【技术实现步骤摘要】
一种基于深度学习的熔池图像几何特征提取方法及系统
[0001]专利技术涉及激光焊接技术和深度学习领域,特别是涉及一种基于深度学习的熔池图像几何 特征提取方法及系统。通过深度学习领域中的图像分割算法,准确提取出激光焊接熔池区域 信息,并基于此提取出熔池的几何特征。
技术介绍
[0002]激光焊接作为激光加工技术的重要应用领域之一,是一种以高能激光束作为能源轰击焊 接区域所产生的热量进行焊接的方法,具有热量输入少、焊接精度高、质量好、接头热变形 和热影响区小等的优点,因此广泛应用于航空航天、冶金机械等各个领域。激光焊接中,由 于高热量产生的匙孔及其周围的熔融金属具有高温度、高亮度、变化迅速等的特点,利用各 种方法对其进行监测是研究激光焊接这一复杂过程的重要手段。在线监控激光焊接过程的熔 池形态是保证焊接质量的关键因素,然而由于激光焊接过程中匙孔区域的高热量,焊接材料 及基底融化产生飞溅、羽辉等,对激光焊接过程的视觉监测方法存在一定干扰,导致焊接的 熔池难以准确检测、提取。
[0003]高精度、强鲁棒性的视觉监测方法对提高激光焊接自动化程度,实现高质量激光焊接具 有重要意义。目前现有的激光焊接过程中熔池的视觉监测方法大多是基于传统的阈值分割和 边缘检测等方法,难以在存在飞溅、羽辉等的干扰下对熔池区域进行准确提取,因而存在一 定的误差,使视觉监测的精度降低。
技术实现思路
[0004]本专利技术针对目前激光焊接的现有的视觉监测方法的不足,提出一种基于深度学习的熔池 图像几何特征提取方法及系统,以解决熔 ...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的熔池图像几何特征提取方法,其特征在于,包括以下步骤:步骤S1、图像采集:采集激光焊接过程中的熔池动态视频,并从熔池动态视频提取熔池图像,获取清晰的熔池原始图像集;步骤S2图像预处理:采用图像处理算法对熔池原始图像进行灰度处理和滤波去噪;步骤S3图像数据集制作:采用图像标注工具对所述步骤S2中处理过的熔池图像进行图像标注,制作熔池图像数据集;步骤S4图像分割网络模型构建与训练:构建熔池图像分割网络模型,将步骤S3制作的熔池图像数据集输入构建的熔池图像分割网络模型进行训练与测试;步骤S5熔池图像在线监测:将步骤S4训练好的熔池图像分割网络模型部署于计算机上,实时获取激光焊接的熔池图像并对熔池区域进行提取;步骤S6熔池几何特征提取与计算:将步骤S5提取出的熔池区域图像采用图像处理算法获取熔池几何特征,包括长、宽、面积、拖尾角。2.根据权利要求1所述的基于深度学习的熔池图像几何特征提取方法,其特征在于,所述步骤S1中高速相机以5000帧/秒的速度采集熔池动态视频,将拍摄的熔池动态视频以每五帧为间隔提取原始图像。3.根据权利要求1所述的基于深度学习的熔池图像几何特征提取方法,其特征在于,所述步骤S3中标注是指将熔池区域设置为前景,标签为1,其他区域设置为背景,标签为0,制作图像分割数据集。4.根据权利要求1所述的基于深度学习的熔池图像几何特征提取方法,其特征在于,所述步骤S4中,将图像数据集划分为训练集、测试集与验证集,利用训练集与验证集对预先构建的激光焊接熔池区域图像分割网络模型进行交叉验证训练。5.根据权利要求1所述的基于深度学习的熔池图像几何特征提取方法,其特征在于,所述步骤S4中构建的熔池图像分割网络模型为U
‑
Net熔池图像分割网络模型,包括输入层、第二层卷积层与池化层、第三层卷积层与池化层、第四层卷积层与池化层、第五层卷积层、第六层卷积层与上采样层、第七层卷积层与上采样层、第八层卷积层与上采样层、输出层;所述输入层包括第一层卷积层与池化层,所述输出层包括第九层卷积层与上采样层,采用卷积层提取熔池图像特征、采用最大池化层对熔池图像特征进行特征降维,采用上采样对高维特征信息进行增强。6.根据权利要求5所述的基于深度学习的熔池图像几何特征提取方法,其特征在于,所述U
‑
Net熔池图像分割网络模型的第一层卷积、第二层卷积层、第三层卷积层、第七层卷积层、第八层卷积层、第九层卷积层的卷积核大小为5*5,第四层卷积层、第五层卷积层、第六层...
【专利技术属性】
技术研发人员:许桢英,李奇灵,武子乾,唐梦雨,凌俊,闫金金,
申请(专利权)人:江苏大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。