本发明专利技术提供了一种焊缝质量实时在线评估方法、系统、存储介质和终端，方法包括以下步骤：步骤1，获取基于预设机器学习方法建立的焊缝质量实时评估模型；步骤2，通过焊接控制平台对焊接过程进行自动运动控制，并通过影像系统采集当前焊接图像，采用所述焊缝质量实时评估模型对所述当前焊接图像进行评估，生成焊缝质量评估结果。对熔池图像进行快速处理和评估，实现焊缝质量的实时在线评估，学员通过电脑观察焊缝图像和焊缝质量信息，并远程操作调整焊接参数，获取最佳的焊接方案。通过即时反馈提升学习效果；远离恶劣的焊接环境，采用远程操作，克服初学者对焊接中的强光、高温、烟尘、噪声的的畏难情绪，改善作业环境，降低学生的畏惧心理。惧心理。惧心理。
【技术实现步骤摘要】
一种焊缝质量实时在线评估方法、装置、存储介质和终端
[0001]本专利技术属于焊接
，具体涉及一种焊缝质量实时在线评估方法、装置、存储介质和终端。
技术介绍
[0002]随着生产的发展，焊接广泛应用于宇航、航空、核工业、造船、建筑及机械制造等工业部门，焊接技术水平是衡量一个制造大国强弱的重要指标。我国对焊接工人的需求一直保持较大的趋势，焊工已经连续三期入选“全国招聘大于求职“最缺工”的100个职业排行”，每次都名列前茅。在国际上，熟练焊工的短缺
‑‑
寻找、培训和保留焊工仍然是行业面临的主要挑战。例如在美国，5月份的采购经理人指数为62.1，高于2020年的43.1。
[0003]电焊属于特种作业，必须持证上岗，焊接技能培训是提高焊接水平、获得焊工证的重要途径，如何培养出符合现代工业要求的焊接技术人员已经成为焊接培训部门在当前的新课题。传统焊接培训实操效果需等待焊缝冷却后进行观察，起码需30min后才可进行评估，且主要依据教师的经验进行评估，对教师技能要求较高，而目前高职院校焊接专业师资力量普遍不足。对于内部缺陷还需切开焊缝进行金相组织检测，评估成本高，耗时长，不符合学员的学习规律。
[0004]随着以云计算、大数据、物联网和人工智能为依托的新的信息技术革命的到来，焊接的自动化检测技术得到了突破性的发展。已有的技术主要体现在对焊接过程的在线监控上，缺少后续的焊缝质量评估环节，而一些在线检测技术主要通过采集光谱、声音信号间接反应焊缝质量缺陷，不能实现直接端对端的焊缝缺陷图像识别，不具便捷性，直观性不好，不利于学员学习。
[0005]目前新兴的虚拟焊接培训技术虽然有许多优势，但培训设备开发周期长，建设费用较贵，且计算复杂、真实感差，与真实的焊接存在有一定的差异，佩戴的设备还可能导致人员眩晕。
技术实现思路
[0006]本专利技术的目的在于解决现有技术的问题，提供了一种焊缝质量实时在线评估方法、装置、存储介质和终端。
[0007]为实现上述技术目的，本专利技术解决其技术问题所采用的技术方案如下：一种焊缝质量实时在线评估方法，包括以下步骤：步骤1，获取基于预设机器学习方法建立的焊缝质量实时评估模型；步骤2，通过焊接控制平台对焊接过程进行自动运动控制，并通过影像系统采集当前焊接图像，采用所述焊缝质量实时评估模型对所述当前焊接图像进行评估，生成焊缝质量评估结果。
[0008]作为一个优选的实施方式，基于预设机器学习方法建立焊缝质量实时评估模型包括以下步骤：
步骤101，根据预设焊接需求获取不同接头形式以及不同焊件厚度对应的焊接样本图片，对每张焊接样本图片进行分类标注，并将标注完成的焊接样本图片分为训练集、验证集和测试集；步骤102，对所述训练集、所述验证集和所述测试集的每张焊接样本图片进行图像处理，以备进行模型训练；步骤103，基于python语言和所述训练集的焊接样本图片，对Scikit
‑
learn库的多个预设机器学习模型分别进行训练，生成对应的初始评估模型；步骤104，采用所述验证集对每个初始评估模型进行验证，并生成每个初始评估模型对应的f1
‑
score，筛选出所述f1
‑
score大于第一预设阈值的至少一个初始评估模型，并作为初选模型；步骤105，采用每个初选模型实时对所述测试集的焊接样本图片进行评估，生成每个初选模型对应的评估测试时间，并将所述评估测试时间小于第二预设阈值的初选模型作为所述焊缝质量实时评估模型。
[0009]作为一个优选的实施方式，每张所述焊接样本图片均包括熔池图像、电弧图像和/或焊缝图像；对每张焊接样本图片进行分类标注的标注结果包括良好、烧穿、污染、未熔合、缺乏保护气体和焊枪移动过快。
[0010]本专利技术对熔池图像进行快速处理和评估，实现焊缝质量的实时在线评估，学员通过电脑观察焊缝图像和焊缝质量信息，并远程操作调整焊接参数，获取最佳的焊接方案。既能通过即时反馈提升学习效果，又能远离恶劣的焊接环境，采用远程操作，克服初学者对焊接中的强光、高温、烟尘、噪声的的畏难情绪，改善作业环境，降低学生的畏惧心理。
[0011]作为一个优选的实施方式，所述步骤102中对每张所述焊接样本图片进行图像处理包括以下步骤：步骤1021，读取所述焊接样本图片；步骤1022，将所述焊接样本图片的像素转化为1280*1024；步骤1023，裁剪所述焊接样本图片中无信息区域的像素，以将所述焊接样本图片的像素由1280*1024变化为1280*700；步骤1024，对裁剪后的所述焊接样本图片进行灰度化处理，生成灰度图；步骤1025，将所述灰度图的像素由1280*700转化为40*22，数据类型转化为float32格式；步骤1026，对转化后的灰度图进行正则化处理，以使所述灰度图的像素由40*22转化为用于后续模型训练的一维数组。
[0012]作为一个优选的实施方式，所述影像系统包括高速摄像机、同步控制器、电流电压同步回放模块和成像光路，所述高速摄像机设置在所述焊接控制平台的机械臂上且与所述焊接控制平台的焊枪成45度夹角，并通过所述同步控制器控制所述高速摄像机和所述焊枪同步移动，以实时采集焊接熔池和焊接电弧正前方的区域图像并作为所述当前焊接图像。
[0013]作为一个优选的实施方式，还包括步骤3，所述步骤3具体为：步骤301，以预设频率连续获取所述高速摄像机拍摄的焊接图像，记录所述焊接图像对应的焊接参数值，并采用所述焊缝质量实时评估模型对所述焊接图像进行实时评估生成对应的焊缝质量评估结果；
步骤302，将所述焊接参数值和所述焊缝质量评估结果标记到对应的焊接图像；步骤303，按照目标编辑顺序对标记后的焊接图像进行合并生成目标焊接视频；步骤304，通过上位机显示所述目标焊接视频，并根据所述目标焊接视频生成达到预设优化目标的优化焊接参数值；所述焊接参数值包括电弧电压值、焊接电流值和/或焊枪移动速度。
[0014]本专利技术通过与已有的硬件平台控制系统进行系统集成，开发基于混合现实技术的焊接培训实时评估系统。利用高动态范围的焊接相机将熔池的实时情况清晰直观的通过屏幕展示给学员，焊缝质量评估结果同时实时的显示在屏幕上，学员能同时获取焊缝图像和焊缝质量信息，及时了解焊接实操结果是否合格、焊缝质量缺陷类型，提升教学效果。在焊接教学过程中，学员可通过按键实时调整焊接参数（包括电压、电流、焊枪移动速度等），实时观察不同参数情况下熔池的变化，以获取该工况下最佳的焊接参数，并存档记录。
[0015]作为一个优选的实施方式，所述步骤303按照目标编辑顺序对标记后的焊接图像进行合并生成目标焊接视频，具体包括以下步骤：步骤3031，获取预建立的映射关系表，所述映射关系表包括每个所述焊接图像对应的编号、采集时间、焊接参数值以及焊缝质量评估结果；步骤3031，获取根据用户需求生成的用户指令，所述用户指令包括目标优化焊接参数以及图像编辑顺序；步骤3032，根据所述目标优化焊接参数查询所述映射关系表获取已标记的至少一本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种焊缝质量实时在线评估方法，其特征在于，包括以下步骤：步骤1，获取基于预设机器学习方法建立的焊缝质量实时评估模型；步骤2，通过焊接控制平台对焊接过程进行自动运动控制，并通过影像系统采集当前焊接图像，采用所述焊缝质量实时评估模型对所述当前焊接图像进行评估，生成焊缝质量评估结果。2.根据权利要求1所述的一种焊缝质量实时在线评估方法，其特征在于，基于预设机器学习方法建立焊缝质量实时评估模型包括以下步骤：步骤101，根据预设焊接需求获取不同接头形式以及不同焊件厚度对应的焊接样本图片，对每张焊接样本图片进行分类标注，并将标注完成的焊接样本图片分为训练集、验证集和测试集；步骤102，对所述训练集、所述验证集和所述测试集的每张焊接样本图片进行图像处理，以备进行模型训练；步骤103，基于python语言和所述训练集的焊接样本图片，对Scikit
‑
learn库的多个预设机器学习模型分别进行训练，生成对应的初始评估模型；步骤104，采用所述验证集对每个初始评估模型进行验证，并生成每个初始评估模型对应的f1
‑
score，筛选出所述f1
‑
score大于第一预设阈值的至少一个初始评估模型，并作为初选模型；步骤105，采用每个初选模型实时对所述测试集的焊接样本图片进行评估，生成每个初选模型对应的评估测试时间，并将所述评估测试时间小于第二预设阈值的初选模型作为所述焊缝质量实时评估模型。3.根据权利要求2所述的一种焊缝质量实时在线评估方法，其特征在于，每张所述焊接样本图片均包括熔池图像、电弧图像和/或焊缝图像；对每张焊接样本图片进行分类标注的标注结果包括良好、烧穿、污染、未熔合、缺乏保护气体和焊枪移动过快。4.根据权利要求2所述的一种焊缝质量实时在线评估方法，其特征在于，所述步骤102中对每张所述焊接样本图片进行图像处理包括以下步骤：步骤1021，读取所述焊接样本图片；步骤1022，将所述焊接样本图片的像素转化为1280*1024；步骤1023，裁剪所述焊接样本图片中无信息区域的像素，以将所述焊接样本图片的像素由1280*1024变化为1280*700；步骤1024，对裁剪后的所述焊接样本图片进行灰度化处理，生成灰度图；步骤1025，将所述灰度图的像素由1280*700转化为40*22，数据类型转化为float32格式；步骤1026，对转化后的灰度图进行正则化处理，以使所述灰度图的像素由40*22转化为用于后续模型训练的一维数组。5.根据权利要求2
‑
4任一...
【专利技术属性】
技术研发人员：张素洁，杨明明，胡翔，刘莉，何安琪，刘世荣，刘丽雯，谢小园，刘梦君，周杨，王元芳，高红岩，张燕安，
申请(专利权)人：武汉铁路职业技术学院，
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。