一种焊点质量检测方法、系统、装置及可读存储介质与流程

本发明涉及图像识别领域，特别涉及一种焊点质量检测方法、系统、装置及计算机可读存储介质。

背景技术

电阻焊，是指利用电流通过焊件及接触处产生的电阻热作为热源将焊件局部加热，同时加压进行焊接的方法；焊接时，不需要填充金属，生产率高，焊件变形小，容易实现自动化，电阻焊通常使用较大的电流使工件处在一定电极压力作用下并利用电流通过工件时所产生的电阻热将两工件之间的接触表面熔化而实现连接的焊接方法，为了防止在接触面上发生电弧并且为了锻压焊缝金属，焊接过程中始终要施加压力；进行这一类电阻焊时，被焊工件的表面相对于获得稳定的焊接质量是头等重要的，因此，焊前必须将电极与工件以及工件与工件间的接触表面进行清理。

现有技术中，难以对电阻焊焊点的效果和质量检测，只能从生产的产品中抽取样品进行破拆检测，检测效率低。

因此，如何能够高效的检测电阻焊焊点的效果和质量是当前技术人员需要解决的问题。

技术实现要素：

有鉴于此，本发明的目的在于提供一种焊点质量检测方法、系统、装置及计算机可读存储介质，以无损对焊点焊点的效果和质量进行检测，提高检测效率。其具体方案如下：

一种焊点质量检测方法，包括：

获取目标焊点的目标x光图像；

将所述目标x光图像输入焊点质量判断模型，得到所述目标焊点的质量结果；

其中，所述焊点质量判断模型为利用训练数据集，对基于深度学习算法构建的数学模型进行训练而成的；所述训练数据集包括多个历史焊点的x光图像和与每个历史焊点相应的类别信息。

可选的，所述利用训练数据集，对基于深度学习算法构建的数学模型进行训练的过程，包括：

s21：利用所述训练数据集中的历史焊点的x光图像对所述数学模型进行训练，得到相应的训练结果；

s22：利用所述训练结果与相应的历史焊点的类别信息进行比对，得到训练误差，利用所述训练误差生成修正反馈；

s23：利用修正反馈对所述数学模型进行修正，得到修正后的数学模型，返回s21直至所述训练误差满足预设条件或达到迭代阈值。

可选的，所述焊点质量判断模型为利用所述训练数据集，对基于神经网络算法构建的数学模型进行训练而成的。

可选的，在所述得到所述目标焊点的质量结果之后，还包括：

判断所述质量结果是否为合格；

如果是，则利用预设的分类条件对所述目标焊点的质量进行等级分类。

本发明还公开了一种焊点质量检测系统，包括：

图像获取模块，用于获取目标焊点的目标x光图像；

判断模型模块，用于将所述目标x光图像输入焊点质量判断模型，得到所述目标焊点的质量结果；

所述判断模型模块包括训练单元，所述训练单元，用于利用训练数据集，对基于深度学习算法构建的数学模型进行训练，得到所述焊点质量判断模型。

可选的，所述训练单元，包括：

训练子单元，用于利用所述训练数据集中的历史焊点的x光图像对所述数学模型进行训练，得到相应的训练结果；

反馈生成子单元，用于利用所述训练结果与相应的历史焊点的类别信息进行比对，得到训练误差，利用所述训练误差生成修正反馈；

修正子单元，用于利用修正反馈对所述数学模型进行修正，得到修正后的数学模型，利用所述训练子单元对所述修正后的数学模型进行训练，直至所述训练误差满足预设条件或达到迭代阈值。

可选的，所述训练单元，具体用于利用所述训练数据集，对基于神经网络算法构建的数学模型进行训练，得到所述焊点质量判断模型。

可选的，还包括：

质量判断模块，用于判断所述质量结果是否为合格；

等级划分模块，用于当所述质量判断模块判定所述质量结果为合格，则利用预设的分类条件对所述目标焊点的质量进行等级分类。

本发明还公开了一种焊点质量检测装置，包括：

存储器，用于存储指令；其中，所述指令包括获取目标焊点的目标x光图像；将所述目标x光图像输入焊点质量判断模型，得到所述目标焊点的质量结果；其中，所述焊点质量判断模型为利用训练数据集，对基于深度学习算法构建的数学模型进行训练而成的；所述训练数据集包括多个历史焊点的x光图像和与每个历史焊点相应的类别信息；

处理器，用于执行所述存储器中的指令。

本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储有焊点质量检测程序，所述焊点质量检测程序被处理器执行时实现如前述焊点质量检测方法的步骤。

本发明中，焊点质量检测方法，包括：获取目标焊点的目标x光图像；将目标x光图像输入焊点质量判断模型，得到目标焊点的质量结果；其中，焊点质量判断模型为利用训练数据集，对基于深度学习算法构建的数学模型进行训练而成的；训练数据集包括多个历史焊点的x光图像和与每个历史焊点相应的类别信息。

本发明通过x光机对待测焊片进行照射，获取目标焊点的目标x光图像，利用基于深度学习算法生成的焊点质量判断模型，通过分析目标x光图像中的图形特征从而判断目标焊点的质量是否合格，实现无损检测焊点质量，更加精准和快速。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施公开的一种焊点质量检测方法流程示意图；

图2为本发明实施公开的一种合格金属电阻焊点的图像区域分布示意图；

图3为本发明实施公开的一种不合格金属电阻焊点的图像区域分布示意图；

图4为本发明实施公开的一种焊点质量检测系统结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种焊点质量检测方法，参见图1所示，该方法包括：

s11：获取目标焊点的目标x光图像。

具体的，通过x光机对待测焊片进行照射，获得包括焊片和多个焊点的x光图像，其中，目标焊点为多个焊点中任意一个待测的焊点，从而实现获取目标焊点的目标x光图像。

s12：将目标x光图像输入焊点质量判断模型，得到目标焊点的质量结果。

具体的，将目标x光图像输入预先生成的焊点质量判断模型，利用焊点质量判断模型对目标x光图像进行分析，得到目标焊点的质量结果，从而判断出目标焊点是否合格。

其中，焊点质量判断模型为利用训练数据集，对基于深度学习算法构建的数学模型进行训练而成的；训练数据集包括多个历史焊点的x光图像和与每个历史焊点相应的类别信息。

具体的，每个历史焊点相应的类别信息，记载着每个历史焊点的质量是合格的还是不合格的，并与每个历史焊点的x光图像相对应，利用训练数据集中，每个历史焊点的x光图像和相应的类别信息，对基于深度学习算法构建的数学模型进行特征分析和特征区别训练，所以焊点质量判断模型能够通过目标x光图像判断出目标焊点是否合格。

可以理解的是，本发明实施例可以对金属电阻焊的焊点进行质量判断，也可以对其它焊接方式的焊点进行质量判断。

可见，本发明实施例中，通过x光机对待测焊片进行照射，获取目标焊点的目标x光图像，利用基于深度学习算法生成的焊点质量判断模型，通过分析目标x光图像中的图形特征从而判断目标焊点的质量是否合格，实现无损检测焊点质量，更加精准和快速。

进一步的，本发明实施例中焊点质量判断模型的具体训练过程可以包括s21至s23；其中，

s21：利用训练数据集中的历史焊点的x光图像对数学模型进行训练，得到相应的训练结果。

具体的，训练数据集中包括大量的历史焊点的x光图像，每次训练时，可以从训练数据集中选取一组历史焊点的x光图像对数学模型进行训练，数学模型可以根据每个历史焊点的x光图像的图形特征判断历史焊点是否合格，得到训练结果，训练结果中记录了相应的历史焊点质量是否合格；其中，每个历史焊点的x光图像的图形特征可以包括x光图像的灰度色阶比例、灰度色阶分布、灰度色阶过渡方式和焊点形状等图形特征。

进一步的，参见图2和图3所示，通过对x光图像中的灰度色阶比例、灰度色阶分布、灰度色阶过渡方式和焊点形状等特征进行分析，进而能够判断出金属电阻焊的焊点在x光图像中气泡区域2的大小、凹陷区域3的大小、隆起区域1的大小、最厚区域4的大小和阶梯斜面区域5的大小；焊点的气泡区域2在灰度处理下成白色区域，隆起区域1为焊点熔化被挤压后形成的隆起，区域颜色较深成黑灰色，凹陷区域3为隆起区域1和最厚区域4之间的最低区域，区域颜色成浅白色区域，阶梯斜面区域5为不与被焊物接触的区域，区域颜色成浅白色区域，还可以通过判断焊点形状是否为圆形或其他不规则形状判断焊点质量。

具体的，通过气泡区域2的大小可以判断焊点是否焊穿或者气泡过大导致焊点不牢；通过凹陷区域3的大小可以判断焊点的接触面积占比，根据凹陷区域3与隆起区域1和最厚区域4灰度色阶过渡方式可以明确隆起区域1和最厚区域4范围；通过最厚区域4与阶梯斜面区域5的灰度色阶过渡方式可以明确凹陷区域3范围和阶梯斜面区域5范围；通过阶梯斜面区域5大小可以判断出判断焊点的接触面积，如果阶梯斜面区域5过大表明焊点的接触面积小，焊点质量差。

s22：利用训练结果与相应的历史焊点的类别信息进行比对，得到训练误差，利用训练误差生成修正反馈。

具体的，利用历史焊点得训练结果与预先通过人工破拆得到的类别信息进行比对，训练结果记录了该历史焊点在经过数学模型判断后的质量检测结果，即合格或不合格，同样历史焊点的类别信息记录了该历史焊点真实的质量结果，即合格或不合格，比对训练结果与类别信息的记录是否一致，如果一致则没有误差，如果不一致，则说明存在训练误差，此时可以通过预设接口接收用户根据训练误差生成的修正反馈，修正反馈中包括对数学模型进行调整的参数，当然也可以数学模型自行根据训练误差生成修正反馈，以调整参数。

s23：利用修正反馈对数学模型进行修正，得到修正后的数学模型，返回s21直至训练误差满足预设条件或达到迭代阈值。

具体的，进行修正后判断修正后的数学模型的训练误差是否满足预设条件，例如，正确率达到90％，或重复迭代修正次数达到迭代阈值，例如，迭代阈值为50次，当满足两者任一条件则可以结束对数学模型的训练，得到焊点质量判断模型，如果不满足两者任一条件则继续返回s21，对修正后的数学模型再次进行训练，得到训练误差，并生成修正反馈进行修正，直到数学模型满足两者任一条件。

进一步的，在得到目标焊点的质量结果后，本发明实施例还可以对合格的焊点进行进一步的分类，具体过程包括s31和s32；其中，

s31：判断质量结果是否为合格。

具体的，得到目标焊点的质量结果后，判断目标焊点是合格还是不合格，如果目标焊点的质量结果为不合格则无需再进行分类，如果目标焊点的质量结果为合格则进入s32。

s32：如果是，则利用预设的分类条件对目标焊点的质量进行等级分类。

具体的，在判断出质量结果为合格后，则利用预设的分类条件对目标焊点的质量进行等级分类，将满足合格基础的焊点中质量高的焊点划分为一类，质量低的焊点划分为另一类；例如，可以根据气泡区域和阶梯斜面区域是否更小，隆起区域占比更大，划分不同焊点的合格等级，将气泡区域和阶梯斜面区域小于第一阈值，隆起区域占比超过第二阈值的焊点划分为质量高的焊点，而气泡区域和阶梯斜面区域大于第一阈值，隆起区域占比低于第二阈值的焊点则可划分为质量低的焊点，当然第一阈值和第二阈值可以由用户根据实际应用需求进行设定。

可以理解的是，本发明实施例中焊点质量判断模型可以为利用训练数据集，对基于神经网络算法构建的数学模型进行训练而成的，当然也可以采用其他类型的深度学习算法进行训练和训练得到。

相应的，本发明实施例还公开了一种焊点质量检测系统，参见图4所示，该系统包括：

图像获取模块11，用于获取目标焊点的目标x光图像；

判断模型模块12，用于将目标x光图像输入焊点质量判断模型，得到目标焊点的质量结果；

判断模型模块12包括训练单元，训练单元，用于利用训练数据集，对基于深度学习算法构建的数学模型进行训练，得到焊点质量判断模型。

可见，本发明实施例中，通过x光机对待测焊片进行照射，获取目标焊点的目标x光图像，利用基于深度学习算法生成的焊点质量判断模型，通过分析目标x光图像中的特征从而判断目标焊点是否合格，实现无损检测焊点质量，更加精准和快速。

本发明实施例中，上述训练单元，可以包括提取子单元和训练子单元；其中，

提取子单元，用于从训练数据集中提取每个历史焊点的x光图像的图形特征；

训练子单元，用于利用每个历史焊点的x光图像的图形特征和与每个历史焊点相应的类别信息，对数学模型进行训练；

其中，每个历史焊点的x光图像的图形特征包括x光图像的灰度色阶比例、灰度色阶分布、灰度色阶过渡方式和焊点形状。

具体的，上述训练单元，可以具体用于利用训练数据集，对基于神经网络算法构建的数学模型进行训练，得到焊点质量判断模型。

本发明实施例中，还可以包括质量判断模块和等级划分模块；其中，

质量判断模块，用于判断质量结果是否为合格；

等级划分模块，用于当质量判断模块判定质量结果为合格，则利用预设的分类条件对目标焊点的质量进行等级分类。

另外，本发明实施例还公开了一种焊点质量检测装置，该装置包括：

存储器，用于存储指令；其中，指令包括获取目标焊点的目标x光图像；将目标x光图像输入焊点质量判断模型，得到目标焊点的质量结果；其中，焊点质量判断模型为利用训练数据集，对基于深度学习算法构建的数学模型进行训练而成的；训练数据集包括多个历史焊点的x光图像和与每个历史焊点相应的类别信息；

处理器，用于执行存储器中的指令。

关于本发明实施例中存储器中存储的存储指令具体内容，可以参考前述实施例中记载的相应内容，在此不再赘述。

本发明实施例还公开了一种计算机可读存储介质，计算机可读存储介质上存储有焊点质量检测程序，焊点质量检测程序被处理器执行时实现如述实施例焊点质量检测方法的步骤。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

以上对本发明所提供的一种金属电阻焊质量检测方法、系统、装置及计算机可读存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。