[发明专利]基于深度学习的自动定位焊接方法

说明书

本发明涉及一种基于深度学习的自动定位焊接方法，包括以下步骤：步骤S1:构建数据集；步骤S2:构建并训练分类识别模型；步骤S3:基于训练好的分类识别模型对相机获取到的图像进行目标检测与识别，并基于得到的目标框信息完成图像剪切，得到坡口图像与坡口边缘图像；步骤S4:获取拟合焊缝中心线LV；步骤S5:获取拟合边缘直线LH；步骤S6:将拟合边缘直线LH与拟合焊缝中心线的交点作为焊缝端点，并基于焊缝端点信息过滤掉步骤S4中焊缝中心点集PV点集中超出焊缝端点部分的噪点；步骤S7:通过位移变换与相机外参数将全部焊缝中心点集PV中的各点坐标统一到工件坐标系下，最后通过socket通讯指导ABB机械手完成焊接。本发明有效实现自动化焊接和智能化焊接。

技术领域

本发明涉及自动焊接领域，具体涉及一种基于深度学习的自动定位焊接方法。

背景技术

自动化焊接和智能化焊接是高效焊接制造的重要发展方向，而视觉辅助自动化焊接是重要的自动化焊接手段之一，视觉辅助系统的功能实现主要通过对焊接图像的处理获取焊接角点信息并反馈给执行机构完成自动化焊接工作。

在深度学习在自动化焊接领域应用以前，以往的焊缝识别方法主要分为两类：主动视觉、被动视觉。主动视觉是借助激光辅助光源在坡口上呈现出的特殊特征设计专门的特征检测算法完成焊缝中心点提取，该方法在坡口周围干扰少，小视野状态下，通过设计特定的特征提取方法能够有效的提取出焊缝中心点位置，且精度较高。但是基于激光辅助光源的焊缝提取方法不仅要针对不同的坡口设计不同的特征提取方法，同时当坡口周围存在数量多，变化无规律的干扰，特别是线条形状干扰时，基于激光辅助光源的焊缝识别与定位方法将难以进行有效的焊缝特征提取。被动视觉是指不借助激光，使用自然光或是环形光源等，依托焊缝本身的特征设计相应的特征提取方法完成焊缝与背景分离与定位的方法，该方法同样存在需要针对不同焊缝设计不同特征提取方法，且在复杂焊接环境中无法有效进行特征提取的难题。

发明内容

有鉴于此，本发明的目的在于提供一种基于深度学习的自动定位焊接方法，有效实现自动化焊接和智能化焊接。

为实现上述目的，本发明采用如下技术方案：

一种基于深度学习的自动定位焊接方法，包括以下步骤：

步骤S1:获取焊接板对接构成的直线坡口图像集，并预处理，得到数据集；

步骤S2:基于YOLOv3网络构建分类识别模型，并基于数据集进行训练,得到训练好的基于YOLOv3的目标分类识别模型；

步骤S3:基于训练好的基于YOLOv3的目标分类识别模型对相机获取到的图像进行目标检测与识别，并基于得到的目标框信息完成图像剪切，获得目标图像，包含坡口图像和坡口边缘图像；

步骤S4:将坡口图像转为灰度图像并提取焊缝中心点，使用RANSAC算法过滤偏离焊缝中心的噪点，获得焊缝中心点集PV点集，最后对提取到的焊缝中心点使用最小二乘法进行线性拟合，获得拟合焊缝中心线LV；

步骤S5:对坡口边缘图像识别结果进行判别，上下边框分别处理，当小框边缘图像被提取时，则不进行大框边缘图像提取与处理，并基于坡口边缘图像获取拟合边缘直线LH；

步骤S6:将拟合边缘直线LH与拟合焊缝中心线LV的交点作为焊缝端点，并进一步过滤掉步骤S4中焊缝中心点集PV点集中超出焊缝端点部分的噪点；

步骤S7:基于图像采集位置与相机标定位置的位移变换，在逐个采集点获取的图像进行焊缝中心点检测后，通过位移变换与相机外参数将全部焊缝中心点集PV中的各点坐标统一到工件坐标系下，并通过socket通讯指导ABB机械手完成焊接。

进一步的，所述步骤S1具体为：