论文总字数：43505字

摘 要

激光焊接技术有着形变小、速度快、柔性好、易于实现自动化等优点而被广泛用于汽车、船舶等制造工业的各个领域。近年来，随着焊接技术的不断发展，其在汽车、能源、电子等工业领域得到了广泛运用。然而，由于焊接过程较为复杂，许多工艺参数如焊接速度、激光功率、光束特性等都会影响到焊缝的质量。这使保证连续稳定的焊接质量变得困难，易产生咬边、焊瘤、塌陷、烧穿、焊缝表面凸凹、蛇形焊道等缺陷，限制了其进一步的应用。因此，研究焊缝质量在线监测，对提高焊接工件质量尤为重要。为了解决上述难题，需对激光焊接过程进行有效监测，基于所获得的图像、光、电信号等对焊缝缺陷进行分类、预测和控制，为提高焊接质量提供理论与技术支撑。

为此，本文着重于对激光焊接过程进行监测并基于机器学习方法对焊接过程中的图像信号进行分析，建立神经网络模型对缺陷进行分类及预测。首先，搭建激光焊接质量监测平台，监测并记录焊缝成形过程的图像信号；其次，分析监测信号的特征，结合公开的网络数据集GDXray-Weld数据集对焊缝缺陷进行分类和数据集预处理；最后，基于深度学习卷积神经网络模型分析焊缝特征，建立对焊缝缺陷进行识别与分类的模型，并对焊缝缺陷进行预测，实现准确的焊接质量监测。

本文的主要研究内容包括：

（1）选用视觉相机和焊缝定位跟踪传感器，基于焊接实验平台和深度学习服务器平台，设计并搭建激光焊接的在线监测系统，为激光焊接过程的图像信号采集和实现焊接质量监测打下基础。

（2）对焊接典型的内部缺陷和外部缺陷进行分析，选取公开的X射线图像焊接内部缺陷数据集，对该数据集进行预处理，并设计生成焊接缺陷分类模型。建立起初步的卷积神经分类模型并用MNIST中小规模图像公开数据集进行验证。

（3）基于卷积神经网络模型，引入Dropout正则化，以轻量卷积神经网络Xception模型为基础,引入DropBlock优化、批标准化和全局平均池化，提出优化的卷积神经网络的焊接缺陷分类算法模型，并利用X射线图像焊接内部缺陷数据集对算法进行测试与验证。实现对焊接缺陷的识别与预测，从而达到焊接质量监测的目的。

关键词：激光焊接；焊接质量监测；卷积神经网络；缺陷分类；机器学习

Abstract

Laser welding has been widely used in fields of automobile and ship manufacturing industry.As it has the advantages of small deformation,fast welding speed, good flexibility and easy automation. In recent years,welding technology continues to develop,and it has been widely used in automobile, energy, electronics and other industrial fields. However, as the welding process is relatively complex, many process parameters such as welding speed,laser power, and beam characteristics can affect the quality of welding, which make it difficult to guarantee continuous and stable welding quality. And make it easier to generate weld defects such as bite edge, flash, collapse, burn through, weld surface convex concave, serpentine and so on, which limits its further application. Therefore, it is particularly important to study the on-line monitoring of weld quality to improve the quality of welding parts. In order to overcome this problem, it is necessary to effectively monitor the laser welding process, and classify, predict and control the weld defects based on the image signals, optical and electrical signals, so as to improve the welding quality.

So this paper mainly focuses on monitoring the laser welding process, analyzing the collected image signals based on the deep learning neural network model, classifying and predicting the defects. Firstly, the laser welding quality monitoring platform is built to monitor and record the image signal of welding seam forming process. Secondly, the characteristics of the monitoring signals are analyzed, and the weld defects are classified and preprocessed with the GDXray-Weld datasets. Finally, the machine learning CNN model is set to analyze the characteristics of welding seams, establishing a model to identify and classify the defects of welding seams, and predict the defects of welding seams, so as to lays a foundation for image signal acquisition and welding quality monitoring in laser welding process.The main contents of this paper include the following points:

(1) Based on the welding experiment platform and the deep learning server platform, the online monitoring system of laser welding was designed and built by using visual camera and welding seam positioning tracking sensor to realize the image signal acquisition and welding quality monitoring of laser welding process.

(2)Analyzing the typical internal and external defects of welding. Choosing the GDxray-weld image datasets from the Internet, preprocess the datasets, and design and generate a welding defects classification model. A preliminary convolutional neural classification model was established and verified with the small and medium-sized public image datasets MNIST.

(3)Based on convolution neural network model, introducing DropBlock convolution kernel optimization and global average pooling, combined with lightweight convolutional neural network model Xception.Puting forward the weld defects classification algorithm based on optimization of CNN. And the X-ray internal welding defect datasets are used to test and verify the algorithm. So as to realize the identification and prediction of welding defects and to monitor the welding quality.

Key Words：Laser welding;Welding quality monitoring, Convolutional neural network, Defect classification, Machine learning

目 录

摘 要 I

Abstract III

第1章 绪论 1

1.1 研究背景及意义 1

1.2国内外发展趋势及现状 1

1.2.1 焊接质量监测 2

1.2.2机器学习方法在焊接质量监测中的应用 3

1.3论文的主要研究内容 5

第2章 激光焊接质量监测系统的设计 8

2.1 激光焊接质量监测系统平台 8

2.2 深度学习系统服务器及软件配置 9

2.3 其他附件选型 10

2.4 本章小结 11

第3章 焊接缺陷特征分析及数据集处理 12

3.1 焊接缺陷特征分析 12

3.1.1 焊接X射线内部缺陷特征分析 12

3.1.2 焊接外部缺陷特征分析 15

3.2 GDXray-Weld数据集处理与分析 17

3.2.1 焊接缺陷学习样本源数据 17

3.2.2 GDXray-Weld数据集处理与分析 18

3.3 MNIST数据集 19

3.4 本章小结 20

第4章 基于CNN的焊接缺陷分类模型设计与验证 21

4.1 卷积神经网络模型简介 21

4.2卷积神经网络优化算法 22

4.2.1 Dropout与Dropblock正则化 22

4.2.2 Xception 23

4.3 焊接缺陷分类模型算法验证与分析 24

4.3.1 分类模型性能评估 24

4.3.2 分类模型算法验证与分析 24

4.3.2.1 MNIST数据集验证 24

4.3.2.2 焊接X射线内部缺陷数据集验证 26

4.4 本章小结 31

第5章 总结与展望 32

5.1 总结 32

5.2 展望 32

参考文献 33

附 录 36

致 谢 45

第1章 绪论

1.1 研究背景及意义

激光焊接是自1970以后发展起来的新型焊接技术，它以激光器为基础而发展出来，通过运用高能量密度的激光束来进行焊接，是激光加工及材料加工技术应用的重要方法之一^[1]。因其具有形变小、高质量、高效率、柔性好等优点，被广泛的应用于机械、汽车、航空航天等工业制造领域，是一种非常有前景的加工方法。相比较传统的焊接方法，激光焊接的优点有：焊接形变小、焊接参数易控制、单位热输入量高等。能够充分的保证激光高能量的集中性，并可以实现多种材料的焊接，适应性非常强^[2-4]。

然而，由于激光焊接过程较为复杂，焊接质量影响因素较多。激光焊接的过程伴随着熔化、蒸发、形成等离子体、熔池小孔等复杂的物理化学过程，这些都将对焊缝质量产生影响。此外，焊接的工艺参数，激光设备、焊前处理等因素也都会影响焊缝质量^[5]。因此，研究焊缝质量在线监测，对提高焊接工件质量尤为重要。在激光与材料的作用过程中，会产生光辐射信号、声信号以及电子信号等，通过CCD相机、高速CMOS相机、X射线图像^[6]等视觉成像设备和技术手段，可以获得焊缝和熔池的图像信息，这些信号也时刻反映着加工过程中一些加工状态和参数的变化以及焊缝的质量变化，因此，采集并分析这些信号对焊接质量监测有着重要意义。为此，需对激光焊接过程进行有效监测，基于所获得的图像信号、光、电信号等对焊缝缺陷进行分类、预测和控制，从而实现提高焊接质量的目的。

1.2国内外发展趋势及现状

近年来，随着激光焊接技术的不断发展与进步，其在各行各业中得到广泛应用，对激光焊接的质量监测显得愈发关键，国内外在这方面已经展开了较多的研究。其中包括对激光焊接过程中产生的声、光、电信号等进行采集和处理，发现它们与焊接质量有着密切的相关性。同时，随着计算机技术的不断发展，机器学习、人工智能等技术成为工业制造领域越来越重要的一部分，许多机器学习方法得到了越来越广泛的应用。近年来，大量学者对焊接过程中的图像信息进行采集，如熔池的图像、X射线图片等，并通过图像处理技术、计算机视觉技术、神经网络模型等方法对图像信息进行处理与分析，建立其与焊接缺陷的联系，达到焊接过程实时监测的目的。因此，本节重点围绕国内外“激光焊接质量监测”和“机器学习方法在焊接质量监测中的应用”两部分的研究进行综述分析。

1.2.1 焊接质量监测

激光焊接过程中，产生的信号主要有光、声、电、温度以及图像信息等，这些信号也时刻反映着焊接过程中一些加工状态和参数的变化以及焊缝的质量变化，因此焊接质量的实时监测关键在于对这过程中各种信号的监测分析。常用的监测包括用光电传感器的光辐射监测、用声波及温度传感器的声及温度监测、用视觉传感器的视觉监测等^[7]。

目前,主要的监测系统方案包括同轴监测系统和非同轴监测系统。通常采用光电传感器、声波传感器分别实现对光信号、声信号的采集，采用近红外热成像仪、CCD相机、高速CMOS相机、X射线等技术设备获得图像信息进行分析。同时监测多种信号可以为焊接过程提供更加丰富的信息，使监测结果更加可靠。多传感器融合监测成为近年来国内外学者研究的一个重要趋势和方向。湖南大学Xiao^[8]等人利用同轴红外线高温计设计了一套激光焊接监控系统。采用激光功率逐级调制的方法，在三种不同束径的点焊焊缝中产生了不同几何形状的焊缝。由同轴红外辐射计算出的温度信号与焊缝宽度和熔透深度成功地相关,该监视器还可以跟踪激光焊接过程中的几何缺陷。山东大学Li^[9]等人设计了一种低成本的双摄像头实时视觉传感系统同步监测熔孔背部和顶部的动态，在熔孔的背面和顶部获得清晰的图像。探讨了主要工艺参数(焊接速度、预留间隙、焊接电流)对熔孔行为的影响规律，为保留间隙单面反焊的熔孔控制和优化奠定了基础。上海交通大学Su^[10]等人提出了一种中频直流电阻点焊（MFDC RSW）动态电阻信号的实时测量方法，设计了一种基于遗忘因子递归最小二乘法(FFRLS)的实时DR测量方法，该方法能有效地消除感应噪声，为MFDC RSW系统的实时监控奠定了基础。

请支付后下载全文，论文总字数：43505字