一种焊接质量预测方法及相关装置制造方法及图纸

本发明专利技术公开了一种焊接质量预测方法及相关装置；该方法包括采集当前焊接图片；基于当前当前焊接图片，使用神经网络模型对所述当前焊接图片进行焊接质量的预测；以神经网络模型的CircleNet目标检测模型为基础，采用轻量级ShuffleNet V2替代原骨干网络；根据圆形检测区域的几何特征和统计偏差规律，构建加权损失函数Ldet改进模型。本发明专利技术提出一种焊接质量预测方法及相关装置，解决当前技术中需要提需要高算力支持，算法部署困难，网络要求高，成本过高的技术问题。高的技术问题。高的技术问题。

【技术实现步骤摘要】
一种焊接质量预测方法及相关装置


[0001]本专利技术涉及深度学习和计算机视觉
，具体涉及一种焊接质量预测方法及装置。

技术介绍

[0002]传统的激光焊接后的质量检测主要是人工检测，通常是检测人员进入到车间后，对焊接好的锂电池通过相关的技术知识去进行质量检测。然而在检测过程中，检测工人可能会受到人的经验、心理和生理等的因素影响，会影响到检测的准确度和可靠度。比如，在对质量检测过程中，会出现焊缝检测的错漏等情况。因此，这种通过机器学习的检测方式，便会得到大家的青睐。
[0003]采用传统图像处理的方式，如图像分割等方法，需要花费大量的时间建立特征工程与调节分类器参数，需要建立多个模板，很难将焊接后的产品做一个具体的分类。图像处理方法仅对颜色特征对焊接图像进行分类，但焊接质量的好坏的判定标准差异很大，同时焊接过程中，预测焊接质量时，预测模型需要高算力支持，算法部署困难，网络要求高，成本过高。

技术实现思路

[0004]本专利技术为克服现有技术中，提供一种焊接质量预测方法，解决当前技术中需要提需要高算力支持，算法部署困难，网络要求高，成本过高的技术问题。
[0005]本专利技术公开了一种焊接质量预测方法，包括：采集当前焊接图片；基于当前当前焊接图片，使用神经网络模型对所述当前焊接图片进行焊接质量的预测；以神经网络模型的CircleNet目标检测模型为基础，采用轻量级ShuffleNet V2替代原骨干网络；根据圆形检测区域的几何特征和统计偏差规律，构建加权损失函数L
det 改进模型。
[0006]优选地，所述加权损失函数L
det 训练模型具体为：；其中，为关键点热图损失函数,为中心点偏移损失函数，计算公式为；
为预测的中心点偏移，R为下采样率，为预测的中心点，p为真实的中心点；为半径损失函数，计算公式为 ；为预测的半径，为表示标注框，即真实框信息中的半径值。
[0007]优选地，采集包含多个焊接质量的原始图片，构建深度学习训练图片数据集，对图片中焊接质量的类别进行划分并标记；采用圆形目标检测框，人为选定圆形检测框的圆心和半径，标定训练数据集图片中的焊接点的区域；将训练图片数据集划分为训练集、测试集和验证集，设定初始学习率、类别数目、训练轮次和批尺寸的参数，对神经网络模型进行训练，训练结束后获得神经网络模型的推理权重文件，以及识别模型性能指标。
[0008]优选地，所述将训练图片数据集划分为训练集、测试集和验证集，设定初始学习率、类别数目、训练轮次和批尺寸的参数，对神经网络模型进行训练，训练结束后获得神经网络模型的推理权重文件，以及识别模型性能指标具体包括：针对训练图片数据集，标注真实框圆心坐标、半径、焊接序号、图片序号、焊接程度类别，具体形式为 [x,y,raduis,id,image_id,category_id],并按照COCO格式生成标注文件；对数据集进行扩充增强，选用平移、尺度变换、旋转、翻转、色彩扰动方式对数据集进行在线增强；设定训练超参数，得到训练后的推理权重模型；优选地，所述识别模型性能指标计算方法包括：利用CircleNet模型的Circle IoU算法，计算预测框和真实框的交集面积、并集面积和交并集比；根据Circle IoU值，计算Precision，Recall，F1 Score和mAP，以评估CenterNet
‑
Improved模型的性能。
[0009]本专利技术的第二个目的可以通过采取如下技术方案达到：一种焊接质量评估系统，该系统包括：采集单元，用于采集当前焊接图片；预测单元，用于基于当前当前焊接图片，使用神经网络模型对所述当前焊接图片进行焊接质量的预测；处理单元，用于以神经网络模型的CircleNet目标检测模型为基础，采用轻量级ShuffleNet V2替代原骨干网络；根据圆形检测区域的几何特征和统计偏差规律，构建加权损失函数L
det 改进模型。
[0010]本专利技术的第三个目的可以通过采取如下技术方案达到：一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述的焊接质量预测方法。
[0011]本专利技术的第四个目的可以通过采取如下技术方案达到：一种存储介质，存储程序，所述程序被处理器执行时，实现上述的焊接质量预测方法。
[0012]本专利技术基于当前当前焊接图片，使用神经网络模型对所述当前焊接图片进行焊接质量的预测；以神经网络模型的CircleNet目标检测模型为基础，采用轻量级ShuffleNet V2替代原骨干网络；根据圆形检测区域的几何特征和统计偏差规律，构建加权损失函数L
det 改进模型；对焊接范围的定位速度更快，快速准确地分类不同种类的焊接缺陷类型；测试到的样本更加精准，能有效解决当前分类技术中需要提前人工提取特征，准确性较低的问题；基于卷积神经网络系统的预训练方式使得焊接处的检测效率更高，克服了传统的图像分割中所花费时间太长，预测模型需要高算力支持，算法部署困难，网络要求高，成本过高的弊端。
附图说明
[0013]此处的附图被并入说明书中并构成本说明书的一部分，标示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。
[0014]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0015]图1为本专利技术一种焊接质量预测方法的流程图；图2为本专利技术一种焊接质量预测方法的另一流程图。
具体实施方式
[0016]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0017]需要说明，本专利技术实施例中所有方向性指示（诸如上、下、左、右、前、后
……
）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
[0018]另外，在本专利技术中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一种该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本专利技术要求的保护范围之内。
[0019]本专利技术公开了一种焊接质量预测方法，参见图1
‑
2，包括：
步骤100，采集当前焊接图片；步骤200，基于当前当前焊接图片，使用神经网络模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种焊接质量预测方法，其特征在于，包括：采集当前焊接图片；基于当前当前焊接图片，使用神经网络模型对所述当前焊接图片进行焊接质量的预测；以神经网络模型的CircleNet目标检测模型为基础，采用轻量级ShuffleNet V2替代原骨干网络；根据圆形检测区域的几何特征和统计偏差规律，构建加权损失函数L
det
改进模型。2.根据权利要求1的焊接质量预测方法，其特征在于，所述加权损失函数L
det 训练模型具体为：；其中，为关键点热图损失函数,为中心点偏移损失函数，计算公式为；为预测的中心点偏移，R为下采样率，为预测的中心点，p为真实的中心点；为半径损失函数，计算公式为；为预测的半径，为表示标注框，即真实框信息中的半径值。3.根据权利要求2的焊接质量预测方法，其特征在于，采集包含多个焊接质量的原始图片，构建深度学习训练图片数据集，对图片中焊接质量的类别进行划分并标记；采用圆形目标检测框，人为选定圆形检测框的圆心和半径，标定训练数据集图片中的焊接点的区域；将训练图片数据集划分为训练集、测试集和验证集，设定初始学习率、类别数目、训练轮次和批尺寸的参数，对神经网络模型进行训练，训练结束后获得神经网络模型的推理权重文件，以及识别模型性能指标。4.根据权利要求3的焊接质量预测方法，其特征在于，所述将训练图片数据集划分为训练集、测试集和验证集，设定初始学习率、类别数目、训练轮次和批尺寸的参数，对神经网络
模型进行训练，训练结束后获得神经网络模型的推理权重文件，以及识别模型性能指标具体包括：针对训练图片数据集...

【专利技术属性】
技术研发人员：林成熙，苏飞，蒋榕，
申请(专利权)人：深圳市智鼎自动化技术有限公司，
类型：发明
国别省市：