【技术实现步骤摘要】
一种焊缝位置检测方法、系统、设备及存储介质
[0001]本专利技术属于智能焊接识别领域,涉及一种焊缝位置检测方法、系统、设备及存储介质。
技术介绍
[0002]焊接时形成的连接两个被连接体的接缝称为焊缝。焊缝的两侧在焊接时会受到焊接热作用,而发生组织和性能变化,这一区域被称为热影响区。焊接时因工件材料焊接材料、焊接电流等不同,焊后在焊缝和热影响区可能产生过热、脆化、淬硬或软化现象,也使焊件性能下降,恶化焊接性。这就需要调整焊接条件,焊前对焊件接口处预热、焊时保温和焊后热处理可以改善焊件的焊接质量。而自动化焊接的准确率则十分依赖于雷达探头对焊缝的识别准确度,此时提高识别准确度就成为提高焊接精确度十分重要的一部分。
[0003]现有智能焊接识别技术存在的缺陷:(1)应对噪声能力较差,在不同环境和噪声的情况下会较大影响识别效果,使焊缝识别能力大幅下降,从而使焊接效果也变差。(2)从算法层面,现采用的算法无论从识别精度方面还是从训练数据集层面,且陷入局部最优,导致无法较好地得到最优解。
技术实现思路
[0004]本专利技术的目的在于克服上述现有技术的缺点,提供一种焊缝位置检测方法、系统、设备及存储介质,能极大地提高焊缝识别的效率、精确度和准确率。
[0005]为达到上述目的,本专利技术采用以下技术方案予以实现:
[0006]一种焊缝位置检测方法,包括以下过程:
[0007]步骤1:采集已有的不同类型的焊缝图片,将部分焊缝图片作为标签集S1;
[0008]步骤2:采集焊接
【技术保护点】
【技术特征摘要】
1.一种焊缝位置检测方法,其特征在于,包括以下过程:步骤1:采集已有的不同类型的焊缝图片,将部分焊缝图片作为标签集S1;步骤2:采集焊接过程中已有噪声并作为噪声训练集,训练GAN模型,至使模型生成噪声,作为M
‑
G模型;步骤3:用M
‑
G模型生成的噪声与标签集S1结合成为样本数据集S2;步骤4:在标签集S1和样本数据集S2上使用数据增强,扩充并将其生成为标签集S1
‑
A和样本数据集S2
‑
A;步骤5:将标签集S1
‑
A和样本数据集S2
‑
A进行融合作为融合数据集S3,将融合数据集S3中部分数据划分为训练集;步骤6:使用训练集对YOLOv5模型进行训练,得到焊缝的目标检测模型;步骤7:采用焊缝的目标检测模型对焊缝位置进行检测。2.根据权利要求1所述的焊缝位置检测方法,其特征在于,步骤2中,训练GAN模型的过程为:GAN模型包括生成器G和判别器D,生成器G首先通过学习真实的噪声图像的分布让自身生成的噪声图像趋近真实,足够骗过判别器D;然后,判别器D对生成器G生成的图像判别真伪;生成器G提高生成图像的真实性以骗过判别器D,判别器D则去辨别图像的真伪,通过不断进行左右博弈的过程提高各自的性能,直到两个网络达到平衡状态停止训练,此时生成器G生成的噪声图像趋近原始噪声,保存生成器模型G,此时的生成模型即为噪声生成器M
‑
G。3.根据权利要求2所述的焊缝位置检测方法,其特征在于,GAN模型为:其中x为原始图像,z表示对生成器G添加的噪声,G(z)的结果为生成器G网络生成的新图片,D(x)表示判别器D网络对新图片给出的概率预测结果;P
r
和P
r
(z)分别表示真实数据的分布和生成数据的分布;D(G(z))是判别器D网络判断生成器G生成的图片是否真实的概率。4.根据权利要求1所述的焊缝位置检测方法,其特征在于,步骤3的具体过程为使用M
‑
G生成的噪声仿真数据和焊缝数据组合并用步骤1中方法对合成数据进行焊缝标注,完成后将数据加入标签集S1中,扩充为样本数据集S2。5.根据权利要求1所述的焊缝位置检测方法,其特征在于,步骤5中,将...
【专利技术属性】
技术研发人员:李盛霖,王聪聪,刘鼎,景岩,
申请(专利权)人:西咸新区大熊星座智能科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。