[发明专利]焊接质量检测方法及其装置、计算机可读存储介质

说明书

本发明公开了一种焊接质量检测方法及其装置、计算机可读存储介质，其中，焊接质量检测方法包括:获取并分类待焊接物体在激光焊接过程中的源样本数据，形成基础样本数据集和测试样本数据集；将基础样本数据集和测试样本数据集分别输入卷积神经网络中筛选处理，得到基础类别特征和测试类别特征；将基础节点特征输入图神经网络中处理得到基础边特征，并形成全连接图；通过全连接图更新算法，分别对基础节点特征和基础边特征进行更新处理，得到网络节点特征和网络边特征，形成训练模型；将测试类别特征输入训练模型中，得到质量评估结果。本申请能够实现在激光过程中对焊接质量进行实时自动评估，提高生产效率。

技术领域

本发明涉及焊接工艺领域，特别是一种焊接质量检测方法及其装置、计算机可读存储介质。

背景技术

随着激光焊接技术的快速发展，激光焊接加工广泛并深入应用在航天航空、汽车制造和电子消费产品等领域。在激光焊接的自动化生产线上常常出现影响良品率的不良因素但却无法获知产品的实时焊接质量而进行及时的处理，导致生产效率低。

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，本发明提出一种焊接质量检测方法及其装置、计算机可读存储介质，能够在激光焊接过程中对焊接质量进行实时自动评估，提高生产效率。

第一方面，本发明实施例提供了一种焊接质量检测方法，所述焊接质量检测方法包括：获取并分类待焊接物体在激光焊接过程中的源样本数据，形成基础样本数据集和测试样本数据集；

将所述基础样本数据集输入卷积神经网络中筛选处理，得到基础类别特征；

将所述测试样本数据集输入所述卷积神经网络中筛选处理，得到测试类别特征；

将基础节点特征输入图神经网络中处理得到基础边特征，根据所述基础节点特征和所述基础边特征形成全连接图，其中，所述基础节点特征由所述基础类别特征计算得到；

通过全连接图更新算法，分别对所述基础节点特征和所述基础边特征进行更新处理，得到网络节点特征和网络边特征；

根据所述网络节点特征和所述网络边特征处理得到训练模型；

将所述测试类别特征输入所述训练模型中，得到质量评估结果。

根据本发明提供的实施例的焊接质量检测方法，至少具有如下有益效果：采集待焊接物体在焊接过程中的源样本数据，对采集得到的源样本数据进行分类，分类形成用于建立预测模型的基础样本数据集和用于质量评估的测试样本数据集，并分别输入卷积神经网络进行筛选提取处理，分别对应得到基础类别特征和测试类别特征，从而能够在焊接过程中自动获取待焊接物体的焊接样本数据，实时评估焊接质量，分类处理能够提高质量评估准确性。通过对基础类别特征处理得到节点特征和边特征，根据已有特征建立全连接图，并根据图神经网络得到训练模型，再通过输入测试类别特征至训练模型得到待焊接物体焊接的质量评估结果，实现在激光过程中对焊接质量进行实时自动评估，避免出现在焊接过程中出现不良因素而用户无法获知而导致产品材料损坏，从而提高良品率，降低生产成本，提高生产效率。

根据本发明的一些实施例，所述分类待焊接物体在激光焊接过程中的源样本数据，形成基础样本数据集和测试样本数据集，包括：将待焊接物体在激光焊接过程中的源样本数据分成多个质量类别，形成基础样本数据集和测试样本数据集，其中，所述基础样本数据集和所述测试样本数据集均包括一个以上所述质量类别。对待焊接物体的源样本数据分类，且对基础样本数据集和测试样本数据集细化成多个质量类别，提高焊接质量评估的准确性。

根据本发明的一些实施例，所述根据所述基础节点特征得到基础边特征，包括：根据各个所述基础节点特征之间的类别关系，建立并初始化基础边特征。对基础类别特征进行处理得到基础节点特征和基础边特征，建立全连接图，能够提高已有特征的关联性，提高训练模型对焊接质量评估的准确性。