测量工件厚度以及无法识别焊缝形式，都需要人为事先输入相应的参数才可完成相应的焊接工作，这在一定程度上限制了自动激光焊接系统的应用范畴，无法进一步提升激光焊接的自动化程度。比如：手持激光焊接需要人工识别焊缝类型，测量焊接板厚等确定焊接工艺参数，生产效率低且容易产生误操作。
尤其是在工件的材质、厚度以及焊缝形式多样的应用场合中，激光自动焊需要不断变化并输入焊接参数，这极大影响了焊接效率。
发明内容
为了解决上述问题，本发明提出了一种激光焊接智能识别匹配工艺参数的方法及系统，智能识别工件的厚度、材质以及焊缝形式，进而分配给系统预设的焊接参数，为激光焊接提供了可靠的数据支撑。
在一些实施方式中，采用如下技术方案：
一种激光焊接智能识别匹配工艺参数的方法，包括：
获取待测工件的RGB图像数据，利用基于深度神经网络的材质预测模型，对待测工件的材质进行识别；
利用不同焊缝对激光的反射特性识别出焊缝类型；
通过激光测距获取待测工件的厚度；
基于得到的待测工件的厚度、材质和焊缝类型数据，与预设的数据库进行对比，自动匹配待测工件的焊接参数。
其中，对待测工件的材质进行识别，具体过程如下：
获取不同材质类型工件的RGB图像数据并进行归一化，提取每一张图像的纹理特征，构建模型训练数据集，所述数据集中包含带有纹理特征的工件图像，并标注工件材质类型；
使用所述模型训练数据集对材质预测模型进行训练；
获取待测工件的激光图像数据，提取图像纹理特征，并输入至训练好的材质预测模型，得到待测工件的材质类型。
进一步地，获取待测工件的激光轮廓线形状特征，利用SVM方法对激光轮廓线形状特征进行分类，得到焊缝类型。
预设的数据库中存储有不同工件材质、焊缝类型以及工件厚度参数所对应的激光焊接参数；
基于获取到的待测工件的材质、焊缝类型和工件厚度，在预设的数据库中自动匹配对应的激光焊接参数。
进一步地，还包括：设置代表不同工作状态的状态指示灯，每一个工作状态对应一种指示灯形式；所述工作状态包括：预设的数据库中没有存储相匹配的焊接参数，正在扫描识别待测工件的材质、焊缝类型和/或厚度，预设的数据库中存储有相匹配的焊接参数，已经匹配出焊接参数具备焊接条件，以及设备正在焊接中。
在另一些实施方式中，采用如下技术方案：
一种激光焊接智能识别匹配工艺参数的系统，包括：
材质识别模块，用于获取待测工件的RGB图像数据，利用基于深度神经网络的材质预测模型，对待测工件的材质进行识别；
焊缝类型识别模块，用于利用不同焊缝对激光的反射特性识别出焊缝类型；
厚度识别模块，用于通过激光测距获取待测工件的厚度；
焊接参数匹配模块，用于基于得到的待测工件的厚度、材质和焊缝类型数据，与预设的数据库进行对比，自动匹配待测工件的焊接参数。
在另一些实施方式中，采用如下技术方案：
一种激光焊接智能识别匹配工艺参数的系统，包括：激光枪头、激光测距仪、送丝机构和焊接参数匹配单元；激光枪头与送丝机构通过铰接方式连接；激光测距仪与激光枪头连接，激光测距仪用于测量工件厚度；
所述焊接参数匹配单元利用上述的激光焊接智能识别匹配工艺参数的方法，自动匹配待测工件的焊接参数。
与现有技术相比，本发明的有益效果是：
(1)本发明构建不同工件材质、焊缝类型和工件厚度三各参数与激光焊接参数的对应关系数据库；在进行激光焊接时，自动识别工件的材质、焊缝类型和工件厚度，在数据库中自动匹配焊接参数；无需人工手动输入焊接参数，极大提高了焊接效率。
(2)本发明在对工件材质进行识别时，首先提取工件的纹理特征，然后通过神经网络模型对纹理特征进行分类识别，得到准确的工件材质分类结果，纹理特征的提取和识别可以改善图像处理和分析的效果，通过有效地提取纹理特征，可以提高工件材质分类结果的准确性。
(3)本发明通过设置状态指示灯来指示不同的工作状态，可以对系统的不同工作状态进行直观的展示，方便操作者的准确操作。
本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。
附图说明
图1为本发明实施例中激光焊接智能识别匹配工艺参数的方法流程图；
图2为本发明实施例中灰度共生矩阵的滑动窗口移动方向示意图；
图3为本发明实施例中不同焊缝类型的线激光图像特征示意图；
图4为本发明实施例中系统结构示意图；
其中，1.激光枪头、2.激光测距仪，3.送丝机构，4.状态指示灯。
具体实施方式
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，本发明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。
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。
实施例一
在一个或多个实施方式中，公开了一种激光焊接智能识别匹配工艺参数的方法，结合图1，具体包括如下过程：
(1)获取待测工件的RGB图像数据，提取图像的纹理特征，利用基于深度神经网络的材质预测模型，对待测工件的材质进行识别。
图像的纹理特征提供了比颜色、形状等其他特征更多的图像细节，因此可以更全面地描述对象特征。图像的纹理特征通常在不同对象或场景之间具有很高的区分度，因此它们有助于改善图像分类和识别的准确性。通过分析纹理，可以更容易地区分不同的材质、纹理或物体。图像的纹理特征对于光照、视角和噪声的变化具有较强的鲁棒性。在不同环境条件下仍能够提供可靠的特征。因此，本实施例选取图像的纹理特征作为输入，对待测工件的材质进行识别。
具体地，本实施例中，通过相机获取待测工件的RGB图像数据后，需要进行如下的预处理操作：
①对图像进行滤波、增强等操作增强图像的纹理特征，可提高模型的分类性能并减少噪声的影响。
②不同类型的工件形状特征不同，为了排除形状特征的干扰，可以对原始数据进行剪裁，归一化为相同的形状和尺寸，得到工件图像的部分区域(ROI)。
本实施例的材质预测模型选用深度神经网络模型，比如：CNN模型。
材质预测模型的输入为图像的纹理特征，输出为工件材质的分类结果，工件材质可以是铜、铝、不锈钢、碳钢或玻璃等。
对于材质预测模型的训练过程具体如下：
获取尽可能多的不同材质类型工件的RGB图像数据，对原始数据进行数据增强，通过旋转、翻转、缩放、剪裁等操作生成更多的训练样本，有助于提高模型的泛化性能。并通过色彩空间转换、去噪滤波、直方图均衡化等操作，改善光照、对比度等外部干扰。
同时对原始数据进行剪裁，归一化为相同的形状和尺寸的图像，提取每一张图像的纹理特征，构建模型训练数据集，数据集中包含带有纹理特征的工件图像，并标注工件材质类型；使用模型训练数据集对材质预测模型进行训练。
其中，对于图像纹理特征的提取，具体过程如下：
通过图像中每个像素与它周围设定距离内像素的灰度差值来计算灰度共生矩阵；
设f(x,y)是图像在像素点(x,y)的灰度，S表示目标区域中具有特定空间联系的像素对集合，则灰度共生矩阵P中的元素为：
其中，S表示滑动窗口内所有的像素，Δ表示集合元素个数。(x1,y1)，(x2,y2)表示具有特定空间关系的两个点g1和g2的灰度值。在空间分布关系中，像素点间的相关性取决于两点间的距离与方向，从不同距离和方向出发可以计算得到多个灰度共生矩阵。
实际应用时常选定距离相同，角度为0°、45°、90°和135°的灰度共生矩阵，图2给出了灰度共生矩阵的滑动窗口移动方向示意图。
由于灰度共生矩阵在计算图像灰度的幅度、方向和间隔信息过程中会产生较大的数据量，本实施例计算灰度共生矩阵的能量、相关性、对比度、逆差矩和熵指标，作为工件图像的纹理特征。
将灰度共生矩阵各元素归一化为P(i,j)，各指标的计算方法如下：
(1)能量：
(2)相关性：
(3)对比度：
(4)逆差矩：
(5)熵：
其中，i、j表示像素位置的横纵坐标、表示像素点横向、纵向的灰度均值、σx、σy表示像素点横向、纵向的灰度方差。
本实施例中，每一张图像经过纹理特征提取，都会得到一个纹理特征矩阵D′；本实施例的纹理特征矩阵D′由4个灰度共生矩阵(角度为0°、45°、90°和135°的灰度共生矩阵)计算得到的能量、相关性、对比度、逆差矩和熵指标进行拼接得到。
然后使用GBDT算法从特征矩阵中选择与工件材质分类更相关的特征子集。这样可以减少计算成本。
GBDT由多个弱分类器训练，并通过拟合残差训练弱分类器，其主要思想是每一次建立模型是在之前模型损失函数的梯度下降方向。
作为一种实施方式，本实施例中的深度神经网络的材质预测模型可以采用集成学习分类器实现；集成学习分类器通过组合多个不同的基模型来提高模型的预测性能。本实施例的集成学习分类器包含两层网络：第一层包含多个基学习器，第二层为输出层，称为元学习器。首先训练多个基模型，使用不同的特征、算法、超参数等来训练多个不同的基模型。这些基模型可以是同类型的，也可以是不同类型的；比如：可以选取SVM、RF、KNN和XGBoost分类器等。将多个基模型的预测结果作为新的特征，然后再使用这些新的特征来训练一个元模型；元模型可以是任意的机器学习算法，比如逻辑回归、决策树、支持向量机等。最终得到泛化能力较强的强学习器。该分类模型能够充分提取并拟合图像纹理特征，实现工件材质的准确的分类。
(2)利用不同焊缝对激光的反射特性识别出焊缝类型；
具体地，当线激光打在焊缝上时，线激光的激光轮廓线形状特征能够清晰的描述焊缝的结构特征，进而判断出焊缝类型。
激光轮廓线形状特征可以直观的表征焊缝结构特征，进而表征焊缝类型。视觉系统完成激光轮廓线形状特征的采集，利用SVM(支持向量机)方法对激光分布特征进行分类，最终实现焊缝类型的判断；焊缝类型包括：搭接、对接、角接和V型坡口等，不同焊缝类型的结构特征如图3所示。
(3)通过激光测距获取待测工件的厚度；本实施例中，通过激光测距仪获取待测工件的厚度；具体地，垂直状态下，激光测距仪通过两次测距差来计算工件厚度；首次检测测距仪起点到工件上表面的距离，其次测出测距仪起点到工件下表面的距离(工件下表面贴在在工装上，即与工装上表面相平)，最后通过高度差测得工件厚度。
(4)基于得到的待测工件的厚度、材质和焊缝类型数据，与预设的数据库进行对比，自动匹配待测工件的焊接参数。
具体地，本实施例预先构建数据库，预设的数据库中存储有不同工件材质、焊缝类型以及工件厚度参数所对应的激光焊接参数；基于获取到的待测工件的材质、焊缝类型和工件厚度，可以在预设的数据库中自动匹配对应的激光焊接参数，在工件的材质、厚度以及焊缝形式多样的应用场合中，无需手动设置和输入参数，提高了激光焊接的效率。
如果在预设的数据库中没有匹配到对应的焊接参数，则进行报错；当对已经识别的工件类型再次检测时，可以从数据库中快速匹配焊接参数，无需再次执行相同操作，可直接施焊。
作为一种具体的实施方式，也可以使用机器学习方法，若样本量足够大，也可以使用ResNet、DenseNet、SENet等CNN模型，构建数据库并训练，通过网络的卷积层自动提取特征，全连接层实现工艺参数的自动分类。
本实施例中，设置了代表不同工作状态的状态指示灯，每一个工作状态对应一种指示灯形式；工作状态包括：预设的数据库中没有存储相匹配的焊接参数，正在扫描识别待测工件的材质、焊缝类型和/或厚度，预设的数据库中存储有相匹配的焊接参数，已经匹配出焊接参数具备焊接条件，以及设备正在焊接中。
作为具体的实施方式，设置三种颜色的状态指示灯，分别为红色、黄色和绿色，分别代表着不同的工作状态。具体为：
红色灯常亮：表明待测工件为新工件，数据库中无匹配数据，需要扫描数据，识别工件材质、焊缝类型和厚度，并设置焊接参数，作为新增配置存入数据库；
红色灯闪烁：表明工件识别中，此时不应移动激光枪头；
红色灯熄灭：表明已有数据类型并匹配成功或未开启工作状态。
黄色灯常亮：表明是已有工件类型，需要检测工件厚度；
黄色灯闪烁：表明工件厚度识别中；
黄色灯熄灭：表明已识别出数据类型或未检测到数据类型或未开启工作状态。
绿色灯常亮：表明数据库已匹配工件参数，具备焊接条件；
绿色灯闪烁：表明设备正在焊接中；
绿色灯熄灭：表明数据类型未匹配成功或未开启工作状态。
根据状态指示灯可以更加直观的判断当前的工作状态。
实施例二
在一个或多个实施方式中，公开了一种激光焊接智能识别匹配工艺参数的系统，具体包括：
材质识别模块，用于获取待测工件的RGB图像数据，利用基于深度神经网络的材质预测模型，对待测工件的材质进行识别；
焊缝类型识别模块，用于利用不同焊缝对激光的反射特性识别出焊缝类型；
厚度识别模块，用于通过激光测距获取待测工件的厚度；
焊接参数匹配模块，用于基于得到的待测工件的厚度、材质和焊缝类型数据，与预设的数据库进行对比，自动匹配待测工件的焊接参数。
上述各模块的具体实现方式与实施例一中相同，不再详述。
实施例三
在一个或多个实施方式中，公开了一种激光焊接智能识别匹配工艺参数的系统，结合图4，具体包括：激光枪头1、激光测距仪2、送丝机构3和焊接参数匹配单元；激光枪头与送丝机构通过铰接方式连接；激光测距仪与激光枪头连接，用于测量工件的厚度(具体测量方法已在实施例一中说明)；激光枪头上还设有图像采集装置(比如相机)。激光枪头上还设置了代表不同工作状态的状态指示灯4，每一个工作状态对应一种指示灯形式，具体与实施例一中相同。
焊接参数匹配单元能够利用实施例一中的激光焊接智能识别匹配工艺参数的方法，自动匹配待测工件的焊接参数。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种激光焊接智能识别匹配工艺参数的方法，其特征在于，包括：
获取待测工件的RGB图像数据，利用基于深度神经网络的材质预测模型，对待测工件的材质进行识别；
利用不同焊缝对激光的反射特性识别出焊缝类型；
通过激光测距获取待测工件的厚度；
基于得到的待测工件的厚度、材质和焊缝类型数据，与预设的数据库进行对比，自动匹配待测工件的焊接参数。
2.如权利要求1所述的一种激光焊接智能识别匹配工艺参数的方法，其特征在于，所述对待测工件的材质进行识别，具体过程如下：
获取不同材质类型工件的RGB图像数据并进行归一化，提取每一张图像的纹理特征，构建模型训练数据集，所述数据集中包含带有纹理特征的工件图像，并标注工件材质类型；
使用所述模型训练数据集对材质预测模型进行训练；
获取待测工件的激光图像数据，提取图像纹理特征，并输入至训练好的材质预测模型，得到待测工件的材质类型。
3.如权利要求2所述的一种激光焊接智能识别匹配工艺参数的方法，其特征在于，提取每一张图像的纹理特征，具体过程为：
通过图像中每个像素与它周围设定距离内像素的灰度差值来计算灰度共生矩阵；
将灰度共生矩阵各元素进行归一化，计算灰度共生矩阵的能量、相关性、对比度、逆差矩和熵，作为工件图像的纹理特征。
4.如权利要求2所述的一种激光焊接智能识别匹配工艺参数的方法，其特征在于，每一张图像经过纹理特征提取，都会得到一个特征矩阵；然后使用GBDT算法从特征矩阵中选择与工件材质分类更相关的特征子集。
5.如权利要求1所述的一种激光焊接智能识别匹配工艺参数的方法，其特征在于，利用不同焊缝对激光的反射特性识别出焊缝类型，具体为：
获取待测工件的激光轮廓线形状特征，利用SVM方法对激光轮廓线形状特征进行分类，得到焊缝类型。
6.如权利要求1所述的一种激光焊接智能识别匹配工艺参数的方法，其特征在于，所述预设的数据库中存储有不同工件材质、焊缝类型以及工件厚度参数所对应的激光焊接参数；
基于获取到的待测工件的材质、焊缝类型和工件厚度，在预设的数据库中自动匹配对应的激光焊接参数。
7.如权利要求1所述的一种激光焊接智能识别匹配工艺参数的方法，其特征在于，还包括：设置代表不同工作状态的状态指示灯，每一个工作状态对应一种指示灯形式；所述工作状态包括：预设的数据库中没有存储相匹配的焊接参数，正在扫描识别待测工件的材质、焊缝类型和/或厚度，预设的数据库中存储有相匹配的焊接参数，已经匹配出焊接参数具备焊接条件，以及设备正在焊接中。
8.一种激光焊接智能识别匹配工艺参数的系统，其特征在于，包括：
材质识别模块，用于获取待测工件的RGB图像数据，利用基于深度神经网络的材质预测模型，对待测工件的材质进行识别；
焊缝类型识别模块，用于利用不同焊缝对激光的反射特性识别出焊缝类型；
厚度识别模块，用于通过激光测距获取待测工件的厚度；
焊接参数匹配模块，用于基于得到的待测工件的厚度、材质和焊缝类型数据，与预设的数据库进行对比，自动匹配待测工件的焊接参数。
9.一种激光焊接智能识别匹配工艺参数的系统，其特征在于，包括：激光枪头、激光测距仪、送丝机构和焊接参数匹配单元；激光枪头与送丝机构通过铰接方式连接；激光测距仪与激光枪头连接，用于测量激光枪头与待测工件之间的距离；
所述焊接参数匹配单元利用权利要求1-7任一项所述的激光焊接智能识别匹配工艺参数的方法，自动匹配待测工件的焊接参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311724129.2A CN117817111A (zh) | 2023-12-13 | 2023-12-13 | 激光焊接智能识别匹配工艺参数的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311724129.2A CN117817111A (zh) | 2023-12-13 | 2023-12-13 | 激光焊接智能识别匹配工艺参数的方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117817111A true CN117817111A (zh) | 2024-04-05 |
Family
ID=90523663
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311724129.2A Pending CN117817111A (zh) | 2023-12-13 | 2023-12-13 | 激光焊接智能识别匹配工艺参数的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117817111A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118023791A (zh) * | 2024-04-11 | 2024-05-14 | 常州市闳晖科技发展股份有限公司 | 一种精密壳体的焊接方法及系统 |
| CN118453109A (zh) * | 2024-07-11 | 2024-08-09 | 中国科学院自动化研究所 | 基于激光对颅骨进行加工的方法和装置 |
-
2023
- 2023-12-13 CN CN202311724129.2A patent/CN117817111A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118023791A (zh) * | 2024-04-11 | 2024-05-14 | 常州市闳晖科技发展股份有限公司 | 一种精密壳体的焊接方法及系统 |
| CN118023791B (zh) * | 2024-04-11 | 2024-06-18 | 常州市闳晖科技发展股份有限公司 | 一种精密壳体的焊接方法及系统 |
| CN118453109A (zh) * | 2024-07-11 | 2024-08-09 | 中国科学院自动化研究所 | 基于激光对颅骨进行加工的方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108355981B (zh) | 一种基于机器视觉的电池连接器质量检测方法 | |
| CN111062915B (zh) | 一种基于改进YOLOv3模型的实时钢管缺陷检测方法 | |
| CN109115812A (zh) | 一种焊缝底片缺陷识别方法及系统 | |
| CN109977808A (zh) | 一种晶圆表面缺陷模式检测与分析方法 | |
| CN110910350B (zh) | 一种用于风电塔筒的螺母松动检测方法 | |
| CN111929314A (zh) | 一种轮毂焊缝视觉检测方法及检测系统 | |
| CN110245663A (zh) | 一种用于钢卷信息识别的方法 | |
| CN117817111A (zh) | 激光焊接智能识别匹配工艺参数的方法及系统 | |
| CN110689524B (zh) | 一种无参考在线图像清晰度评价方法与系统 | |
| CN111612737A (zh) | 一种人造板表面瑕疵检测装置及检测方法 | |
| CN113393426B (zh) | 一种轧钢板表面缺陷检测方法 | |
| CN112614105B (zh) | 一种基于深度网络的3d点云焊点缺陷检测方法 | |
| CN116740044B (zh) | 基于视觉检测与控制的铜管铣面加工方法及系统 | |
| CN118037091A (zh) | 一种基于计算机视觉技术的智能化报工质检方法及系统 | |
| CN118032789B (zh) | 基于机器视觉的手表外壳表面检测系统及方法 | |
| CN115656182A (zh) | 基于张量投票主成分分析的板材点云缺陷检测方法 | |
| CN114494103A (zh) | 缺陷检测方法及检测装置 | |
| TW201601119A (zh) | 物件辨識與定位方法 | |
| CN117542301A (zh) | 一种显示屏的检测方法及系统 | |
| CN116843615B (zh) | 一种基于柔性光路的引线框架智能全检方法 | |
| CN116740449A (zh) | 基于ai计算机视觉技术的刨花形态检测方法及系统 | |
| KR20190119801A (ko) | 차량 헤드라이트 얼라인먼트 보정 및 분류 방법 및 이를 이용한 차량 헤드라이트 불량검사 방법 | |
| CN212646436U (zh) | 一种人造板表面瑕疵检测装置 | |
| CN110147818B (zh) | 一种基于稀疏表示的激光焊接成型缺陷预测分类的方法 | |
| CN113591923A (zh) | 基于图像特征提取与模板匹配的发动机摇臂零件分类方法 |
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 |