[发明专利]基于深度预测网络的驼峰和熔透在线预警方法

说明书

本发明公开了一种基于深度预测网络的驼峰和熔透预警方法，将熔池图像样本数据输入构建的驼峰和熔透预警模型，利用反向传播算法更新驼峰和熔透预警模型网络参数，直至损失函数值变化量小于设定阈值，选取此时训练的模型参数作为该模型的网络参数；将实时采集的熔池图像输入训练好的驼峰和熔透预警模型得到五十帧之后的熔池图像是否为驼峰或熔透。本发明采用基于深度预测网络的驼峰和熔透预警模型，能够实时预测熔池形态的变化以判断焊接过程是否有产生驼峰或熔透的趋势。

技术领域

本发明属于计算机视觉技术，具体为一种基于深度预测网络的驼峰和熔透在线预警方法。

背景技术

熔焊与增材制造技术早已渗透到航空航天、兵器装备、舰船海工、新能源新材料、核装备/承载设备、汽车轨道车辆等众多军事民生领域。熔焊与增材制造是瞬态过程不断累积的工艺过程，机器人焊接可以提高生产效率和焊接质量。但是目前所做的熔池实时监测都是在焊接的同时进行监测，不能提前预测后续的熔池变化。

焊接和增材过程是一个既变性又变形的复杂物理化学过程，由于强烈的弧光辐射、高温、烟尘、飞溅、坡口状况、加工误差、装夹精度、表面状态和工件热变形会使焊炬偏离焊缝，从而造成焊接质量下降甚至失败。这就要求焊接机器人能够实时监测焊缝焊接的成形质量，及时调整焊接工艺以保证焊接质量的可靠性。现有的熔透监测方法为：从熔池图像的几何参数并采用BP神经网络，区分熔透与非熔透时熔池的几何形状的变化。但是这种监测方式不能够预测得到熔池的变化，不能提前改变焊接条件。

发明内容

本发明的目的在于提出了一种基于深度预测网络的驼峰和熔透在线预警方法。

实现本发明目的的技术方案为：一种基于深度预测网络的驼峰和熔透预警方法，具体步骤为：

步骤1、构建基于深度预测网络的驼峰和熔透预警模型；

步骤2、将熔池图像样本数据输入步骤1构建的驼峰和熔透预警模型，利用反向传播算法更新驼峰和熔透预警模型网络参数，直至损失函数值变化量小于设定阈值，选取此时训练的模型参数作为该模型的网络参数；

步骤3、将实时采集的熔池图像输入训练好的驼峰和熔透预警模型得到五十帧之后的熔池图像是否为驼峰或熔透。

优选地，步骤1构建的基于深度预测网络的驼峰和熔透预警模型包括深度预测网络MP-PredNet和识别网络MP-ClassNet，所述MP-PredNet网络在每一时刻包括四层，每一层包括目标单元、错误单元、预测单元和特征表示单元，所述目标单元用于对输入数据进行卷积和池化得到输出特征图；所述特征表示单元用于进行特征级预测，所述预测单元用于对特征级预测结果进行卷积输出预测结果；所述误差单元用于计算预测单元和目标单元输出结果的差值，差值经过误差单元的ReLU激活函数后得到预测误差，预测误差传给同时刻的特征表示单元、下一时刻的特征表示单元和下一层的目标单元；

所述识别网络MP-ClassNet用于对MP-PredNet预测得到的图像输入该网络进行识别，以判断五十帧之后会不会产生驼峰或熔透。

优选地，所述深度预测网络MP-PredNet的损失函数为：

Loss＝0.15*loss_MSE+0.85*(1-loss_SSIM)+0.25*loss_perceptual (1)

其中，loss_MSE表示预测图与真实图的均方误差，loss_SSIM表示预测图与真实图的结构相似性，loss_perceptual表示感知损失函数。

优选地，所述识别网络MP-ClassNet为分类网络LeNet-5，将分类网络LeNet-5最后一层全连接层输出量设为2，以表示是否发生为驼峰或熔透。