[发明专利]一种基于高频时序数据的焊接缺陷实时检测方法及系统

说明书

本发明公开了一种基于高频时序数据的焊接缺陷实时检测方法及系统，该检测方法包括：首先将采集到的高频焊接时序数据，按照设定窗长进行采样，并为每个样本标注缺陷发生时间段和缺陷类型，生成数据样本集；而后利用生成的数据样本集训练ResNet与TCN融合网络模型，得到训练好的检测模型；最后获取新的实时高频焊接数据，按照设定窗长输入到训练好的检测模型中进行预测，实时输出焊接缺陷类别。本发明通过将ResNet网络与TCN进行网络结构融合，可以将ResNet应用到时序检测领域，针对数据量较大、序列长度较长的高频焊接时序数据，通过并行卷积计算的方式，在训练过程中，加快训练速度，在预测过程中，做到强实时预测。

技术领域

本发明涉及一种基于高频时序数据的焊接缺陷实时检测方法及系统，属于自动化焊接技术领域。

背景技术

智能化焊接是智能制造领域中最重要的研究课题之一，而传感技术及其信息处理则是实现焊接过程智能化及自动化的关键要素。近年来，具有小型化、无接触式及大传输量等特点的传感技术更多地被应用到焊接过程及质量实时控制中，如电弧传感、视觉传感、声音传感、光谱传感等。这些传感利用不同信息源获取了与焊接质量有关的大规模信息，如何挖掘有效信息并将其及时反馈与利用在焊接质量的实时检测中是亟需解决的关键问题。

目前基于深度学习进行焊接缺陷检测的方法，基本都是通过机器视觉的方式，采集焊缝缺陷的图片，利用Faster-RCNN、YOLOv3等目标检测方法，进行缺陷异常检测。基于机器视觉的方式，一方面成本较高，需要安装专业的高清晰度摄像头，另一方面，具有很多不可控因素，例如光线强弱、板材杂质、摄像头的拍摄角度等，且需要训练较大的网络。而针对时序数据的建模，最常用的模型是LSTM和GRU等循环神经网络，但循环神经网络不可并行计算，训练速度较慢，尤其是高频的焊接时序数据，具有序列长度较长、数据量较大的特点，能够并行计算尤为重要。

基于此，本专利提出了一种将ResNet（残差神经网络）与TCN（时序卷积网络）进行融合的网络模型，针对新的实时高频焊接时序数据，仅通过并行的矩阵运算即可实时给出预测结果，相较于其他机器学习提取特征的方式，能做到实时性更强的检测，既保证了训练精度，又可以提高训练速度。

发明内容

发明目的：针对现有技术所存在的问题，本发明提供一种基于高频时序数据的焊接缺陷实时检测方法及系统，通过构建ResNet与TCN融合的网络模型，对采集的高频焊接时序数据进行并行计算，快速准确的对焊接过程中的缺陷进行实时判断。

技术方案：为实现上述目的，本发明提供一种基于高频时序数据的焊接缺陷实时检测方法，包括以下步骤：

步骤1：将采集到的高频焊接时序数据，按照设定窗长进行采样，并按照已知的缺陷发生时间段和缺陷类型，为每个样本打标注，生成数据样本集；

步骤2：利用生成的数据样本集训练所构建的ResNet与TCN融合网络模型，得到训练好的检测模型；

步骤3：获取新的实时高频焊接数据，按照设定窗长进行滑窗，将每个窗长的数据输入到训练好的检测模型中进行预测，实时输出焊接缺陷类别。

进一步的，所述步骤1具体包括：

步骤1.1：将采集到的高频焊接时序数据，设定窗长window_size，每个窗长的序列作为一个样本，并将每个样本保存为NumPy文件，命名为data_i.npy；

步骤1.2：按照已知的缺陷发生时间段和缺陷类型，为每个样本打标注，并将每个标注保存为NumPy文件，命名为label_j.npy，其中i和j一一对应；

步骤1.3：将生成的所有样本随机乱序，并按比例截取训练集和验证集，剩下的即为测试集。

进一步的，所述高频焊接时序数据包括但不限于电流、电压、送丝速度、气流速度，其频率不低于10KHz。