[发明专利]基于光谱视觉协同感知的多源质量监测方法

说明书

本发明公开了一种基于光谱视觉协同感知的多源质量监测方法，包括以下步骤：1)、采集焊接电流参数，在电流的峰值时刻采集熔池的光谱数据，在电流的基值时刻采集熔池的视觉图像；2)、基于步骤1)得到的光谱数据，选取特征波段，根据特征波段进行LPP‑KNN分类来实现保护气流量的质量监测；3)、基于步骤1)得到的熔池的视觉图像CC‑KNN的焊速稳定性监测；4)、基于步骤1)得到的光谱数据先验阈值的光谱处理进行母材缺陷监测。本发明的基于光谱视觉协同感知的多源质量监测方法中各种算法均计算简单高效，实时性强。通过视觉的分类和光谱的分类相结合，可在线定位的质量问题类别更多、准确率更高、性能更加稳定。而且本发明不限于单一焊接工艺和单一材料。

技术领域

本发明属于多源分类的技术领域，涉及一种基于光谱视觉协同感知的多源质量监测方法。

背景技术

熔池质量在线监测一直是焊接领域技术热点，是智能化焊接技术的主要研究内容之一。视觉是人类感知外部信息的主要功能之一，在传统人工质量监管中，焊工对焊接质量的判断主要依赖于视觉信息和个人经验。熔池图像中包含丰富的熔池信息，与焊接质量密切相关。

在熔池质量监测中，利用视觉图像可以实现焊速稳定性监测，但是无法解决保护气流量高低和夹渣等质量问题，因此单一视觉信息不全面，需要引进其他测量数据来补全熔池信息。

因此，需要一种新的多源质量监测方法以解决上述问题。

发明内容

本发明要解决的技术问题是提供一种的基于光谱视觉协同感知的多源质量监测方法。

为了解决上述技术问题，本发明的基于光谱视觉协同感知的多源质量监测方法采用的技术方案如下。

一种基于光谱视觉协同感知的多源质量监测方法，包括以下步骤：

1)、采集焊接电流参数，在电流的峰值时刻采集熔池的光谱数据，在电流的基值时刻采集熔池的视觉图像；

2)、基于步骤1)得到的光谱数据，选取特征波段，根据特征波段进行LPP-KNN分类来实现保护气流量的质量监测；

3)、基于步骤1)得到的熔池的视觉图像CC-KNN的焊速稳定性监测；

4)、基于步骤1)得到的光谱数据先验阈值的光谱处理进行母材缺陷监测。

更进一步的，步骤2)中根据特征波段进行LPP-KNN分类来实现保护气流量的质量监测，包括以下步骤：

21)、利用LPP降维对选取的特征波段提取光谱特征；

22)、对步骤21)的光谱特征进行KNN分类，实现保护气流量的质量监测。

对特征波段范围进行LPP-KNN分类来实现保护气流量的质量监测。

PP-KNN分类是指利用LPP降维对选取的特征波段范围进一步挖掘光谱信息，并对最终的光谱特征进行KNN分类的方法。

更进一步的，步骤3)中基于步骤1)得到的熔池的视觉图像CC-KNN的焊速稳定性监测包括以下步骤：

31)、图像增强：采用下式对熔池的视觉图像进行增强，得到增强图像：

式中，g_oriange(x,y)为视觉图像中像素的灰度值，γ为增强系数，g(x,y)为增强图像中像素的灰度值，double(g_oriange(x,y))为将视觉图像中像素的灰度值转换为双精度浮点数；

32)、采用最大类间方差算法对步骤31)得到的增强图像进行分割；