[发明专利]一种基于卷积神经网络的CO2

说明书

本发明公开了一种基于卷积神经网络的CO₂焊接熔池图像识别方法，包括，通过红外图像传感器采集熔池图像，并对所述熔池图像根据阈值进行分割处理；调节所述分割处理后的图像的对比度和亮度，并构建数据集；标记划分所述数据集为训练集和测试集，利用卷积神经网络对所述训练集进行训练，获得所述网络的参数；利用所述参数对所述测试集进行多次测试并获得测试精度，直至满足精度要求时输出所述熔池图像的识别结果。本发明能够降低依赖主观经验提取熔池图像特征参数特征对计算结果与分析产生的误差，提高了对熔池图像的识别精度。

技术领域

本发明涉及接熔池图像识别的技术领域，尤其涉及一种基于卷积神经网络的CO₂焊接熔池图像识别方法。

背景技术

近年来，国内外学术界许多专家从不同角度分析研究了熔池视觉检测，且经过多年研究已经形成了一定的理论体系。但由于影响熔池形貌的因素较多，较为复杂，所以对于收集到的熔池信息目前还多集中在理论研究阶段，真正借助这些信息来提升焊后检测方面的研究向相对较少，美国俄亥俄州立大学为研究熔池相关信息，以钢质焊件为研究对象，通过激光视觉传感器进行了熔池检测实验。在实验时，坡口宽度和焊件厚度分别设为0.5mm和1.5mm，对钢质材料进行焊接，在焊接过程中，使用视觉传感器检测熔池形状参数，该实验在收集信息时，不是实时收集的，这也是该实验的一大不足。

美国学者Y.M.Zhang和R.Kovacevic经过大量分析研究，创建了主动视觉熔池下榻检测方法，这种检测方法的光源是激光，利用激光照射焊缝表面，收集光反射条纹，然后利用图像处理技术对条纹变形量进行分析，得到该区域下榻量，然后将这一下榻量充当整个熔池下榻量，这种检测方法不是实时检测焊接过程，存在滞后性。

从以上研究能够了解到，现阶段，在熔池视觉检测方面的研究，国内外学术界还处在实验阶段，且现有的检测算法不够完善，也不够全面，同时也未充分利用和分析所收集到的熔池图像，距离将熔池图像应用于焊接质量实时监测和控制阶段还有很长一段距离。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种基于卷积神经网络的CO₂焊接熔池图像识别方法，解决了图像数量少而引发的过拟合和对熔池图像的识别效率低的问题。

为解决上述技术问题，本发明提供如下技术方案：包括，通过红外图像传感器采集熔池图像，并对所述熔池图像根据阈值进行分割处理；调节所述分割处理后的图像的对比度和亮度，并构建数据集；标记划分所述数据集为训练集和测试集，利用卷积神经网络对所述训练集进行训练，获得所述网络的参数；利用所述参数对所述测试集进行多次测试并获得测试精度，直至满足精度要求时输出所述熔池图像的识别结果。

作为本发明所述的基于卷积神经网络的CO₂焊接熔池图像识别方法的一种优选方案，其中：基于CO₂焊接短路周期与电流变化的关系，获得与其电流变化频率相同的矩形脉冲波形，在熔滴短路时产生触发，而后通过所述红外图像传感器得到短路时的焊接熔池图像，并对所述图像以平均分布的方式选取，频率为50Hz。

作为本发明所述的基于卷积神经网络的CO₂焊接熔池图像识别方法的一种优选方案，其中：所述阈值包括，利用大津算法动态选取合理的阈值，大小为M×N的图像I(x，y)有:

g＝ω₁×ω₂×(μ₁－μ₂)²