(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210461066.5 (22)申请日 2022.04.28 (71)申请人 广东省威汇智能科技有限公司 地址 516006 广东省惠州市博罗县麻陂镇 鸿兴路21号 (72)发明人 李志强　莫志杰　 (74)专利代理 机构 广州三环 专利商标代理有限 公司 44202 专利代理师 叶新平 (51)Int.Cl. B23K 1/08(2006.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06V 20/52(2022.01) (54)发明名称 基于深度学习的选择波峰焊预警方法、 装置 及存储介质 (57)摘要 本发明涉及焊接技术领域， 提供一种基于深 度学习的选择波峰焊预警方法、 装置及存储介 质， 以实际焊接环境中的图像数据(即采集选择 焊监控过程中的历史图像数据)为训练素材训练 深度神经网络模 型， 可提高深度神经网络模型对 焊接过程中焊接异常的识别准确率； 而根据预设 处理规则对历史图像数据进行分类划分预处理， 得到训练集和验证集分别输入到深度神经网络 模型进行训练、 验证， 结合在将深度神经网络模 型部署到选择焊监控系统后再次根据现场场景 执行场景自适应调节， 可进一步提高识别准确 率， 从而实现焊接缺陷的及时反馈， 降低焊接产 品的不良率， 提高生产效率。 权利要求书2页 说明书6页 附图3页 CN 115121895 A 2022.09.30 CN 115121895 A 1.一种基于深度学习的选择波峰焊预警方法， 其特 征在于， 包括 步骤： S1、 采集选择焊监控过程中的历史图像数据， 并根据预设处理规则对所述历史图像数 据进行分类划分预处 理， 得到训练集和验证集； S2、 根据所述训练集和所述验证集训练深度神经网络模型； S3、 将所述深度神经网络模型部署到选择焊监控系统， 并根据当前场景进行场景自适 应调节； S4、 获取实时监控图像并输入所述深度神经网络模型， 确定对应的状态类别和实时置 信度， 并根据对应的置信度参数判断是否执 行异常预警。 2.如权利要求1所述的一种基于深度 学习的选择波峰焊预警方法， 其特征在于， 所述步 骤S1包括 步骤： S11、 获取选择焊监控过程中的历史图像数据； S12、 根据选择焊工艺缺陷中图像的特征、 特点， 预定义每一种缺陷的图像特征， 得到缺 陷特征集； S13、 将所述缺陷特征集， 对所述历史图像数据中的每一焊接图像进行图像识别， 确定 其对应的状态类别， 并从所述焊接图像中获取对应缺陷区域的目标图像； S14、 根据预设比例将每一状态类别的所述目标图像等比例划分为训练集和验证集。 3.如权利要求2所述的一种基于深度学习的选择波峰焊预警方法， 其特 征在于： 在所述步骤S12中， 所述缺陷特征集至少包括喷嘴反光、 波峰异常、 流动性异常、 氧化中 的一种或多种状态类别； 当所述状态类别为喷嘴反光 时， 所述从所述焊接图像中获取对应缺陷区域的目标图像 具体为： 在所述焊接图像中框出每一个包 含喷嘴的矩形区域， 并标注上喷 嘴反光的标签。 4.如权利要求2所述的一种基于深度 学习的选择波峰焊预警方法， 其特征在于， 所述步 骤S2包括 步骤： S21、 按照每一状态类别， 将所述训练集中的所述目标图像输入到深度神经网络模型中 训练， 进而调整所述深度神经网络模型的网络模型参数； S22、 按照每一状态类别， 将所述验证集中的所述目标图像输入到训练后的所述深度神 经网络模型中， 计算所述深度神经网络模型的综合 准确率； S23、 判断所述综合准确率是否达到预设标准， 若否重复步骤S21～S22， 若是则将所述 深度神经网络模型部署到对应的选择焊监控系统上。 5.如权利要求4所述的一种基于深度 学习的选择波峰焊预警方法， 其特征在于， 所述步 骤S3包括 步骤： S31、 将所述深度神经网络模型部署到 选择焊监控系统； S32、 控制所述选择焊监控系统采集当前场景的焊接测试图像， 并根据预设处理规则对 所述焊接测试图像进行分类划分预处 理， 得到测试训练集和 测试验证集； S33、 根据 所述测试训练集和所述测试验证集输入所述深度神经网络模型， 获取模型判 断的每一帧所述焊接测试图像的状态类别和 测试置信度； S34、 根据每一状态类别的所有测试置信度， 调整每一状态类别的置信度参数。 6.如权利要求5所述的一种基于深度 学习的选择波峰焊预警方法， 其特征在于， 所述步 骤S4具体为： 控制所述选择焊监控系统获取实时监控图像， 将所述实时监控图像中的每一权　利　要　求　书 1/2 页 2 CN 115121895 A 2帧实时帧图像输入所述深度神经网络模型， 确定对应的状态类别、 实时置信度和置信度参 数， 判断所述 实时置信度是否在所述置信度参数范围内， 若 是则进入 下一步执行异常预警， 若否则判断未 出现焊接异常。 7.如权利要求4所述的一种基于深度 学习的选择波峰焊预警方法， 其特征在于： 所述网 络模型参数至少包括基础学习率、 权 重、 训练总轮次中的一种或多种。 8.一种基于深度学习的选择波峰焊预警装置， 其特 征在于， 包括： 采集分类模块， 用于采集选择焊监控过程中的历史图像数据， 并根据预设处理规则对 所述历史图像数据进行分类划分预处 理， 得到训练集和验证集； 训练模块， 用于根据所述训练集和所述验证集训练深度神经网络模型； 部署模块， 用于将所述深度神经网络模型部署到选择焊监控系统， 并根据当前场景进 行场景自适应调节； 监控预警模块， 用于获取实时监控图像并输入所述深度神经网络模型， 确定对应的状 态类别和实时置信度， 并根据对应的置信度参数判断是否执 行异常预警。 9.一种基于深度学习的选择波峰焊预警装置， 其特 征在于， 包括： 存储有可执行程序代码的存 储器； 与所述存 储器耦合的处 理器； 所述处理器调用所述存储器 中存储的所述可执行程序代码， 执行如权利要求1～7任一 项所述的一种基于深度学习的选择波峰焊预警方法。 10.一种计算机存储介质， 其特征在于， 所述计算机存储介质存储有计算机指令， 所述 计算机指 令被调用时， 用于执行如权利要求 1～7任一项所述的一种基于深度学习的选择波 峰焊预警方法。权　利　要　求　书 2/2 页 3 CN 115121895 A 3