自动检测滚筒齿座焊接质量的机器视觉检测方法技术

本发明专利技术涉及一种自动检测滚筒齿座焊接质量的机器视觉检测方法，在将滚筒齿座焊接到滚筒筒体的过程中，利用图像采集装置实时采集滚筒齿座焊缝图像数据，并将焊缝图像数据输入到经过训练并通过测试的焊接缺陷识别模型中进行焊接缺陷识别，当识别出存在焊接缺陷的焊缝图像数据时发出告警信息，应用经过训练的焊接缺陷识别模型检测前进行测试，对测试时被误判的焊缝图像数据进行标注后补入焊接缺陷训练数据集，并基于扩充后的焊接缺陷训练数据集对焊接缺陷识别模型重新训练，再进行测试，如此循环往复直至测试结果满足工业检测要求。本发明专利技术能在线快速检测焊缝质量，满足滚筒智能化生产需求。产需求。产需求。

【技术实现步骤摘要】
自动检测滚筒齿座焊接质量的机器视觉检测方法


[0001]本专利技术涉及一种焊缝质量检测方法，能用于滚筒智能化生产中进行焊接质量在线自动检测。

技术介绍

[0002]采煤机的生产效率和产煤质量很大程度上取决于采煤机滚筒的质量。滚筒是焊接件，其焊缝质量是滚筒质量的关键指标，如果焊接质量低，容易出现齿座开裂、掉落等问题，进而会造成滚筒受力不均，加剧滚筒损坏直至报废。而目前市场上普遍采用事后检测的方法如磁粉探伤、X光射线探伤等，耗时长、成本高，且该类方法对于齿座类焊缝的短平多特点的检出率低。此外，如何快速检测采煤机滚筒齿座的焊接质量也是采煤机滚筒智能制造过程中一个亟待解决的问题。

技术实现思路

[0003]本专利技术旨在提供一种自动检测滚筒齿座焊接质量的机器视觉检测方法，能在线快速检测焊缝质量，满足滚筒智能化生产需求。
[0004]本专利技术的主要技术方案有：
[0005]一种自动检测滚筒齿座焊接质量的机器视觉检测方法，在将滚筒齿座焊接到滚筒筒体的过程中，利用图像采集装置实时采集滚筒齿座焊缝图像数据，对所述焊缝图像数据进行预处理，预处理包括将图像尺寸归一化，将预处理后的所述焊缝图像数据输入到经过训练并通过测试的焊接缺陷识别模型中进行焊接缺陷识别和缺陷分类，当识别出存在焊接缺陷的焊缝图像数据时发出告警信息，所述焊接缺陷识别模型采用轻量化深度卷积可分离神经网络模型；对所述焊接缺陷识别模型进行训练和测试的方法是：通过所述图像采集装置采集滚筒齿座的若干初始焊缝图像数据，初始焊缝图像数据中包含缺陷焊缝图像数据和正常焊缝图像数据，对所述初始焊缝图像数据进行预处理，所述预处理包括对图像进行标注，然后将这些预处理后的初始焊缝图像数据导入到未经训练的所述焊接缺陷识别模型进行焊接缺陷识别和缺陷分类，将被识别出的缺陷焊缝图像数据用作构成训练数据集的基础数据，基于训练数据集对所述焊接缺陷识别模型进行训练，然后对经过训练的所述焊接缺陷识别模型进行测试，测试方法是：利用所述图像采集装置实时采集滚筒齿座焊缝图像数据，将所述焊缝图像数据输入到经过训练但尚未通过测试的焊接缺陷识别模型中进行焊接缺陷识别和缺陷分类，收集被焊接缺陷识别模型误判的焊缝图像并对这些图像进行标注，然后将标注好的相应焊缝图像数据补入所述训练数据集，得到扩充后的训练数据集，用所述扩充后的训练数据集对未经训练的所述焊接缺陷识别模型进行重新训练或者对经过训练但尚未通过测试的焊接缺陷识别模型进行继续训练，再对经重新训练或继续训练后的焊接缺陷识别模型进行测试，如此循环往复，直至测试过程的准确率与召回率满足工业检测要求为止，测试通过，此时的焊接缺陷识别模型即为所述经过训练并通过测试的焊接缺陷识别模型。
[0006]所述焊缝图像数据是利用所述图像采集装置对滚筒齿座的焊接处进行多角度拍摄获取的高清图像数据。
[0007]所述图像采集装置安装在焊接机械臂上，根据采煤机滚筒三维数据模型和人工标定参数设计所述焊接机械臂的行走路线，再配合辅助光源实施所述多角度拍摄。
[0008]所述焊接机械臂的行走路线根据滚筒齿座多层多道焊的特点进行设计，形成行走路线子程序，所述行走路线子程序包含的主要参数有焊接的起点、焊接路径和焊接角度。
[0009]所述图像采集装置的拍摄角度可调，其角度根据相应齿座的不同位置进行调整。
[0010]所述图像采集装置优选采用工业相机。
[0011]训练时将所述初始焊缝图像数据导入所述焊接缺陷识别模型之前，优选先对所述初始焊缝图像数据通过逐步添加高斯噪声再逐步逆向还原处理的方式进行数据增强。
[0012]在将所述焊缝图像数据输入到经过训练并通过测试的焊接缺陷识别模型之前先进行预处理，该预处理包括依次进行的去噪、图像增强、灰度化、图像分割和轮廓匹配。
[0013]将标注好的相应焊缝图像数据补入所述焊接缺陷训练数据集时优选复制多份并全部补入。
[0014]本专利技术的有益效果是：
[0015]所述焊接质量机器视觉检测方法检测速度快，即时性好，能实现在线检测，能及时发现焊接质量问题，提示进行重新焊接，同时该检测方法还具有较高的准确度，降低了滚筒齿座焊接质量检测的综合成本，间接提高了滚筒的质量，有利于促进滚筒智能化生产技术的发展和完善。
[0016]由于在正式检测之前进行测试，并用测试时被误判的焊缝图像充实训练数据集，然后进行重新训练或继续训练，使焊接缺陷识别模型通过动态增量学习不断地自我优化，确保了检测的准确度。
附图说明
[0017]图1为所述自动检测滚筒齿座焊接质量的机器视觉检测方法的流程图；
[0018]图2为增量学习流程图；
[0019]图3为图像采集装置安装示意图；
[0020]图4为滚筒筒体、齿座焊接区域、图像采集装置和焊枪的相对位置关系示意图。
[0021]附图标记：1.滚筒筒体；2.齿座焊接区域；3.图像采集装置；4.焊枪；5.焊接机械臂。
具体实施方式
[0022]本专利技术公开了一种自动检测滚筒齿座焊接质量的机器视觉检测方法(可简称为焊接质量机器视觉检测方法)，该方法用在滚筒齿座自动化焊接过程中对滚筒齿座与滚筒筒体焊接处的焊缝质量进行实时检测。
[0023]焊接时滚筒筒体1安装到专用工装上，机械手运送滚筒齿座到达齿座焊接区域2，焊枪4按照预定轨迹相对滚筒筒体1移动同时执行焊接操作。每完成一个齿座的焊接，都执行对相应齿座焊缝的机器视觉检测，检测通过再开始下一个齿座的焊接操作。
[0024]如图1
‑
4所示，所述焊接质量机器视觉检测方法是：
[0025]在将滚筒齿座焊接到滚筒筒体的过程中，利用图像采集装置3实时采集滚筒齿座焊缝图像数据；
[0026]对所述焊缝图像数据进行预处理，主要包括将图像尺寸归一化，例如将图像尺寸统一调整为600
×
800像素；
[0027]将预处理后的上述焊缝图像数据输入到经过训练并通过测试的焊接缺陷识别模型中进行焊接缺陷识别和缺陷分类，焊接缺陷识别模型判断所述焊缝图像数据是否存在焊接缺陷并将判断为存在焊接缺陷的所述焊缝图像数据根据焊接缺陷类型的不同输出到预设的不同缺陷文件夹中。当识别出存在焊接缺陷的焊缝图像数据时发出告警信息，通常是声音告警信息，提示操作人员重新焊接。
[0028]所谓焊接缺陷识别是指判断滚筒齿座焊缝图像中是否存在焊接缺陷，即区分相应焊缝图像是缺陷焊缝的图像还是正常焊缝的图像。所谓缺陷分类是指将缺陷焊缝的图像再进一步区分为是何种焊接缺陷的焊缝图像。所述焊接缺陷识别模型采用轻量化深度卷积可分离神经网络模型，以计算机程序的形式存在于质检计算机中，检测时，质检计算机启动并加载焊接缺陷识别模型(包含模型参数)，为焊接质量机器视觉检测提供软件环境和支撑。检测结果显示在质检计算机的界面中，反馈给焊接操作人员。针对每个齿座，如果焊缝图像中不存在焊接缺陷，通过检测，相应检测结束；如果焊缝图像中存在焊接缺陷，告警信息可以提示焊接操作人员进行重新焊接本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自动检测滚筒齿座焊接质量的机器视觉检测方法，其特征在于：在将滚筒齿座焊接到滚筒筒体的过程中，利用图像采集装置实时采集滚筒齿座焊缝图像数据，对所述焊缝图像数据进行预处理，预处理包括将图像尺寸归一化，将预处理后的所述焊缝图像数据输入到经过训练并通过测试的焊接缺陷识别模型中进行焊接缺陷识别和缺陷分类，当识别出存在焊接缺陷的焊缝图像数据时发出告警信息，所述焊接缺陷识别模型采用轻量化深度卷积可分离神经网络模型；对所述焊接缺陷识别模型进行训练和测试的方法是：通过所述图像采集装置采集滚筒齿座的若干初始焊缝图像数据，初始焊缝图像数据中包含缺陷焊缝图像数据和正常焊缝图像数据，对所述初始焊缝图像数据进行预处理，所述预处理包括对图像进行标注，然后将预处理后的初始焊缝图像数据导入到未经训练的所述焊接缺陷识别模型进行焊接缺陷识别和缺陷分类，被识别出的缺陷焊缝图像数据用作构成训练数据集的基础数据，基于训练数据集对所述焊接缺陷识别模型进行训练，然后对经过训练的所述焊接缺陷识别模型进行测试，测试方法是：利用所述图像采集装置实时采集滚筒齿座焊缝图像数据，将所述焊缝图像数据输入到经过训练但尚未通过测试的焊接缺陷识别模型中进行焊接缺陷识别和缺陷分类，收集被焊接缺陷识别模型误判的焊缝图像并对这些图像进行标注，然后将标注好的相应焊缝图像数据补入所述训练数据集，得到扩充后的训练数据集，用所述扩充后的训练数据集对未经训练的所述焊接缺陷识别模型进行重新训练或者对经过训练但尚未通过测试的焊接缺陷识别模型进行继续训练，再对经重新训练或继续训练后的焊接缺陷识别模型进行测试，如此循环往复，直至测试过程的准确率与召回率满足工业检测要求为止，测试通过，此时的焊接缺陷识别模型即为所述经过...

【专利技术属性】
技术研发人员：胡文渊，黄秋来，翟雨生，贠瑞光，刘东昱，王鹏飞，肖博予，尹玉玺，恩建峰，吕瑞林，钱壮壮，郭岱，曹杨，贺新星，
申请(专利权)人：煤炭科学研究总院中煤科工集团上海有限公司，
类型：发明
国别省市：