【技术实现步骤摘要】
一种焊接质量预测方法及相关装置
[0001]本专利技术涉及深度学习和计算机视觉
，具体涉及一种焊接质量预测方法及装置。
技术介绍
[0002]传统的激光焊接后的质量检测主要是人工检测，通常是检测人员进入到车间后，对焊接好的锂电池通过相关的技术知识去进行质量检测。然而在检测过程中，检测工人可能会受到人的经验、心理和生理等的因素影响，会影响到检测的准确度和可靠度。比如，在对质量检测过程中，会出现焊缝检测的错漏等情况。因此，这种通过机器学习的检测方式，便会得到大家的青睐。
[0003]采用传统图像处理的方式，如图像分割等方法，需要花费大量的时间建立特征工程与调节分类器参数，需要建立多个模板，很难将焊接后的产品做一个具体的分类。图像处理方法仅对颜色特征对焊接图像进行分类，但焊接质量的好坏的判定标准差异很大，同时焊接过程中，预测焊接质量时，预测模型需要高算力支持，算法部署困难，网络要求高，成本过高。
技术实现思路
[0004]本专利技术为克服现有技术中，提供一种焊接质量预测方法，解决当前技术中需要提需要高...
【技术保护点】
【技术特征摘要】
1.一种焊接质量预测方法，其特征在于，包括：采集当前焊接图片；基于当前当前焊接图片，使用神经网络模型对所述当前焊接图片进行焊接质量的预测；以神经网络模型的CircleNet目标检测模型为基础，采用轻量级ShuffleNet V2替代原骨干网络；根据圆形检测区域的几何特征和统计偏差规律，构建加权损失函数L
det
改进模型。2.根据权利要求1的焊接质量预测方法，其特征在于，所述加权损失函数L
det 训练模型具体为：；其中，为关键点热图损失函数,为中心点偏移损失函数，计算公式为；为预测的中心点偏移，R为下采样率，为预测的中心点，p为真实的中心点；为半径损失函数，计算公式为；为预测的半径，为表示标注框，即真实框信息中的半径值。3.根据权利要求2的焊接质量预测方法，其特征在于，采集包含多个焊接质量的原始图片，构建深度学习训练图片数据集，对图片中焊接质量的类别进行划分并标记；采用圆形目标检测框，人为选定圆形检测框的圆心和半径，标定训练数据集图片中的焊接点的区域；将训练图片数据集划分为训练集、测试集和验证集，设定初始学习率、类别数目、训练轮次和批尺寸的参数，对神经网络模型进行训练，训练结束后获得神经网络模型的推理权重文件，以及识别模型性能指标。4.根据权利要求3的焊接质量预测方法，其特征在于，所述将训练图片数据集划分为训练集、测试集和验证集，设定初始学习率、类别数目、训练轮次和批尺寸的参数，对神经网络
模型进行训练，训练结束后获得神经网络模型的推理权重文件，以及识别模型性能指标具体包括：针对训练图片数据集...
【专利技术属性】
技术研发人员：林成熙，苏飞，蒋榕，
申请(专利权)人：深圳市智鼎自动化技术有限公司，
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。