一种用于激光切割机的焊缝识别方法及识别系统技术方案

本发明专利技术提供一种用于激光切割机的焊缝识别方法及识别系统，本发明专利技术涉及激光切割机技术领域，方法包括：采集标准工件的图像数据；对图像数据进行筛选及扩充，再对筛选及扩充后的图像数据进行分类和标识操作，形成图像数据集；提取图像数据，按预设分配比例划分为训练集和测试集；搭建基于焊缝识别的深度学习模型，并基于训练集和测试集对深度学习模型进行训练，得到焊缝识别模型；将加工工件安装到检测区域，读取加工工件信息；采集加工工件的图像数据，并基于焊缝识别模型识别出感兴趣区域图像数据中的焊缝信息。本发明专利技术实现工件焊缝的自动识别，提高了激光切割前对焊缝识别的效率，而且基于训练好的识别模型，提高了识别的精度。提高了识别的精度。提高了识别的精度。

【技术实现步骤摘要】
一种用于激光切割机的焊缝识别方法及识别系统


[0001]本专利技术涉及激光切割机
，尤其涉及一种用于激光切割机的焊缝识别方法及识别系统。

技术介绍

[0002]焊缝是利用焊接热源的高温，将焊条和接缝处的金属熔化连接而成的缝。焊缝金属冷却后，即将两个焊件连接成整体。焊缝在物理结构上与原始材料具有极大差异，考虑到刚性和外观，在加工管材时需要对焊缝进行避让或特殊处理。因此，在激光切割领域同样有焊缝识别的需求。
[0003]目前现有技术中，在激光切割管切机在切管时，需要确定管材上是否有焊缝，如果有焊缝，为了避免切割到焊缝，需要人工观测管材是否具有焊缝，再控制激光切割管切机对焊缝的避让，而目前无法自动识别管材上是否有焊缝，导致需要由人工进行观测。而且如果未能及时的观测是否有焊缝，则容易导致切割到焊缝，进而影响加工工艺的顺利进行。
[0004]而且目前的焊缝识别，比如申请号为：201911224966.2公开的一种管道焊缝自动识别、缺陷检测方法及装置，所述方法包括如下步骤：步骤S1，对不同类型的焊缝，不同尺寸的焊缝底片进行搜集，建立焊缝射线底片图像数据库，其中包括含有典型缺陷的以及无缺陷的图像；步骤S2，对采集的焊缝射线底片图像进行预处理，形成训练样本集；步骤S3，搭建深度神经网络模型，利用所述训练样本集对焊缝提取、文字识别以及缺陷定位分别进行训练；步骤S4，获取焊缝射线底片图像并进行预处理，将预处理后的图像输入训练好的所述深度神经网络模型，提取所述焊缝射线底片图像中的焊缝区域、文字信息以及缺陷信息。其目的是为了自动化焊缝识别，检测焊缝的缺陷，未公开如何与激光切割管进行配合使用，而且也无法有效的识别管材上是否有焊缝的信息。

技术实现思路

[0005]现有技术中，虽然公开了管道焊缝的自动识别和缺陷的检测，但是，现有技术涉及的管道焊缝自动识别和检测无法与激光切割机配合使用，二者是独立使用的两套系统，使得激光切割机在切割有焊缝的管道时，无法进行焊缝的自动识别，造成激光切割机难以满足切割工艺的需求。基于上述问题，本专利技术提供了一种用于激光切割机的焊缝识别方法，方法在激光切割机上配置焊缝识别系统，在执行激光切割工艺时，可以自动识别管材是否具有焊缝，而且对识别模型进行动态调整，保证焊缝识别模型的精度和准确性，满足切割工艺要求。
[0006]方法包括：步骤101：标定检测区域，将标准工件设置在检测区域，并采集标准工件的图像数据；步骤102：对图像数据进行筛选及扩充，再对筛选及扩充后的图像数据进行分类和标识操作，形成图像数据集；
步骤103：按预设提取比例从图像数据集中提取图像数据，对提取的图像数据进行封装，并将封装后的图像数据集按预设分配比例划分为训练集和测试集；步骤104：搭建基于焊缝识别的深度学习模型，并基于训练集和测试集对深度学习模型进行训练，得到焊缝识别模型；步骤105：将加工工件安装到检测区域，读取加工工件信息，并根据加工工件信息配置感兴趣区域；步骤106：根据预设图像采集进程，采集加工工件的图像数据，并基于焊缝识别模型识别出感兴趣区域图像数据中的焊缝信息。
[0007]进一步需要说明的是，步骤101还包括：将标准工件安装到卡盘上，并延伸出额定距离，设置检测区域；设定标准工件信息，根据标准工件信息定义标准工件旋转方式以及预设图像采集进程。
[0008]进一步需要说明的是，步骤102中的图像数据分类方式包括：判断图像数据中是否具有焊缝，并提取有焊缝的图像数据进行归类储存，形成有焊缝图像数据集；将有无焊缝的图像数据进行归类储存，形成有无焊缝图像数据集。
[0009]进一步需要说明的是，步骤102中的图像数据标识方式包括：将有焊缝的图像数据中的焊缝位置进行掩码，并进行定位标记。
[0010]进一步需要说明的是，步骤103还包括：按预设提取比例从焊缝图像数据集中提取有焊缝图像数据以及从无焊缝图像数据集中提取无焊缝图像数据；将提取的有焊缝图像数据和无焊缝图像数据进行封装；将封装后的图像数据集按预设分配比例划分为训练集和测试集。
[0011]进一步需要说明的是，步骤104还包括：深度学习模型包括：卷积层、池化层、全连接层和残差结构；通过训练集对深度学习模型进行训练，并通过调节训练变量的方式，调整训练一个参数，循环迭代训练深度学习模型，并利用二分法寻求深度学习模型输出的最优解；再通过测试机并结合测试集对深度学习模型进行性能测试及评估，如满足测试条件，则定义该深度学习模型为焊缝识别模型。
[0012]进一步需要说明的是，步骤105还包括：读取自动上料机的运行状态，在接收到加工工件到位信号后，启动焊缝识别进程；读取加工工件信息，加工工件信息包括：加工工件的类型，加工工件的长度、宽度、高度、壁厚、直径信息和焊缝角度；根据加工工件信息配置感兴趣区域。
[0013]进一步需要说明的是，方法中，预设图像采集进程包括方管图像采集进程；方管图像采集进程的执行方式包括：对方管的感兴趣区域进行图像采集；采集到第一张图像数据之后，对方管旋转90
°
，再采集第二张图像数据，依次类推将方管的四个面均进行图像采集；将采集的方管图像数据输入至焊缝识别模型，识别出图像数据中的焊缝信息。
[0014]进一步需要说明的是，预设图像采集进程还包括圆管图像采集进程；
圆管图像采集进程的执行方式包括：按照额定速率旋转圆管，并按照预设时间间隔对圆管的感兴趣区域进行图像采集，直至圆管旋转一周；将采集的圆管图像数据输入至焊缝识别模型，识别出图像数据中的焊缝信息。
[0015]本专利技术还提供一种用于激光切割机的焊缝识别系统，系统包括：检测标定模块、图像数据预处理模块、提取分配模块、模型搭建模块、工件信息配置模块以及工件检测模块；检测标定模块，用于标定检测区域，将标准工件设置在检测区域，并采集标准工件的图像数据；图像数据预处理模块，用于对图像数据进行筛选及扩充，再对筛选及扩充后的图像数据进行分类和标识操作，形成图像数据集；提取分配模块，用于按预设提取比例从图像数据集中提取图像数据，对提取的图像数据进行封装，并将封装后的图像数据集按预设分配比例划分为训练集和测试集；模型搭建模块，用于搭建基于焊缝识别的深度学习模型，并基于训练集和测试集对深度学习模型进行训练，得到焊缝识别模型；工件信息配置模块，用于将加工工件安装到检测区域，读取加工工件信息，并根据加工工件信息配置感兴趣区域；工件检测模块，用于根据预设图像采集进程，采集加工工件的图像数据，并基于焊缝识别模型识别出感兴趣区域图像数据中的焊缝信息。
[0016]从以上技术方案可以看出，本专利技术具有以下优点：本专利技术提供的焊缝识别方法可以对加工工件进行焊缝的自动识别，可以配合激光切割机的加工工艺来进行自动启动，满足自动运行的要求。识别前可以先对深度学习模型进行多次迭代训练，而且训练过程使用了标准工件的图像数据构成的训练集和测试集，对模型的批处理大小、学习率、迭代次数以及其它参数进行动态调整，保存测试精度最高的深度学习模型，形成焊缝识别模型。保证本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于激光切割机的焊缝识别方法，其特征在于，方法包括：步骤101：标定检测区域，将标准工件设置在检测区域，并采集标准工件的图像数据；步骤102：对图像数据进行筛选及扩充，再对筛选及扩充后的图像数据进行分类和标识操作，形成图像数据集；步骤103：按预设提取比例从图像数据集中提取图像数据，对提取的图像数据进行封装，并将封装后的图像数据集按预设分配比例划分为训练集和测试集；步骤104：搭建基于焊缝识别的深度学习模型，并基于训练集和测试集对深度学习模型进行训练，得到焊缝识别模型；步骤105：将加工工件安装到检测区域，读取加工工件信息，并根据加工工件信息配置感兴趣区域；步骤106：根据预设图像采集进程，采集加工工件的图像数据，并基于焊缝识别模型识别出感兴趣区域图像数据中的焊缝信息。2.根据权利要求1所述的用于激光切割机的焊缝识别方法，其特征在于，步骤101还包括：将标准工件安装到卡盘上，并延伸出额定距离，设置检测区域；设定标准工件信息，根据标准工件信息定义标准工件旋转方式以及预设图像采集进程。3.根据权利要求1所述的用于激光切割机的焊缝识别方法，其特征在于，步骤102中的图像数据分类方式包括：判断图像数据中是否具有焊缝，并提取有焊缝的图像数据进行归类储存，形成有焊缝图像数据集；将有无焊缝的图像数据进行归类储存，形成有无焊缝图像数据集。4.根据权利要求3所述的用于激光切割机的焊缝识别方法，其特征在于，步骤102中的图像数据标识方式包括：将有焊缝的图像数据中的焊缝位置进行掩码，并进行定位标记。5.根据权利要求3所述的用于激光切割机的焊缝识别方法，其特征在于，步骤103还包括：按预设提取比例从焊缝图像数据集中提取有焊缝图像数据以及从无焊缝图像数据集中提取无焊缝图像数据；将提取的有焊缝图像数据和无焊缝图像数据进行封装；将封装后的图像数据集按预设分配比例划分为训练集和测试集。6.根据权利要求1或2所述的用于激光切割机的焊缝识别方法，其特征在于，步骤104还包括：深度学习模型包括：卷积层、池化层、全连接层和残差结构；通过训练集对深度学习模型进行训练，并通过调节训练变量的方式，调整训练一个参数，循环迭代训练深度学习模型，并利用二分法寻求深度学习模型输出的最优解；再通过测试机并结合测试集对深度学习模型进行性能测试及评估，如满足测试...

【专利技术属性】
技术研发人员：石立，王爽，彭利，于飞，
申请(专利权)人：济南邦德激光股份有限公司，
类型：发明
国别省市：