CN118396960A - 一种适用于管道内壁堆焊的质量在线检测方法、系统以及计算机设备 - Google Patents

Abstract

一种适用于管道内壁堆焊的质量在线检测方法，本发明涉及一种堆焊质量的检测方法，本发明针对管道内壁堆焊质量要求严格，但又缺陷敏感，为解决现有的堆焊质量检测通过目视检测存在工人劳动强度高、漏检率高、质量一致性不好的问题，本发明基于内壁堆焊过程的实时焊接区图像，将电极、焊丝和堆焊层三个对象作为关键检测点，采用图像处理技术和机器学习技术对这三个关键对象的质量相关指征进行检测和识别，再通过基于机器学习的融合决策实现堆焊过程质量问题的诊断。通过本发明，可以有效消除堆焊质量管控中人的因素影响，大幅提高堆焊质量一致性。本发明属于焊接技术领域。

Description

一种适用于管道内壁堆焊的质量在线检测方法、系统以及计 算机设备

技术领域

本发明涉及一种堆焊质量的检测方法，具体涉及一种适用于管道内壁堆焊的质量在线检测方法、系统以及计算机设备，本发明属于焊接技术领域。

背景技术

管道运输是目前石油和天然气运输的主要方式，由于输运介质大部分具有较强的腐蚀性，且管道使用环境往往存在气侯恶劣、人烟烯少、地质条件复杂等，为了提高管道的服役安全性，避免失效事故，提高使用寿命，往往需要在管道内壁堆焊一层耐腐蚀性的材料。这层耐腐蚀性材料直接与输运介质接触，其堆焊质量关系到管道的使用安全。

然而在堆焊过程中，由于堆焊材料和管道基体材料特性不同，容易出现未熔合、裂纹等缺陷；由于堆焊工艺往往追求较高的熔敷效率，容易出现咬边、成形不良等缺陷。在生产时一旦出现这些缺陷，需要立即发现并采取措施进行修复，一旦缺陷被下一层堆焊焊道掩埋，将会产生重大安全隐患。为了保证堆焊质量，目前在生产实际中的缺陷控制往往依赖于操作工人的目视检测，即在焊接过程中通过人眼观察是否产生缺陷，存在工人劳动强度高、漏检率高、质量一致性不好的问题。

随着焊接视觉成像技术的发展，人们已经可以在高亮、高热的电弧影响下捕获清晰的焊接区图像，这些图像中可以清晰地观察到当前焊接过程是否稳定、是否有焊接缺陷产生。

发明内容

本发明针对管道内壁堆焊质量要求严格，但又缺陷敏感，为解决现有的堆焊质量检测通过目视检测存在工人劳动强度高、漏检率高、质量一致性不好的问题，进而提出一种适用于管道内壁堆焊的质量在线检测方法、系统以及计算机设备。

本发明为解决上述问题采取的技术方案是：

本发明包括如下步骤：

通过相机实时获取内壁堆焊焊接区图像；

在焊接区图像中通过第一神经元网络在焊接区图像中识别出对象信息；

对识别到的对象信息进行检测；

将检测结果输入到第四神经元网络，由第四神经元网络进行决策，判断内壁堆焊过程出现了何种质量问题。

一种适用于管道内壁堆焊的质量在线检测系统包括：

图像获取模块，用于实时获取内壁堆焊焊接区图像；

对象识别模块，用于在焊接区图像中，通过第一神经元网络识别出电极、焊丝和堆焊层三个对象；

检测模块，用于对识别到的三个对象进行检测；

决策模块，用于将检测结果输入到第四神经元网络，由第四神经元网络进行决策，判断内壁堆焊过程出现了何种质量问题。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述所述的适用于管道内壁堆焊的质量在线检测方法。

本发明的有益效果是：

1、本发明通过管道内壁堆焊时电极、焊丝、堆焊层三个关键对象的状态进行检测，综合应用图像处理技术和机器学习技术，具有良好的泛化能力；

2、本发明可实现焊接缺陷的自动化检测，消除了堆焊质量管控中人的因素影响，并大幅提高质量的一致性；

3、本发明可解决内壁堆焊产品质量焊后难检测的痛点；

4、本发明可以适用于各种不同材料和工艺方法，可以在不同领域、不同行业的焊接生产中扩展应用；

5、本发明可为焊接领域其他质量问题的在线检测提供技术参考，为焊接质量控制提供新思路。

附图说明

图1是本发明的检测流程图；

图2是电极表面污染物识别典型结果；

图3是堆焊层表面缺陷特征识别典型结果；

图4是本发明的系统结构图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明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，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本发明实施例提供了一种适用于管道内壁堆焊的质量在线检测方法，如图1所示，该适用于管道内壁堆焊的质量在线检测方法包括如下步骤：

步骤一：在内壁堆焊焊枪的前进侧通过具有高动态范围的工业相机拍摄焊接区图像，在相机镜头上加装滤光片，调整相机焦距、快门模式、曝光时间、感光度等参数，并正确对焦，使电极、焊丝、堆焊层三个对象的显示均较为清晰；

步骤二：构建第一神经元网络1、第二神经元网络2、第三神经元网络3、第四神经元网络4，在实际焊接环境中进行样本采集试验，人工标记数据，建立训练数据集，使神经元网络具备一定的初始精度；

步骤三：将相机拍摄到的焊接区图像输入给第一神经元网络1，第一神经元网络1从图像中识别出电极、焊丝、堆焊层三个对象，并进行图像分割，得到只含有电极对象的子图像P1，只含有焊丝对象的子图像P2和只含有堆焊层对象的子图像P3，对P1、P2、P3根据其灰度分布特征进行阈值处理后降噪滤波，分别使电极、焊丝和堆焊层显示清晰；

步骤四：在P1中，对电极外轮廓进行边缘检测和轮廓拟合，将拟合的轮廓和理想电极轮廓进行比较，计算实际轮廓相对理想轮廓缺失的像素面积W，作为电极烧蚀面积的检测值；

步骤五：将P1输入给第二神经元网络2，由第二神经元网络2判断电极上是否存在污染物，典型的污染物识别结果见图2；

步骤六：在P2中，提取焊丝中心线，对中心线进行直线拟合，并计算拟合度，拟合度越高，说明焊丝为直丝，拟合度越低，说明焊丝为弯丝，可能存在过渡不良的问题；计算中心线重心的像素坐标，以及过重心的切线斜率，并保存至硬盘，将结果与前20秒保存的结果进行逐点比较，若平均相对偏差D大于10%，则判定焊丝位置在20秒内出现较大变化，存在焊丝振动，可能造成成形质量问题；

步骤七：在P3中，在堆焊层和管壁的交界面处设置感兴趣区域，旋转图像使焊趾平行于图片的横坐标方向，在此区域内进行边缘检测和轮廓拟合，得到焊趾轮廓线，计算轮廓线上所有极值点的纵坐标差值G，此值越大，说明轮廓线越不光滑，可能存在成形问题；

步骤八：将P3输入给第三神经元网络3，由第三神经元网络3通过目标识别判断堆焊层表面是否存在未熔合、裂纹、咬边等缺陷，典型未熔合缺陷的识别结果见图3；

步骤九：将步骤四至步骤八得到的W、D、G，以及神经元网络1、2、3的决策结果输入给第四神经元网络4，由第四神经元网络4判断内壁堆焊过程出现了何种质量问题，并根据质量问题的严重程度作出记录、报警、触发急停等动作，同时将各个神经元网络的输入和输出保存至硬盘待查；

步骤十：定期由熟悉设备运行与堆焊工艺的焊接操作者检查步骤九中保存的输入和输出，将神经元网络1-4的错误决策数据分别制作成负样本数据集，并基于这些数据集对神经元网络1-4进行迭代训练，不断提高决策精度。

本实施例基于内壁堆焊过程的实时焊接区图像，将电极、焊丝和堆焊层三个对象作为关键检测点，采用图像处理技术和机器学习技术对这三个关键对象的质量相关指征进行检测和识别，再通过基于机器学习的融合决策实现堆焊过程质量问题的诊断。通过使用本发明的检测方法，可以有效消除堆焊质量管控中人的因素影响，大幅提高堆焊质量一致性。

需要说明的是，本发明公开的实施例中提供了一种适用于管道内壁堆焊的质量在线检测系统，如图4所示，所述该检测系统包括：

图像获取模块，用于实时获取内壁堆焊焊接区图像；

对象识别模块，用于在焊接区图像中，通过第一神经元网络1识别出电极、焊丝和堆焊层三个对象；

检测模块，用于对识别到的三个对象进行检测，具体如下：

基于识别到的电极对象，检测其外轮廓，与电极理想轮廓进行比对，计算电极烧蚀面积；基于识别到的电极对象，通过第二神经元网络2识别电极表面是否存在污染物；基于识别到的焊丝对象，检测其中心线位置，进行记录，并与已经记录的数据进行比较，判断焊丝形状、位置是否发生显著变化，判断焊丝是否产生振动；基于识别到的堆焊层对象，检测其焊趾轮廓线，计算轮廓线的光滑度；基于识别到的堆焊层对象，通过第三神经元网络3识别堆焊层表面是否存在焊接缺陷特征；

决策模块，用于将电极烧蚀面积、电极污染情况、焊丝形状、位置和焊丝振动情况、焊趾轮廓线光滑度以及堆焊层表面缺陷特征输入第四神经元网络4，由第四神经元网络4进行决策，判断内壁堆焊过程出现了何种质量问题。

需要说明的是，本发明公开的实施例中提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述的适用于管道内壁堆焊的质量在线检测方法的如下步骤：

步骤一、通过相机实时获取内壁堆焊焊接区图像；

步骤二、在焊接区图像中通过第一神经元网络1识别出电极、焊丝和堆焊层三个对象；

步骤三、基于步骤二识别到的电极对象，检测其外轮廓，与电极理想轮廓进行比对，计算电极烧蚀面积；

步骤四、基于步骤二识别到的电极对象，通过第二神经元网络2识别电极表面是否存在污染物；

步骤五、基于步骤二识别到的焊丝对象，检测其中心线位置，进行记录，并与已经记录的数据进行比较，判断焊丝形状、位置是否发生显著变化，判断焊丝是否产生振动；

步骤六、基于步骤二识别到的堆焊层对象，检测其焊趾轮廓线，计算轮廓线的光滑度；

步骤七、基于步骤二识别到的堆焊层对象，通过第三神经元网络3识别堆焊层表面是否存在焊接缺陷特征；

步骤八、将步骤三中得到的电极烧蚀面积、步骤四中得到的电极污染情况、步骤五中得到的焊丝形状、位置和焊丝振动情况、步骤六中得到的焊趾轮廓线光滑度以及步骤七中得到的堆焊层表面缺陷特征输入第四神经元网络4，由第四神经元网络4进行决策，判断内壁堆焊过程出现了何种质量问题。

进一步地，为了保障初始精度，需在生产环境中将步骤一中获取到的焊接区图像大量储存，分别对电极、焊丝、堆焊层进行标记，建立数据集，用于第一神经元网络1的训练；对电极表面污染物进行标记，建立数据集，用于第二神经元网络2的训练；对堆焊层表面的各类缺陷特征进行标记，建立数据集，用于第三神经元网络3的训练。需由熟悉设备运行与堆焊工艺的焊接操作者根据步骤三中得到的电极烧蚀面积、步骤四得到的电极污染情况、步骤五得到的焊丝形状位置和焊丝振动情况、步骤六得到的焊趾轮廓线光滑度、步骤七得到的堆焊层表面缺陷特征进行人工决策，判断内壁堆焊过程出现了何种质量问题，建立数据集，用于第四神经元网络4的训练；

进一步的，在步骤二中，识别到电极、焊丝、堆焊层三个对象后进行图像分割，由于电弧堆焊过程中高强弧光对这三个对象的成像质量影响较大，且影响程度不同，需针对三个对象的灰度分布特征分别进行图像清晰化处理后再用于步骤三至步骤七的进一步检测。

进一步的，在步骤五中，对焊丝中心线进行直线拟合，通过拟合度判断焊丝为直丝还是弯丝；通过中心线重心和重心处的切线斜率来衡量焊丝的位置；通过不同时刻中心线重心位置和重心处切线斜率的偏差程度来衡量焊丝的振动情况。

进一步地，在步骤八中，当第四神经元网络4作出存在质量问题的决策时，保存此时步骤三中得到的电极烧蚀面积、步骤四得到的电极污染情况、步骤五得到的焊丝形状位置和焊丝振动情况、步骤六得到的焊趾轮廓线光滑度、步骤七得到的堆焊层表面缺陷特征与对应的决策结果，并根据质量问题的严重程度作出记录、报警、触发急停等动作。同时，定期由熟悉设备运行与堆焊工艺的焊接操作者检查决策结果是否正确，如果决策错误，将此时的电极烧蚀面积、电极污染情况、焊丝形状、位置和焊丝振动情况、焊趾轮廓线光滑度以及堆焊层表面缺陷特征等输入数据，以及产生的决策存储为新的数据集，并标记为负样本输入至第四神经元网络4，第四神经元网络4根据已有的正样本和输入的负样本重新调整网络内部参数和权值，从而实现决策精度的提高。

以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

Claims (8)

1.一种适用于管道内壁堆焊的质量在线检测方法，其特征在于，所述该检测方法包括如下步骤：

通过相机实时获取内壁堆焊焊接区图像；

通过第一神经元网络在焊接区图像中识别出对象信息；

对识别到的对象信息进行检测；

将检测结果输入到第四神经元网络，由第四神经元网络进行决策，判断内壁堆焊过程出现了何种质量问题。

2.根据权利要求1所述的一种适用于管道内壁堆焊的质量在线检测方法，其特征在于，在焊接区图像中通过第一神经元网络识别出电极、焊丝和堆焊层三个对象，

基于识别到的电极对象，检测其外轮廓，与电极理想轮廓进行比对，计算电极烧蚀面积；

基于识别到的电极对象，通过第二神经元网络识别电极表面是否存在污染物；

基于识别到的焊丝对象，检测其中心线位置，进行记录，并与已经记录的数据进行比较，判断焊丝形状、位置是否发生显著变化，判断焊丝是否产生振动；

基于识别到的堆焊层对象，检测其焊趾轮廓线，计算轮廓线的光滑度；

基于识别到的堆焊层对象，通过第三神经元网络识别堆焊层表面是否存在焊接缺陷特征。

3.根据权利要求2所述的一种适用于管道内壁堆焊的质量在线检测方法，其特征在于，

在生产环境中，将焊接区图像大量储存，分别对电极、焊丝、堆焊层进行标记，建立数据集，用于第一神经元网络的训练；

对电极表面污染物进行标记，建立数据集，用于第二神经元网络的训练；

对堆焊层表面的各类缺陷特征进行标记，建立数据集，用于第三神经元网络的训练；

由熟悉设备运行与堆焊工艺的焊接操作者根据电极烧蚀面积、电极污染情况、焊丝形状、位置和焊丝振动情况、焊趾轮廓线光滑度以及堆焊层表面缺陷特征进行人工决策，判断内壁堆焊过程出现了何种质量问题，建立数据集，用于第四神经元网络的训练。

4.根据权利要求2所述的一种适用于管道内壁堆焊的质量在线检测方法，其特征在于，识别到电极、焊丝、堆焊层三个对象后进行图像分割，针对三个对象的灰度分布特征分别进行阈值处理、滤波降噪、开闭运算等图像清晰化处理后再用于对电极烧蚀面积、电极污染情况、焊丝形状、位置和焊丝振动情况、焊趾轮廓线光滑度以及堆焊层表面缺陷特征做进一步检测。

5.根据权利要求2所述的一种适用于管道内壁堆焊的质量在线检测方法，其特征在于，

对焊丝中心线进行直线拟合，通过拟合度判断焊丝为直丝还是弯丝；通过中心线重心和重心处的切线斜率来衡量焊丝的位置；通过不同时刻中心线重心位置和重心处切线斜率的偏差程度来衡量焊丝的振动情况。

6.根据权利要求1所述的一种适用于管道内壁堆焊的质量在线检测方法，其特征在于，当第四神经元网络作出存在质量问题的决策时，保存此时电极烧蚀面积、电极污染情况、焊丝形状、位置和焊丝振动情况、焊趾轮廓线光滑度以及堆焊层表面缺陷特征与对应的决策结果，并根据质量问题的严重程度作出记录、报警、触发急停动作。

7.一种适用于管道内壁堆焊的质量在线检测系统，其特征在于，所述该检测系统包括：

图像获取模块，用于实时获取内壁堆焊焊接区图像；

对象识别模块，用于在焊接区图像中，通过第一神经元网络识别出电极、焊丝和堆焊层三个对象；

检测模块，用于对识别到的三个对象进行检测；

决策模块，用于将检测结果输入到第四神经元网络，由第四神经元网络进行决策，判断内壁堆焊过程出现了何种质量问题。

8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-6任意一项权利要求所述的适用于管道内壁堆焊的质量在线检测方法。