[发明专利]基于激光焊接的质量检测方法、装置及存储介质

说明书

本发明公开了基于激光焊接的质量检测方法，包括以下步骤：采集在标准时间段内的焊接训练信息；将分布内异常信息划分为：分布内异常训练信息和分布内异常检测信息；对正常信息和分布内异常训练信息进行质量分类的标记处理，得到标记焊接信息；构建初始神经网络，通过所述标记焊接信息对所述初始神经网络进行训练，得到标准神经网络；通过分布内异常检测信息和分布外异常信息对标准神经网络进行检测，提取准确率大于准确阈值的标准神经网络，得到目标神经网络；获取在目标时间段内的焊接目标信息，并输入到目标神经网络进行分类处理，得到焊接目标信息的质量类型。本发明能够对产品的焊接质量进行检测和分类，提高了质量检测的效率和准确性。

技术领域

本发明涉及焊接技术领域，具体涉及一种基于激光焊接的质量检测方法、装置及存储介质。

背景技术

激光焊接是一种先进的焊接工艺，凭借其能量密度大、焊接速度高、焊缝热影响区小、变形小、接头机械性能高等优势，在工业界的各个领域占据着不可替代的地位。

但是在激光焊接的过程中，也会出现焊接异常的情况，一般包括有：分布内异常和分布外异常；其中，分布内异常是常见的异常问题，比较容易分辨，而分布外异常的情况由于出现机率比较少，分辨难度也较大，从而容易降低产品的焊接质量检测的准确性。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于激光焊接的质量检测方法、装置及存储介质，能够对产品的焊接质量进行检测和分类，提高了质量检测的效率和准确性。

根据本发明的实施例的基于激光焊接的质量检测方法，包括以下步骤：

采集在标准时间段内的焊接训练信息；所述焊接训练信息包括：正常信息、分布内异常信息和分布外异常信息；

将所述分布内异常信息划分为：分布内异常训练信息和分布内异常检测信息；

对所述正常信息和所述分布内异常训练信息进行质量分类的标记处理，得到标记焊接信息；

构建初始神经网络，通过所述标记焊接信息对所述初始神经网络进行训练，得到标准神经网络；

通过所述分布内异常检测信息和所述分布外异常信息对所述标准神经网络进行检测，提取准确率大于准确阈值的所述标准神经网络，得到目标神经网络；

获取在目标时间段内的焊接目标信息，并将所述焊接目标信息输入到所述目标神经网络进行分类处理，得到所述焊接目标信息的质量类型；所述质量类型包括：正常、分布内异常和分布外异常。

根据本发明实施例的基于激光焊接的质量检测方法，至少具有如下有益效果：通过对正常信息和分布内异常训练信息进行质量分类的标记处理，有利于对初始神经网络进行训练，使得标准神经网络具有识别质量类型为正常和分布内异常的能力；通过分布内异常检测信息和分布外异常信息对标准神经网络进行检测，使得目标神经网络具有识别质量类型为分布外异常的能力，从而使得目标神经网络能够对焊接目标信息进行有效的分类处理，便于用户获取质量分类类型，从而提高了焊接质量检测的效率和准确性。

根据本发明的一些实施例，所述正常信息、所述分布内异常信息和所述分布外异常信息内的数据类型相同，且所述数据类型至少包括有以下之一：等离子浓度变化数据、温度变化数据和激光反射强度变化数据。

根据本发明的一些实施例，所述质量分类的标记类型包括以下至少之一：正常、离焦、漏焊、重焊、反面焊接、位置漂移、位置倾斜、母材有污点和母材有水。

根据本发明的一些实施例，所述初始神经网络包括：用于输出各类质量类型概率的分类层、用于输出置信度的全连接层，以及依次连接的第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层和第三最大池化层；所述第三最大池化层分别与所述分类层和所述全连接层连接。

根据本发明的一些实施例，所述分类层内设置有softmax分类器。