基于神经网络的焊缝宽度预测方法研究（神经网络深度宽度）

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。

基于神经网络的焊缝宽度预测方法研究（神经网络深度宽度）

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。