本技术属于焊缝检测与控制领域，具体是一种基于机器视觉的焊缝检测智能调控系统及方法。
背景技术：
1、传统的焊接质量检测方法存在效率低、准确性不高等问题，难以满足现代制造业对焊接质量的高要求。近年来，随着机器视觉技术的快速发展，其在焊接质量检测与控制领域的应用逐渐受到关注。本发明旨在提供一种基于机器视觉的焊缝检测智能调控系统及方法，以提高焊接质量检测的效率和准确性。
2、现有技术(公告号为cn116776103b的发明专利)公开了一种基于机器视觉的焊缝检测智能调控系统及方法，包括：管道焊缝检测事件标记模块、中心数据库建立模块、特征对比模块、使用优先级分析模块和预警调控模块；管道焊缝检测事件标记模块用于获取同一材质类型管道焊缝对应的管道焊缝检测事件；中心数据库建立模块用于构建存储管道焊缝检测事件的中心数据库；特征对比模块用于将目标焊缝信息与中心数据库记录的焊缝特征信息进行对比；使用优先级分析模块用于分析检测装备配置的使用优先级；预警调控模块用于在目标事件中记录的有效缺陷特征唯一时，进行实时缺陷特征的验证，并基于验证结果进行预警调控。
3、上述焊缝检测智能调控系统通过记录关于使用超声波探伤仪检测管道焊缝的历史数据，根据历史数据构建管道焊缝的数据库，检测焊接过程的超声波数据，根据超声波数据库中的数据相匹配，给出缺陷解决方案；但由于上述方案只考虑到已出现的缺陷类型的对管道焊缝进行检测，缺乏对未知缺陷类型的识别与调控，导致焊缝检测智能调控方法准确度和效率较低的问题，因此焊缝检测的智能调控方法仍需进一步改进。
技术实现思路
1、本技术旨在至少解决现有技术中存在的技术问题之一；为此，本技术提出了一种基于机器视觉的焊缝检测智能调控系统及方法，用于现有的焊缝检测智能调控方法只考虑到现有缺陷类型的检测，缺乏对未知缺陷类型的识别与调控，导致的焊缝检测智能调控方法准确度和效率较低的技术问题，本技术通过超声波探伤方法检测原始图像对应的焊接部位是否存在真实缺陷；通过训练缺陷类型识别模型，输出若干置信度和其对应的缺陷类型；根据置信度和其对应的缺陷类型生成已知或未知缺陷类型的缺陷等级、缺陷类别和形成原因，并据此生成初始调控方案；通过获取上一次的缺陷等级与当前缺陷等级进行比对判断调控方案是否有效，增加了识别未知缺陷类型的检测方法以及相应调控方法，解决了上述问题。
2、为实现上述目的，本技术的第一方面提供了一种基于机器视觉的焊缝检测智能调控方法，包括：
3、步骤一：获取焊接处的检测数据，所述检测数据包括原始图像；
4、步骤二：将原始图像输入缺陷检测模型得到图像标签；判断图像标签是否为缺陷图像；是，则进入步骤三；否，则进入步骤一；
5、步骤三：获取超声波检测数据；根据超声波数据判断原始图像对应的焊接部位是否存在真实缺陷；是，则进入步骤四；否，则进入步骤一；
6、步骤四：将所述原始图像输入缺陷类型识别模型，得到若干置信度和其对应的缺陷类型；根据置信度和其对应的缺陷类型生成缺陷等级、缺陷类别和形成原因；
7、步骤五：根据所述缺陷类别对应的形成原因生成初始调控方案；
8、步骤六：获取上一次的缺陷等级；并将其标记为对比缺陷等级；根据对比缺陷等级和缺陷等级调整初始调控方案，得到调控方案；
9、步骤七：根据调控方案对焊接设备进行调控。
10、本技术通过获取焊接处的检测数据，检测数据包括原始图像；将原始图像输入缺陷检测模型得到图像标签；判断图像标签是否为缺陷图像；获取超声波检测数据；根据超声波数据判断原始图像对应的焊接部位是否存在真实缺陷；将原始图像输入缺陷类型识别模型，得到若干置信度和其对应的缺陷类型；根据置信度和其对应的缺陷类型生成缺陷等级、缺陷类别和形成原因；根据缺陷类别对应的形成原因生成初始调控方案；获取上一次的缺陷等级；并将其标记为对比缺陷等级；根据对比缺陷等级和缺陷等级调整初始调控方案，得到调控方案；根据调控方案对焊接设备进行调控；
11、本技术中的将原始图像输入缺陷类型识别模型，得到若干置信度和其对应的缺陷类型；根据置信度和其对应的缺陷类型生成缺陷等级、缺陷类别和形成原因；根据对比缺陷等级和缺陷等级调整初始调控方案，得到调控方案，增加了对于识别未知缺陷类型的判断与智能调控，使得在检测到未记录缺陷时，能够及时生成调控方案，并检验调控方案的有效性，进而增加焊缝检测智能调控方法准确度和效率。
12、进一步的，所述缺陷检测模型的构建包括以下步骤：
13、获取若干历史图像和其对应的图像标签，图像标签包括缺陷图像和正常图像；
14、对历史图像和其对应的图像标签按照相应比例划分，并整合成训练集、验证集以及测试集；
15、选择神经网络模型作为基础网络模型；通过训练集训练基础网络模型，并在验证集上调整学习率或其他超参数得到预训练模型；
16、使用测试集对预训练模型进行验证，最终得到缺陷检测模型。
17、进一步的，所述根据超声波数据判断原始图像对应的焊接部位是否存在真实缺陷，包括：
18、获取若干不同方向超声波数据；计算各个超声波数据中高峰数据的方差一、波峰数量的方差二和波形宽度的方差三；
19、判断方差一是否大于方差阈值一；是，则将高峰状态设置为不稳定；否，则将高峰状态设置为稳定；
20、判断方差二是否大于方差阈值二；是，则将波峰状态设置为不稳定；否，则将波峰状态设置为稳定；
21、判断方差三是否大于方差阈值三；是，则将波形状态设置为不稳定；否，则将波形状态设置为稳定；
22、当高峰状态、波峰状态和波形状态任意一个为不稳定时；则焊接部位为伪缺陷；否则，焊接部位为真实缺陷；
23、所述超声波数据包括不同方向的反射波高峰数据和反射波形态数据；所述反射波形态数据包括波峰数量和波形宽度。
24、本技术通过获取若干不同方向超声波数据；计算各个超声波数据中高峰数据的方差一、波峰数量的方差二和波形宽度的方差三；通过方差判断各类数据的稳定性，进而判断原始图像对应的焊接部位是否为真实缺陷；充分利用超声波数据的各个分量；提升了判断结果的准确性。
25、进一步的，所述缺陷类型识别模型的构建包括以下步骤：
26、获取各个缺陷类型对应的若干真实缺陷图片；
27、对真实缺陷图片按照一定比例划分训练集、验证集以及测试集；
28、对训练集、验证集以及测试集的真实缺陷图片进行预处理操作；
29、选择卷积神经网络模型vggnet为基础模型；
30、原先基础模型的输出是直接给出缺陷类型，现在修改为输出所有置信度和其对应的缺陷类型；所述置信度表示为模型对于该预测结果的可信程度；
31、通过训练集训练基础模型，并在验证集上调整学习率或者其他超参数得到预训练模型；
32、通过对预训练模型在测试集上进行验证，最终得到输入为原始图像，输出为若干置信度及其相应的缺陷类型的缺陷类型识别模型。
33、进一步的，所述根据置信度和其对应的缺陷类型生成缺陷等级、缺陷类别和形成原因，包括：
34、获取数值最大的置信度，判断所述置信度是否大于分类阈值一；
35、是，则获取最大的置信度对应的缺陷类型，根据缺陷类型在缺陷类型查找表中查找与所述缺陷类型对应的缺陷等级和形成原因，并将所述缺陷等级作为本次的缺陷等级，以及所述形成原因作为本次的形成原因；将所述缺陷类型设置成本次的缺陷类别；
36、否，当所述置信度大于分类阈值二时；将置信度从大到小进行排列；获取在设定排名内的若干置信度对应的若干缺陷类型，并根据相应的若干缺陷类型在缺陷类型查找表中查找与其对应的若干缺陷等级和形成原因；并通过置信度对各个缺陷等级进行加权求和得到本次的缺陷等级；将本次的形成原因设置为混合形成原因；并将若干形成原因整合到本次的形成原因内；将本次的缺陷类别设置为混合缺陷；否则，则将缺陷类别设置为无、缺陷等级设置为无、形成原因设置为无。
37、本技术通过将原始图像输入到缺陷类型识别模型中，得到若干置信度和相应的缺陷类型，选择数值最大的置信度与分类阈值相比较，并以此对当前原始图片的缺陷等级、缺陷类别和形成原因通过相应的方法进行确定，增加了焊缝检测过程中对于未知缺陷类型的识别以及相应的调控方法，提升了焊缝检测的准确度和效率。
38、进一步的，所述缺陷类型查找表中包括若干缺陷等级、与其对应的缺陷类型和形成原因；所述缺陷等级和缺陷类型一一对应；所述缺陷类型和形成原因一一对应。
39、进一步的，所述通过置信度对各个缺陷等级进行加权求和得到本次的缺陷等级，包括：
40、获取在设定排名内的置信度zi，以及对应的缺陷等级qi，i为设定排名内置信度的编号；i＝1，2，…，n，n为设定排名内置信度的总数；
41、通过公式qd＝∑qi×zi/∑zi计算得到本次的缺陷等级。
42、进一步的，根据缺陷类别对应的形成原因生成所述初始调控方案，包括：
43、获取若干形成原因和其对应的标准调控方案；根据形成原因和标准调控方案建立调控查找表；
44、判断形成原因是否为混合形成原因；是，则根据各个形成原因在调控查找表中查找对应的标准调控方案，以及提取混合原因对应的若干置信度；按照置信度从大到小的顺序对相应的标准调控方案进行排序，并将排序完成的标准调控方案整合成初始调控方案；
45、否，当形成原因为无时；则生成警报信号，并根据警报信号进行报警操作；
46、否则，则根据对应的形成原因在调控查找表中查找得到相应的标准调控方案，并将所述标准调控方案作为初始调控方案。
47、进一步的，根据对比缺陷等级和缺陷等级调整初始调控方案得到所述调控方案，包括：
48、获取对比缺陷等级dd；通过公式xd＝dd-α×(1-exp(-β×dd))×dd计算得到效果等级xd；α为比例系数，β为指数系数，α和β∈(0，1)；
49、判断当前的缺陷等级是否小于效果等级；是，则获取上一次的初始调控方案，将其作为本次的调控方案；并将异常调控次数设置为零；
50、否，则将所述初始调控方案设置为调控方案；并将异常调控次数加一；当异常调控次数大于调控次数阈值时，则生成警报信号，并根据警报信号进行报警操作。
51、本技术通过获取上一次的缺陷等级，并以此通过公式计算上一次缺陷类别的调控方法理论能够达到的效果等级，通过将效果等级与当前缺陷等级进行比较，判断上一次缺陷类别的调控方法是否有效，增加了对于缺陷类别的调控方法的有效性验证，进一步提升了焊缝检测智能调控方法的有效性。
52、本发明的另一方面提供了一种基于机器视觉的焊缝检测智能调控系统，包括：数据获取模块、缺陷检测模块、缺陷识别模块、调控模块、预警模块和数据库；
53、数据获取模块：获取焊接处的检测数据，所述检测数据包括原始图像；
54、缺陷检测模块：提取检测数据中的原始图像，将原始图像输入缺陷检测模型得到对应的图像标签；当图像标签为缺陷图像时，生成核验信号；
55、缺陷识别模块：根据核验信号采集超声波检测数据；根据超声波检测数据判断原始图像是否存在真实缺陷；是，则将对应原始图像输入缺陷类型识别模型，得到若干置信度和其对应的缺陷类型；根据置信度和其对应的缺陷类型生成缺陷等级、缺陷类别和形成原因；
56、调控模块：根据所述缺陷类别对应的形成原因生成初始调控方案；获取上一次的缺陷等级；并将其标记为对比缺陷等级；根据对比缺陷等级和缺陷等级调整初始调控方案，得到调控方案；根据调控方案对焊接设备进行调控；
57、预警模块：获取警报信号并做出报警操作。
58、与现有技术相比，本技术的有益效果是：
59、1、本技术通过获取焊接处的检测数据，检测数据包括原始图像；将原始图像输入缺陷检测模型得到图像标签；判断图像标签是否为缺陷图像；获取超声波检测数据；根据超声波数据判断原始图像对应的焊接部位是否存在真实缺陷；将原始图像输入缺陷类型识别模型，得到若干置信度和其对应的缺陷类型；根据置信度和其对应的缺陷类型生成缺陷等级、缺陷类别和形成原因；根据缺陷类别对应的形成原因生成初始调控方案；获取上一次的缺陷等级；并将其标记为对比缺陷等级；根据对比缺陷等级和缺陷等级调整初始调控方案，得到调控方案；根据调控方案对焊接设备进行调控；本技术中的将原始图像输入缺陷类型识别模型，得到若干置信度和其对应的缺陷类型；根据置信度和其对应的缺陷类型生成缺陷等级、缺陷类别和形成原因；根据对比缺陷等级和缺陷等级调整初始调控方案，得到调控方案，增加了对于识别未知缺陷类型的判断与智能调控，避免了只考虑到现有缺陷类型的检测，缺乏对未知缺陷类型的识别与调控，导致焊缝检测智能调控方法准确度和效率较低的问题。
60、2、本技术通过获取上一次的缺陷等级，并以此通过公式计算上一次缺陷类别的调控方法理论能够达到的效果等级，通过将效果等级与当前缺陷等级进行比较，判断上一次缺陷类别的调控方法是否有效，增加了对于缺陷类别的调控方法的有效性验证，进一步提升了焊缝检测智能调控方法的有效性。
1.一种基于机器视觉的焊缝检测智能调控方法，其特征在于，包括：
2.根据权利要求1所述的一种基于机器视觉的焊缝检测智能调控方法，其特征在于，所述缺陷检测模型的构建包括以下步骤：
3.根据权利要求1所述的一种基于机器视觉的焊缝检测智能调控方法，其特征在于，所述根据超声波数据判断原始图像对应的焊接部位是否存在真实缺陷，包括：
4.根据权利要求1所述的一种基于机器视觉的焊缝检测智能调控方法，其特征在于，所述缺陷类型识别模型的构建包括以下步骤：
5.根据权利要求1所述的一种基于机器视觉的焊缝检测智能调控方法，其特征在于，所述根据置信度和其对应的缺陷类型生成缺陷等级、缺陷类别和形成原因，包括：
6.根据权利要求5所述的一种基于机器视觉的焊缝检测智能调控方法，其特征在于，所述缺陷类型查找表中包括若干缺陷等级、与其对应的缺陷类型和形成原因；所述缺陷等级和缺陷类型一一对应；所述缺陷类型和形成原因一一对应。
7.根据权利要求5所述的一种基于机器视觉的焊缝检测智能调控方法，其特征在于，所述通过置信度对各个缺陷等级进行加权求和得到本次的缺陷等级，包括：
8.根据权利要求1所述的一种基于机器视觉的焊缝检测智能调控方法，其特征在于，根据缺陷类别对应的形成原因生成所述初始调控方案，包括：
9.根据权利要求1所述的一种基于机器视觉的焊缝检测智能调控方法，其特征在于，根据对比缺陷等级和缺陷等级调整初始调控方案得到所述调控方案，包括：
10.一种基于机器视觉的焊缝检测智能调控系统，应用于权利要求1-9任意一项所述的一种基于机器视觉的焊缝检测智能调控方法，其特征在于，包括：数据获取模块、缺陷检测模块、缺陷识别模块、调控模块和数据库；
