[发明专利]一种基于卷积神经网络的焊缝质量检测方法

说明书

本发明公开了一种基于卷积神经网络的焊缝质量检测方法。一.图像采集：采集焊接点图像，并记录采集时间标记功能以及焊件信息记录功能；二.焊缝质量分析：步骤1，采用卷积神经网络对焊缝区域进行捕捉定位，通过矩形框定位提取焊缝检测区域，然后对检测到的焊缝区域图像进行预处理，并将预处理结果送入步骤2对焊缝质量进行检测分析。步骤2，对焊接点区域进行质量检测，判断待检测焊缝是否合格，首先对捕捉到的焊接点区域用三次样条插值进行放大，然后将放大后的焊接区域通过卷积神经网络进行焊缝质量检测，对焊接点样本和非焊接点样本数据预处理后进行检测模型训练，利用检测模型进行焊缝质量分析检测。步骤3.对检测结果进行相应处理。

技术领域

本发明属于机器视觉领域，具体为工业图像检测识别领域，特别涉及一种基于卷积神经网络的焊缝表面图像检测方法。通过对焊缝表面图像的检测识别来对焊缝进行质量检测。

背景技术

在人工焊接的生产线上，由于焊接工艺的不成熟，往往会导致虚焊，漏焊、过焊等现象，对于比较复杂的工件，尤其是复杂焊面上的多焊点情况，更容易导致漏焊。目前检测焊点质量大多是依靠人工检测，这样很大程度上依赖于检测工人的技术以及经验，会产生很多不稳定因素，并且增加了工人的工作量，从而使得工作效率低下。传统的图像检测识别方法对于复杂焊接面上的多焊点图像都需要通过对每个角度的图像进行矫正，然后通过图像定位和模板匹配的方法来检测，并且稳定性不强很容易受到环境的干扰，进而导致漏检或者错检；或者通过图像上的滑动窗口，以及对窗口内的特征进行提取，并结合分类器进行分类检测，图片上的滑动窗口会导致计算量增大，人工提取的图像特征以及分类器的参数调节则会影响焊点图像的检测识别精度。

现有相关专利，如申请号201710818297.6的专利，基于深度学习的焊点质量检测方法，只是在对处理后的目标区域进行处理。如何实现通过卷积神经网络对检测区域进行捕捉定位，并且完成对焊缝的质量检测，目前还没有相关方法问世。

本发明提出了一种基于卷积神经网络的焊缝质量检测方法。对待检测的焊缝区域进行捕捉定位，并对该区域进行质量检测。

发明内容

本发明针对现有焊缝质量检测技术的不足，提出了一种基于卷积神经网络的焊缝质量检测筛选的方法。通过采集焊缝表面图像，对焊缝进行质量分析，根据分析结果筛选质量不合格的焊件。

为了达到上述目的，本发明提供的技术方案是一种基于卷积神经网络的焊缝表面质量检测方法，其中包括以下步骤：图像采集，焊缝质量分析，检测结果处理。

一.图像采集：采用高分辨率的工业摄像头实现，具有焊接点图像的扫描、录入功能，实现焊接点图像采集并传输到质量分析模块的功能，记录采集时间标记功能以及焊件信息记录功能。

二.焊缝质量分析：焊缝质量分析包括以下步骤：

步骤1，对待检测图像进行焊缝区域定位捕捉：采用卷积神经网络对焊缝区域进行捕捉定位，通过矩形框定位提取焊缝检测区域，然后对检测到的焊缝区域图像进行预处理，并将预处理结果送入步骤2的质量检测分析模块对焊缝质量进行检测分析。

步骤2，对捕捉到的焊接点区域进行质量检测，判断待检测焊缝是否合格。为保证焊缝区域的清晰度，对捕捉到的焊接点区域用三次样条插值进行放大。将先前检测到的焊接区域放大后，对该区域通过卷积神经网络进行焊缝质量检测。对大量焊接点样本和非焊接点样本数据预处理后进行检测模型训练(本实例中训练正常焊缝样本和异常焊缝样本各12500张用于质量检测模型)。具体地：

步骤2.1，卷积神经网络的训练。在Ubuntu系统的tensorflow框架下，将经过预处理的12500张正常焊缝图像和12500张异常焊缝图像数据分成训练集，训练集标签，测试集，测试集标签。采用反向传播学习算法，和随机梯度下降方法。根据前向传播的loss值的大小，来进行反向传播迭代更新卷积神经网络每一层的权重。直到模型的loss值趋向于收敛的时候，表示模型训练完成。