一种基于小样本标签数据的焊接缺陷实时智能检测方法与流程

本发明属于智慧焊接，特别涉及一种基于小样本标签数据的焊接缺陷实时智能检测方法。

背景技术：

1、焊接生产过程是一个多因素耦合的复杂生产过程，焊接电流、电压、焊丝用量、保护气用量等因素制约着焊接生产的成本、质量等各方面。其中焊接异常的实时检测是提升焊接质量及生产效率的重要途径。

2、现有技术中的焊接缺陷实时检测方法一般基于机器学习或深度学习。但无论是何种学习方式，均具有相同缺点，即模型训练需要大量的标签数据，而实际焊接过程中大量获取带有焊接正常或异常标签的入模数据是需要专业人员进行长时间的人工标注的，非常昂贵且耗时。此外，大型焊接制造工厂在进行焊接作业时，通过专业的焊接机器人进行焊接，良品率非常高，收集焊接缺陷对应的样本则更加耗时，最终由于缺陷样本的缺乏导致模型难以上线。这些都限制了焊接缺陷的实时检测技术落地。

技术实现思路

1、发明目的：针对上述背景技术中存在的问题，本发明提供了一种基于小样本标签数据的焊接缺陷实时智能检测方法，通过构造用于学习高频焊接数据特征的无监督对比学习模型，并进行模型训练，接着将对比学习模型与新的预测头串联，构造新的有监督的分类模型，只需通过少量带标注的样本对预测头进行微调，即可实现模型训练，进而准确检测焊接异常缺陷。

2、技术方案：一种基于小样本标签数据的焊接缺陷实时智能检测方法，包括以下步骤：

3、步骤s1、构造对比学习模型的入模数据集；采集焊接过程中的高频时序数据样本，通过滑窗采样分别获取训练集和验证集样本，并进行归一化处理；对每个样本进行两次随机数据增强处理，将两次数据增强处理结果拼接后作为最终的入模样本对；

4、步骤s2、搭建对比学习模型；所述对比学习模型结构包括编码器部分和全连接模块；基于步骤s1中获取的入模样本对进行模型训练，学习焊接过程中的高频时序数据的特征；最终得到训练好的对比学习模型；

5、步骤s3、构建有监督分类模型的入模数据集；获取人工标注的正常和异常样本，进行样本预处理，并划分训练集、验证集和测试集；

6、步骤s4、提取步骤s2中训练好的对比学习模型中编码器部分，并冻结编码器部分网络参数；构造新的焊接缺陷预测头，将编码器部分输出连接至焊接缺陷预测头，基于步骤s3中获取的入模数据集对焊接缺陷预测头进行微调；最终获取有监督分类模型；

7、步骤s5、将步骤s4中获取的有监督分类模型部署至边缘侧，实时采集焊接高频时序数据并输入至所述有监督分类模型，即可实时输出焊接缺陷检测结果。

8、进一步地，所述步骤s1中构造对比学习模型的入模数据集具体步骤如下：

9、步骤s1.1、首选对采集到的高频时序数据进行滑窗采样，窗长设置为window_size；所述高频时序数据选用焊接电流、电压中的一种或多种；

10、步骤s1.2、将所有滑窗采样后的样本按照一定比例划分为训练集和验证集，并对每个样本进行归一化处理；

11、步骤s1.3、对每个样本进行两次随机数据增强处理，并将两次数据增强的结果拼接在一起，作为最终入模的样本对。

12、进一步地，步骤s1.3中每次随机数据增强过程中，随机选择一种或多种随机数据增强方式对原始样本进行数据增强，其中每次选用的随机数据增强处理步骤中，进行数据增强的数据位置、数据片段同样随机选择；所述随机数据增强处理方式包括加噪音处理、翻转处理、换位处理。

13、进一步地，所述步骤s2中对比学习模型包括编码器部分和全连接模块；其中编码器部分包含卷积网络块和倒残差模块；

14、入模样本输入至卷积网络块，输出x连接至倒残差模块；所述倒残差模块包括若干级阶梯型分支，每一级分支中包括若干个相同的倒残差网络块invertedresidualblock，上一级分支的输出连接至下一级分支的输入端；将所有分支的输出在channel维度上进行拼接，并通过flatten层进行拉平，最终输入至全连接模块；

15、所述全连接模块包括依次连接的第一层dense层，一层bn层，一层激活函数层，一层dropout层和第二层dense层。

16、进一步地，设置损失函数为比学习损失函数contrastive loss function进行模型训练，使同一样本对输出的相似度高于不同样本对输出的相似度，直至模型训练完成；最终保存对比学习模型。

17、进一步地，步骤s3中构建有监督分类模型的入模样本数据具体步骤包括：

18、步骤s3.1、基于人工现场标注的缺陷起始时间和终止时间为焊接样本数据集标注，其中正常焊接标注为0，发生焊接缺陷标注为1；

19、步骤s3.2、从正常焊接样本中随机采样部分数据，选取不低于2倍焊接缺陷样本的正常焊接样本，与焊接缺陷样本组合并随机乱序；

20、步骤s3.3、按照预设比例将步骤s3.2中的样本划分为训练集、验证集和测试集。

21、进一步地，所述步骤s4中预测头结构包括若干层依次相连的dense层，其中最后一dense层的神经元个数为2，分别代表正常和存在焊接缺陷的判断结果。

22、进一步地，在各dense层间添加有用于舍弃部分神经元的dropout层。

23、进一步地，所述步骤s4中，将损失函数设置为交叉熵损失函数，训练预测头，直至分类结果满足焊接缺陷实时检测准确率要求。

24、本发明采用的技术方案与现有技术方案相比，具有以下有益效果：

25、（1）本发明以对比学习网络为基础，首先训练出可以有效学习高频焊接数据特征的无监督对比学习模型，接着在此基础上变更网络结构，将对比学习模型和预测头串联在一起，构建新的有监督分类模型，进而实现焊接缺陷的实时检测效果。

26、（2）本发明中首先基于高频焊接数据直接训练对比学习模型，接着基于带标签的焊接样本进行有监督分类模型的训练，仅在预测头微调时需要带标签数据，需要的带标签数据量很小，有效节省了前期人工标注成本。

技术特征：

1.一种基于小样本标签数据的焊接缺陷实时智能检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于小样本标签数据的焊接缺陷实时智能检测方法，其特征在于，所述步骤s1中构造对比学习模型的入模数据集具体步骤如下：

3.根据权利要求2所述的一种基于小样本标签数据的焊接缺陷实时智能检测方法，其特征在于，步骤s1.3中每次随机数据增强过程中，随机选择一种或多种随机数据增强方式对原始样本进行数据增强，其中每次选用的随机数据增强处理步骤中，进行数据增强的数据位置、数据片段同样随机选择；所述随机数据增强处理方式包括加噪音处理、翻转处理、换位处理。

4.根据权利要求1所述的一种基于小样本标签数据的焊接缺陷实时智能检测方法，其特征在于，所述步骤s2中对比学习模型包括编码器部分和全连接模块；其中编码器部分包含卷积网络块和倒残差模块；

5.根据权利要求4所述的一种基于小样本标签数据的焊接缺陷实时智能检测方法，其特征在于，设置损失函数为比学习损失函数contrastive loss function进行模型训练，使同一样本对输出的相似度高于不同样本对输出的相似度，直至模型训练完成；最终保存对比学习模型。

6.根据权利要求1所述的一种基于小样本标签数据的焊接缺陷实时智能检测方法，其特征在于，步骤s3中构建有监督分类模型的入模样本数据具体步骤包括：

7.根据权利要求1所述的一种基于小样本标签数据的焊接缺陷实时智能检测方法，其特征在于，所述步骤s4中预测头结构包括若干层依次相连的dense层，其中最后一dense层的神经元个数为2，分别代表正常和存在焊接缺陷的判断结果。

8.根据权利要求7所述的一种基于小样本标签数据的焊接缺陷实时智能检测方法，其特征在于，在各dense层间添加有用于舍弃部分神经元的dropout层。

9.根据权利要求1所述的一种基于小样本标签数据的焊接缺陷实时智能检测方法，其特征在于，所述步骤s4中，将损失函数设置为交叉熵损失函数，训练预测头，直至分类结果满足焊接缺陷实时检测准确率要求。

技术总结
本发明公开了一种基于小样本标签数据的焊接缺陷实时智能检测方法，首先搭建对比学习网络模型并基于数据增强后的高频焊接数据进行模型训练，接着基于训练好的对比学习模型，提取其编码器部分并连接至新的预测头结构，构成新的有监督分类模型；通过少量带标签的焊接样本数据进行分类模型训练，即可实现焊接缺陷的实时检测效果；本发明设计的智能检测方法，针对现有焊接缺陷检测方法模型训练需要大量的标签数据的问题，在训练有监督的分类模型时，使用小样本标签数据对预测头进行微调，进而实现仅采用少量带标签样本即可完成模型训练的效果，有效解决了数据标签需要花费大量人工，昂贵且耗时的问题。

技术研发人员：李波,田慧云
受保护的技术使用者：苏芯物联技术（南京）有限公司
技术研发日：
技术公布日：2024/1/11