【技术实现步骤摘要】
本专利技术属于焊接质量检测，具体涉及一种超声波与机器视觉协同的焊缝质量评估系统及方法。
技术介绍
1、焊接质量检测在钢结构、压力容器、管道等工业领域中具有重要意义。焊缝质量直接影响到结构的强度和安全性，因此，对焊缝缺陷的检测和评估至关重要。目前，常用的焊缝检测方法包括超声波检测、x射线检测、磁粉检测等。其中，超声波检测因其能够高效、准确地检测焊缝内部缺陷(如裂纹、气孔、夹杂物等)而被广泛应用。超声波通过发射声波并分析反射波的信号，可以清晰地揭示焊缝中的深层缺陷，广泛应用于焊接质量的初步评估和缺陷定位。
2、与此不同，机器视觉技术则主要用于检测焊缝的表面缺陷。通过高分辨率相机拍摄焊缝图像，并结合图像处理算法，可以识别焊缝表面的裂纹、气孔、飞溅等缺陷。随着深度学习技术的快速发展，卷积神经网络(cnn)等深度学习方法已被广泛应用于焊缝表面缺陷的自动检测。机器视觉系统的优点在于其高效性和自动化，尤其在表面缺陷的快速检测中具有显著优势。然而，机器视觉系统在实际应用中存在一定的挑战，其中最主要的问题是缺陷分类的准确性依赖于训练数据集的质量。在机器视觉的训练过程中，人工标注焊缝缺陷数据集常常面临误分类和标注不准确的问题。这是因为人工标注受到主观因素、经验限制以及焊缝缺陷类型多样性的影响，从而导致数据集中的标签可能存在错误或不一致，进而影响深度学习模型的训练效果和识别精度。
技术实现思路
1、针对现有技术中存在的人工分类误差和深度学习模型训练数据不准确等不足问题，本专利技术提供一种超声
2、为了实现上述目的，本专利技术的具体方案如下：
3、超声波与机器视觉协同的焊缝质量评估系统，包括用于焊缝的初步质量划分与缺陷判断的超声检测系统和用于焊缝质量检测与质量评估的机器视觉系统；
4、所述超声检测系统包括：
5、超声波探头，用于检测焊缝中的缺陷类型；
6、超声波检测仪，用于发射和接收超声波探头的信号，处理回波信号并计算时间延迟和强度，判断焊缝的质量等级；
7、信号处理与分析模块，用于信号的数字化处理、回波信号分析和缺陷判断，并根据回波强度和形态判定焊缝的质量等级；
8、所述机器视觉系统包括图像采集模块、数据处理系统和用户界面；
9、图像采集模块，用于采集已被超声检测系统进行过质量划分和缺陷检测的焊缝缺陷图像；
10、数据处理模块，用于将图像采集模块采集到的焊缝缺陷图像进行预处理、深度学习模型训练、缺陷分类与质量评估；
11、用户界面，用于调整系统设置、查看历史数据以及查看和显示数据处理系统处理后的检测结果和生成报告。
12、进一步地，所述数据处理系统包括：
13、图像处理单元，用于图像降噪和图像增强；
14、深度学习训练单元，用于将深度学习模型对预处理后的焊缝缺陷图像进行训练和学习；
15、缺陷分类及质量评估单元，用于基于深度学习进行焊缝缺陷分类及质量评估。
16、进一步地，所述用户界面包括：
17、图像显示单元，用于实时显示机器视觉系统采集到的焊缝缺陷图像和分析结果；
18、缺陷标注与反馈单元，用于显示识别和标注有缺陷位置和缺陷类型的焊缝缺陷图像；
19、质量评估显示单元，用于显示焊缝图像中的焊缝缺陷质量等级和缺陷信息；
20、报告生成与导出单元，用于记录、生成、导出或打印焊缝缺陷图像的缺陷检测报告。
21、一种使用所述系统系统进行超声波与机器视觉协同的焊缝缺陷检测与质量评估方法，包括以下步骤：
22、s1,通过超声波检测系统进行初步检测，判断焊缝内是否存在气孔、裂纹或夹杂物的缺陷，并根据回波信号的强度和回波形态划分焊缝质量等级和根据回波的强度对比、回波形态分析以及时间延迟进行焊缝缺陷判断；
23、s2,通过图像采集模块采集步骤s1所述超声检测系统进行过焊缝质量划分和缺陷检测的焊缝缺陷图像；
24、s3,对步骤s2采集到的焊缝缺陷图像通过数据处理模块进行图像预处理，并对焊缝缺陷图像的缺陷区域进行打缺陷标签后输入到深度学习模型中进行训练和识别，自动对焊缝缺陷图像进行特征提取、缺陷分类识别和质量评估后，再通过深度学习模型分析结果，输出焊缝质量等级和缺陷类型；
25、s4，通过建立用户界面实时展示步骤3所述焊缝缺陷图像的分析结果、缺陷标签、焊缝质量等级和缺陷类型，并自动生成检测报告。
26、进一步地，所述焊缝缺陷图像的训练和识别包括以下步骤：
27、步骤1.将步骤3所述图像预处理的焊缝缺陷图像输入到深度学习模型中，并将焊缝缺陷图像划分为若干网格，每个网格会预测一个焊缝缺陷的类别和位置；
28、步骤2.每个卷积层根据输入焊缝缺陷图像的特征进行学习，通过训练逐步优化卷积核，提取有效的特征；
29、步骤3.在经过多次卷积层、池化层和激活层的处理后，通过深度学习模型输出每个网格的预测信息，并通过深度学习模型最终输出划分焊缝质量等级和标注缺陷类型。
30、进一步地，所述焊缝质量等级划分为a级、b级、c级和d级，a级表示为无缺陷或非常小的缺陷，b级表示为轻微缺陷，c级表示为中等缺陷，d级表示为严重缺陷；所述缺陷标签为1d和0c，1d表示该焊缝在检测时质量等级为严重缺陷，缺陷类型为裂纹；0c表示该焊缝在检测时质量等级为中等缺陷，缺陷类型为气孔。
31、本专利技术的优点
32、与现有技术相比，本专利技术的优点为：
33、1、本专利技术的超声波与机器视觉协同的焊缝质量评估系统及方法通过超声波检测系统检测的结果为深度学习模型提供更精确的训练数据，消除了人工标注的误差和主观偏差，从而优化了深度学习训练过程。利用超声波检测系统提供的准确质量划分作为监督信号，帮助深度学习模型快速收敛，避免低质量或错误数据对训练效果的负面影响，从而提高了检测效率。
34、2、本专利技术随着深度学习模型的不断优化，实现了从依赖超声波检测系统检测到完全依赖机器视觉系统进行焊缝缺陷检测的转变。初期，超声波检测系统提供精确的内部缺陷划分和高质量的训练数据；随着改进的深度学习模型性能的提升，机器视觉系统逐渐能够独立完成缺陷识别，降低对超声波的依赖，减少系统成本和复杂度。
本文档来自技高网...【技术保护点】
1.超声波与机器视觉协同的焊缝质量评估系统，其特征在于，包括用于焊缝初步质量划分与缺陷判断的超声检测系统和用于焊缝质量检测与质量评估的机器视觉系统；
2.如权利要求1所述的系统，其特征在于，所述数据处理系统包括：
3.如权利要求1所述的系统，其特征在于，所述用户界面包括：
4.一种使用权利要求1至3中任意一项所述系统系统进行超声波与机器视觉协同的焊缝缺陷检测与质量评估方法，其特征在于，包括以下步骤：
5.如权利要求4所述方法，其特征在于，所述焊缝缺陷图像的训练和识别包括以下步骤：
6.如权利要求4所述方法，其特征在于，所述焊缝质量等级划分为A级、B级、C级和D级，A级表示为无缺陷或非常小的缺陷，B级表示为轻微缺陷，C级表示为中等缺陷，D级表示为严重缺陷；所述缺陷标签为1D和0C，1D表示该焊缝在检测时质量等级为严重缺陷，缺陷类型为裂纹；0C表示该焊缝在检测时质量等级为中等缺陷，缺陷类型为气孔。
【技术特征摘要】
1.超声波与机器视觉协同的焊缝质量评估系统，其特征在于，包括用于焊缝初步质量划分与缺陷判断的超声检测系统和用于焊缝质量检测与质量评估的机器视觉系统；
2.如权利要求1所述的系统，其特征在于，所述数据处理系统包括：
3.如权利要求1所述的系统，其特征在于，所述用户界面包括：
4.一种使用权利要求1至3中任意一项所述系统系统进行超声波与机器视觉协同的焊缝缺陷检测与质量评估方法，其特征在于，包括以下...
【专利技术属性】
技术研发人员：谢开仲，周世鹏，张涛，谢启基，陈永贵，胡世凯，尹聪，富畅，龙泽明，
申请(专利权)人：广西大学，
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。