一种激光智能焊接方法及系统与流程

1.本发明涉及激光焊接技术领域，具体涉及一种激光智能焊接方法及系统。


背景技术：

2.激光焊接具备能量集中、利用率高、残余应力小等优点，其被广泛应用在汽车制造业金属材料的焊接中，例如汽车驾驶室内座椅焊接，货车驾驶室顶盖焊接等等。而这些汽车结构需要良好的稳固性，即对激光焊接后的焊缝强度要求较高，而传统激光焊接会不可避免的产生例如飞溅、表面气孔等焊接缺陷，导致焊缝质量差、焊接效果不好。
3.为了克服传统激光焊接的缺点，摆动激光焊接应运而生，其作为一种新型的激光焊接技术，可以在焊接的同时利用激光光束扰动熔池，减少气孔，同时降低熔池受激光连续加热时间，相当于间接降低了激光的功率密度、起到抑制飞溅的作用。然而在实际焊接的过程中，其摆动方式一般为固定的几种模式，但摆动频率为控制参数之一，其大小会影响气孔出现率以及飞溅的抑制效率。摆动频率较小时，熔池受激光光束扰动，加快了熔池内气体逸散，但随着摆动频率增大，其会将外部气体也包裹进熔池。反而增大表面气孔的出现频率。相反地，当摆动频率较小时，激光作用在焊材上产生的功率相比于摆动频率较大时会高，易产生飞溅。如果不根据焊接过程进行智能化的调节摆动频率，则会大大影响焊接效果。


技术实现要素：

4.为了解决上述技术问题，本发明的目的在于提供一种激光智能焊接方法及系统，所采用的技术方案具体如下：
5.本发明提出了一种激光智能焊接方法，所述方法包括：
6.获取激光焊接过程中的焊缝图像；获取所述焊缝图像的灰度直方图；根据所述灰度直方图上的灰度值以及对应的频数对所述焊缝图像中的像素点进行分类，获得多个像素点类别，以所述像素点类别中最大灰度值和最小灰度值对应的像素点类别作为缺陷像素点类别；
7.若所述缺陷像素点类别中的像素点数量大于预设数量阈值，则根据所述缺陷像素点类别获得多个缺陷区域；根据所述缺陷区域的面积获得所述缺陷区域的缺陷范围等级，根据缺陷区域中心点到焊缝中心线的距离获得缺陷偏移等级，以所述缺陷范围等级和所述缺陷偏移等级构成所述缺陷区域的特征二元组；
8.根据所述特征二元组的数量获得每种所述特征二元组的出现概率；根据所述缺陷范围等级、所述缺陷偏移等级和对应的所述出现概率分别获得气孔缺陷倾向程度和飞溅缺陷倾向程度；
9.根据所述气孔缺陷倾向程度和所述飞溅缺陷倾向程度确定当前焊缝的缺陷类型，根据所述缺陷类型调整焊接激光的参数。
10.进一步地，所述获取激光焊接过程中的焊缝图像包括：
11.采集初始焊缝图像；去除所述初始焊缝图像中的背景信息，获得仅包含焊缝信息
的焊缝图像。
12.进一步地，所述根据所述灰度直方图上的灰度值以及对应的频数对所述焊缝图像中的像素点进行分类，获得多个像素点类别，以所述像素点类别中最大灰度值和最小灰度值对应的像素点类别作为缺陷像素点类别包括：
13.在所述灰度直方图上进行高斯拟合，获得混合高斯模型；所述混合高斯模型包括低均值子高斯模型、中均值高斯模型和高均值子高斯模型；获得每个像素点在每个子高斯模型中的概率，以最大概率对应的所述子高斯模型作为像素点的所述像素点类别；
14.以所述低均值子高斯模型和所述高均值子高斯模型对应的所述像素点类别作为所述缺陷像素点类别。
15.进一步地，所述根据所述缺陷像素点类别获得多个缺陷区域包括：
16.将所述低均值子高斯模型对应的所述像素点类别中的像素点进行区域生长算法，获得多个第一生长区域；将所述高均值子高斯模型对应的所述像素点类别中的像素点进行区域生长算法，获得多个第二生长区域；
17.若所述第一生长区域和所述第二生长区域相邻且区域边缘贴合长度大于预设贴合长度阈值，则将对应的所述第一生长区域和所述第二生长区域合并，获得所述缺陷区域。
18.进一步地，所述根据所述缺陷区域的面积获得所述缺陷区域的缺陷范围等级，根据缺陷区域中心点到焊缝中心线的距离获得缺陷偏移等级包括：
19.根据预设最大缺陷面积将每个所述缺陷区域的面积归一化，根据预设最大缺陷范围等级获得每个所述缺陷区域的所述缺陷范围等级；
20.根据预设最大缺陷偏移量将每个所述缺陷区域中心点到焊缝中心线的距离归一化，根据预设最大偏移量等级获得每个所述缺陷区域的所述缺陷偏移等级。
21.进一步地，所述根据所述特征二元组的数量获得每种所述特征二元组的出现概率包括：
22.以每种所述特征二元组的数量与所述缺陷区域的数量的比值作为所述出现概率。
23.进一步地，所述根据所述缺陷范围等级、所述缺陷偏移等级和对应的所述出现概率分别获得气孔缺陷倾向程度和飞溅缺陷倾向程度包括：
24.根据气孔缺陷倾向程度公式获得所述气孔倾向程度，所述气孔缺陷倾向程度公式包括：
[0025][0026]
其中，q为所述气孔倾向程度，y为最大缺陷偏移等级，x为最大缺陷范围等级，p《μ,γ》为所述缺陷偏移等级为μ且所述缺陷范围等级为γ的所述特征二元组的所述出现概率；
[0027]
根据飞溅缺陷倾向程度公式获得所述飞溅缺陷倾向程度，所述飞溅缺陷倾向程度公式包括：
[0028][0029]
其中，f为所述飞溅缺陷倾向程度，y为最大缺陷偏移等级，x为最大缺陷范围等级，
p《μ,γ》为所述缺陷偏移等级为μ且所述缺陷范围等级为γ的所述特征二元组的所述出现概率。
[0030]
进一步地，所述根据所述气孔缺陷倾向程度和所述飞溅缺陷倾向程度确定当前焊缝的缺陷类型包括：
[0031]
根据整体缺陷倾向程度公式获得整体缺陷倾向程度，所述整体缺陷倾向程度公式包括：
[0032][0033]
其中，为所述整体缺陷倾向程度，q为所述气孔倾向程度，f为所述飞溅缺陷倾向程度；
[0034]
若所述整体缺陷倾向程度小于预设倾向阈值，则认为所述缺陷类型为飞溅缺陷；反之，则认为所述缺陷类型为气孔缺陷。
[0035]
本发明还提出了一种激光智能焊接系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现任意一项所述一种激光智能焊接方法的步骤。
[0036]
本发明具有如下有益效果：
[0037]
本发明实施例获取焊接过程中的焊缝图像，根据焊缝图像的像素分布特征筛选出缺陷像素点类别。进一步根据对应的缺陷区域的特征二元组判断当前焊缝的缺陷类型。根据缺陷类型对焊接激光进行针对性的参数调整，使其后续焊接过程中避免该缺陷类型的缺陷发生，实现实时的智能化激光焊接调节。
附图说明
[0038]
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和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其它附图。
[0039]
图1为本发明一个实施例所提供的一种激光智能焊接方法流程图；
[0040]
图2为本发明一个实施例所提供的一种气孔缺陷焊缝示意图；
[0041]
图3为本发明一个实施例所提供的一种飞溅缺陷焊缝示意图。
具体实施方式
[0042]
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种激光智能焊接方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
[0043]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
[0044]
下面结合附图具体的说明本发明所提供的一种激光智能焊接方法及系统的具体
方案。
[0045]
请参阅图1，其示出了本发明一个实施例提供的一种激光智能焊接方法流程图，该方法包括：
[0046]
步骤s1：获取激光焊接过程中的焊缝图像；获取焊缝图像的灰度直方图；根据灰度直方图上的灰度值以及对应的频数对焊缝图像中的像素点进行分类，获得多个像素点类别；以像素点类别中最大灰度值和最小灰度值对应的像素点类别作为缺陷像素点类别。
[0047]
为了获取激光焊接过程中的焊缝图像，需要将相机部署在焊缝正上方，使相机采集到焊接后的焊缝图像。需要说明的是，相机的采样频率和相机高度需要结合焊接速度和焊缝大小进行调整，使采集到的图像中包含清晰完整的焊缝信息。
[0048]
在本发明实施例中，将工业相机部署在待焊接的母材正上方，且沿着激光焊接方向移动，获得激光焊接过程中的焊缝图像。需要说明的是，获得焊缝图像后将焊缝图像灰度化处理，方便后续对焊缝图像进行像素值分析。
[0049]
在相机采集到的初始焊缝图像中不仅包括焊缝信息，还包括焊缝两边的母材信息，其中母材信息为背景信息，焊缝信息为前景信息。为了方便后续对焊缝的分析，需要去除初始焊缝图像中的背景信息，获得仅包含焊缝信息的焊缝图像。
[0050]
在本发明实施例中，考虑到焊料形成的焊缝与母材之间存在像素值差异，使用阈值分割方法将母材信息剔除，获得焊缝图像。
[0051]
请参阅图2，其示出了本发明一个实施例所提供的一种气孔缺陷焊缝示意图。请参阅图3，其示出了本发明一个实施例所提供的一种飞溅缺陷焊缝示意图。由图2和图3可知，气孔缺陷的形成会使得焊缝表面凹凸不平，飞溅缺陷是由少量焊料飞溅形成，气孔缺陷与飞溅缺陷在焊缝图像中形成高亮区域和高暗区域。因此可根据焊缝图像的像素值分布特征筛选出缺陷像素点。
[0052]
需要说明的是，为了放大图像中的像素值特征差异，可对焊缝图像进行预处理操作，例如滤波、均衡化等。图像预处理过程为本领域技术人员熟知的技术手段，具体可根据焊接环境针对性的设置，在此不做限定。
[0053]
获取焊缝图像的灰度直方图，灰度直方图横轴为焊缝图像中的像素值大小，纵轴为对应像素值出现的频数。因为气孔缺陷和飞溅缺陷会在图像中形成亮点和暗点，因此可根据灰度图像中的灰度值以及对应的频数对焊缝图像中的像素点进行分类，具体包括：
[0054]
根据em算法在灰度直方图上进行高斯拟合，获得混合高斯模型；混合高斯模型中包含低均值子高斯模型、中均值高斯模型和高均值子高斯模型。即每个子高斯模型对应的模型均值都不同，模型均值对应灰度直方图中的灰度值，因此每个子高斯模型对应一个像素点类别。获得每个像素点在子高斯模型中的概率，以最大概率对应的子高斯模型作为像素点的像素点类别。以低均值子高斯模型和高均值子高斯模型对应的像素点类别作为缺陷像素点类别。
[0055]
步骤s2：若缺陷像素点类别中的像素点数量大于预设数量阈值，则根据缺陷像素点类别获得多个缺陷区域；根据缺陷区域的面积获得缺陷区域的缺陷范围等级，根据缺陷区域中心点到焊缝中心线的距离获得缺陷偏移等级，以缺陷范围等级和缺陷偏移等级构成缺陷区域的特征二元组。
[0056]
考虑到数据处理时的精度问题，可能会存在缺陷像素点误检，因此设置数量阈值，
若缺陷像素点类别中的像素点数量大于数量阈值，则说明当前焊缝出现焊接缺陷，从而进一步对缺陷进行分析。需要说明的是，数量阈值可根据数据处理方法的误差、焊接效果的质量要求、焊接环境等因素自由调整，在此不做限定。
[0057]
缺陷像素点类别中的缺陷像素点可组成多个缺陷区域，根据缺陷区域的位置分布和大小可获得当前焊缝的缺陷类别倾向。获得缺陷区域的具体方法包括：
[0058]
因为高亮像素点和高暗像素点为两种类别的缺陷，因此在缺陷区域的获取过程中需要分别对对应像素点类别进行分析。将低均值子高斯模型对应的像素点类别中的像素点进行区域生长算法，获得多个第一生长区域。将高均值子高斯模型对应的像素点类别中的像素点进行区域生长算法，获得多个第二生长区域。第一生长区域对应图像中的暗区域，第二生长区域对应图像中的亮区域。
[0059]
需要说明的是，第一生长区域和第二生长区域并非真实的缺陷区域，本发明实施例旨在分析焊缝的缺陷倾向，因此需要获得多个缺陷区域，根据缺陷区域的形态和分布判断当前焊缝的缺陷类型，为了进一步方便后续的缺陷倾向分析，将相邻的第一生长区域和第二生长区域进行合并处理，具体包括：
[0060]
若第一生长区域和第二生长区域相邻且区域边缘贴合长度大于预设贴合长度阈值，则将对应的第一生长区域和第二生长区域合并，获得缺陷区域。
[0061]
在本发明实施例中，贴合长度阈值设置为对应的第一生长区域或第二生长区域的边缘的四分之一。
[0062]
由图2可知，气孔缺陷为焊缝上较大的缺陷区域，因此缺陷面积越大，缺陷位置越处于焊缝中心，则当前焊缝缺陷类型越倾向于气孔缺陷；由图3可知，飞溅缺陷为焊缝附近飞溅出较小的缺陷区域，因此缺陷面积越小，缺陷位置越偏移焊缝中心，则当前焊缝缺陷类型越倾向于飞溅缺陷。因此可将缺陷区域的面积和位置信息作为缺陷区域的特征信息，用于缺陷倾向分析。
[0063]
以缺陷区域内像素点个数作为缺陷区域的面积，为了方便数据分析，根据预设最大缺陷面积将每个所述缺陷区域的面积归一化，将归一化后的缺陷区域面积根据预设最大缺陷范围等级x获得每个缺陷区域的缺陷范围等级。即归一化后的缺陷区域面积在之间的为级别1，在之间的为级别x。
[0064]
在本发明实施例中，最大缺陷面积设置为焊缝区域像素点个数的百分之十，最大缺陷范围等级设置为十级。
[0065]
与缺陷范围等级相相似的，根据预设最大缺陷偏移量将每个缺陷区域中心点到焊缝中心线的距离归一化，根据预设最大偏移量等级y获得每个缺陷区域的缺陷偏移等级。即归一化后的缺陷区域面积在之间的为级别1，在之间的为级别x。
[0066]
在本发明实施例中，以焊缝图像边界到焊缝中心线的距离作为最大缺陷偏移量，最大偏移量等级设置为十级。
[0067]
以缺陷范围等级γ和缺陷偏移等级μ构成所述缺陷区域的特征二元组《μ,γ》。
[0068]
步骤s3：根据特征二元组的数量获得每种特征二元组的出现概率；根据缺陷范围等级、缺陷偏移等级和对应的出现概率分别获得气孔缺陷倾向程度和飞溅缺陷倾向程度。
[0069]
以每种特征二元组的数量与缺陷区域的数量的比值作为出现概率p《μ,γ》。
[0070]
根据缺陷范围等级、缺陷偏移等级和对应的出现概率分别获得气孔缺陷倾向程度和飞溅缺陷倾向程度具体包括：
[0071]
根据气孔缺陷倾向程度公式获得气孔倾向程度，气孔缺陷倾向程度公式包括：
[0072][0073]
其中，q为气孔倾向程度，y为最大缺陷偏移等级，x为最大缺陷范围等级，p《μ,γ》为缺陷偏移等级为μ且缺陷范围等级为γ的特征二元组的出现概率。
[0074]
与气孔缺陷倾向程度相似的，根据飞溅缺陷倾向程度公式获得飞溅缺陷倾向程度，飞溅缺陷倾向程度公式包括：
[0075][0076]
其中，f为飞溅缺陷倾向程度，y为最大缺陷偏移等级，x为最大缺陷范围等级，p《μ,γ》为缺陷偏移等级为μ且缺陷范围等级为γ的特征二元组的出现概率。
[0077]
根据气孔缺陷倾向程度公式和飞溅缺陷倾向程度公式可知，在一条焊缝上，缺陷范围等级大的缺陷区域越多，且分布越靠近焊缝中心线，则该焊缝的缺陷倾向越倾向于气孔缺陷；缺陷偏移等级大的缺陷区域越多，且缺陷区域面积越小，则该焊缝的缺陷倾向越倾向于飞溅缺陷。
[0078]
步骤s4：根据气孔缺陷倾向程度和飞溅缺陷倾向程度确定当前焊缝的缺陷类型，根据缺陷类型调整焊接激光的参数。
[0079]
气孔缺陷倾向程度越大，飞溅缺陷倾向程度越小，则说明当前焊缝整体越倾向于气孔缺陷；反之，说明当前焊缝整体倾向于飞溅缺陷。因此需要将气孔缺陷倾向程度和飞溅缺陷倾向程度结合，获得整体缺陷倾向程度，具体包括：
[0080]
根据整体缺陷倾向程度公式获得整体缺陷倾向程度，整体缺陷倾向程度公式包括：
[0081][0082]
其中，为整体缺陷倾向程度，q为气孔倾向程度，f为飞溅缺陷倾向程度。
[0083]
若整体缺陷倾向程度小于预设倾向阈值，则认为缺陷类型为飞溅缺陷。反之，则认为缺陷类型为气孔缺陷。
[0084]
因为的取值范围为[-1，1]，因此在本发明实施例中将倾向阈值设置为0，即当整体缺陷倾向程度在[-1,0)内时，认为当前焊缝的缺陷类型为飞溅缺陷；当整体缺陷倾向程度在(0,1]内时，认为当前焊缝的缺陷类型为气孔缺陷。
[0085]
根据先验知识可知，如果发生了气孔缺陷，则需要调小激光头的摆动频率；如果发生了飞溅缺陷，则需要调大激光头的摆动频率。因此可根据整体缺陷倾向程度判断出的缺陷类型实现对焊接激光的实时调整。
[0086]
需要说明的是，因为相机随着焊接方向移动拍摄焊接过程中的焊缝，因此可认为
缺陷焊缝的每个采样时刻下的焊缝图像都会对应一个整体缺陷程度，进而实现不断的调整焊接激光的参数。如果当前时刻的调节方向与之前时刻的调节方向相同，则说明调节力度不够，当前时刻参数的调节大小需要比之前时刻的参数调节大小要大；如果当前时刻的调节方向与之前时刻的调节方向相反，则说明调节力度过高，当前时刻参数的调节大小需要比之前时刻的参数调节大小要小。参数调节的基础大小可根据专业的工作人员根据焊接作业的性质自行设置，在此不做约束。
[0087]
综上所述，本发明实施例对焊缝图像的像素值大小及分布进行分析，根据缺陷类型的像素值特点筛选出缺陷像素点类别，进而获得多个缺陷区域。根据缺陷区域的分布和面积大小获得缺陷范围等级和缺陷偏移等级，结合缺陷范围等级和缺陷偏移等级组成的特征二元组的出现概率获得气孔缺陷倾向程度和飞溅缺陷倾向程度。根据气孔缺陷倾向程度和飞溅缺陷倾向程度确定当前焊缝的缺陷类型，根据缺陷类型调整焊缝激光的参数。本发明实施例通过智能焊接系统实现了对焊接过程的激光参数进行实时调整，提高焊接质量。
[0088]
本发明还提出了一种激光智能焊接系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现任意一项所述一种激光智能焊接方法的步骤。
[0089]
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0090]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
[0091]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种激光智能焊接方法，其特征在于，所述方法包括：获取激光焊接过程中的焊缝图像；获取所述焊缝图像的灰度直方图；根据所述灰度直方图上的灰度值以及对应的频数对所述焊缝图像中的像素点进行分类，获得多个像素点类别，以所述像素点类别中最大灰度值和最小灰度值对应的像素点类别作为缺陷像素点类别；若所述缺陷像素点类别中的像素点数量大于预设数量阈值，则根据所述缺陷像素点类别获得多个缺陷区域；根据所述缺陷区域的面积获得所述缺陷区域的缺陷范围等级，根据缺陷区域中心点到焊缝中心线的距离获得缺陷偏移等级，以所述缺陷范围等级和所述缺陷偏移等级构成所述缺陷区域的特征二元组；根据所述特征二元组的数量获得每种所述特征二元组的出现概率；根据所述缺陷范围等级、所述缺陷偏移等级和对应的所述出现概率分别获得气孔缺陷倾向程度和飞溅缺陷倾向程度；根据所述气孔缺陷倾向程度和所述飞溅缺陷倾向程度确定当前焊缝的缺陷类型，根据所述缺陷类型调整焊接激光的参数。2.根据权利要求1所述的一种激光智能焊接方法，其特征在于，所述获取激光焊接过程中的焊缝图像包括：采集初始焊缝图像；去除所述初始焊缝图像中的背景信息，获得仅包含焊缝信息的焊缝图像。3.根据权利要求1所述的一种激光智能焊接方法，其特征在于，所述根据所述灰度直方图上的灰度值以及对应的频数对所述焊缝图像中的像素点进行分类，获得多个像素点类别，以所述像素点类别中最大灰度值和最小灰度值对应的像素点类别作为缺陷像素点类别包括：在所述灰度直方图上进行高斯拟合，获得混合高斯模型；所述混合高斯模型包括低均值子高斯模型、中均值高斯模型和高均值子高斯模型；获得每个像素点在每个子高斯模型中的概率，以最大概率对应的所述子高斯模型作为像素点的所述像素点类别；以所述低均值子高斯模型和所述高均值子高斯模型对应的所述像素点类别作为所述缺陷像素点类别。4.根据权利要求3所述的一种激光智能焊接方法，其特征在于，所述根据所述缺陷像素点类别获得多个缺陷区域包括：将所述低均值子高斯模型对应的所述像素点类别中的像素点进行区域生长算法，获得多个第一生长区域；将所述高均值子高斯模型对应的所述像素点类别中的像素点进行区域生长算法，获得多个第二生长区域；若所述第一生长区域和所述第二生长区域相邻且区域边缘贴合长度大于预设贴合长度阈值，则将对应的所述第一生长区域和所述第二生长区域合并，获得所述缺陷区域。5.根据权利要求1所述的一种激光智能焊接方法，其特征在于，所述根据所述缺陷区域的面积获得所述缺陷区域的缺陷范围等级，根据缺陷区域中心点到焊缝中心线的距离获得缺陷偏移等级包括：根据预设最大缺陷面积将每个所述缺陷区域的面积归一化，根据预设最大缺陷范围等级获得每个所述缺陷区域的所述缺陷范围等级；
根据预设最大缺陷偏移量将每个所述缺陷区域中心点到焊缝中心线的距离归一化，根据预设最大偏移量等级获得每个所述缺陷区域的所述缺陷偏移等级。6.根据权利要求1所述的一种激光智能焊接方法，其特征在于，所述根据所述特征二元组的数量获得每种所述特征二元组的出现概率包括：以每种所述特征二元组的数量与所述缺陷区域的数量的比值作为所述出现概率。7.根据权利要求1所述的一种激光智能焊接方法，其特征在于，所述根据所述缺陷范围等级、所述缺陷偏移等级和对应的所述出现概率分别获得气孔缺陷倾向程度和飞溅缺陷倾向程度包括：根据气孔缺陷倾向程度公式获得所述气孔倾向程度，所述气孔缺陷倾向程度公式包括：其中，q为所述气孔倾向程度，y为最大缺陷偏移等级，x为最大缺陷范围等级，p<μ,γ>为所述缺陷偏移等级为μ且所述缺陷范围等级为γ的所述特征二元组的所述出现概率；根据飞溅缺陷倾向程度公式获得所述飞溅缺陷倾向程度，所述飞溅缺陷倾向程度公式包括：其中，f为所述飞溅缺陷倾向程度，y为最大缺陷偏移等级，x为最大缺陷范围等级，p<μ,γ>为所述缺陷偏移等级为μ且所述缺陷范围等级为γ的所述特征二元组的所述出现概率。8.根据权利要求1所述的一种激光智能焊接方法，其特征在于，所述根据所述气孔缺陷倾向程度和所述飞溅缺陷倾向程度确定当前焊缝的缺陷类型包括：根据整体缺陷倾向程度公式获得整体缺陷倾向程度，所述整体缺陷倾向程度公式包括：其中，为所述整体缺陷倾向程度，q为所述气孔倾向程度，f为所述飞溅缺陷倾向程度；若所述整体缺陷倾向程度小于预设倾向阈值，则认为所述缺陷类型为飞溅缺陷；反之，则认为所述缺陷类型为气孔缺陷。9.一种激光智能焊接系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1～8任意一项所述方法的步骤。

技术总结
本发明涉及激光焊接技术领域，具体涉及一种激光智能焊接方法及系统。该方法对焊缝图像的像素值大小及分布进行分析，根据缺陷类型的像素值特点筛选出缺陷像素点类别，进而获得多个缺陷区域。根据缺陷区域的分布和面积大小获得缺陷范围等级和缺陷偏移等级，结合缺陷范围等级和缺陷偏移等级组成的特征二元组的出现概率获得气孔缺陷倾向程度和飞溅缺陷倾向程度。根据气孔缺陷倾向程度和飞溅缺陷倾向程度确定当前焊缝的缺陷类型，根据缺陷类型调整焊缝激光的参数。本发明实施例通过智能焊接系统实现了对焊接过程的激光参数进行实时智能调整，提高焊接质量。提高焊接质量。提高焊接质量。


技术研发人员：盛满松
受保护的技术使用者：扬州沃盛车业制造有限公司
技术研发日：2022.03.13
技术公布日：2022/5/25