[发明专利]电阻焊焊接剪切强度、熔核大小和位置的实时检测方法

权利要求书

1.电阻焊焊接剪切强度、熔核位置和大小的实时检测方法，其特征在于：包括

S1建立热像图和剪切强度值、焊接熔核大小和位置相对应的大样本数据库；

S2使用方框在热像图框出焊接件的熔核；

S3建立一个向量筛选通道用于热像图上残差特征的去噪和筛选；

S4将步骤S3所建立的向量筛选通道插入到一个神经网络中，建立一个新的神经网络；

S5应用步骤S1中的大数据样本库对步骤S4中所建立的新的神经网络进行训练，获得一个训练完全的实时检测神经网络；

S6在步骤S5中的实时检测神经网络中输入待检测焊接热像图,实时检测神经网络输出的向量第一个数字代表着网络基于热像图实时预测的焊接件剪切强度，输出的向量第二和第三的数字分别代表这网络预测的熔核的在图片横向和纵向的位置，输出的向量第四和第五的数字分别代表融核在横向和纵向的长度。

2.根据权利要求1所述的电阻焊焊接剪切强度、熔核位置和大小的实时检测方法，其特征在于：神经网络所要求输入的的图片要求为：高480px，宽为480px。

3.根据权利要求1所述的电阻焊焊接剪切强度、熔核位置和大小的实时检测方法，其特征在于：所述自动框的中心点对应熔核在热像图上的位置，中心点到边界的纵向直径和横向直径对应熔核的大小。

4.根据权利要求1所述的电阻焊焊接剪切强度、熔核位置和大小的实时检测方法，其特征在于：所述步骤S4中用于插入向量筛选通道的神经网络依次包括第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层、第八卷积层、第九卷积层、第十卷积层、第三池化层；

其中第一卷积层中共有64个大小均为7×7的卷积核，第一池化层中采用最大池化，核心和步长均为2，

第二卷积层中共有256个大小均为5×5的卷积核，第二池化层中采用最大池化，核的大小和步长均为2，

第三卷积层中共有256个大小均为1×1的卷积核，

第四卷积层中共有256个大小均为3×3的卷积核，

第五卷积层中共有512个大小均为1×1的卷积核，

第六卷积层中共有512个大小均为3×3的卷积核，

第七卷积层中共有512个大小均为1×1的卷积核，

第八卷积层中共有512个大小均为3×3的卷积核，

第九卷积层中共有1024个大小均为1×1的卷积核，

第十卷积层中共有1024个大小均为3×3的卷积核，第三池化层中采用最大池化，核的大小和步长均为2。

5.根据权利要求3所述的电阻焊焊接剪切强度、熔核位置和大小的实时检测方法，其特征在于：所述向量筛选通道插入第三池化层后，将第三池化层的输出作为向量筛选通道的输入值进行特征选取。

6.根据权利要求1或5所述的电阻焊焊接剪切强度、熔核位置和大小的实时检测方法，其特征在于：所述步骤S3中的向量筛选通道建立过程如下：

S31建立高阶信息量筛选模型：其中N＝30,M＝30；x代表每个特征通道的特征值；根据上述模型计算输入量每一个特征通道的高阶信息量；

S32建立阈值判断通道：t为阈值；

S33对输入量进行卷积计算而获得用于高阶信息量筛选模型筛选的阈值向量,定义阈值向量的数字值为阈值t；

S34应用步骤S32的阈值判断通道，步骤S33中阈值向量中每个通道的阈值t与步骤S21中每个特征通道的高阶信息量kur做逐个元素的阈值判断；而获得通道权重向量；

S35将通道权重向量与输入量做点乘，获得第七特征向量；

S36将第七特征向量与输入量做逐个元素的相加获得最终筛选之后的特征输出向量。