【技术实现步骤摘要】
一种基于深度强化学习的焊缝表面缺陷智能检测方法
[0001]本专利技术涉及一种用于自动化智能化焊缝缺陷检测方法，特别涉及一种焊接表面缺陷检测装备技术。
技术介绍
[0002]焊接作为一种重要的加工工艺，在航空航天、船舶制造、汽车工业、核工业等众多制造业领域均得到广泛应用。焊接也是一个受多种因素影响的非完全可控物理化学反应过程，一个或多个因素的波动均会导致焊缝的外形尺寸不合格或者产生多种不同形态、位置、方向、大小和性质的焊缝表面缺陷，包括咬边、焊瘤、塌陷、错边、表面气孔、表面裂纹等。焊缝的表面缺陷是影响焊缝质量的重要因素，其大小决定了焊缝的应力集中程度。目前，随着人力成本的逐步提高和信息技术的快速发展，智能焊接机器人的应用已成为传统制造业改革和迎接工业4.0时代不可或缺的一步。虽然焊缝自动跟踪技术在机器人自动焊接中取得了极大提升，但是焊接质量的自动化检测水平仍可进一步提高。高效可靠的实时焊缝质量监控技术是提高焊接效率、保证焊接产品质量稳定可靠的关键技术之一。
[0003]当前，焊接质量的检测仍需大量人工参与，部分焊接缺...
【技术保护点】
【技术特征摘要】
1.一种基于深度强化学习的焊缝表面缺陷智能检测方法，其特征在于：该方法的具体步骤为：1)首先收集焊缝缺陷照片，然后使用Labelimg对焊缝缺陷照片进行标注并保存yolo需要的格式建立焊缝缺陷图像训练集；2)引入强化学习Q
‑
learning算法智能化提高深度学习yolov7模型中的正样本比例，使正负样本的比例平衡来提高模型的泛化能力和模型精度并得到改进型yolov7模型；3)将焊缝缺陷图像训练集导入改进型yolov7模型进行训练得到基于深度强化学习焊缝表面缺陷智能检测模型；4)通过CCD工业相机采集焊接件的焊缝图像，然后焊缝图像导入基于深度强化学习焊缝表面缺陷智能检测模型，模型对焊缝图像进行缺陷检测识别和标定生成检测结果。2.根据权利要求1所述的一种基于深度强化学习的焊缝表面缺陷智能检测方法，其特征在于：所述步骤2)中，引入强化学习Q
‑
learning算法优化具体为，样本划分策略通过智能体操控负训练样本锚框的位置、宽高比、大小来达到正样本阈值的标准，以此实现在提升正训练样本数量的同时降低负样本的数量，缓解样本比例失衡带来的训练问题。3.根据权利要求1所述的一种基于深度强化学习的焊缝表面缺陷智能检测方法，其特征在于：所述步骤2)中，提高正样本比例是通过强化学习中的动作是智能体与环境进行交互的手段，动作的定义为9...
【专利技术属性】
技术研发人员：周建新，李其鹏，黄猛，李志文，
申请(专利权)人：南京工业大学，
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。