一种元件电弧焊焊接质量检测方法技术

本发明专利技术提供一种元件电弧焊焊接质量检测方法，首先采集一定数量的同一元件电弧焊的多种不同类型的焊接头图片，建立样本库。将样本库中的一部分作为训练集，另一部分作为测试集；基于空间相关法的模板匹配算法提取训练集以及测试集中各样本中的目标焊接头区域图片；定义焊接头质量类型，对训练集中的所有图片的焊接头质量类型进行人工标注，基于tensorflow框架搭建卷积神经网络，将训练集中各类别的所有目标焊接头区域图片输入卷积神经网络中，训练机器学习分类器；最后对S测试集中各样本图像中的目标焊接头区域图片分别用训练好的机器学习分类器进行分类，分类结果就是其对应的焊接头质量类型。本发明专利技术能够快速的发现图片中元件电弧焊焊接的质量问题。

A Method for Measuring Welding Quality of Component Arc Welding

The invention provides a component arc welding quality detection method. Firstly, a certain number of different types of welding joint pictures of the same component arc welding are collected, and a sample library is established. Taking one part of the sample database as training set and the other part as testing set, extracting training set and target weld joint area pictures in each sample based on template matching algorithm of spatial correlation method, defining weld joint quality types, labeling weld joint quality types of all pictures in training set manually, and building convolutional neural network based on tensorflow framework, In the training set, all kinds of target welding joint area pictures are input into the convolutional neural network to train the machine learning classifier. Finally, the target welding joint area pictures in the S test set are classified by the trained machine learning classifier, and the classification result is the corresponding welding joint quality type. The invention can quickly find the quality problems of arc welding of components in pictures.

【技术实现步骤摘要】
一种元件电弧焊焊接质量检测方法
本专利技术涉及焊接质量检测
，尤其涉及一种元件电弧焊焊接质量检测方法。
技术介绍
元件的焊接质量检测是指对焊接成果的检测，目的是保证焊接结构的完整性、可靠性、安全性和使用性。传统的人工检测需要根据焊接结构说明书，技术标准，工艺文件，施工图样等进行检测，对于外观质量的检测主要有尺寸检验、几何形状检测、外表伤痕检测几个方面入手，可以采取射线探伤、超声波探伤、着色检验等方法进行辅助检测。但是传统的人工检测分类存在很多不足，只依靠人眼和一些检验规则进行检测分类难免会出现不少错误并且消耗大量的时间和劳动力在重复性工作上。进行例如射线探伤等辅助检测方法又可能会有较高的成本，所以高效且智能化的元件焊接质量检测分类方法成了当前实际生产中的重要需求。
技术实现思路
针对现有技术存在的缺陷，本专利技术提供一种元件电弧焊焊接质量检测方法。为实现上述技术目的，本专利技术的技术方案是：一种元件电弧焊焊接质量检测方法，包括以下步骤：S1利用相机拍摄，采集一定数量的同一元件电弧焊的多种不同类型的焊接头图片，建立样本库。将样本库中的样本分为两部分，其中一部分作为训练集，训练集用于训练机器学习分类器。另一部分作为测试集，测试集用于识别其所对应的焊接质量类型。如将样本库中70％的样本作为训练集，30％的样本作为测试集。S2基于空间相关法的模板匹配算法提取训练集以及测试集中各样本(焊接头图片)中的目标焊接头区域图片。S2.1在样本库中的所有焊接头图片中寻找所有焊接头图片均具有的共同特征，截取其中一个焊接头图片中的共同特征部分的图像作为模板匹配时的模板，即作为焊接头的模板子图像w(x,y)。这样可以用于批量图片的模板匹配。S2.2基于空间相关性的图像模板匹配；设样本图像f(x,y)的大小为M*N和模板子图像w(x,y)的大小为J*K，则样本图像与模板子图像的相关表示为：其中，x＝0,1,2,3.....N-K，y＝0,1,2.....M-J。f(x,y)就是样本图像其第x行，第y列的像素的像素值，取值在[0,255]之间；w(s,t)就是模板子图像中第s行，第t列的像素的像素值，取值[0,255]。计算相关性c(x,y)的过程就是在图像f(x,y)中逐像素地移动模板子图像w(x,y)的原点像素(即模板子图像中第s行，第t列的像素)，在每一次移动的过程中根据以上公式计算每个像素位置的相关，直到计算出空间相关性最大的位置，该位置即样本图像f(x,y)中共同特征部分所在的位置。S2.3根据零件尺寸相同的条件，在样本图像f(x,y)中通过S2.2中找到的样本图像f(x,y)中共同特征部分所在的位置定位到所感兴趣的目标焊接头区域部分的位置，并对样本图像f(x,y)中目标焊接头区域部分的图像进行截取，即可得到样本图像f(x,y)中目标焊接头区域图片。因为零件尺寸相同且零件尺寸是已知的，在样本库中的所有样本图像f(x,y)中共同特征部分所在的位置与所感兴趣的目标焊接头区域部分的位置之间的位置关系是固定的，而且该位置关系是已知的，因此能够在样本图像f(x,y)中通过S2.2中找到的样本图像f(x,y)中共同特征部分所在的位置定位到所感兴趣的目标焊接头区域部分的位置。S2.4对训练集以及测试集中各样本图像均进行S2.2至S2.3中的操作，得到所有样本图像中的目标焊接头区域图片，完成批量截取。在进行模板匹配时，可先将给定焊接头的模板子图像w(x,y)以及各样本图片转化成灰度图，这样有利于提高预算速度，再用空间相关法的模板匹配算法在已为灰度图的样本图片中定位出具有模板子图像特征的位置，再进而计算出焊接头部分的位置，最后对图像进行批量截取。S3定义焊接头质量类型焊接头不合格类型分为以下五类，不属于这五类的焊接头作为合格品。不合格类型包括：虚焊：缠头有进行点焊处理，但焊包未焊入漆包线。漏焊：缠头漆包线完全未进行点焊处理，无焊包。杂线：除在线圈正常绕线区域外夹杂或残留着多余的漆包线。多线头：引脚缠头与绕组连接处有多余漆包线被绕进。残渣：缠头底部出现材料残渣，挂屑。S4图像数据增强对训练集中所有类别中的各目标焊接头区域图片分别进行翻转，缩小，放大，旋转，这样训练集中各种类别中的数据量扩大为原来的四倍。S5用S3中定义的焊接头质量类型，对图像数据增强后的训练集中的所有图片中所示的焊接头质量类型进行人工标注(即由工作人员对图像数据增强后的训练集中的所有目标焊接头区域图片中所示的焊接头质量类型进行分类)。基于tensorflow框架搭建卷积神经网络，将图像数据增强后的训练集中各类别的所有目标焊接头区域图片输入卷积神经网络中，训练机器学习分类器。S6对S2中得到的测试集中各样本图像中的目标焊接头区域图片分别用S5中训练好的机器学习分类器进行分类，分类结果就是其对应的焊接头质量类型。与现有技术相比，本专利技术能够产生以下技术效果：深度学习模仿人脑的机制来解释数据，可以不用手动提取特征，可以通过深度网络模型由底层次到高层次逐层自动将特征抽象出来，对于处理线性不可分问题体现出了极大的优势。电弧焊质量分类中不合格产品的种类较多，主要为漏焊，虚焊，杂线，多线头，残屑五大类，人工提取特征的工作较为麻烦，并且图像颜色皆偏暗色，特征数量也比较多。卷积神经网络是深度学习中经典的，常用于处理图像分类问题的深层网络模型，可以通过层层卷积的卷积核自动将不同的特征抽象出来，通常与网络的卷积层搭配的是池化层，可以用来提取出每个卷积核中最重要的特征，达到了简化网络参数，提高运算速度的效果。本设计中运用几种不同的卷积神经网络模型(如LeNet-5模型；AlexNet模型；InceotionV3(GoodLeNet)模型)来对电弧焊的质量分类效果测试，所获得模型能够较快的发现图片中元件的质量问题。附图说明图1为本专利技术的流程图。图2是一实施例中原图以及原图中的目标焊接头区域图片；其中(a)为原图；(b)为目标焊接头区域图片；图3是一实施例中基于空间相关法的模板匹配算法提取原图中的目标焊接头区域图片的示意图；其中Template为原图；Target为选取的模板子图像；MatchingResultusingtmp为匹配示意图；jietu为最终提取到的原图中的目标焊接头区域图片；图4是焊接头质量类型示意图；其中(a)为虚焊；(b)为漏焊；(c)为杂线；(d)为多线头；(e)为残渣。图5是一实施例中经批量截取到的44张目标焊接头区域图片；图6是经数据增强处理的图片；其中(a)为原图；(b)为翻转后的图片；(c)为缩小为0.8倍的图片；(d)为放大为1.2倍的图片；(e)为旋转30度角后的图片。具体实施方式以下结合附图对本专利技术的实施例进行详细说明，但是本专利技术可以由权利要求限定和覆盖的多种不同方式实施。一种元件电弧焊焊接质量检测方法，包括以下步骤：S1利用相机拍摄，采集一定数量的同一元件电弧焊的多种不同类型的焊接头图片，建立样本库。将样本库中的样本分为两部分，其中一部分作为训练集，训练集用于训练机器学习分类器。另一部分作为测试集，测试集用于识别其所对应的焊接质量类型。如将样本库中70％的样本作为训练集，30％的样本作为测试集。为了使卷积神经网络运算效率更高，收敛更迅速，会采取一些对待分类图片进本文档来自技高网...

【技术保护点】
1.一种元件电弧焊焊接质量检测方法，其特征在于：包括以下步骤：S1利用相机拍摄，采集一定数量的同一元件电弧焊的多种不同类型的焊接头图片，建立样本库；将样本库中的样本分为两部分，其中一部分作为训练集，训练集用于训练机器学习分类器；另一部分作为测试集，测试集用于识别其所对应的焊接质量类型；S2基于空间相关法的模板匹配算法提取训练集以及测试集中各样本中的目标焊接头区域图片；S3定义焊接头质量类型；S4对训练集中的所有图片中所示的焊接头质量类型进行人工标注；基于tensorflow框架搭建卷积神经网络，将训练集中各类别的所有目标焊接头区域图片输入卷积神经网络中，训练机器学习分类器；S5对S2中得到的测试集中各样本图像中的目标焊接头区域图片分别用S4中训练好的机器学习分类器进行分类，分类结果就是其对应的焊接头质量类型。

【技术特征摘要】
1.一种元件电弧焊焊接质量检测方法，其特征在于：包括以下步骤：S1利用相机拍摄，采集一定数量的同一元件电弧焊的多种不同类型的焊接头图片，建立样本库；将样本库中的样本分为两部分，其中一部分作为训练集，训练集用于训练机器学习分类器；另一部分作为测试集，测试集用于识别其所对应的焊接质量类型；S2基于空间相关法的模板匹配算法提取训练集以及测试集中各样本中的目标焊接头区域图片；S3定义焊接头质量类型；S4对训练集中的所有图片中所示的焊接头质量类型进行人工标注；基于tensorflow框架搭建卷积神经网络，将训练集中各类别的所有目标焊接头区域图片输入卷积神经网络中，训练机器学习分类器；S5对S2中得到的测试集中各样本图像中的目标焊接头区域图片分别用S4中训练好的机器学习分类器进行分类，分类结果就是其对应的焊接头质量类型。2.根据权利要求1所述的元件电弧焊焊接质量检测方法，其特征在于：在S4中，还包括图像数据增强步骤，对训练集中所有类别中的各目标焊接头区域图片分别进行翻转，缩小，放大，旋转，这样训练集中各种类别中的数据量扩大为原来的四倍，得到图像数据增强后的训练集；用S3中定义的焊接头质量类型，对图像数据增强后的训练集中的所有图片中所示的焊接头质量类型进行人工标注；基于tensorflow框架搭建卷积神经网络，将图像数据增强后的训练集中各类别的所有目标焊接头区域图片输入卷积神经网络中，训练机器学习分类器。3.根据权利要求1或2所述的元件电弧焊焊接质量检测方法，其特征在于：S1中，将样本库中70％的样本作为训练集，30％的样本作为测试集。4.根据权利要求1或2所述的元件电弧焊焊接质量检测方法，其特征在于：S2通过以下步骤实现：S2.1在样本库中的所有焊接头图片中寻找所有焊接头图片均具有的共同特征，截取其中一个焊接头图片中的共同特征部分的图像作为模板匹配时的模板，即作为焊接头的模板子图像w(x,y)；S2.2基于空间相关性的图像模板匹配；设样本图像f(x,y)的大小为M*N和模板子图像w(x,y)的大小为J*K，则样本图像与...

【专利技术属性】
技术研发人员：刘忠，冯旸赫，金广垠，黄金才，程光权，马扬，梁星星，周玉珍，王琦，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南,43