具体实施方式
下面详细描述本申请的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。
在本申请的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本申请的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接或可以相互通讯;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
在本申请中,除非另有明确的规定和限定,第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度小于第二特征。
下文的公开提供了许多不同的实施方式或例子用来实现本申请的不同结构。为了简化本申请的公开,下文中对特定例子的部件和设置进行描述。当然,它们仅仅为示例,并且目的不在于限制本申请。此外,本申请可以在不同例子中重复参考数字和/或参考字母,这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施方式和/或设置之间的关系。此外,本申请提供了的各种特定的工艺和材料的例子,但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
目前,对于焊接品质的检测一般采用对焊接后的结构进行破坏性实验,根据破坏性实验的结果判断焊接品质。
这种检测方法不仅无法实时地直观地在在焊接过程中反映焊接品质,而且耗时、耗材,需要的人力成本高。破坏性实验的结果也仅是事后回溯,没有起到提高后续焊接检测稳定性的作用。
本申请一实施例提供一种训练方法,用于构建焊接品质的判断模型,包括:
获取历史焊接信息,所述历史焊接信息包括获取焊接件熔池或其周围的检测信息,以及焊接点的位置信息;
对所述历史焊接信息进行预处理以形成处理信息;
根据所述检测信息,获取所述处理信息的焊接特征;
根据所述焊接特征及所述位置信息,形成训练集;
依据所述训练集和预设的推理组件形成所述判断模型。
上述训练方法中,以历史焊接信息为基础,以此形成处理信息、训练集,并依据推理组件形成判断模型,其中,历史焊接信息用于反映焊接过程,以此形成的判断模型可用于建立等离子体、背光反射及温度与焊接品质的关系,从而在焊接过程中就能判断出焊接品质,使得检测结果更加贴近焊接的实际状况,提高焊接品质检测的实时性、真实性和准确度,减少人工介入,减少检测耗时和耗材,也便于量化分析和进行回溯。
本申请还提供一种电子装置,包括:
至少一个处理器,用于通过调取来自存储器或云端的程序集,及执行所述程序集以完成上述的训练方法。
上述电子装置用于执行上述训练方法,电子装置包括但不限定计算机、数据中心和手机等设有处理单元或处理中心的装置,该处理单元或处理中心用于执行上述训练方法,以历史焊接信息为基础,以此形成处理信息、训练集,并依据推理组件形成判断模型,其中,历史焊接信息用于反映焊接过程,以此形成的判断模型可用于建立等离子体、背光反射及温度与焊接品质的关系,在搭载该判断模型的焊接场景中,能够实现在焊接过程中就能判断出焊接品质,使得检测结果更加贴近焊接的实际状况,提高焊接品质检测的实时性、真实性和准确度,减少人工介入,减少检测耗时和耗材,也便于量化分析和进行回溯。
本申请一实施例一种焊接检测方法,用于形成判断信息以检测焊接品质,包括:
获得生产焊接信息,所述生产焊接信息包括在焊接过程获取焊接件熔池或其周围的检测信息,以及焊接点的位置信息;
对所述生产焊接信息进行预处理以形成生产焊接处理信息;
输入所述生产焊接处理信息至判断模型,形成第一判断信息,所述判断模型通过对历史焊接信息的训练形成。
本申请一实施例还提供一种焊接检测装置,用于形成判断信息以检测焊接品质,包括至少一个处理器,用于通过调取来自存储器或云端的程序集,及执行所述程序集以完成上述的焊接检测方法。
上述焊接检测方法及焊接检测装置中,采用的焊接信息形成于焊接装置的焊接过程,并依据经过训练的判断模型形成用于判断焊接过程中质量的第一判断信息,进而使得检测结果更加贴近焊接的实际状况,实现对焊接过程中的质量检测,提高焊接品质检测的实时性、真实性和准确度,减少人工介入,减少检测耗时和耗材,也便于量化分析和进行回溯。
本申请一实施例还提供一种焊接检测***,包括:
第一传感器,用于获取第一焊接装置的检测信息;
第二传感器,用于获取第二焊接装置的检测信息;
光源,与所述第一传感器、所述第二传感器的距离不同;
控制器,与所述光源、所述第一传感器和所述第二传感器耦接,用于:
调整所述第二焊接装置的检测信息,使所述第一焊接装置的检测信息与所述第二焊接装置的检测信息在同一区间内;和
根据所述第一焊接装置的检测信息与经过调整的所述第二焊接装置的检测信息,形成生产焊接信息;和
焊接检测装置,用于获取所述生产焊接信息。
上述焊接检测***中,为便于调机,需要对第一传感器和第二传感器进行校准,例如通过调整第二焊接装置的检测信息的增益值,使得校准后的检测信息在同一区间内,这样在焊接装置随着焊接时长能量衰减时,能够用同一个基准快速判断出哪一个焊接装置可能存在焊接能量不足,影响焊接品质的问题,则可尽快通知管理人员进行处理。
本申请一实施例还提供一种焊接设备,包括上述的焊接检测装置。
上述焊接设备包括焊接检测装置,使得针对焊接过程的焊接品质检测不需要限制在一个固定场所,增强焊接设备的泛化能力。
以下将结合附图对本申请的一些实施例作详细说明。
请参见图1,图1为本申请一实施例训练方法的流程示意图,训练方法用于构建焊接品质的判断模型,包括:
S10,获取历史焊接信息,该历史焊接信息包括获取焊接件熔池或其周围的检测信息,以及该焊接点的位置信息。
需要说明的是,该检测信息示例性的包括获取焊接件熔池或其周围的等离子体、背光反射及温度数据的集合。等离子体、背光反射及温度均为焊接过程中熔池所发射出来的光学讯号,以波的形式呈现。进行检测时,检测的是激光焊接过程中返回的光学讯号,本实施例中,将光的波长划分为为紫外光、红外光、非红紫外光三类,相较于其余光学波长讯号的分类,此种分类方法象征性强且容易分光。进一步地,本实施例中,紫外光的物理特性采用等离子体,等离子体常被视为物体除了固体、液体和气体之外的第四种状态,在焊接过程中,能够间接反映出熔池的基本情况,红外光的物理特性采用温度,能够反映出焊接过程中的温度变化,非红紫外光的物理特性采用背光反射,能够反映出焊接表面的凹凸变化,以此形成所需要的历史焊接信息。例如焊接件熔池的等离子体、背光反射及温度数据,全部可以通过对光学信息的解析通过焊接件熔池的等离子体、背光反射及温度数据的集合得到。
在一些实施例中,同理,等离子体、温度和背光反射也可以通过非光学信息传感器得出,不应限定本实施例中的等离子体、温度和背光反射仅通过光学信息得出。在一些情况下,由于焊接件熔池的数据较难获取到或不稳定,也可以以焊接件熔池周围,或焊接件熔池及焊接件熔池周围为检测点,进行等效替换得到等离子体、温度和背光反射的数据,例如对一些已经确定焊接件材料的情况,可理解为导热系数已确定,则可取焊接件熔池附件1mm左右的温度或背光反射数据,再通过变换关系等效到熔池的数据。在另一些情况下,可以不通过光学信息进行历史焊接信息的检测,例如温度数据可通过以焊接件熔池周围为检测点,对一些已经确定焊接件材料的情况,可理解为导热系数已确定,则可取焊接件熔池附件1mm左右的温度数据,再通过变换关系等效到熔池的温度数据,但不限于此。
请参见图4a,焊接点的位置信息,指对焊接件具体的焊接点相对焊接件边缘的位置,位置信息的获取,是出于力学考量,以焊接件上焊接螺柱为例,距离焊接件的边缘越近,螺柱在破坏性实验时更容易被拉起,因此在焊接品质判断时也是一个强相关的因素。此外,获取位置信息能够增强判断模型的泛化性能,在不同焊接场景下仍然有一定的可靠性,而不需要频繁的进行训练。例如第一种焊接场景下螺柱焊接在焊接件的位置(即焊接件熔池固定后的位置)为左下角为原点建立XY坐标系的(1,1),但第二种焊接场景下螺柱焊接在焊接件的位置变为(1,2),若用传统的方式将重新进行训练,费时费力,因此将位置信息也作为一项输入参数构建焊接品质的判断模型,或作为判断模型运用的输入参数,能够有效增加经过训练的判断模型的泛化性能。
示例性的,位置信息可通过预先定义的方式,也可以通过对不同焊接场景下通过视觉获取的方式形成,且不限于通过与焊接件的一个边缘或多个边缘比较获取,也不限于通过焊接件上的一个原点或多个原点获取。例如,以焊接件熔池距离最近的焊接件边缘为基准,计算焊接点的位置信息。
请再参见图1:
S20,对历史焊接信息进行预处理以形成处理信息。
在一实施方式中,其中形成该处理信息的步骤,包括对历史焊接信息进行均值滤波、中值滤波及高斯平滑中的至少一个,以形成处理信息。
请参见图2,图2为本申请一实施方式中等离子体、背光反射及温度三者所形成的基础波的示意图。由图2可以看出,三者所形成的波是上述处理信息形成的,波的平滑度低且分布密集,无法较好的获得三者所代表的焊接信息。需要说明的是,三者所形成的波是上述处理信息形成的基础波。
可以理解地,在其他实施方式中,可以采用等离子体、背光反射及温度中的一种或者两种获得基础波,也可以通过其他可以反映焊接过程的光学讯号形成基础波。
需要说明的是,均值滤波、中值滤波及高斯平滑均可以对所形成的波起到平滑图像、滤去噪声的功能,使得历史焊接信息所形成的波具有平滑度高、噪声低的优势,具有平滑度高、噪声低的波形成上述的处理信息。
例如,均值滤波采用线性的方法,主要针对于线性分布的噪声,例如:高斯噪声,示例性的,使用小窗口在讯号上沿时间轴滑动;计算窗口中讯号的均值;时间均值替代当前原始值。
中值滤波采用非线性的方法,主要针对非线性分布的噪声,例如:椒盐噪声,示例性的,使用小窗口在讯号上沿时间轴滑动;计算窗口中讯号的中值;时间均值替代当前原始值。
高斯平滑则是采用领域平均的思想对波进行平滑的一种方法,示例性的,使用小窗口在讯号上沿时间轴滑动;根据高斯函数计算窗口中讯号的加权平均;以加权均值替代当前原始值。
进一步地,请参见图3,图3为图2所示的三种波经过预处理后所形成的处理信息的示意图。由图3可知,预处理后的三种波的平滑度提高、波的走势明显,形成所需要的处理信息。
需要说明的是,预处理过程中所包括的均值滤波、中值滤波及高斯平滑在对基础波进行预处理,可以依据基础波的自身特点选择相对应的预处理方法,例如:针对以高斯噪声为主的基础波优选均值滤波的方式,针对以椒盐噪声为主的基础波则优选中值滤波的方式。
请再参见图1:
S30,根据该检测信息,获取该处理信息的焊接特征。
示例性的,焊接特征包括最大值、最大值时刻、均值、焊接时长及分段斜率的至少一个,这些特征作为量化单个焊接点的焊接特征,能够输出具有具体数值的焊接品质评价参数,示例性的为该焊接点经过破坏性检测的拉拔力,能够将基础波的模拟信息,不需要进行数值分析就形成具体的数字,转化为数字信息,不仅加快了处理速度,还能够使得在焊接过程中判断焊接品质更加便捷,判断的逻辑也得到的优化。具体的,可将最大值、最大值时刻、均值及焊接时长定义为数值特征,将分段斜率定义为趋势特征,数值特征可用于简单的逻辑判断,如超过某最大值基准则判断焊接品质不良,趋势特征可用于预测趋势,例如结合时间节点的分段斜率,判断在往后某一刻焊接品质发生不良的概率有多大,但不限于此。
S40,根据该焊接特征及该位置信息,形成训练集。
焊接特征和位置信息是在焊接过程中获取的,在训练阶段,还需要获取到对应的判断结果集合,构成训练集。例如,焊接特征选单一的最大值维度,数值为10,位置信息选上述第一个场景的位置信息(1,0),还需要加入以哪一个边缘或原点为基准,例如以焊接件左下角为基准,定义数值为2,判断结果为拉拔力,数值为980N/mm,则训练集的一个元素为(10,1,0,2,980),但不限于此。
S50,依据该训练集和预设的推理组件,形成该判断模型。
请参见图5,在一实施方式中,推理组件包括预设模型和训练模型,形成判断模型的步骤包括:
S51,输入该训练集至该预设模型,形成结果集。
示例性地,上述训练集中一个元素的前4个数,作为输入参数进入预设模型中,可输出一个结果集,例如(10,1,0,2,1500),或仅为一个数值1500。
在一实施方式中,预设模型包括XGBoost模型,形成调整集的步骤包括:
S511,输入该训练集至该XGBoost模型,形成该焊接特征及该位置信息每个元素的一阶导数和二阶导数;
具体地,将该训练集输入至一模型ft-1(xi),形成训练集中该焊接特征及该位置信息每个元素基于ft-1(xi)的一阶导数gti和二阶导数hti。
S512,分别累加该一阶导数和该二阶导数,形成累加结果;
计算训练集中所有元素的一阶导数的累加值Gt和二阶导数的累加值Ht。
S513,根据该累加结果,确定该XGBoost模型的***节点;
具体地,根据获取的累加值Gt和累加值Ht,对XGBoost模型进行***并确定XGBoost模型的***节点。也可以理解为,根据累加值Gt和累加值Ht确定第一预设模型进行***的条件,例如,可以根据参数集***息是否小于一特定值为条件进行***。
S514,根据该***节点、该训练集和该训练模型,形成该调整集。
根据XGBoost模型的***节点,调整XGBoost模型模型以形成左右子树。例如,参数集***息小于特定值的为左子树,大于特定值的为右子树。该左右子数可判断出输入的该焊接特征及该位置信息对应的焊接品质判断结果。
具体地,XGBoost模型计算的结果集与训练集之间存在一定的差异,获得这种差异的模型形成所需的训练模型,在一种实施例中,在XGBoost模型环境下,训练模型为增益值score1,带入训练集中的判断结果计算,score1满足以下条件式(1)。
Score1=max(score,(GL 2/2(HL+λ))+(GR 2/2(HR+λ))-((GL+GR)2/2(HL+HR+λ))-γ)(1)
其中,λ、γ为调整过的训练模型的正则化系数。
具体地,确定增益值score1等于一预设值,其中,预设值为score,预设值score可以为0。可以理解地,在其他的实施例中,预设值score还可以为1、2等更多预先设定的数值。基于增益值score1等于预设值score,确定XGBoost模型最优***节点,即可得出调整集。
S52,依据该调整集及该预设模型,形成该判断模型。
通过调整集的参数调整预设模型,调整后的预设模型即为判断模型。
在另一些实施例中,还可包括以下步骤:
S61,输入该往期焊接信息至该判断模型,形成计算结果。
该判断模型示例性的定义为已训练完成或已上线使用的判断模型,已训练完成的判断模型示例性的为经过上述S10至S52训练的判断模型,其中的步骤可按实际情况进行新增、变更或删除。
往期焊接信息及相应的通过另一判断方式对焊接件的焊接品质判断所形成的往期结果,示例性的,另一判断方式指破坏性检测,在训练完成后形成的判断模型运行一段时间后,再随机或固定获取一些焊接点的焊接特征和通过判断模型的判断结果,作为往期焊接信息和往期结果,进行破坏性检测,完成抽检的动作。此时的判断模型继续进入被训练状态,即判断模型变更为待再次训练的判断模型。
S62,输入该计算结果及该往期结果至预设的比较模型,形成验证集。
示例性的,比较模型为均方根误差函数,参见下列公式(2)。
S63,根据该验证集,调整该判断模型以形成更新后的判断模型。
若比较模型符合预设要求,判断模型即为更新后的判断模型。若比较模型不符合预设要求,则需要再次对判断模型进行训练,示例性的,可采用训练集加入往期焊接信息和往期结果再次进行S10至S52训练,形成更新后的判断模型。
请参见图7,图7为本申请一实施例电子装置10的架构示意图,电子装置10包括至少一个处理器11,用于通过调取来自存储器或云端的程序集,及执行程序集以完成上述的训练方法。
电子装置10用于执行上述训练方法,上述训练方法中,以历史焊接信息为基础,以此形成的判断模型用于判断焊接过程中的焊接品质,使得检测结果更加贴近或完全反应焊接的实际状况,提高焊接品质检测的实时性、真实性和准确度,减少人工介入,减少检测耗时和耗材,也便于量化分析和进行回溯。
该电子装置10包括但不限定计算机、专用设备、数据中心、服务器等硬件设备。在一实施方式中,电子装置10可以为一个微型计算机,包括至少一个处理器11,其中,处理器11可以包括应用处理器(application processor,AP),调制解调处理器,图形处理器(graphics processing unit,GPU),图像信息处理器(image signal processor,ISP),控制器,视频编解码器,数字信息处理器(digital signal processor,DSP),基带处理器,和/或神经网络处理器(neural-network processing unit,NPU)等。
上述训练方法及电子装置中,以历史焊接信息为基础,以此形成处理信息、训练集,并依据推理组件形成判断模型,其中,历史焊接信息用于反映焊接过程,以此形成的判断模型用于判断焊接过程中的焊接品质,使得检测结果更加贴近或完全反应焊接的实际状况,提高焊接品质检测的实时性、真实性和准确度,减少人工介入,减少检测耗时和耗材,也便于量化分析和进行回溯。通过在训练完成后形成的判断模型运行一段时间后,再随机或固定获取一些焊接点的焊接特征和通过判断模型的判断结果,作为往期焊接信息和往期结果,进行破坏性检测,完成抽检的动作,能够更好的运用破坏性实验的结果,能够提高判断模型的精度,提高后续焊接检测稳定性。
请参见图8,图8为本申请一实施例焊接检测方法的流程示意图,焊接检测方法用于形成判断信息以检测焊接品质,包括:
S100,获得生产焊接信息,该生产焊接信息包括在焊接过程获取焊接件熔池或其周围的检测信息,以及该焊接点的位置信息。
需要说明的是,该检测信息示例性的包括获取焊接件熔池或其周围的等离子体、背光反射及温度均为焊接过程中熔池所发射出来的光学讯号,以波的形式呈现。进行检测时,检测的是激光焊接过程中返回的光学讯号,本实施例中,将光的波长划分为为紫外光、红外光、非红紫外光三类,相较于其余光学波长讯号的分类,此种分类方法象征性强且容易分光。进一步地,本实施例中,紫外光的物理特性采用等离子体,等离子体常被视为物体除了固体、液体和气体之外的第四种状态,在焊接过程中,能够间隔反映出熔池的基本情况,红外光的物理特性采用温度,能够反映出焊接过程中的温度变化,非红紫外光的物理特性采用背光反射,能够反映出焊接表面的凹凸变化,以此形成所需要的历史焊接信息。例如焊接件熔池的等离子体、背光反射及温度数据,全部可以通过对光学信息的解析通过焊接件熔池的等离子体、背光反射及温度数据的集合得到。
在一些实施例中,同理,等离子体、温度和背光反射也可以通过非光学信息传感器得出,不应限定本实施例中的等离子体、温度和背光反射仅通过光学信息得出。在一些情况下,由于焊接件熔池的数据较难获取到或不稳定,也可以以焊接件熔池周围,或焊接件熔池及焊接件熔池周围为检测点,进行等效替换得到等离子体、温度和背光反射的数据,例如对一些已经确定焊接件材料的情况,可理解为导热系数已确定,则可取焊接件熔池附件1mm左右的温度或背光反射数据,再通过变换关系等效到熔池的数据。在另一些情况下,可以不通过光学信息进行历史焊接信息的检测,例如温度数据可通过以焊接件熔池周围为检测点,对一些已经确定焊接件材料的情况,可理解为导热系数已确定,则可取焊接件熔池附件1mm左右的温度数据,再通过变换关系等效到熔池的温度数据,但不限于此。
示例性的,焊接特征可通过对处理信息获取或计算形成。焊接特征包括最大值、最大值时刻、均值、焊接时长及分段斜率的至少一个,这些特征作为量化单个焊接点的焊接特征,能够输出具有具体数值的焊接品质评价参数,示例性的为该焊接点经过破坏性检测的拉拔力,能够将基础波的模拟信息,不需要进行数值分析就形成具体的数字,转化为数字信息,不仅加快了处理速度,还能够使得在焊接过程中判断焊接品质更加便捷,判断的逻辑也得到的优化。具体的,可将最大值、最大值时刻、均值及焊接时长定义为数值特征,将分段斜率定义为趋势特征,数值特征可用于简单的逻辑判断,如超过某最大值基准则判断焊接品质不良,趋势特征可用于预测趋势,例如结合时间节点的分段斜率,判断在往后某一刻焊接品质发生不良的概率有多大,但不限于此。
请参见图4a,焊接点的位置信息,指对焊接件具体的焊接点相对焊接件边缘的位置,位置信息的获取,是出于力学考量,以焊接件上焊接螺柱为例,距离焊接件的边缘越近,螺柱在破坏性实验时更容易被拉起,因此在焊接品质判断时也是一个强相关的因素。此外,获取位置信息能够增强判断模型的泛化性能,在不同焊接场景下仍然有一定的可靠性,而不需要频繁的进行训练。例如第一种焊接场景下螺柱焊接在焊接件的位置(即焊接件熔池固定后的位置)为左下角为原点建立XY坐标系的(1,1),但第二种焊接场景下螺柱焊接在焊接件的位置变为(1,2),若用传统的方式将重新进行训练,费时费力,因此将位置信息也作为一项输入参数构建焊接品质的判断模型,或作为判断模型运用的输入参数,能够有效增加经过训练的判断模型的泛化性能。
示例性的,如图4a位置信息可通过预先定义的方式,也可以通过对不同焊接场景下通过视觉获取的方式形成,且不限于通过与焊接件的一个边缘或多个边缘比较获取,也不限于通过焊接件上的一个原点或多个原点获取。例如,以焊接件熔池距离最近的焊接件边缘为基准,计算焊接点的位置信息。
示例性的,该第一判断信息指经过判断模型形成的判断序列,例如(0,1,1,1,2,1,0,0,1,1,1,1,…,0,0)。其中其中0表示非焊接点,1表示焊接品质正常的焊接点,即标注为OK的处理信息,2表示焊接品质不正常的焊接点,即标注为NG的处理信息,加入位置信息后,可通过可视化表示,如图4b所示,焊接点标黑能够直接提示作业人员该焊接点为NG,需要抛料或者对该焊接点进行再次复核,而不需要将这件工件再进入到下一个制程中。若所有焊接点都是OK,则将这件工件输送到下一个制程中。
请再参见图8:
S200,对生产焊接信息进行预处理以形成生产焊接处理信息。
在一实施方式中,预处理包括均值滤波、中值滤波及高斯平滑中的至少一个。
请参见图2,图2为本申请一实施方式中,等离子体、背光反射及温度三者所形成的基础波的示意图。由图2可以看出,三者所形成的波是上述处理信息形成的,波的平滑度低且分布密集,无法较好的获得三者所代表的焊接信息。需要说明的是,三者所形成的波是上述处理信息形成的基础波。
可以理解地,在其他实施方式中,可以采用等离子体、背光反射及温度中的一种或者两种获得基础波,也可以通过其他可以反映焊接过程的光学讯号形成基础波。
需要说明的是,均值滤波、中值滤波及高斯平滑均可以对所形成的波起到平滑图像、滤去噪声的功能,使得历史焊接信息所形成的波具有平滑度高、噪声低的优势,具有平滑度高、噪声低的波形成上述的处理信息。
例如,均值滤波采用线性的方法,主要针对于线性分布的噪声,例如:高斯噪声,示例性的,使用小窗口在讯号上沿时间轴滑动;计算窗口中讯号的均值;时间均值替代当前原始值。
中值滤波采用非线性的方法,主要针对非线性分布的噪声,例如:椒盐噪声,示例性的,使用小窗口在讯号上沿时间轴滑动;计算窗口中讯号的中值;时间均值替代当前原始值。
高斯平滑则是采用领域平均的思想对波进行平滑的一种方法,示例性的,使用小窗口在讯号上沿时间轴滑动;根据高斯函数计算窗口中讯号的加权平均;以加权均值替代当前原始值。
进一步地,同理可参见图3,图3为图2所示的三种波经过预处理后所形成的处理信息的示意图。由图3可知,预处理后的三种波的平滑度提高、波的走势明显,形成所需要的处理信息。
需要说明的是,预处理过程中所包括的均值滤波、中值滤波及高斯平滑在对基础波进行预处理,可以依据基础波的自身特点选择相对应的预处理方法,例如:针对以高斯噪声为主的基础波优选均值滤波的方式,针对以椒盐噪声为主的基础波则优选中值滤波的方式。
S300,输入该生产焊接处理信息至判断模型,形成第一判断信息,该判断模型通过对历史焊接信息的训练形成。示例性的,该历史焊接信息包括获取焊接件熔池或其周围的等离子体、背光反射及温度数据的集合。
焊接特征和位置信息是在焊接过程中获取的,经过训练的判断模型可将输入的焊接特征和位置信息,输出为对应判断焊接品质的判断结果,即判断信息,该信息可以是OK/NG的布尔结果,也可以是标注在焊接点位置的颜色信息,也可以是具体的数值。
S400,根据该位置信息及该第一判断信息,可视化该至少一个焊接点的判断结果。
如图4a所示,焊接件包含至少一个焊接点,例如包括焊接点1、焊接点2和焊接点3,3个焊接点位于不同的位置,可在显示器或者图像中显示,也可以在其他方式中显示。示例性的,根据第一判断信息,判断焊接点1不合格(NG)、焊接点2合格(OK)和焊接点3不合格(NG),以显示器为例,如图4b所示,通过发出和传输控制信息,根据位置信息,示例性为坐标信息,在焊接点1和焊接点3的位置标记出红点,在焊接点2的位置标记处绿点,现场人员即可根据这些可视化信息,了解到焊接情况,能够有效避免焊接不合格时人眼无法直观判断,造成漏检的情况,也能够继续收集焊接时对应的数据,形成新的历史焊接信息,对判断模型进行优化。
上述焊接检测方法中,采用的焊接信息形成于焊接装置的焊接过程,并依据训练完成的判断模型形成用于判断焊接品质的第一判断信息,进而使得检测结果更加贴近或完全反应焊接的实际状况,提高焊接品质检测的实时性、真实性和准确度,减少人工介入,减少检测耗时和耗材,也便于量化分析和进行回溯。
在一实施方式中,由于可能存在同一输入信息至判断模型后,判定结果不唯一的情况,为得出更为准确的判断结果,焊接检测方法还包括:
S500,再次输入生产焊接处理信息至判断模型,形成第二判断信息。
具体地,该第二判断信息指经过判断模型形成的序列,例如(0,1,2,1,1,1,0,0,2,1,1,1,…,0,0)。
S510,根据第一判断信息及第二判断信息,确定第一判断信息及第二判断信息的连通区域。例如,通过对比第一判断信息及第二判断信息,发现第一判断信息的第2至第6个元素中,除了第5个元素为2其他均为1,且第二判断信息的第2至第6个元素中,除了第3个元素为2其他均为1,则确定第一判断信息中第2、3、4、6个元素和第二判断信息中第2、4、5、6个元素相同所形成的连通区域。
具体地,连通区域的确定采用连通分量标记算法。
S520,对第一判断信息及第二判断信息进行主成分分析,以标注连通区域。
示例性的,基于第一判断信息中第2、3、4、6个元素和第二判断信息中第2、4、5、6个元素相同所形成的连通区域中,值为1的元素较多,则确定连通区域全为1,例如(0,1,1,1,1,1,0,0,1,1,1,1,…,0,0)。这是因为在焊接过程中,判断模型存在一定的准确率,若将判断模型的灵敏度调至一发现出现NG(即值为2)的情况即停止,将会导致效率的降低,CT(Cycle Time)增加,且焊接品质并不一定不满足要求。另外,一旦在焊接过程中发现会出现焊接品质问题,通常不会仅出现1-2个值为NG,而是一连串的数据皆为NG,将导致焊接品质降低,因此采用主成分分析,综合第一判断信息及第二判断信息标注连通区域,形成判断结果,能够有效提高效率和减少误判。
可以理解地,在其他实施方式中,也可以采用不同颜色对处理信息进行标注,例如:采用绿色标注焊接品质正常的处理信息所在的区域,采用红色标注焊接品质不正常的处理信息所在的区域。
S530,根据标注后的连通区域,调整第一判断信息或第二判断信息,以形成第三判断信息。
如此,第三判断信息即为综合第一判断信息及第二判断信息标注连通区域后形成的序列,例如为(0,1,1,1,1,1,0,0,1,1,1,1,…,0,0),这样采用连通分量标记算法对所形成的判断信息进行调整,能否有效提高形成的判断信息的准确度。
可以理解地,在其他实施方式中,也可形成多个判断信息,在多个判断信息的基础上形成最终的判断信息。
S540,根据该第三判断信息,可视化该至少一个焊接点的判断结果。
焊接件包含至少一个焊接点,例如包括焊接点1、焊接点2和焊接点3,3个焊接点位于不同的位置,可在显示器或者图像中显示,也可以在其他方式中显示。示例性的,根据第三判断信息,判断焊接点1不合格(NG)、焊接点2合格(OK)和焊接点3不合格(NG),以显示器为例,如图4b所示,通过发出和传输控制信息,根据位置信息,示例性为坐标信息,在焊接点1和焊接点3的位置标记出红点,在焊接点2的位置标记处绿点,现场人员即可根据这些可视化信息,了解到焊接情况,能够有效避免焊接不合格时人眼无法直观判断,造成漏检的情况,也能够继续收集焊接时对应的数据,形成新的历史焊接信息,对判断模型进行优化。
在一些实施例中,该判断模型为通过XGBoost模型对历史焊接信息的训练形成,示例性的,可由上述训练方法形成,例如可通过上述S10-S63中采用XGBoost模型对历史焊接信息的训练的实施例形成。
请参见图9,图9为本申请一实施例焊接检测装置的架构示意图,焊接检测装置200用于形成判断信息以检测焊接品质,包括至少一个处理器,用于通过调取来自存储器或云端的程序集,及执行所述程序集以完成包括如上述焊接检测方法。
示例性的,处理器22可以包括应用处理器(application processor,AP),调制解调处理器,图形处理器(graphics processing unit,GPU),图像信息处理器(image signalprocessor,ISP),控制器,视频编解码器,数字信息处理器(digital signal processor,DSP),基带处理器,和/或神经网络处理器(neural-network processing unit,NPU)等。
上述焊接检测方法及焊接检测装置中,采用的焊接信息形成于焊接装置的焊接过程,并依据经过训练的判断模型形成用于判断焊接过程中质量的第一判断信息,进而使得检测结果更加贴近焊接的实际状况,实现对焊接过程中的质量检测,提高焊接品质检测的实时性、真实性和准确度,减少人工介入,减少检测耗时和耗材,也便于量化分析和进行回溯。
在焊接装置不止一个的场景下,如图10所示,本申请一实施例还提供了一种焊接检测***500,包括:第一传感器501,用于获取第一焊接装置300的检测信息;第二传感器502,用于获取第二焊接装置400的检测信息;光源503,与该第一传感器501、该第二传感器502的距离不同;控制器504,与该光源503、该第一传感器501和该第二传感器502耦接,用于:调整该第二焊接装置400的检测信息,使该第一焊接装置300的检测信息与该第二焊接装置400的检测信息在同一区间内;和根据该第一焊接装置300的检测信息与经过调整的该第二焊接装置400的检测信息,形成生产焊接信息;和还包括焊接检测装置,该焊接检测装置可为上述实施例中的焊接检测装置,用于获取该生产焊接信息。
需要说明的是,光源503可为共用光源,在焊接光信息采集过程中,能够起到提供基准的作用,能够使得生产焊接信息中的光信息更为准确的被获取到。
光源503与该第一传感器501、第二传感器502的距离不同,是因为光源503与第一焊接装置300和第二焊接装置400的部署位置不同造成的。在多个焊接装置需要调机的场景下,包括训练判断模型的过程和实际使用判断模型判断焊接品质的过程,共用光源比在每个焊接装置上装一个光源503更加可靠,也可以解决逐个焊接装置进行调机效率低的问题。示例性的,第一传感器501、第二传感器502为光信息传感器,能够采集反映等离子体、背光反射及温度的红外光、紫外光和非红紫外光。
具体的,该焊接检测***500中的控制器504,与该光源503、该第一传感器501和该第二传感器502耦接,用于:
调整该第二焊接装置400的检测信息,使该第一焊接装置300的检测信息与该第二焊接装置400的检测信息在同一区间内。
如图11所示,第一焊接装置300的检测信息在中间,第二焊接装置400的检测信息偏上,为便于调机,需要对第一传感器501和第二传感器502进行校准,使得校准后的检测信息在同一区间内。
该控制器504还用于:根据该第一焊接装置300的检测信息与经过调整的该第二焊接装置400的检测信息,形成生产焊接信息;焊接检测装置用于获取该生产焊接信息。如此,在焊接装置随着焊接时长能量衰减时,通过焊接检测装置对生产焊接信息进行分析,能够用同一个基准快速判断出哪一个焊接装置可能存在焊接能量不足,影响焊接品质的问题,则可尽快通知管理人员进行处理。
上述控制器504也可为上述焊接检测装置200中的处理器22,也可作为单独的装置设置。控制器504可以包括应用处理器(application processor,AP),调制解调处理器,图形处理器(graphics processing unit,GPU),图像信息处理器(image signal processor,ISP),控制器,视频编解码器,数字信息处理器(digital signal processor,DSP),基带处理器,和/或神经网络处理器(neural-network processing unit,NPU)等。
请参见图12,图12为本申请一实施例焊接设备600的架构示意图,包括上述的焊接检测装置200。焊接检测装置200设置在焊接设备600上,可推广至可移动的焊接设备600上,使得针对焊接过程的焊接品质检测不需要限制在一个固定场所,增强焊接设备600的泛化能力。
上述焊接设备600包括的焊接检测装置200中,获取到的焊接信息形成于焊接装置的焊接过程,依据训练完成的判断模型形成用于判断焊接品质的判断信息,进而使得检测结果更加贴近或完全反应焊接的实际状况,提高焊接品质检测的实时性、真实性和准确度,减少人工介入,减少检测耗时和耗材,也便于量化分析和进行回溯。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。
最后应说明的是,以上实施例仅用以说明本申请的技术方案而非限制,尽管参照较佳实施例对本申请进行了详细说明,本领域的普通技术人员应当理解,可以对本申请的技术方案进行修改或等同替换,而不脱离本申请技术方案的精神和范围。