1.基于深度卷积神经网络模型的焊缝质量缺陷检测系统,其特征在于:包括图像采集模块、检验记录模块、分析模块、特征提取模块、数据处理模块和评估模块;
所述图像采集模块对未经过测试的焊接件的焊缝进行采集图像信息,作为焊缝初始图像信息,对经过测试的焊接件的焊缝进行采集图像信息,作为焊缝测试图像信息;
所述检验记录模块对未经过测试和经过测试的焊接件使用相关超声波和X光技术检验焊接件的内部状态,并记录焊接件内部相关状态信息,作为焊接件内部状态信息组,再进行统计后获取:焊接件内部状态偏差比例系数Pcxs;
所述分析模块对初始图像信息和测试图像信息进行预处理和颜色标记,预处理包括图像去噪、图像增强和图像切割,颜色标记包括焊缝边缘标记和焊缝颜色提取;
所述特征提取模块对处理后的初始图像信息和测试图像信息作为基础数据,输入深度卷积神经网络模型,进行训练和提取,获取焊道和融合线偏差信息与颜色偏差信息,将焊道和融合线偏差信息整合成第一数据集,将颜色偏差信息整合成第二数据集;
所述数据处理模块对第一数据集和第二数据集进行归一化处理,再与焊接件内部状态偏差比例系数Pcxs进行拟合,获取:焊缝评估指数Pgzs;
所述评估模块通过预设的焊接件焊缝评估阈值P与焊缝评估指数Pgzs进行匹配,获取焊接件焊缝状态评估策略方案。
2.根据权利要求1所述的基于深度卷积神经网络模型的焊缝质量缺陷检测系统,其特征在于:所述图像采集模块包括第一采集单元和第二采集单元;
所述第一采集单元通过设置的图像传感器设备和颜色识别传感器设备,对经过焊接工作后且未经过物理测试和化学测试的焊接件进行采集图像信息和焊缝颜色信息,同步获取当前未经过测试的焊接件唯一性信息,并集成至采集的焊缝图像信息中,进而组成焊缝初始图像信息;
所述第二采集单元通过设备的图像传感器设备和颜色识别传感器设备,对经过焊接工作后且经过物理测试或者化学测试的焊接件进行采集图像信息和焊缝颜色信息,同步获取当前经过测试的焊接件唯一性信息,并集成至采集的焊缝图像信息中,进而组成焊缝测试图像信息;
其中,图像传感器设备包括高清摄像头和红外摄像头,确保获取到焊缝的清晰、准确和完整的焊缝图像信息,颜色识别传感器设备包括光谱分析仪和色度计设备,获取焊缝处完整和准确的焊缝颜色信息。
3.根据权利要求1所述的基于深度卷积神经网络模型的焊缝质量缺陷检测系统,其特征在于:所述检验记录模块包括检验单元和统计单元;
所述检验单元对未经过测试的焊接件使用X射线和超声波技术进行探查焊缝内部状态信息,包括气泡数量、气泡大小、裂隙数量和夹渣数量,再对测试过的焊接件使用X射线和超声波技术进行探查焊缝内部状态信息,包括气泡数量、气泡大小、裂隙数量和夹渣数量,组成焊接件内部状态信息组,包括:初始气泡数量值Csqp、初始气泡体积平均值Cstj、初始裂隙数量值Cslx、初始夹渣数量值Csjz、测试后气泡数量值Qpsl、测试后气泡体积平均值Qptj、测试后裂隙数量值Lxsl和测试后夹渣数量值Jzsl;
所述统计单元根据焊接件内部状态信息组进行统计和分析,获取:焊接件内部状态偏差比例系数Pcxs;
所述焊接件内部状态偏差比例系数Pcxs通过以下方式统计获取:
;
式中,Csqp表示初始气泡数量值,Cstj表示初始气泡体积平均值,Cslx表示初始裂隙数量值,Csjz表示初始夹渣数量值,Qpsl表示测试后气泡数量值,Qptj表示测试后气泡体积平均值,Lxsl表示测试后裂隙数量值,Jzsl表示测试后夹渣数量值,通过初始气泡数量值Csqp、初始气泡体积平均值Cstj、初始裂隙数量值Cslx、初始夹渣数量值Csjz、测试后气泡数量值Qpsl、测试后气泡体积平均值Qptj、测试后裂隙数量值Lxsl和测试后夹渣数量值Jzsl进行比例评估,获取焊接件内部测试前和测试后的变化状态表现:焊接件内部状态偏差比例系数Pcxs。
4.根据权利要求1所述的基于深度卷积神经网络模型的焊缝质量缺陷检测系统,其特征在于:所述分析模块包括预处理单元和标记单元;
所述预处理单元对初始图像信息和测试图像信息进行预处理,包括图像去噪、图像增强和图像切割,来提高图像信息的清晰度和质量,并对图像去噪后的图像信息进行增强处理,以突出焊缝和周围区域的特征,使其更加清晰和易于识别,再对初始图像信息和测试图像信息进行图像切割,保留焊缝区域的图像信息;
所述标记单元对进行图像切割后,获取的焊缝区域的图像信息进行焊缝颜色标记,包括焊缝融合处颜色标记和焊缝的焊道颜色标记。
5.根据权利要求1所述的基于深度卷积神经网络模型的焊缝质量缺陷检测系统,其特征在于:所述特征提取模块包括模型单元和整合单元;
所述模型单元对处理后的初始图像信息和测试图像信息进行整合,再进行信息格式转换,包括转换为张量形式信息格式,作为深度卷积神经网络模型的基础训练数据,建立深度卷积神经网络模型进行训练,提取出获取初始图像信息与测试图像信息的焊道和融合线偏差信息与颜色偏差信息;
所述整合单元对提取的初始图像信息与测试图像信息的焊道和融合线偏差信息与颜色偏差信息进行整合,将焊道和融合线偏差信息整合成第一数据集,将颜色偏差信息整合成第二数据集;
所述第一数据集包括:焊道数量偏差值Hdsl、焊道相对角度偏差值Hdjd、融合线折点数量偏差值Zdpc、融合线宽度偏差比例值Kdpc和融合线长度偏差比例值Cdpc;
所述第二数据集包括:R通道颜色偏差值Rpcz、G通道颜色偏差值Gpcz和B通道颜色偏差值Bpcz。
6.根据权利要求3所述的基于深度卷积神经网络模型的焊缝质量缺陷检测系统,其特征在于:所述数据处理模块包括归一化单元和拟合单元;
所述归一化单元对整合后获取的第一数据集和第二数据集进行归一化处理,使第一数据集和第二数据集处于同一量纲下,进行计算获取:焊缝结构偏差系数Jgxs和焊缝外观偏差系数Wgxs;
所述拟合单元对焊缝结构偏差系数Jgxs、焊缝外观偏差系数Wgxs和焊接件内部状态偏差比例系数Pcxs进行拟合,获取:焊缝评估指数Pgzs;
所述焊缝评估指数Pgzs通过以下计算公式获取:
;
式中,Jgxs表示焊缝结构偏差系数,Wgxs表示焊缝外观偏差系数,Pcxs表示焊接件内部状态偏差比例系数,p1、p2和p3分别表示焊缝结构偏差系数Jgxs、焊缝外观偏差系数Wgxs和焊接件内部状态偏差比例系数Pcxs的比例系数;
其中, , , ,且 ,C表示第
一修正常数。
7.根据权利要求6所述的基于深度卷积神经网络模型的焊缝质量缺陷检测系统,其特征在于:所述焊缝结构偏差系数Jgxs通过以下计算公式获取:;
式中,Hdsl表示焊道数量偏差值,Hdjd表示焊道相对角度偏差值,Zdpc表示融合线折点数量偏差值,Kdpc表示融合线宽度偏差比例值,Cdpc表示融合线长度偏差比例值,j1、j2和j3分别表示焊道数量偏差值Hdsl、焊道相对角度偏差值Hdjd和融合线折点数量偏差值Zdpc的比例系数,j4表示融合线宽度偏差比例值Kdpc和融合线长度偏差比例值Cdpc平均值的比例系数;
其中, , , , ,且
,K表示第二修正常数。
8.根据权利要求6所述的基于深度卷积神经网络模型的焊缝质量缺陷检测系统,其特征在于:所述焊缝外观偏差系数Wgxs通过以下计算公式获取:;
式中,Rpcz表示R通道颜色偏差值,Gpcz表示G通道颜色偏差值,Bpcz表示B通道颜色偏差值,w1、w2和w3分别表示R通道颜色偏差值Rpcz、G通道颜色偏差值Gpcz和B通道颜色偏差值Bpcz的比例系数;
其中, , , ,且 ,Y表示
第三修正常数。
9.根据权利要求1所述的基于深度卷积神经网络模型的焊缝质量缺陷检测系统,其特征在于:所述评估模块包括存储单元和匹配单元;
所述存储单元用于存储焊接件焊缝评估阈值P、焊接件焊缝状态评估策略方案和相关人员通知提示方式;
所述匹配单元通过预设的相关信息与需要的对比值进行匹配,包括通过预设的焊接件焊缝评估阈值P与焊缝评估指数Pgzs进行匹配,获取焊接件焊缝状态评估策略方案。
10.根据权利要求9所述的基于深度卷积神经网络模型的焊缝质量缺陷检测系统,其特征在于:所述焊接件焊缝状态评估策略方案通过以下方式匹配获取:焊缝评估指数Pgzs<焊接件焊缝评估阈值P,获取焊接件焊缝状态评估合格结果;
焊缝评估指数Pgzs≥焊接件焊缝评估阈值P,获取焊接件焊缝状态评估不合格结果,不合格项包括:焊缝内部存在气泡、裂隙或者夹渣情况,焊缝结构存在母体材料与融合线存在缺口或者焊道存在变形。