管焊焊缝特征点读取方法、系统、计算机设备及存储介质技术方案

本发明专利技术属于图形数据读取领域，公开了一种管焊焊缝特征点读取方法、系统、计算机设备及存储介质，包括：获取管焊焊接图片；将管焊焊接图片输入至管焊焊缝特征点检测模型，得到管焊焊接图片的特征点预测框的预测分类值以及特征点预测框的坐标；根据特征点预测框的预测分类值得到焊缝特征点的类型，以及根据特征点预测框的坐标得到焊缝特征点的坐标。通过采用由改进yolov5模型训练得到的管焊焊缝特征点检测模型，有效提高了管焊焊缝特征点的检测速度，并且可以准确的在噪声干扰的环境下进行焊缝特征点的识别，能够得到焊缝特征点较为准确的坐标信息和类型信息，进而提高自动化焊接效率。率。率。

【技术实现步骤摘要】
管焊焊缝特征点读取方法、系统、计算机设备及存储介质


[0001]本专利技术属于图形数据读取领域，涉及一种管焊焊缝特征点读取方法、系统、计算机设备及存储介质。

技术介绍

[0002]焊接作为制造业中非常重要的工艺流程，已广泛应用于工业生产的各个部门。传统的焊接生产大多采用手工焊接的模式，焊接过程中产生的弧光、飞溅及烟尘等都会对焊接人员的健康造成威胁，且一般焊接工程量大，生产周期长，焊接人员的理论知识、技术水平及心理等因素也可能影响焊接的质量和效率，因此尽可能减少焊接过程中的人为干扰成为了焊接生产的主流发展趋势。随着制造行业自动化进程的迅速发展，焊接技术也逐步由传统的手工焊接模式向自动化焊接模式发展，但是焊接机器人的应变能力变差，即当实际的焊接条件发生变化时，焊枪也将偏离所示教的路径，影响整体的焊接效果，焊缝自动跟踪是解决这一问题的关键，而实现焊缝跟踪的关键技术问题是焊缝的自动识别，即焊缝特征点的读取。
[0003]目前，大多采用以下几个方法进行焊缝特征点的读取：一、利用最小二乘法对焊缝的激光中心线离散点进行直线拟合，通过联立直线方程求交点，实现对焊缝特征点的准确定位。但是，该方法中当焊缝图片中存在较大噪声时会使拟合结果出现偏差。二、利用Hough变换对直线进行拟合。但是，Hough变换对每个边缘点都要进行360次计算，占用大量内存，造成实时性差。同时，Hough变换容易受到干扰，当图像预处理完成后，焊缝图像仍含有部分噪声时，会根据噪声检测出多条直线，并且可能将中断的直线无差别的连接起来，产生错误的拟合数据，导致提取出的特征点精确度难以保证。三、利用目标跟踪算法定位焊缝特征点，常见的目标跟踪算法如KCF及ECO等。但是，这些目标跟踪算法在跟踪有干扰的焊缝特征点时会出现漂移现象，稳定性较差，提取的焊缝特征点精确度低。

技术实现思路

[0004]本专利技术的目的在于克服上述现有技术中，焊缝特征点读取精确度低、实时性较差的缺点，提供一种管焊焊缝特征点读取方法、系统、计算机设备及存储介质。
[0005]为达到上述目的，本专利技术采用以下技术方案予以实现：
[0006]本专利技术第一方面，提供一种管焊焊缝特征点读取方法，包括：获取管焊焊接图片；将管焊焊接图片输入至管焊焊缝特征点检测模型，得到管焊焊接图片的特征点预测框的预测分类值以及特征点预测框的坐标；其中，管焊焊缝特征点检测模型基于改进yolov5模型训练得到，改进yolov5模型通过将yolov5模型的第四层和第六层替换为深度可分离卷积层，以及将第八层替换为空洞卷积层得到；根据特征点预测框的预测分类值得到焊缝特征点的类型，以及根据特征点预测框的坐标得到焊缝特征点的坐标。
[0007]可选的，所述管焊焊缝特征点检测模型通过下述方式得到：获取若干管焊焊接初始图片，并将若干管焊焊接初始图片进行标准化处理和数据增强处理，得到若干管焊焊接
训练图片；采用上坡口和下坡口两类标签分别对各管焊焊接训练图片进行标注，得到各管焊焊接训练图片的标注标签；构建改进yolov5模型，并通过若干管焊焊接训练图片和各管焊焊接训练图片的标注标签训练改进yolov5模型，得到管焊焊缝特征点检测模型。
[0008]可选的，所述标准化处理包括：通过下式分别对各管焊焊接初始图片进行标准化处理：
[0009][0010]其中，y
i
为管焊焊接初始图片第i个像素点标准化处理后的像素值，x
i
为管焊焊接初始图片第i个像素点的像素值，mean为管焊焊接初始图片各像素点的像素值均值，n为管焊焊接初始图片的像素点个数，std为管焊焊接初始图片各像素点的像素值标准差，
[0011]可选的，所述数据增强处理包括mosaic数据增强处理和mixup数据增强处理中的一种或两种。
[0012]可选的，所述通过若干管焊焊接训练图片和各管焊焊接训练图片的标注标签训练改进yolov5模型时，采用的损失函数L如下：
[0013]L＝L
CIoU
+L1+L2[0014]其中，L
CIoU
为矩形框损失，IoU为管焊焊接训练图片的特征点预测框与特征点标注框的交并比，d为管焊焊接训练图片的特征点预测框中心与特征点标注框中心之间的距离，c为覆盖管焊焊接训练图片的特征点预测框和特征点标注框的最小框的对角线长度。
[0015]其中，w
gt
为管焊焊接训练图片的特征点标注框的宽度，h
gt
为管焊焊接训练图片的特征点标注框的高度，w为管焊焊接训练图片的特征点预测框的宽度，h为管焊焊接训练图片的特征点预测框的高度，α为过程参数，
[0016]L1为分类损失，y1为管焊焊接训练图片的特征点预测框的真实分类值，p1为管焊焊接训练图片的特征点预测框的预测分类值与真实分类值相同的概率，γ为预设的第一衰减因子，为预设的第二衰减因子；L2为置信度损失，y2为管焊焊接训练图片的特征点预测框的真实置信度值，p2为管焊焊接训练图片的特征点预测框的预测置信度值。
[0017]可选的，所述根据特征点预测框的预测分类值得到焊缝特征点的类型包括：当特征点预测框的预测分类值为0时，焊缝特征点的类型为上坡口焊缝特征点；当特征点预测框的预测分类值为1时，焊缝特征点的类型为下坡口焊缝特征点；其中，预测分类值为0表示分
类类型为上坡口，预测分类值为1表示分类类型为下坡口；所述根据特征点预测框的坐标得到焊缝特征点的坐标包括：
[0018]根据特征点预测框的坐标中的左侧顶端坐标(x
11
，y
11
)、左侧底端坐标(x
11
，y
22
)，右侧顶端坐标(x
22
，y
11
)和右侧底端坐标(x
22
，y
22
)，通过下式得到焊缝特征点中左焊缝特征点坐标(X
11
，Y
11
)和右焊缝特征点坐标(X
22
，Y
22
)：
[0019]X
11
＝x
11
，Y
11
＝(y
11
+y
22
)/2，X
22
＝x
22
，Y
22
＝(y
11
+y
22
)/2。
[0020]可选的，还包括：当管焊焊接图片的特征点预测框为两个，且一个特征点预测框的预测分类值为1，另一个特征点预测框的预测分类值为0时，管焊焊接图片为管焊焊缝图片；当管焊焊接图片的特征点预测框为一个，且特征点预测框的预测分类值为0时，管焊焊接图片为管焊焊点图片；其中，预测分类值为0表示分类类型为上坡口，预测分类值为1表示分类类型为下坡口。
[0021]本专利技术第二方面，提供一种管焊焊缝特征点检测系统，包括：数据获取模块，用于获取管焊焊接图片；模型处理模块，用于将管焊焊本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种管焊焊缝特征点读取方法，其特征在于，包括：获取管焊焊接图片；将管焊焊接图片输入至管焊焊缝特征点检测模型，得到管焊焊接图片的特征点预测框的预测分类值以及特征点预测框的坐标；其中，管焊焊缝特征点检测模型基于改进yolov5模型训练得到，改进yolov5模型通过将yolov5模型的第四层和第六层替换为深度可分离卷积层，以及将第八层替换为空洞卷积层得到；根据特征点预测框的预测分类值得到焊缝特征点的类型，以及根据特征点预测框的坐标得到焊缝特征点的坐标。2.根据权利要求1所述的管焊焊缝特征点读取方法，其特征在于，所述管焊焊缝特征点检测模型通过下述方式得到：获取若干管焊焊接初始图片，并将若干管焊焊接初始图片进行标准化处理和数据增强处理，得到若干管焊焊接训练图片；采用上坡口和下坡口两类标签分别对各管焊焊接训练图片进行标注，得到各管焊焊接训练图片的标注标签；构建改进yolov5模型，并通过若干管焊焊接训练图片和各管焊焊接训练图片的标注标签训练改进yolov5模型，得到管焊焊缝特征点检测模型。3.根据权利要求2所述的管焊焊缝特征点读取方法，其特征在于，所述标准化处理包括：通过下式分别对各管焊焊接初始图片进行标准化处理：其中，y
i
为管焊焊接初始图片第i个像素点标准化处理后的像素值，x
i
为管焊焊接初始图片第i个像素点的像素值，mean为管焊焊接初始图片各像素点的像素值均值，n为管焊焊接初始图片的像素点个数，std为管焊焊接初始图片各像素点的像素值标准差，4.根据权利要求2所述的管焊焊缝特征点读取方法，其特征在于，所述数据增强处理包括mosaic数据增强处理和mixup数据增强处理中的一种或两种。5.根据权利要求1所述的管焊焊缝特征点读取方法，其特征在于，所述通过若干管焊焊接训练图片和各管焊焊接训练图片的标注标签训练改进yolov5模型时，采用的损失函数L如下：L＝L
CIoU
+1+2其中，L
CIoU
为矩形框损失，IoU为管焊焊接训练图片的特征点预测框与特征点标注框的交并比，d为管焊焊接训练图片的特征点预测框中心与特征点标注框中心之间的距离，c为覆盖管焊焊接训练图片的特征点预测框和特征点标注框的最小框的对角线长度；其中，w
gt
为管焊焊接训练图片的特征点标注框
的宽度，h
gt
为管焊焊接训练图片的特征点标注框的高度，w为管焊焊接训练图片的特征点预测框的宽度，h为管焊焊接训练图片的特征点预测框的高度，α为过程参数，L1为分类损失，y1为管焊焊接训练图片的特征点预测框的真实分类值，p1为管焊焊接训练图片的特征点预测框的预测分类值与真实分类值相同的概率，γ为预设的第一衰减因子，为预设的第二衰减因子；L2为置信度损失，y2为管焊焊接训练图片的特征点预测框的真实置信度值，p2为管焊焊接训练图片的特征点预测框的预测置信度值。6.根据权利要求1所述的管焊焊缝特征点读取方法，其特征在于，所...

【专利技术属性】
技术研发人员：杨莹，刘鼎，王聪聪，景岩，
申请(专利权)人：西咸新区大熊星座智能科技有限公司，
类型：发明
国别省市：