一种基于路径聚合网络的焊接异常实时检测方法技术

本发明专利技术公开了一种基于路径聚合网络的焊接异常实时检测方法，首先通过滑窗采样的方法采集焊接过程中的高频时序数据并划分为若干样本；根据实际焊接情况进行样本标注，生成带有标签的样本集；接着基于路径聚合网络PAnet结构搭建焊接异常实时检测模型，将带有标签的样本集按比例划分为训练集、验证集和测试集，对模型进行训练；训练后的模型具备实时检测当前输入样本是否存在焊接异常的功能，通过输出判断结果，实时告知用户是否发生焊接异常。将训练好的模型部署在边缘侧，通过传感器实时接收高频时序数据，即可实现在线实时检测的功能。能。能。

【技术实现步骤摘要】
一种基于路径聚合网络的焊接异常实时检测方法


[0001]本专利技术属于智慧焊接
，特别涉及一种基于路径聚合网络的焊接异常实时检测方法。

技术介绍

[0002]智慧焊接作为智能制造领域中最重要的研究课题之一，已经引起行业的普遍重视。现有技术中对于焊接异常的实时检测诊断，目前也已存在较多研究。现有技术中普遍采用图像识别的方式对焊接异常进行识别，这种方法则存在实时性不够，检测精度不够的问题。考虑到焊接过程中最能体现焊接场景特征的数据一般包括电流、电压、焊接速度等时序数据，对于时序数据的处理及对应状态的识别则是一条具备长远前景的研究方向。
[0003]目前基于高频时序数据搭建焊接异常检测模型进行焊接异常检测的方法已有相关研究，但如何使提取特征更能表述焊接场景，则是进一步研究的重点。

技术实现思路

[0004]专利技术目的：针对上述
技术介绍
中存在的问题，本专利技术提供了一种基于路径聚合网络的焊接异常实时检测方法，基于路径聚合网络PAnet结构搭建焊接异常实时检测模型，训练后的模型具备实时检测当前输入样本是否存在焊接异常的功能，通过输出判断结果，实时告知用户是否发生焊接异常。
[0005]技术方案：一种基于路径聚合网络的焊接异常实时检测方法，包括以下步骤：步骤S1、实时采集焊接高频时序数据，并进行预处理；基于滑窗采样的方法划分入模样本集并对应标注，按比例截取训练集、验证集和测试集；步骤S2、基于路径聚合网络PAnet搭建焊接异常实时检测模型；所述焊接异常实时检测模型输入为入模样本，输出检测结果，包括主干网络、第二神经网络分支和第三神经网络分支；所述主干网络包括依次连接的第一神经网络块ConvBlock1和n级残差网络块InvertedResidualBlock，第二神经网络分支包括与残差网络块对应相连的n级第二神经网络块；第三神经网络分支包括n
‑
1级第三神经网络块；将第n级第二神经网络块的输出与第n
‑
1级第二神经网络块的输出相加，作为第1级第三神经网络块的输入；依此类推，最终将所有第三神经网络块输出与第n级残差网络块输出相加后输入至全连接模块Fc，由全连接模块输出检测结果；步骤S3、基于步骤S1获取的训练集进行模型训练，并通过验证集同步进行模型验证；采用测试集对模型进行精度验证，直至模型检测准确度达到预设要求；步骤S4、将训练好的焊接异常检测模型部署至边缘侧，通过传感器实时接收焊接过程中的高频时序数据并进行预处理，将样本输入至焊接异常检测模型，并实时输出异常检测结果。
[0006]进一步地，所述步骤S1中高频时序数据包括焊接电流、焊接电压、送丝速度和保护气体流速。
[0007]进一步地，所述步骤S1中预处理步骤具体包括，将获取的焊接高频时序数据按照预设窗长window_size划分为若干样本，根据实际是否发生焊接异常为上述样本进行标注；当发生焊接异常时，将对应样本标注为1；未发生焊接异常则标注为0；将标注好的样本随机乱序，并按预设比例截取训练集、验证集和测试集。
[0008]进一步地，所述步骤S2中残差网络块InvertedResidualBlock包括依次连接的第一一维卷积网络层、第一BN层、第一激活函数层、第二一维卷积网络层、第二BN层、第二激活函数层、第三一维卷积网络层和第三BN层；各级残差网络块中第三一维卷积网络层的输出维度out_channel依次递增；最后一层残差网络块的输出维度与第三神经网络分支的输出维度保持一致。
[0009]进一步地，所述第一一维卷积网络层输出维度为expand_ration*out_channel，其中expand_ration为扩张系数，out_channel为输出维度；第二一维卷积网络层为融合了深度卷积Depthwise Convolution和膨胀卷积Dilated Convolution的深度可分卷积网络层，膨胀系数为dilation_rate；每个残差网络块的dilation_rate呈2的倍数递增；激活函数层选用ReLU6。
[0010]进一步地，全连接模块Fc包括依次连接的一层全局平均池化层、一层Dropout层和一层全连接层。
[0011]进一步地，所述步骤S3中通过验证集同步进行模型验证，防止模型出现过拟合；当连续n次迭代验证集loss均不再下降时，模型停止训练，并通过测试集进行模型精度验证，直至模型检测准确度达到预设要求。
[0012]本专利技术采用的技术方案与现有技术方案相比，具有以下有益效果：本专利技术提供的焊接异常实时检测方法，基于路径聚合网络结构搭建异常检测模型，主干部分采用残差网络块提取高频时序数据特征，通过第二神经网络分支统一输出维度，并进行自顶向下的特征融合，并进一步通过第三神经网络分支进行自下而上的特征融合，最终与顶层残差网络块提取的核心特征融合，可以获得更能表征焊接状态的特征，上述网络结构输出焊接异常的检测结果更加准确，也更能反映实际焊接情况。
附图说明
[0013]图1为本专利技术提供的基于路径聚合网络的焊接异常实时检测方法流程图；图2为本专利技术提供的基于路径聚合网络PAnet的焊接异常实时检测模型结构示意图；图3为本专利技术实施例中进行焊接异常实时检测结果的混淆矩阵图。
实施方式
[0014]下面结合附图对本专利技术做更进一步的解释。
[0015]本专利技术提供了一种基于路径聚合网络的焊接异常实时检测方法，如图1所示，首先通过滑窗采样的方法采集焊接过程中的高频时序数据并划分为若干样本；根据实际焊接情况进行样本标注，生成带有标签的样本集；接着基于路径聚合网络PAnet结构搭建焊接异常实时检测模型，将带有标签的样本集按比例划分为训练集、验证集和测试集，对模型进行训练。训练后的模型具备实时检测当前输入样本是否存在焊接异常的功能，通过输出判断结
果，实时告知用户是否发生焊接异常。将训练好的模型部署在边缘侧，通过传感器实时接收高频时序数据，即可实现在线实时检测的功能。下面提供一份具体实施例，具体阐述本专利技术的原理。
[0016]步骤S1、通过传感器系统实时采集高频时序数据，并对高频时序数据进行预处理。
[0017]本专利技术中提到的高频时序数据包括但不限于电流、电压、送丝速度和保护气流速，本实施例中优选电流数据作为入模数据。将获取的电流数据按照预设窗长window_size划分为若干样本，根据实际是否发生焊接异常为上述样本进行标注。焊接异常包括漏焊、焊偏、焊穿等情况，当发生焊接异常时，将对应样本标注为1；未发生焊接异常则标注为0。将标注好的样本随机乱序，并按预设比例截取训练集、验证集和测试集。
[0018]步骤S2，搭建基于路径聚合网络PAnet的焊接异常实时检测模型；如图2所示，本专利技术提供的焊接异常实时检测模型输入为步骤S1中获取的电流样本，输出即为检测结果集合{0,1}。主干网络包括依次连接的第一神经网络块ConvBlock1和若干级残差网络块InvertedResidualBlock，将每一级残差网络块的输出依次记为x1、x2、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于路径聚合网络的焊接异常实时检测方法，其特征在于，包括以下步骤：步骤S1、实时采集焊接高频时序数据，并进行预处理；基于滑窗采样的方法划分入模样本集并对应标注，按比例截取训练集、验证集和测试集；步骤S2、基于路径聚合网络PAnet搭建焊接异常实时检测模型；所述焊接异常实时检测模型输入为入模样本，输出检测结果，包括主干网络、第二神经网络分支和第三神经网络分支；所述主干网络包括依次连接的第一神经网络块ConvBlock1和n级残差网络块InvertedResidualBlock，第二神经网络分支包括与残差网络块对应相连的n级第二神经网络块；第三神经网络分支包括n
‑
1级第三神经网络块；将第n级第二神经网络块的输出与第n
‑
1级第二神经网络块的输出相加，作为第1级第三神经网络块的输入；依此类推，最终将所有第三神经网络块输出与第n级残差网络块输出相加后输入至全连接模块Fc，由全连接模块输出检测结果；步骤S3、基于步骤S1获取的训练集进行模型训练，并通过验证集同步进行模型验证；采用测试集对模型进行精度验证，直至模型检测准确度达到预设要求；步骤S4、将训练好的焊接异常检测模型部署至边缘侧，通过传感器实时接收焊接过程中的高频时序数据并进行预处理，将样本输入至焊接异常检测模型，并实时输出异常检测结果。2.根据权利要求1所述的一种基于路径聚合网络的焊接异常实时检测方法，其特征在于，所述步骤S1中高频时序数据包括焊接电流、焊接电压、送丝速度和保护气体流速。3.根据权利要求1所述的一种基于路径聚合网络的焊接异常实时检测方法，其特征在于，所述步骤S1中预处理步骤具体包括，将获取的焊接高频时序数据按照预设窗长window_size划分为若干样本，根据实际是否发生焊接异常为上...

【专利技术属性】
技术研发人员：李波，田慧云，
申请(专利权)人：苏芯物联技术南京有限公司，
类型：发明
国别省市：