[发明专利]采煤机滚筒齿座焊接缺陷自动检测方法

说明书

本发明涉及一种采煤机滚筒齿座焊接缺陷自动检测方法，在将滚筒齿座焊接到滚筒筒体的过程中，利用图像采集装置实时采集滚筒齿座焊缝图像，并将所述焊缝图像输入到经过训练的焊接缺陷识别模型中进行焊接缺陷识别和缺陷分类，焊接缺陷识别模型判断所述焊缝图像是否存在焊接缺陷并将判断为存在焊接缺陷的所述焊缝图像根据焊接缺陷类型的不同输出到预设的不同缺陷文件夹中，所述焊接缺陷识别模型采用轻量化深度卷积可分离神经网络模型，所述轻量化深度卷积可分离神经网络的主干网络为MobileNet V3。本发明能以较低的综合成本、较快的速度在线快速识别出齿座焊接缺陷，满足滚筒智能化生产需求。

技术领域

本发明涉及一种焊缝质量检测方法，能用于滚筒智能化生产中在线自动检测齿座焊接质量。

背景技术

采煤机的生产效率和产煤质量很大程度上取决于采煤机滚筒的质量。滚筒是焊接件，其焊缝质量是滚筒质量的关键指标，如果焊接质量低，容易出现齿座开裂、掉落等问题，进而会造成滚筒受力不均，加剧滚筒损坏直至报废。而目前市场上普遍采用事后检测的方法如磁粉探伤、X光射线探伤等，耗时长、成本高，且该类方法对于齿座类焊缝的短平多特点的检出率低。此外，如何快速检测采煤机滚筒齿座的焊接质量也是采煤机滚筒智能制造过程中一个亟待解决的问题。

发明内容

本发明旨在提供一种采煤机滚筒齿座焊接缺陷自动检测方法，能以较低的综合成本、较快的速度在线快速识别出齿座焊接缺陷，满足滚筒智能化生产需求。

本发明的主要技术方案有：

一种采煤机滚筒齿座焊接缺陷自动检测方法，在将滚筒齿座焊接到滚筒筒体的过程中，利用图像采集装置实时采集滚筒齿座焊缝图像，并将所述焊缝图像输入到经过训练的焊接缺陷识别模型中进行焊接缺陷识别和缺陷分类，焊接缺陷识别模型判断所述焊缝图像是否存在焊接缺陷并将判断为存在焊接缺陷的所述焊缝图像根据焊接缺陷类型的不同输出到预设的不同缺陷文件夹中，所述焊接缺陷识别模型采用轻量化深度卷积可分离神经网络模型，所述轻量化深度卷积可分离神经网络的主干网络为MobileNet V3；对所述焊接缺陷识别模型进行训练时，先通过所述图像采集装置获取若干滚筒齿座原始焊缝图像，然后对所述原始焊缝图像进行预处理，包括为其中的缺陷焊缝的图像增加焊接缺陷类型标签，再将预处理后的焊缝图像导入焊接缺陷识别模型中进行训练。

将主干网络MobileNet V3中的SE注意力模块替换为Symmetrical-ECA注意力模块，所述Symmetrical-ECA注意力模块的流程为：首先输入维度为H*W*C的特征图，然后在空间维度上使用全局平均池化GAP对输入的特征图进行空间特征压缩，得到1*1*C的特征图，再通过1*1卷积对压缩后的特征图进行通道特征学习，最后添加通道注意力并结合Symmetrical Sigmoid函数，将通道注意力的特征图1*1*C与原始输入特征图H*W*C进行逐通道乘，最终输出具有通道注意力的特征图。

所述图像采集装置安装在滚筒焊接工业机械臂上。

所述图像采集装置优选采用工业相机。

所述滚筒焊接工业机械臂的行走路线根据滚筒齿座多层多道焊的特点确定，行走路线子程序包含的主要参数有焊接的起点、焊接路径和焊接角度。

训练时的所述预处理包括通过逐步添加高斯噪声再逐步逆向还原处理所实现的数据增强操作。

除了预设的缺陷文件夹外，还预设有未识别文件夹，焊接缺陷识别模型将判断为不存在焊接缺陷的所述焊缝图像保存至未识别文件夹中。

使用OpenCV的Python接口对所述图像采集装置实时拍摄的图像进行读取，或者使用Python的os接口直接输入由所述图像采集装置实时拍摄所得到的图像文件的存储路径进行读取。

本发明的有益效果是：