申请/专利权人：厦门锋元机器人有限公司

申请日：2024-01-23

公开（公告）日：2024-04-02

公开（公告）号：CN117600702B

主分类号：B23K31/12

分类号：B23K31/12;B23K37/00

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2024.03.15#实质审查的生效;2024.02.27#公开

摘要：本发明公开了基于人工智能的铝焊生产线监管方法及系统，方法包括数据监控、数据预处理、焊接特征工程、焊缝熔深预测和铝焊生产线监管报告生成。本发明属于铝焊生产技术领域，具体是指基于人工智能的铝焊生产线监管方法及系统，本方案采用局部二值模式算法，在局部范围进行特征提取，有助于减少对全局信息的敏感度，有效抵抗图像中的干扰和噪音，有助于提升铝焊生产线监管系统的准确性和有效性；采用基于模型无关元学习的焊缝熔深预测，结合焊接图像和焊接数据进行预测，提高了模型对焊接过程的理解，对少样本具有更好的学习能力，减少了对大量数据的依赖，在面对复杂多变的焊接条件时，具有更强的自适应能力，增强了模型的鲁棒性。

主权项：1.基于人工智能的铝焊生产线监管方法，其特征在于：该方法包括以下步骤：步骤S1：数据监控，具体为通过数据监控从铝焊生产线获取不同焊接任务的铝焊生产数据和焊缝熔深数据，将所述焊缝熔深数据作为模型标签；步骤S2：数据预处理；步骤S3：焊接特征工程，具体为采用局部二值模式算法对焊接标准图像进行特征提取，计算得到焊接图特征向量；步骤S4：焊缝熔深预测；步骤S5：铝焊生产线监管报告生成；在步骤S3中，所述焊接特征工程，包括以下步骤：步骤S31：将焊接标准图像划分为不重叠的窗口，得到N个子窗口；步骤S32：从N个子窗口中选择一个子窗口作为当前子窗口；步骤S33：算当前子窗口的像素强度标准差，计算公式为： ；式中，sdz是当前子窗口的像素强度标准差，m是当前子窗口的像素数量，j是当前子窗口的像素索引，Gij是当前子窗口中第j个像素的灰度强度值，Gg是当前子窗口的平均灰度强度；步骤S34：依据红外热像仪的温度误差，调整符号函数，得到符号改进函数，所述符号改进函数的计算公式为： ；式中，S·是符号改进函数，y是符号改进函数的参数，err是红外热像仪的温度误差；步骤S35：定义局部二值模式计算函数，计算公式为： ；式中，LBP·是局部二值计算函数，au是当前子窗口中心像素的横坐标，bu是当前子窗口中心像素的纵坐标，i是相邻像素索引，所述相邻像素用于表示与当前子窗口中心像素邻近的像素，gi是相邻像素值，gu是当前子窗口中心像素值；步骤S36：通过局部二值模式计算函数，计算当前子窗口中每个像素的局部二值特征，得到当前子窗口局部二值特征；步骤S37：依据当前子窗口的像素强度标准差和符号改进函数，修正当前子窗口局部二值特征，得到当前子窗口的修正特征，计算公式为： ；式中，是当前子窗口的修正特征，LBPz是当前子窗口局部二值特征，sdz是当前子窗口的像素强度标准差，N是子窗口的数量，r是子窗口索引，sdr是第r个子窗口的像素强度标准差；步骤S38：重复步骤S32及其后续步骤操作，计算得到每个子窗口的修正特征；步骤S39：将每个子窗口的修正特征拼接起来，并进行主成分分析，得到焊接图特征向量；在步骤S4中，所述焊缝熔深预测，用于依据焊接频谱特征和焊接图特征向量进行焊缝熔深预测，具体为基于模型无关元学习的焊缝熔深预测，包括以下步骤：步骤S41：将多层感知器作为模型的内部学习器，元模型作为模型的外部学习器，获取焊接频谱特征和焊接图特征向量作为模型的输入数据；步骤S42：将每个焊接任务视为一个独立的任务，并将来自不同任务的输入数据视为不同的领域；步骤S43：通过内循环和外循环进行元训练，得到最优元知识；步骤S44：依据最优元知识初始化内部学习器，并通过元测试对内部学习器进行优化更新，得到焊缝熔深预测模型，所述焊缝熔深预测模型具体为优化更新后的内部学习器；步骤S45：采用焊缝熔深预测模型进行预测，得到焊缝熔深预测数据。

全文数据：

权利要求：

百度查询： 厦门锋元机器人有限公司 基于人工智能的铝焊生产线监管方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD