当前位置:首页 > 工业控制 > 《机电信息》
[导读]摘要:精确的焊缝跟踪是保证焊接质量的关键因素,为了实现焊缝的识别和跟踪,需要准确提取焊缝特征信息。微间隙焊缝的视觉传感图像中,过渡带区域包含焊缝位置信息和偏差信息。利用形态学算子对图像进行滤波后,提取焊缝过渡带宽度数据,并利用神经网络搭建焊缝宽度预测模型。实验证明,该模型能对焊缝宽度进行有效预测,为后续的焊缝纠偏和跟踪做好准备。

引言

为保证焊接质量,激光焊接过程中,需要实时获取焊缝位置信息和焊缝偏差数据,从而控制激光束始终对中焊缝。在获取焊缝图像时,通常采用超声波传感器、红外传感器和视觉传感器等非接触式传感器,其中,视觉传感器被广泛应用于微间隙焊缝的识别。

本文所获取的焊缝图像的过渡带区域蕴含焊缝中心位置信息和焊缝偏差信息,并与文中视觉传感器的成像原理密切相关,因此,针对焊缝过渡带区域展开研究,提取焊缝过渡带宽度数据,探讨对焊缝过渡带宽度进行预测的方法。

1图像获取与处理

1.1试验条件

试验装置包括YAG激光器、三轴运动工作台、视觉传感装置和保护气体等。所采用的焊件为低碳钢板(158mm×100mm×1.5mm),焊缝间隙为0~0.1mm。试验中所采用的视觉传感器工作时需外加激励磁场[1],利用若干马蹄形永磁铁对焊件进行磁化之后,采集微间隙焊缝的视觉传感图像。测量焊缝中心及焊缝两侧±1mm距离处的磁感应强度,第30个、第60个、第90个和第120个测量点处的磁感应强度如表1所示。

1.2焊缝宽度提取

由于图像采集过程中的噪声和干扰,焊缝图像边缘存在较多毛刺。为了准确获取焊缝特征信息,利用形态学算子对焊缝图像进行滤波[2-3]。

形态学是运用一定形态的结构元素去分析识别图像中对应的形态特征,是一种非线性的图像处理和分析方法,其最基本的算子为膨胀和腐蚀。

f被se膨胀定义为:

f被se腐蚀定义为:

式中,f为二值图像集合:se为结构元素:(se+a)为沿向量a平移。

基本算子可自由组合构成其他多种形态学算子,还可根据图像处理需求构造不同结构元素、不同尺度的多尺度形态学算子。

焊缝图像形态学滤波结果如图1(a)所示,图1(b)为焊缝过渡带边缘提取结果。从图1中可知,利用形态学算子能滤除图像中的干扰,准确提取焊缝特征。

焊缝位置信息包含在焊缝图像的过渡带区域中,提取焊缝过渡带边缘后,扫描焊缝过渡带上下边缘的边界点,获得图像中的焊缝过渡带宽度数据,如图2所示。

图2焊缝过渡带宽度

2神经网络预测模型

2.1BP神经网络

人工神经网络具有很强的容错性、非线性、自学能力、自适应能力和自组织能力,较为经典的一种人工神经网络就是BP神经网络算法。BP神经网络是一种多层前馈型神经网络,具有结构简单和工作状态稳定等优点,在模式分类、图像处理、函数逼近、数据挖掘及焊接等领域都有广泛应用。BP神经网络由输入层、输出层和若干隐含层的节点组成,通常采用误差反向传播算法进行训练。一个三层Bp神经网络理论上可以以任意精度逼近任何非线性连续函数。

2.2焊缝宽度预测模型

试验中采集到680幅连续有效的焊缝图像,并提取出图像中的焊缝宽度数据,选取第l至第600个数据作为神经网络训练样本,剩余的80个数据作为测试样本,建立一个三层Bp神经网络预测模型如图3所示。

输入量为k-3时刻焊缝宽度、k-2时刻焊缝宽度和k-l时刻焊缝宽度,输出量为k时刻焊缝宽度。

3实验结果与误差分析

3.1实验结果

在训练前,对训练样本和测试样本进行归一化处理,将样本数据约束到[0.05,0.95]之间。利用600个训练样本对神经网络进行训练之后,对之后的80个焊缝宽度数据进行预测。训练结果归一化值如图4(a)所示,预测结果归一化值如图4(b)所示,图4(c)为反归一化处理之后还原的预测结果。

3.2误差分析

利用均方误差和相对误差对预测结果进行评价。反归一化还原之后,预测误差如图5所示,相对预测误差如图6所示。

预测误差e定义如下:

式中,7i为第i次焊缝宽度预测值:ui为测试样本中第i个焊缝宽度实际值。

焊缝宽度的相对预测误差E定义为:

e为平均误差,则焊缝宽度预测均方差E定义如下:

可知,焊缝宽度预测的均方差为0.45,最大预测误差为0.57pixel,相对预测误差的最大绝对值为l.04%,相对预测误差的最小绝对值为0.8l%。

焊缝宽度预测值与焊缝宽度实际测量值能较好地吻合。

4结论

本文利用形态学算子对焊缝图像进行滤波处理,准确提取出了焊缝过渡带宽度信息:并利用BP神经网络搭建焊缝宽度预测模型,最大预测误差为0.57pixel,最大相对预测误差绝对值为l.04%,能对焊缝宽度进行准确预测,为之后的焊缝纠偏和焊缝跟踪奠定了基础。

本站声明: 本文章由作者或相关机构授权发布,目的在于传递更多信息,并不代表本站赞同其观点,本站亦不保证或承诺内容真实性等。需要转载请联系该专栏作者,如若文章内容侵犯您的权益,请及时联系本站删除。
换一批
延伸阅读

中国上海– 2025年6月17日——智能电源与智能感知技术的领先企业安森美(onsemi,纳斯达克代码:ON)近日参加了第九届北京国际听力学大会,展示了前沿的听力解决方案,巩固了公司在智能化、个性化听力健康领域的领先地位...

关键字: 人工智能 处理器 神经网络 助听器

随着边缘计算与AI技术的深度融合,边缘AI模型在智能安防、自动驾驶、工业物联网等领域得到广泛应用。然而,模型作为AI系统的核心资产,面临严重的逆向工程威胁:攻击者可通过反编译、模型窃取等技术手段,获取模型结构与参数,进而...

关键字: 边缘AI 反逆向工程 神经网络

本节详细介绍了官方演示评估过程和效果演示手势检测和RTSP人脸识别。

关键字: 手势识别 神经网络 BW21-CBV-Kit

针对目前开关柜温度监测存在的问题 , 在研究了负荷电流 、环境温度 、温度变化时间等因素对开关柜温升的影响 后 ,运用有限元温度场仿真技术预测了开关柜内部的温度分布情况 。将温度场仿真数据作为机器学习的训练样本 、温升试...

关键字: 开关柜 有限元仿真 神经网络 温升预测 主动预警 温度监测策略 智慧变电站

人工智能(AI)是为了模仿人类的认知能力而设计的,它的许多应用都是受我们的五感--视觉、听觉、触觉、味觉和嗅觉的启发。在艾省, 想象力 与计算机视觉相对应,使机器能够解释图像和视频。 听到 由自然语言处理(NLP)和语音...

关键字: 人工智能 神经网络

神经网络与人工智能transformer主要差异

关键字: 神经网络 人工智能

北京2024年12月11日 /美通社/ -- 今年的诺贝尔奖,将AI推到了科学舞台的中央,标志着AI在科学研究中的重要地位得到了认可,也体现了学科交叉赋能将成为AI时代的科研发展趋势。用AI赋能学科研究,创新科研新范式。...

关键字: AI 模型 神经网络 编码

在人工智能(AI)技术日新月异的今天,神经网络作为其核心驱动力,正逐步渗透到各个行业与领域。然而,传统的神经网络模型往往受限于计算资源和功耗,难以在边缘设备上实现高效运行。现场可编程门阵列(FPGA)作为一种高性能、低功...

关键字: FPGA 神经网络 边缘智能

在日益复杂的工业和汽车环境中,状态监测对于确保安全可靠的运行变得越来越重要。通过数据分析可以检测运行异常和潜在的设备缺陷,从而在发生故障之前及时进行维修。它还可以最大限度地减少维护频率并避免不必要的成本。

关键字: 神经网络 振动分析
关闭