【技术实现步骤摘要】
焊缝图像的激光条纹提取方法、系统、设备及存储介质
[0001]本专利技术属于图形数据读取领域,涉及一种焊缝图像的激光条纹提取方法、系统、设备及存储介质。
技术介绍
[0002]焊接是一种将多个工件连接成一个整体的重要制造工艺,在汽车制造业、造船业及航空航天业等工业领域有着广泛的应用。近年来随着经济的高速发展,对于焊接的质量及焊接的效率均提出了更高的要求,传统的手工焊接方式,受限于技术水平,恶劣的焊接环境等客观和主观因素,已经不能满足现代化制造业的需求,智能焊接机器人的应用解决了上述问题,大大提高了焊接的质量与效率。
[0003]智能焊接机器人的关键技术是获取焊缝信息从而来指导机器人完成焊接工作。目前,基于激光的结构光视觉的焊缝跟踪方案由于抗干扰性好,测量精度高等特点被广泛采用。基于激光的结构光视觉的方案通过激光发生器向工件表面投射激光产生激光结构光平面,形成激光条纹,然后通过工业摄像机采集焊缝图像,由焊缝读取方法对图像数据进行读取,分割出焊缝,最后由特征提取方法提取焊缝信息,为焊缝跟踪系统提供参数指引机器人完成焊接。
[0004]但是,由于在实际的焊接过程中会产生大量的弧光、飞溅和烟雾等噪声,导致采集到的图像数据充斥着大量的图像噪声,对焊缝的分割提出了极大的挑战,传统的基于图像处理的分割方法极易受到图像中强烈噪声的影响,导致分割精度降低,而基于深度学习的方法虽然取得了较好的精度,但是由于计算量大,反应速度慢,成本高等缺点难以应用到实际的生产环境。
技术实现思路
[0005]本专利技术的 ...
【技术保护点】
【技术特征摘要】
1.一种焊缝图像的激光条纹提取方法,其特征在于,包括:获取焊缝图像,以及将焊缝图像输入预设的激光条纹提取模型中进行激光条纹提取,得到焊缝图像的激光条纹掩码图像;将焊缝图像与激光条纹掩码图像进行与运算,得到焊缝图像的激光条纹;其中,激光条纹提取模型通过训练轻量化特征提取模型得到;所述轻量化特征提取模型包括编码器、稀疏自注意力层、解码器和分割头;编码器包括依次连接的第一编码层、第二编码层、第三编码层和第四编码层,稀疏自注意力层包括依次连接的第一卷积单元和多头注意力机制层,解码器包括依次连接的第一解码层、第二解码层、第三解码层和第四解码层;第一编码层的输出与第四解码层的输入连接;第二编码层的输出与第三解码层的输入连接;第三编码层的输出与第二解码层的输入连接;第四编码层的输出与第一解码层的输入连接;第四编码层的输出与第一卷积单元的输入连接,多头注意力机制层的输出与第一解码层的输入连接;第四解码层的输出与分割头的输入连接;第一编码层、第二编码层、第三编码层、第四编码层以及第一解码层均包括依次连接的第二卷积单元和动态压缩多层感知机;动态压缩多层感知机包括依次连接的深度卷积层、第一归一化层、第一多层感知机、第二多层感知机和第一激活层;第一卷积单元、第二卷积单元、第二解码层、第三解码层、第四解码层、深度卷积层和分割头均通过卷积块构建。2.根据权利要求1所述的焊缝图像的激光条纹提取方法,其特征在于,训练轻量化特征提取模型时,采用如下的损失函数提取模型时,采用如下的损失函数其中,其中,其中,为输入当前焊缝图像后轻量化特征提取模型输出的激光条纹掩码图像的像素值矩阵,y为当前焊缝图像的人工标注激光条纹掩码图像的像素值矩阵;y
i
为y中的第i个元素值;n为和y中的元素值总数;|Q|为矩阵Q中非零元素值的个数,和y中的元素值总数;|Q|为矩阵Q中非零元素值的个数,或y;y
i
=0或1;其中,y
i
=1表示轻量化特征提取模型输出的激光条纹掩码图像的第i个像素点为激光条纹像素点,y
i
=0表示轻量化特征提取模型输出的激光条纹掩码图像的第i个像素点为背景像素点;为中的第i个元素值,或1;其中,表示人工标注激光条纹掩码图像的第i个像素点为激光条纹像素点,表示人工标注激光条纹掩码图像的第i个像素点为背景像素点。3.根据权利要求2所述的焊缝图像的激光条纹提取方法,其特征在于,训练轻量化特征提取模型时,利用反向传播更新轻量化特征提取模型的模型参数。4.根据权利要求1所述的焊缝图像的激光条纹提取方法,其特征在于,所述第一卷积单元、第二编码层的第二卷积单元、第三编码层的第二卷积单元、第四编码层的第二卷积单元以及第一解码层的第二卷积单元均为2
×
2卷积块;所述第一编码层的第二卷积单元为4
×
4卷积块;所述第二解码层、第三解码层以及第四解码层均为3
×
3卷积块,所述分割头为1
×
1卷积块。5.根据权利要求1所述的焊缝图像的激光条纹提取方法,其特征在于,所述深度卷积层
为3
×
【专利技术属性】
技术研发人员:王聪聪,陈佳,石凡,赵萌,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:
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。