[发明专利]一种焊缝目标实时检测方法

说明书

本发明属于检测技术领域，特别涉及一种焊缝目标实时检测方法，包括以下步骤：建立训练样本集，被构造为采集不同形态的焊缝图像作为源样本，对源样本进行预处理组成训练样本；离线训练检测器，被构造为利用所述训练样本在不同的初始条件下对神经网络进行训练，将多次训练得到的最优神经网络模型作为焊缝检测器；在线检测，被构造为获取检测图像，利用所述焊缝检测器进行焊缝检测并输出检测结果。本发明针对不同形态的焊缝采用基于线激光成像的焊缝图像训练得到的焊缝检测器，克服了通过形态学方法定位焊缝鲁棒性差的问题，实现了对不同形态的焊缝的精确定位，对不同种类的焊缝分类准确，且定位精度高。

技术领域

本发明涉及焊缝目标实时检测方法，尤其涉及一种机器人线激光焊缝实时检测方法。

背景技术

由于工人手持焊接存在劳动强度大、工作环境恶劣、效率低下等问题，国内外逐渐将焊接机器人应用到焊接生产中。传统的焊接机器人大多数为示教编程型机器人，再加以传感器辅助获取外界信息调整焊接轨迹。近年来，随着计算机视觉的发展，基于激光与视觉传感器成像的焊缝跟踪系统开始出现，其特点为采取跟踪的方式实现焊缝特征点的定位。由于其跟踪算法大多是基于时空上下文学习的方式，需要有识别到的焊缝初始点，因此对焊缝初始点的定位精度提出了要求。目前大多焊缝跟踪系统对焊缝特征点的定位采用手动标注方式或传统图像处理的方式，手动标注方式费时费力；传统图像处理的方式，如形态学方法，需要花费大量的时间建立特征工程与调节分类器参数，而且无法确定各种不同形态的焊缝初始点位置。

焊缝实时跟踪系统主要技术指标是激光条纹和焊接熔池之间的距离d，d越小则跟踪精度越高，通常希望d30mm。因此，焊接起始点作为跟踪算法的基准点，快速、精确地获取到焊接起始点是焊缝实时检测方法的目标。

发明内容

针对上述问题，本发明提供一种焊缝目标实时检测方法，通过采集并预处理训练样本，训练基于卷积神经网络的焊缝检测器，使其能快速准确地识别、定位不同种类的焊缝位置，能有效解决当前自动焊接技术中焊缝自动跟踪系统采用形态学方法对焊接起始点的定位不精确以及鲁棒性差的问题。

本发明采用如下技术方案来实现：一种焊缝目标实时检测方法，包括以下步骤：

建立训练样本集，被构造为采集不同形态的焊缝图像作为源样本，对源样本进行预处理组成训练样本；

离线训练检测器，被构造为利用所述训练样本在不同的初始条件下对神经网络进行训练，将多次训练得到的最优神经网络模型作为焊缝检测器；

在线检测，被构造为获取检测图像，利用所述焊缝检测器进行焊缝检测并输出检测结果。

相比现有技术，本发明的有益效果是：

(1)离线训练基于卷积神经网络的焊缝检测器，快速准确地识别、定位不同种类的焊缝位置，能有效解决当前自动焊接技术中焊缝自动跟踪系统采用形态学方法对焊接起始点的定位不精确以及鲁棒性差的问题。

(2)通过线激光传感器与嵌入式控制器生成并采集焊缝图像，具有成像清晰、不易受外界环境光源干扰、操作简便和结构简单的特点；

(3)通过对采集到的训练样本进行数据预处理，获得的样本类型分布均衡，焊缝位置、角度多变，节省了重复采集训练样本的时间与人力；

(4)通过卷积神经网络从大样本中学习到焊缝的本质特征，保证其特征具有较强的可分性，相比与传统形态学的检测方法，该方法的鲁棒性更高，对不同类型的焊缝定位效果更精确。

附图说明

图1为本发明一个实施例中焊缝目标实施检测方法整体工作流程图；

图2为本发明一个实施例中六自由度焊接机器人线激光实时焊缝检测系统采集图像结构示意图；

图3为本发明一个实施例中线激光传感器内部结构示意图。

具体实施方式