一种基于视觉与涡流的焊缝缺陷检测系统及其检测方法

1.本发明具体涉及一种焊缝检测系统，具体是一种基于视觉与涡流的焊缝缺陷检测系统及其检测方法。


背景技术：

2.针对焊缝质量检测难度大、效率低等问题，cnn网络模型在图像分类任务中十分有效，通过模仿人类大脑机制来识别图像数据，能够避免传统图像处理过程中冗杂的特征提取分类器的设定。
3.脉冲涡流检测是以电磁感应为基础，当载有交变电流的线圈靠近导电材料时，由于线圈磁场的作用，金属材料中会感生出漩涡状流动的电流。脉冲涡流检测技术正是利用了涡流效应这一物理现象，在被测金属试件中存在有缺陷的时候，试件中的感应涡流以及磁场的分布必定会受到缺陷的影响而发生相应的改变，借助分析这些变化来掌握试件中缺陷的有关情况。


技术实现要素：

4.本发明的目的在于提供一种基于视觉与涡流的焊缝缺陷检测系统及其检测方法，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：
6.一种基于视觉与涡流的焊缝缺陷检测系统及其检测方法，包括数据采集主体、数据处理单元和全连接层，所述数据采集主体包括工业相机、涡流探针、光源和图像采集模块，工业相机和涡流探针均集成安装在机械臂上并朝向焊缝检测区域，工业相机和涡流探针的数据输出端分别通过图像采集模块传递给数据处理单元，所述数据处理单元包括两套结构参数相同的cnn网络，工业相机采集的焊缝图像和涡流探针采集的涡流信号分别输入对应的cnn网络内，cnn网络包括重复卷积运算单元和下采样运算单元，cnn网络依次经过重复卷积运算单元和下采样运算单元后结果输入全连接层，全连接层包括sotfmax函数运算单元，sotfmax函数运算单元输出故障类别的概率并经过加权求和之后得到判断结果数据。
7.所述工业相机采集焊接图像采用引导滤波方式进行降噪，引导滤波的数学公式如下：
[0008][0009][0010]
其中i是引导图像，p是输入的带滤波图像，q是滤波后的输出图像，w是根据引导图像i来确定加权平均运算中所采取的权值。μ
k
是窗口内像素点的均值，i
i
和i
j
指相邻两个像素点的值，σ
k
代表窗口内像素点的方差，ε是一个惩罚值。
[0011]
所述重复卷积运算单元的数学公式如下：
[0012][0013][0014][0015]
其中x表示输入层，k表示卷积核，χ表示有效卷积，b是偏置单元，f()是激活函数。
[0016]
所述下采样运算单元的数学公式如下：
[0017][0018][0019]
下采样运算单元采用平均池化的方式，其中a是卷积层输出，是权重，b是偏置单元。
[0020]
本发明的另一目的在于提供一种基于视觉与涡流的焊缝缺陷检测系统的检测方法，包括如下步骤：
[0021]
1.首先通过收集训练数据，人工标记图像和涡流信号的故障类型，做好训练集；
[0022]
2.在采集焊缝图像时，选择引导滤波的平滑处理方式对采集的焊缝图像进行去噪，将焊缝图像与涡流信号分别输入两个结构参数相同的cnn网络；
[0023]
3.图像信息输入cnn网络层之后，首先进行前向传播，根据训练集数据计算loss，然后进行反向传播，通过梯度下降的方式更新网络层参数；
[0024]
4.在cnn网络经过重复卷积、下采样的计算之后，将结果输入全连接层；
[0025]
5.两个cnn网络最后通过sotfmax函数运算单元输出故障属于哪一类的概率，经过加权求和之后得到最终的判断结果。
[0026]
与现有技术相比，本发明的有益效果是：本发明使用工业相机与涡流探针实时采集焊缝图像与涡流信号，将焊缝表面图像以及脉冲涡流的一维信号作为系统的输入量，在采集足够多样本数据后，使用这些数据训练cnn神经网络模型，训练好的模型能用于焊缝缺陷的检测，检测过程快速精准，由此大大提高了焊缝缺陷的检测效率。
附图说明
[0027]
图1为基于视觉与涡流的焊缝缺陷检测系统的结构框图。
[0028]
图2为基于视觉与涡流的焊缝缺陷检测系统中数据采集主体的结构示意图。
[0029]
图3为基于视觉与涡流的焊缝缺陷检测系统的检测方法中焊缝图像的灰度图。
[0030]
图4为基于视觉与涡流的焊缝缺陷检测系统的检测方法中卷积运算过程示意图。
[0031]
图5为基于视觉与涡流的焊缝缺陷检测系统的检测方法中下采样的过程示意图。
具体实施方式
[0032]
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0033]
请参阅图1～5，本发明实施例中，一种基于视觉与涡流的焊缝缺陷检测系统，包括数据采集主体、数据处理单元和全连接层，所述数据采集主体包括工业相机、涡流探针、光源和图像采集模块，工业相机和涡流探针均集成安装在机械臂上并朝向焊缝检测区域，工业相机和涡流探针的数据输出端分别通过图像采集模块传递给数据处理单元，所述数据处理单元包括两套结构参数相同的cnn网络，工业相机采集的焊缝图像和涡流探针采集的涡流信号分别输入对应的cnn网络内，cnn网络包括重复卷积运算单元和下采样运算单元，cnn网络依次经过重复卷积运算单元和下采样运算单元后结果输入全连接层，全连接层包括sotfmax函数运算单元，sotfmax函数运算单元输出故障类别的概率并经过加权求和之后得到判断结果数据。
[0034]
所述工业相机采集焊接图像采用引导滤波方式进行降噪，引导滤波的数学公式如下：
[0035][0036][0037]
其中i是引导图像，p是输入的带滤波图像，q是滤波后的输出图像，w是根据引导图像i来确定加权平均运算中所采取的权值。μ
k
是窗口内像素点的均值，i
i
和i
j
指相邻两个像素点的值，σ
k
代表窗口内像素点的方差，ε是一个惩罚值。
[0038]
所述重复卷积运算单元的数学公式如下：
[0039][0040][0041][0042]
其中x表示输入层，k表示卷积核，χ表示有效卷积，b是偏置单元，f()是激活函数。
[0043]
所述下采样运算单元的数学公式如下：
[0044][0045]
[0046]
下采样运算单元采用平均池化的方式，其中a是卷积层输出，是权重，b是偏置单元。
[0047]
本发明的另一目的在于提供一种基于视觉与涡流的焊缝缺陷检测系统的检测方法，包括如下步骤：
[0048]
1.首先通过收集训练数据，人工标记图像和涡流信号的故障类型，做好训练集；
[0049]
2.在采集焊缝图像时，来自系统及环境产生的噪声会淹没一些焊缝缺陷信息，选择引导滤波的平滑处理方式对采集的焊缝图像进行去噪，将焊缝图像与涡流信号分别输入两个结构参数相同的cnn网络；
[0050]
引导滤波的技术优势在于(1)在去除噪声的同时，能够有效保持图像的边缘，以保护焊缝特征；(2)使用引导滤波可以写出时间复杂度与窗口大小无关的算法，因此在使用大窗口处理图片时，其效率更高.
[0051]
滤波器的数学公式如下：
[0052][0053][0054]
其中i是引导图像，p是输入的带滤波图像，q是滤波后的输出图像，w是根据引导图像i来确定加权平均运算中所采取的权值。μ
k
是窗口内像素点的均值，i
i
和i
j
指相邻两个像素点的值，σ
k
代表窗口内像素点的方差，ε是一个惩罚值，这里选择焊缝图像的灰度图作为引导图。
[0055]
3.图像信息输入cnn网络层之后，首先进行前向传播，根据训练集数据计算loss，然后进行反向传播，通过梯度下降的方式更新网络层数；
[0056]
4.在cnn网络经过重复卷积、下采样的计算之后，将结果输入全连接层；
[0057]
其中卷积运算公式：其中卷积运算公式：
[0058][0059][0060]
其中x表示输入层，k表示卷积核，χ表示有效卷积，b是偏置单元，f()是激活函数；
[0061]
其中下采样计算公式：
[0062][0063][0064]
这里采用平均池化的方式，a是卷积层输出，β是权重，b是偏置单元。
[0065]
5.两个cnn网络最后通过sotfmax函数输出故障属于哪一类的概率，经过加权求和之后得到最终的判断结果；模型的输出层采用sotfmax函数将输出映射到(0，1)的范围，也
就是属于某一类缺陷的概率，概率最大的一项就是缺陷的种类，
[0066]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
[0067]
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。