[发明专利]基于机器学习的激光焊接在线缺陷识别方法

权利要求书

1.一种基于机器学习的激光焊接在线缺陷识别方法，按照下列步骤进行：

步骤1：用于激光焊接缺陷识别的机器学习平台上，预设可焊穿当前工件的工艺参数进行机器学习所需的激光焊接实验；

步骤2：在步骤1的实验中，利用光辐射检测装置采集可见光辐射信号与激光反射信号；在工件上方放置工业摄像机拍摄工件上方观测的焊接过程；在垂直于激光轴与焊接方向放置工业摄像机拍摄旁轴观测的焊接过程；

步骤3：利用工控机接收步骤2获得的可见光辐射信号与激光反射信号、两个工业摄像机的拍摄图像，并利用图像处理技术在线提取来自工业摄像机拍摄图像的特征；

步骤4：利用步骤3获得的数据，将这些数据放进一个向量作为神经网络的输入：x＝[x₁，x₂，x₃...x_i]；对于各组实验进行神经网络输出标注，且标注出焊接缺陷与焊接稳定的区域，出现缺陷标标注数据为1，焊接稳定为0；将实验组的所有焊缝对应的所有数据作为神经网络训练数据，并对数据进行了归一化处理，令其对网络的贡献度最大化；构建网络结构，包括前向传播网络结构与后向传播网络结构；

步骤5：利用步骤4构建的神经网络，针对步骤1中的试验进行神经网络训练和测试获得权重矩阵；

步骤6：进行激光焊接加工，利用步骤5中神经网络训练获得的权重矩阵和工控机在线检测的多维信号驱动焊接系统实现焊接在线缺陷识别。

2.根据权利要求1所述的一种基于机器学习的激光焊接在线缺陷识别方法，其特征在于，在所述的步骤3中，图像特征提取具体操作为，提取匙孔面积大小、上下蒸汽角度及蒸汽面积、飞溅总面积及数量，并在计算飞溅时，分为上下飞溅数量和总面积，而对于下飞溅会分为0°～60°，60°～120°，120°～180°三个ROI区域，并且对每一个区域进行飞溅数量和总面积的统计。

3.根据权利要求1所述的一种基于机器学习的激光焊接在线缺陷识别方法，其特征在于，在所述的步骤4中，实施方法如下：

(i)：前向传播网络结构使用一个输入层，一个隐藏层和一个输出层，网络进行如下计算：

z^[i]＝W^[i]Ta^[i-1]+b^[i]，a^[i]＝g^[i](z^[i])

z^[i]为第i层的输出，W^[i]和b^[i]分别为第i层的权重weight和偏倚bias，a^[i-1]为上一层的输出，a^[i]为第i层的输出，g^[i](·)为第i层使用的激活函数。

其中，隐藏层使用的激活函数为tanh函数，输出层使用sigmoid函数，计算过程如下：

z^[1]＝W^[1]Tx+b^[1]

a^[1]＝tanh(z^[1])

z^[2]＝W^[2]Tx+b[2]

a[2]＝sigmoid(z^[2])

X即为A^[0]；

所使用的损失函数如下：

对于所有数据，通过计算成本，m是训练样本总数；

(ii)：后向传播网络结构把输出对于成本的梯度向前面的层传导，使得前面的层利用梯度来更新权重，更新权重的方法为：使用计算成本函数对于每一个权重w的导数更新权值。