[發明專利]一種基于高頻時序數據的焊接缺陷實時檢測方法及系統

有效

• 申請號: 202111455516.1
• 申請日: 2021-12-02
• 公開（公告）號: CN113870260B
• 公開（公告）日: 2022-04-12
• 發明（設計）人: 田慧云;錢鵬;李波
• 申請（專利權）人: 蘇芯物聯技術(南京)有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08
• 代理公司: 南京蘇創專利代理事務所(普通合伙) 32273
• 代理人: 張學彪

本發明公開了一種基于高頻時序數據的焊接缺陷實時檢測方法及系統，該檢測方法包括：首先將采集到的高頻焊接時序數據，按照設定窗長進行采樣，并為每個樣本標注缺陷發生時間段和缺陷類型，生成數據樣本集；而后利用生成的數據樣本集訓練ResNet與TCN融合網絡模型，得到訓練好的檢測模型；最后獲取新的實時高頻焊接數據，按照設定窗長輸入到訓練好的檢測模型中進行預測，實時輸出焊接缺陷類別。本發明通過將ResNet網絡與TCN進行網絡結構融合，可以將ResNet應用到時序檢測領域，針對數據量較大、序列長度較長的高頻焊接時序數據，通過并行卷積計算的方式，在訓練過程中，加快訓練速度，在預測過程中，做到強實時預測。

技術領域

本發明涉及一種基于高頻時序數據的焊接缺陷實時檢測方法及系統，屬于自動化焊接技術領域。

背景技術

智能化焊接是智能制造領域中最重要的研究課題之一，而傳感技術及其信息處理則是實現焊接過程智能化及自動化的關鍵要素。近年來，具有小型化、無接觸式及大傳輸量等特點的傳感技術更多地被應用到焊接過程及質量實時控制中，如電弧傳感、視覺傳感、聲音傳感、光譜傳感等。這些傳感利用不同信息源獲取了與焊接質量有關的大規模信息，如何挖掘有效信息并將其及時反饋與利用在焊接質量的實時檢測中是亟需解決的關鍵問題。

目前基于深度學習進行焊接缺陷檢測的方法，基本都是通過機器視覺的方式，采集焊縫缺陷的圖片，利用Faster-RCNN、YOLOv3等目標檢測方法，進行缺陷異常檢測。基于機器視覺的方式，一方面成本較高，需要安裝專業的高清晰度攝像頭，另一方面，具有很多不可控因素，例如光線強弱、板材雜質、攝像頭的拍攝角度等，且需要訓練較大的網絡。而針對時序數據的建模，最常用的模型是LSTM和GRU等循環神經網絡，但循環神經網絡不可并行計算，訓練速度較慢，尤其是高頻的焊接時序數據，具有序列長度較長、數據量較大的特點，能夠并行計算尤為重要。

基于此，本專利提出了一種將ResNet（殘差神經網絡）與TCN（時序卷積網絡）進行融合的網絡模型，針對新的實時高頻焊接時序數據，僅通過并行的矩陣運算即可實時給出預測結果，相較于其他機器學習提取特征的方式，能做到實時性更強的檢測，既保證了訓練精度，又可以提高訓練速度。

發明內容

發明目的：針對現有技術所存在的問題，本發明提供一種基于高頻時序數據的焊接缺陷實時檢測方法及系統，通過構建ResNet與TCN融合的網絡模型，對采集的高頻焊接時序數據進行并行計算，快速準確的對焊接過程中的缺陷進行實時判斷。

技術方案：為實現上述目的，本發明提供一種基于高頻時序數據的焊接缺陷實時檢測方法，包括以下步驟：

步驟1：將采集到的高頻焊接時序數據，按照設定窗長進行采樣，并按照已知的缺陷發生時間段和缺陷類型，為每個樣本打標注，生成數據樣本集；

步驟2：利用生成的數據樣本集訓練所構建的ResNet與TCN融合網絡模型，得到訓練好的檢測模型；

步驟3：獲取新的實時高頻焊接數據，按照設定窗長進行滑窗，將每個窗長的數據輸入到訓練好的檢測模型中進行預測，實時輸出焊接缺陷類別。

進一步的，所述步驟1具體包括：

步驟1.1：將采集到的高頻焊接時序數據，設定窗長window_size，每個窗長的序列作為一個樣本，并將每個樣本保存為NumPy文件，命名為data_i.npy；

步驟1.2：按照已知的缺陷發生時間段和缺陷類型，為每個樣本打標注，并將每個標注保存為NumPy文件，命名為label_j.npy，其中i和j一一對應；

步驟1.3：將生成的所有樣本隨機亂序，并按比例截取訓練集和驗證集，剩下的即為測試集。

進一步的，所述高頻焊接時序數據包括但不限于電流、電壓、送絲速度、氣流速度，其頻率不低于10KHz。