一种焊缝表面质量检测方法及计算机可读存储介质技术

本发明专利技术公开了一种焊缝表面质量检测方法及计算机可读存储介质，属于焊接质量无损检测领域，包括：(S1)将利用线结构光相机沿焊缝长度方向采集的各焊缝截面处的轮廓高度数据进行预处理；预处理包括去除0值、离群点和高斯噪声；(S2)将经过预处理的轮廓高度数据输入至预训练好的深度置信网络，以判断各焊缝截面处是否存在缺陷；(S3)将存在缺陷且连续分布的焊缝截面识别为同一个缺陷的分布范围，将各缺陷分布范围内经过预处理的轮廓高度数据拼接为对应的缺陷三维点云数据；(S4)将各缺陷三维点云数据输入至训练好的焊缝缺陷检测网络，得到焊缝表面各缺陷的类型。本发明专利技术对焊缝质量检测工序进行了优化，提高了焊缝表面质量检测的效率和准确度。和准确度。和准确度。

【技术实现步骤摘要】
一种焊缝表面质量检测方法及计算机可读存储介质


[0001]本专利技术属于焊接质量无损检测领域，更具体地，涉及一种焊缝表面质量检测方法及计算机可读存储介质。

技术介绍

[0002]焊接技术广泛应用于汽车制造和轨道列车制造等领域，而由于焊接过程中的干扰与焊接环境的不稳定会导致焊接过程中出现偶然的缺陷，如咬边、气孔、未熔合、夹杂、气孔、裂纹等，而存在焊接缺陷的焊缝会导致焊接工件的质量与性能降低而无法达到其应用要求。出于对汽车和轨道列车的服务对象的安全性与应用场景的特殊性考虑，需保证其焊接焊缝的质量。通常情况下，车辆生产车间会在工件焊接完成后对焊后的焊缝进行质量检测，综合检测焊缝的成形尺寸与焊缝中存在的缺陷，若焊缝质量不合格则将其进行返修或补焊等操作，以提高工件的服役寿命、成品率与成良率。但目前大部分工厂的焊缝质量检测工序都是人工操作完成，其需要受过专业培训的质检人通过人眼与专业检测设备对焊缝进行检测，不仅耗时耗力，且检测结果具有较强的主观性。
[0003]为解决人工质检中存在的效率低下、检测结果主观等问题，研究人员提出了解决方案。在中国专利技术专利CN115229374A中公开了一种基于深度学习的汽车车身焊缝质量检测方法，该方法通过将采集到的车身三维点云分割出焊缝后将分割得到的焊缝点云输入训练好的深度学习模型中对焊缝质量进行检测。在中国专利技术专利说明书CN115290656A中公开了一种基于线结构光的焊缝表面缺陷检测与分类方法，该方法通过线结构光相机采集到的焊缝原始轮廓曲线进行滤波和拟合判断焊缝当前位置是否存在缺陷并对缺陷进行分类和缺陷尺寸大小的计算。在中国专利技术专利说明书CN114740006A中公开了一种基于3D视觉传感的焊件表面缺陷在线检测方法，该方法通过获取焊件表面的坐标数据进而将其划分为焊缝和组件，随后根据焊缝截面形貌识别焊件表面的缺陷。
[0004]以上焊后焊缝表面缺陷检测方案和技术多通过线结构光相机、面结构光相机或CCD相机获取工件焊缝的图片或3维坐标信息，通过非接触式的手段对焊缝表面质量进行检测，既提高了生产效率，降低了生产成本，又为工厂的智能化生产提供了有效的解决办法。但现有技术多根据获取到的焊缝图片或焊缝轮廓数据进行简单的处理和拟合，或者直接将采集到的数据灌入神经网络中，导致检测结果的准确度和精度不能得到保证。

技术实现思路

[0005]针对现有技术的缺陷和改进需求，本专利技术提供了一种焊缝表面质量检测方法及计算机可读存储介质，其目的在于，通过激光视觉与深度学习结合的方式对焊缝质量检测工序进行优化，在提高检测效率的同时，有效提高焊缝表面质量检测结果的准确度。
[0006]为实现上述目的，按照本专利技术的一个方面，提供了一种焊缝表面质量检测方法，包括如下步骤：
[0007](S1)将利用线结构光相机沿焊缝长度方向采集的各焊缝截面处的轮廓高度数据
进行预处理；预处理包括去除0值、离群点和高斯噪声；
[0008](S2)将经过预处理的轮廓高度数据输入至预训练好的深度置信网络，以判断各焊缝截面处是否存在缺陷；
[0009](S3)将存在缺陷且连续分布的焊缝截面识别为同一个缺陷的分布范围，将各缺陷分布范围内经过预处理的轮廓高度数据拼接为对应的缺陷三维点云数据；
[0010](S4)将各缺陷三维点云数据输入至训练好的焊缝缺陷检测网络，得到焊缝表面各缺陷的类型；
[0011]其中，深度置信网络用于为深度学习网络，用于判断轮廓高度数据对应的焊缝截面是否存在缺陷；焊缝缺陷检测网络为深度学习网络，用于根据缺陷三维点云数据预测缺陷的类型。
[0012]进一步地，步骤(S1)中，预处理还包括：数据对齐；
[0013]数据对齐包括：计算当前焊缝截面的轮廓高度数据相对于上一个焊缝截面轮廓高度数据的运动矢量V
M
，并将当前焊缝截面的轮廓高度数据偏移V
M
，使当前焊缝的截面高度数据与上一个焊缝截面的高度数据对齐。
[0014]进一步地，步骤(S1)中，预处理还包括：焊缝区域截取；
[0015]焊缝区域截取包括：以焊缝截面左、右端点的中点为焊缝区域的中点，截取对应的轮廓高度数据中宽度为w的区域，作为当前焊缝截面处的焊缝区域；
[0016]其中，w＝εw0，w0表示标准焊缝熔宽，ε为大于1的系数。
[0017]进一步地，步骤(S3)中，在将各缺陷分布范围内经过预处理的轮廓高度数据拼接为对应的缺陷三维点云数据之前，还包括：去掉缺陷长度方向尺寸小于最小检测标准的缺陷。
[0018]进一步地，步骤(S3)中，将存在缺陷且连续分布的焊缝截面识别为同一个缺陷的分布范围，包括：
[0019]根据L
i
＝nδ计算缺陷长度L
i
；
[0020]将存在缺陷且连续分布的焊缝截面沿焊缝长度方向的中心确定缺陷沿焊缝长度方向分布的中心位置P
i
；
[0021]将确定为缺陷沿焊缝长度方向的分布范围；
[0022]其中，n表示在缺陷且连续分布的焊缝截面数量，δ表示相邻两个焊缝截面之间的距离；ΔL表示预设的长度。
[0023]进一步地，焊缝缺陷检测网络根据缺陷三维点云数据预测的缺陷的类型包括：表面气孔、表面凹陷、未熔合、咬边、裂纹、焊瘤和假缺陷；假缺陷用于表示当前输入的缺陷三维点云数据中实际上不存在缺陷。
[0024]进一步地，焊缝缺陷检测网络为PointNet++模型。
[0025]进一步地，深度置信网络包括依次连接的一个输入层、多个受限玻尔兹曼机层和一个反向传播神经网络层。
[0026]进一步地，在步骤(S1)之后，还包括：根据预处理之后的焊缝截面的轮廓高度数据计算焊缝的外形特征尺寸；
[0027]并且，在步骤(S3)之后，还包括：根据缺陷三维点云数据计算各缺陷的三维尺度信
息；
[0028]并且，在步骤(S4)之后，还包括：结合焊缝的外形特征尺寸、各缺陷的三维尺度信息以及各缺陷的类型，判断当前焊缝质量属于合格或需进行返修。
[0029]按照本专利技术的又一个方面，提供了一种计算机可读存储介质，包括存储的计算机程序；计算机程序被处理器执行时控制计算机可读存储介质所在设备执行本专利技术提供的焊缝表面质量检测方法。
[0030]总体而言，通过本专利技术所构思的以上技术方案，能够取得以下有益效果：
[0031](1)本专利技术提供的焊缝表面质量检测方法，先利用深度置信网络从线结构光相机采集的轮廓高度数据判断出存在缺陷的焊缝截面，并进一步基于缺陷判断结果从焊缝轮廓数据中准确提取各缺陷的三维点云，之后利用焊缝缺陷检测网络根据各缺陷的三维点云检测出具体的缺陷类型，由于输入焊缝缺陷检测网络的三维点云数据在包含完整的缺陷信息的基础上去掉了与缺陷关联性较小的数据，使得焊缝缺陷检测网络能够准确获取缺陷的具体特征，有效提高焊缝缺陷类型的检测准确度，同时，能够减少网络处理的数据量，有效提高检测效率。总的来说，本专利技术通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种焊缝表面质量检测方法，其特征在于，包括如下步骤：(S1)将利用线结构光相机沿焊缝长度方向采集的各焊缝截面处的轮廓高度数据进行预处理；所述预处理包括去除0值、离群点和高斯噪声；(S2)将经过预处理的轮廓高度数据输入至预训练好的深度置信网络，以判断各焊缝截面处是否存在缺陷；(S3)将存在缺陷且连续分布的焊缝截面识别为同一个缺陷的分布范围，将各缺陷分布范围内经过预处理的轮廓高度数据拼接为对应的缺陷三维点云数据；(S4)将各缺陷三维点云数据输入至训练好的焊缝缺陷检测网络，得到焊缝表面各缺陷的类型；其中，所述深度置信网络用于为深度学习网络，用于判断轮廓高度数据对应的焊缝截面是否存在缺陷；所述焊缝缺陷检测网络为深度学习网络，用于根据缺陷三维点云数据预测缺陷的类型。2.如权利要求1所述的焊缝表面质量检测方法，其特征在于，所述步骤(S1)中，所述预处理还包括：数据对齐；所述数据对齐包括：计算当前焊缝截面的轮廓高度数据相对于上一个焊缝截面轮廓高度数据的运动矢量V
M
，并将当前焊缝截面的轮廓高度数据偏移V
M
，使当前焊缝的截面高度数据与上一个焊缝截面的高度数据对齐。3.如权利要求2所述的焊缝表面质量检测方法，其特征在于，所述步骤(S1)中，所述预处理还包括：焊缝区域截取；所述焊缝区域截取包括：以焊缝截面左、右端点的中点为焊缝区域的中点，截取对应的轮廓高度数据中宽度为w的区域，作为当前焊缝截面处的焊缝区域；其中，w＝εw0，w0表示标准焊缝熔宽，ε为大于1的系数。4.如权利要求1～3任一项所述的焊缝表面质量检测方法，其特征在于，所述步骤(S3)中，在将各缺陷分布范围内经过预处理的轮廓高度数据拼接为对应的缺陷三维点云数据之前，还包括：去掉缺陷长度方向尺寸小于最小检测标准的缺陷。5.如权利要求4所述的...

【专利技术属性】
技术研发人员：蒋平，邹刚，舒乐时，李斌，吴文迪，程思，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：