用于经由焊接工件图像的数字处理确定焊接方法的性能的方法、装置和计算机程序与流程

用于经由焊接工件图像的数字处理确定焊接方法的性能的方法、装置和计算机程序
1.本发明涉及一种用于确定对至少一个金属零件执行的焊接工艺，尤其是电弧焊接或激光焊接工艺的性能的方法，并且涉及一种能够并且旨在实施所述方法的装置。
2.众所周知，焊接组件表面上熔融金属飞溅物的存在是焊接工艺效率和所得焊缝质量的指标。这在电弧焊接中，特别是mig或mag焊接(mig表示金属惰性气体，并且mag表示金属活性气体)中尤其如此。这些方法使用在易熔金属丝的端部与要焊接的金属零件之间产生的电弧来熔化制成要焊接的零件的金属以及制成易熔导丝的金属，即填充金属，这产生了由要焊接的零件的金属和在电弧中过渡的熔融的易熔导丝的金属形成的液态金属池。
3.为了控制熔滴从导丝的端部分离并向熔池过渡，使用电子电流发生器，其中，焊接操作参数，尤其是电流的安培数、电弧电压、送丝速度等被编程为以预定义方式变化，这使得可以在适于要实施的焊接工艺的过渡状态下工作。差的参数化可能会导致不稳定的过渡状态，导致许多熔融金属飞溅物的产生。
4.同样，在激光焊接中，不管是否采用填充材料，该工艺的质量和生产率都可以与金属飞溅物的量相关。具体地，在焊接期间，在激光束照射的区域中形成锁孔和熔融金属池。液态金属被推向上。在锁孔顶部的该液体不稳定的情况下，材料从被焊接的区域喷出，从而在焊缝上和焊缝周围产生飞溅物并且导致凸起和焊珠材料的短缺。
5.飞溅物表明生产率下降，这是由填充金属的损失、其暗示的焊接速度和/或功率的下降以及清洁焊接零件所需的额外时间造成的。
6.有不同的技术来表征在焊接工艺期间产生的飞溅物。这些技术通常基于对在焊接期间产生的飞溅物的实时(即在执行焊接时)观察。例如，可以使用高速相机进行记录以跟踪飞溅物的轨迹并且对其进行计数。
7.因此，从文献us 20120152916 a和cn 109332928 a中已知用于确定焊缝质量的装置，该装置对在焊接期间由高速相机记录的图像中的飞溅物进行计数。
8.此外，从wo 2019103772 a1中已知用于使用焊接模拟的结果和神经网络来检测和预测焊接缺陷的方法。
9.基于对在焊接期间制作的音频记录进行分析的技术也是已知的。
10.因此，大多数现有技术是基于飞溅物的动态分析，并且需要相对复杂的设备，这些设备必须安装在进行焊接的现场，这对于工业规模的生产安装来说可能被证明是令人望而却步的，并且对于进行投资的能力较低的小规模结构来说更是如此。此外，这意味着使用非常复杂的软件，使得最终安装很昂贵。
11.因此，要解决的问题是提供一种用于确定焊接工艺的性能的方法，该方法实施起来相对简单并且比现有技术的方法能更灵活地使用。
12.因此，根据本发明的解决方案是一种用于确定对至少一个金属零件执行的焊接工艺，尤其是电弧焊接或激光焊接工艺的性能的方法，所述方法包括以下步骤：
13.a)利用图像捕获装置采集先前焊接的包括焊珠的所述零件的至少一个表面段的至少一个初始图像，
14.b)对初始图像执行第一数字处理操作，以便在所述初始图像中定位假定的飞溅物，
15.c)将来自初始图像的各自包括一个假定的飞溅物的一个或多个提取物输入到至少一个神经网络，特别是卷积神经网络中，以便将假定的飞溅物分类为确认的飞溅物或未确认的飞溅物，
16.d)对包括在步骤c)中被分类为确认的飞溅物的初始图像执行第二数字处理操作，以便确定选自以下各项中的代表确认的飞溅物的量的至少一个参数：
[0017]-一个或多个确认的飞溅物的面积，
[0018]-确认的飞溅物的总面积，该总面积被定义为每个确认的飞溅物的面积之和，
[0019]-确认的飞溅物的数量，
[0020]-每单位面积确认的飞溅物的数量，
[0021]-飞溅物密度，该飞溅物密度被定义为确认的飞溅物的总面积除以初始图像的总面积，
[0022]-每个确认的飞溅物与焊珠之间的距离的平均数，
[0023]
e)基于在步骤d)中确定的至少一个参数来确定焊接的性能。
[0024]
适用时，本发明可以包括以下特征中的一个或多个：
[0025]-图像捕获装置被布置在选自以下各项中的信息技术系统中：智能电话、平板计算机、膝上型计算机。
[0026]-该方法在步骤a)之前包括标定图像捕获装置的步骤，该步骤包括利用图像捕获装置采集同一二维图案的多个图像，对于每个图像，图像捕获装置定位在距二维图案不同的预定距离处，所述图案然后定位在零件的所述至少一个表面段上，以便包括在步骤a)中采集的初始图像中。
[0027]-该方法实施与代表焊接性能的所述至少一个参数相关的至少一个统计处理操作，尤其是与这些确认的飞溅物的面积相关的统计处理操作，包括确定以下各项中的至少一项：确认的飞溅物的平均面积、确认的飞溅物的最小面积和/或最大面积、确认的飞溅物的面积的标准偏差、按具有大于预定低阈值和/或小于预定高阈值的面积的确认的飞溅物的数量划分的至少一个总体。
[0028]-多个初始图像是相继采集的，并且对针对初始图像中的每个初始图像确定的、代表确认的飞溅物的量的参数的值进行比较以便检测所述参数的任何变化。
[0029]-所述至少一个初始图像是利用定位在焊缝上方介于10cm与40cm之间，优选地介于20cm与30cm之间的距离处的图像捕获装置采集的。
[0030]-在步骤b)中对初始图像执行的第一数字处理操作包括以下子步骤：i)对初始图像进行滤波，以便获得金属飞溅物与初始图像的背景之间的区分，ii)移除初始图像的背景，iii)尤其是经由基于亮度的阈值化将从步骤i)得到的滤波后的图像二值化，以便形成具有两个像素值的二值图像，其中，可选地，该二值图像的像素值反相，iv)选择两个像素值之一，以便在二值图像中定义通过所选值的像素形成的感兴趣区域，其中，可选地，所述感兴趣区域放大，v)在二值图像中标记感兴趣区域以及将所得标记转置到初始图像，以便在其中定位假定的飞溅物。
[0031]-在步骤c)之前，向在步骤b)中定位的假定的飞溅物中的每个假定的飞溅物分配
位置，尤其是由二维坐标定义的位置，并且所述位置各自两两比较，当比较的位置之间的距离小于预定值时，忽略两个假定的飞溅物之一。
[0032]-在步骤c)中，神经网络包括多个卷积层，优选地三个卷积层、至少一个全连接层和至少一个池化层，池化层优选地夹设在两个卷积层之间。
[0033]-在步骤c)中，假定的飞溅物根据经由先前对神经网络的训练而定义的决策标准被分类为确认的飞溅物和未确认的飞溅物，所述训练是通过包括选自以下各项中的多个子集的一组训练图像执行的：各自包括至少一个金属飞溅物的训练图像的子集、不含金属飞溅物的训练图像的子集、各自包括除飞溅物外的、比如划痕或寄生反射等至少一个缺陷的训练图像的子集、各自包括至少一个焊缝段的训练图像的子集，所述子集各自优选地包括至少1000个训练图像，更优选地至少2000个训练图像。
[0034]-在步骤c)中，来自初始图像的输入到神经网络中的提取物与选自以下各项中的至少一个上下文信息相关联：该金属零件的材料、焊接气体、焊缝接头构造、金属过渡状态、焊接电流电压、焊接电流安培数、送丝速度。
[0035]-该方法在步骤b)之前包括通过应用被配置为从初始图像中移除例如除飞溅物外的划痕和/或寄生反射的特征的至少一个掩膜来对初始图像进行预处理。
[0036]-该方法包括经由通信网络，优选地互联网将初始图像从图像捕获装置远程地传输到远程服务器的步骤，步骤b)至步骤e)是由位于远程服务器中的电子处理系统执行的。
[0037]
此外，本发明涉及一种用于确定焊接工艺的性能的装置，被配置为实施根据本发明的方法，所述装置包括：
[0038]-图像捕获装置，该图像捕获装置被配置为采集所述初始图像，
[0039]-用于存储初始图像的存储器，
[0040]-电子处理系统，该电子处理系统能够读取所述存储器，所述电子处理系统被配置为对初始图像执行第一数字处理操作和第二数字处理操作，
[0041]-至少一个神经网络，特别是卷积神经网络，该至少一个神经网络被配置为接收来自初始图像的提取物作为输入并且将假定的飞溅物分类为确认的飞溅物或未确认的飞溅物，
[0042]-电子逻辑电路，该电子逻辑电路被配置为基于通过第二数字处理操作确定的、代表飞溅物的量的至少一个参数来确定焊接工艺的性能。
[0043]
根据另一方面，本发明涉及一种可从通信网络下载和/或存储在计算机可读和/或可由处理器执行的介质上的计算机程序产品，其特征在于，该计算机程序产品包括用于实施根据本发明的方法的程序代码指令。
[0044]
借助于以下参考附图进行的详细说明，将更好地理解本发明，在附图中：
[0045]
图1示意性地示出了根据本发明的一个实施例的采集初始图像的步骤，
[0046]
图2示意性地示出了根据本发明的一个实施例的方法的步骤，
[0047]
图3示出了根据本发明的一个实施例的第一数字图像处理操作的步骤，
[0048]
图4示出了根据本发明的另一实施例的第一数字图像处理操作的步骤，
[0049]
图5示出了根据本发明的一个实施例的使用神经网络来处理来自初始图像的提取物的处理步骤，
[0050]
图6示出了根据本发明的一个实施例的神经网络的训练，
[0051]
图7示出了已经定位到确认的飞溅物的初始图像的示例。
[0052]
图1展示了通过焊缝1彼此焊接的金属零件的表面段的初始图像2的采集。根据本发明，一旦零件的焊接已经完成，即在已经获得与制造焊接零件的金属和在适当的情况下的填充金属的再凝固区域相对应的焊珠1之后，采集初始图像2。换句话说，首先焊接所述至少一个零件，并且只有在焊接完成之后才采集初始图像2。因此，飞溅物意指存在于零件表面上的飞溅物。
[0053]
与实时(即在执行焊接时)观察到飞溅物的技术相反，本发明在零件完成焊接后对位于零件表面上的飞溅物的图像进行分析。分析设备，尤其是图像捕获装置、软件等因此可能不太复杂。图像的分析是后验地执行的，这种后验分析避免了在进行焊接的现场安装图像采集装置和图像处理装置的需要，在现场进行投资的能力可能较低。此外，这意味着使用非常复杂的软件，使得最终安装很昂贵。因此，根据本发明的方法实施起来更简单并且更灵活。特别地，可以使用比高速相机更简单的图像捕获装置。
[0054]
优选地，图像捕获装置3是智能电话，但是应当理解，可以设想其他类型的便携式信息技术系统，比如平板计算机、膝上型计算机、连接的手表。
[0055]
优选地，初始图像2是利用定位在焊缝1上方介于10cm与40cm之间，优选地介于20cm与30cm之间的距离处的图像捕获装置3采集的。图像捕获距离是由图像2的分辨率与所分析的表面段的大小之间的折衷来定义。应当注意，图像捕获距离对应于装置的物镜与零件表面之间的距离。
[0056]
有利地，在采集初始图像2之前，使用利用图像捕获装置3捕获的同一二维图案6的至少一个图像来执行图像捕获装置3的标定。图案6具有已知的真实尺寸，并且被放置在距离装置3已知的预定距离处，这使得可以将真实尺寸与像素相关联。
[0057]
优选地，使用利用图像捕获装置3捕获的同一二维图案6的多个图像。对于每个图像，图案6被定位在距离装置3不同的预定距离处。该图案6包括已知尺寸的特征元素，例如具有两个像素值的规则网格。优选地，使用在不同距离处捕获的图案6的至少2个或者甚至至少5个图像，以避免任何标定误差。在步骤a)中，图案6被定位在零件的表面段上，以便包括在初始图像2中。
[0058]
借助于标定，可以将初始图像的像素尺寸与真实尺寸相关联，以便计算飞溅物的真实尺寸，而不需要精确地控制捕获图像的距离，这在装置3处于操作者手持的电话的情况下尤其有用。
[0059]
然后对初始图像2执行第一数字处理操作，以便在初始图像2中定位假定的飞溅物21。
[0060]
这些飞溅物之所以说是假定的，是因为在第一图像处理操作期间，零件表面上存在的例如划痕或寄生反射的缺陷可能与飞溅物混淆。
[0061]
图2示出了根据本发明的一个实施例的方法的步骤的示意图。为了将位于零件上的飞溅物与其他瑕疵区分开，根据本发明的方法使用至少一个神经网络5，特别是卷积神经网络，该至少一个神经网络在步骤100中接收来自初始图像2的各自包括一个假定的飞溅物21的一个或多个提取物20作为输入数据。优选地，每个提取物20仅包括一个飞溅物。神经网络5被配置为在步骤200中执行将每个提取物20的假定的飞溅物分类为确认的飞溅物21c或未确认的飞溅物21n。优选地，神经网络对相继输入到网络中的多个提取物20进行操作。
[0062]
众所周知，人工神经网络是模仿生物神经网络工作方式的计算模型。人工神经网络包括通过突触互连的神经元，突触通常经由数字存储器实施。突触也可以经由电阻式部件来实施，电阻式部件的电导率根据跨其端子施加的电压而变化。
[0063]
卷积神经网络是一种特殊的人工神经网络模型。卷积神经网络最初在以下文章中描述：k.fukushima,“neocognitron:a self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position[新认知机：不受位置变化影响的图案识别机制的自组织神经网络模型].biological cybernetics[生物控制论],36(4):193-202,1980.issn 0340-1200.doi:10.1007/bf00344251”。
[0064]
卷积神经网络(也被称为深度(卷积)神经网络或convnets)是受生物视觉系统启发的无反馈的前馈神经网络。
[0065]
卷积神经网络(cnn)尤其用于图像分类系统中以加速分类。应用于图像识别时，这些网络可以对图像中比它们小的对象的中间表示进行分类，并且推广到类似对象，这有助于对象的识别。
[0066]
优选地，根据经由神经网络5的先前训练定义的决策标准，将假定的飞溅物分类为确认的飞溅物或未确认的飞溅物。在这种训练期间(图6中示意性地示出了其中的一个示例)，神经网络被教导自动地将图像提取物分类为有限数量的类别(也被称为类)之一。在本发明的情况下，分类为至少两类，即“确认的飞溅物”类21c和覆盖图像2中除飞溅物之外的事件的“未确认的飞溅物”类21n。“未确认的飞溅物”类可以可选地被细化成多个子类，例如子类“划痕”、子类“反射”、子类“阴影”等。
[0067]
如图6所示，通过包括每个类或子类的多个示例的一组训练图像20a来执行训练。因此，训练图像包括选自以下各项中的多个子集：各自包括至少一个金属飞溅物(图像(a))的训练图像的子集、不含金属飞溅物的训练图像的子集、各自包括除飞溅物外的、比如划痕(图像(b))或寄生反射等至少一个缺陷的训练图像的子集、各自包括至少一个焊缝段(图像(c))的训练图像的子集)，所述子集各自优选地包括至少1000个训练图像，更优选地至少2000个训练图像。
[0068]
优选地，训练图像各自包括已经焊接的样品的至少一个表面段。样品包括使用各种工艺，尤其是电弧焊接，特别是mig或mag焊接、激光焊接、混合激光电弧焊接等，并且以各种焊接构造，尤其是对头焊接构造、填角焊接构造等获得的各种类型的焊缝，以便以尽可能详尽的方式训练神经网络，使得神经网络可以识别在工业规模上生产的大多数焊缝上的飞溅物。
[0069]
在已经对飞溅物进行分类之后，对已经定位到确认的飞溅物21c的初始图像2执行第二数字处理操作。第二数字处理操作被配置为基于初始图像2确定代表确认的飞溅物的量的至少一个参数，该参数选自一个或多个确认的飞溅物21c的面积、确认的飞溅物21c的总面积，其被定义为每个确认的飞溅物21c的面积之和、确认的飞溅物21c的数量、每单位面积的确认的飞溅物21c的数量、确认的飞溅物21c的总重量、飞溅物的密度，其被定义为确认的飞溅物21c的总面积除以初始图像2的总面积s2、每个确认的飞溅物21c与焊珠1之间的距离的平均数。
[0070]
优选地，s2是在步骤a)中采集的初始图像2的实际总面积，其可以以cm2或mm2表示。
[0071]
优选地，考虑沿平行于焊接方向的纵向轴线延伸并且被定位在珠中心的焊珠1，飞
溅物与珠之间的距离被定义为将所述飞溅物与纵向轴线分开的最短距离。
[0072]
焊接工艺的性能是基于代表确认的飞溅物的量的至少一个参数来确定的。
[0073]
应当注意，焊接工艺的性能可以根据由该工艺产生的焊珠质量的标准来评估，尤其是根据形态学方面的考虑，比如珠表面的外观和/或珠周围零件的表面的外观、穿透深度和/或根据焊接效率的标准来评估，比如焊接速度、焊接操作参数的适当调整、沉积速率(以每单位时间重新凝固的熔融金属的质量单位(kg/小时)表示)、生产率(以每单位珠长度重新凝固的熔融金属的质量单位(kg/m)表示)。
[0074]
特别是，焊接工艺的性能的评估可能意味着以下方面中的一个或多个的评估：评估焊接操作参数的调整，这些参数尤其包括金属过渡的状态、焊接电流电压、焊接电流安培数、送丝速度、评估所得焊缝的质量、评估焊接布局，即焊接炬的零件的定位。
[0075]
应当理解，本发明可以应用于任何涉及熔化并且容易产生飞溅物的焊接工艺(比如电弧焊接或激光焊接)的性能的评估，而不管激光束是单独使用还是与电弧结合使用。本发明尤其可以应用于在lmd或slm增材制造工艺(lmd表示激光金属沉积，而slm表示选择性激光熔化)中使用的焊接工艺。
[0076]
有利地，确认的飞溅物21c的总面积和/或飞溅物的密度(其被定义为确认的飞溅物21c的总面积除以初始图像2的总面积s2)用作代表飞溅物的量的参数。使用与飞溅物面积相关的参数可以更准确地量化所产生的飞溅物的量。特别地，飞溅物的密度和/或飞溅物的总面积可以更有效地评估比如工艺的沉积速率或生产率等焊接效率标准。这些指标也是对飞溅物造成的材料损失和未过渡到珠的材料的测量。
[0077]
可替代地或附加地，可以使用可以通过将确认的飞溅物21c的数量除以初始图像2的总面积s2来确定的每单位面积的飞溅物的数量。
[0078]
这些指标的使用导致对焊接性能的客观确定，这可以提供焊接性能的绝对指示，而且也可以提供相对指示，因为可以通过比较各种初始图像2来比较参数。这些初始图像2可以在同一焊接车间中或在同一焊接站在不同时间，或者在各种焊接站或在各种焊接车间执行焊接之后采集。还可以将代表借助于本发明的方法确定的性能的一个或多个参数与参考值进行比较，这些参考值可以通过对最佳焊接条件下获得的初始图像实施本发明的方法来确定。
[0079]
根据本发明的方法还可以实施与代表焊接性能的所述至少一个参数相关的至少一个统计处理操作，尤其是与确认的飞溅物的面积相关的统计处理操作，包括确定以下各项中的至少一项：飞溅物的平均面积、飞溅物具有的最小面积和/或最大面积、飞溅物的面积的标准偏差、按具有大于预定低阈值和/或小于预定高阈值的面积的飞溅物的数量划分的至少一个总体。统计处理操作的实施可以进一步改善飞溅物检测的有效性和精度。
[0080]
还可设想定义将至少一个参数与存储在数据库10中的多个预定定性状态相关联的一个或多个相关规则，并且预先将参数值或参数值的范围分配给该多个预定定性状态。
[0081]
焊缝的质量可以经由能够接收和处理参数的电子逻辑电路9来确定。
[0082]
优选地，第一数字处理操作和第二数字处理操作由电子处理单元8执行。数字处理系统8和电子逻辑电路9各自包括以下各项中的至少一个：微控制器、微处理器、计算机、存储器。装置8和装置9可以可选地合并为一体并且合并到同一数字处理组件中，该数字处理组件被配置为执行根据本发明的方法的各种图像处理步骤和数据处理步骤。
[0083]
有利地，数字处理系统8、电子逻辑电路9和/或数据库10位于远程服务器7上，图像捕获装置3向该远程服务器发送所采集的图像2，如图1所示。还可以在远程服务器7上实施训练步骤、分类步骤和/或预处理步骤。
[0084]
远离图像捕获装置3处理所收集的数据和图像可以对大量收集的数据进行图像处理操作和计算，而不会使操作者使用的图像捕获装置3变得复杂或要求其过度设计。
[0085]
优选地，图像捕获装置3经由比如互联网等通信网络与远程服务器7进行交互。图像捕获装置3可以使用无线远程通信协议，例如3g、4g、wi-fi。
[0086]
图像捕获装置3有利地包括信息技术系统，该信息技术系统使用软件应用程序来采集图像和数据、处理图像和数据和/或向远程服务器7传输图像和数据。该应用程序可以被设计为与移动装置(ios和android)或固定装置(windows和mac)的信息技术系统一起工作。
[0087]
一旦获得了关于焊接性能的信息，就可以经由从远程服务器7到图像捕获装置3的传输，将该信息传输到执行焊接和/或采集初始图像2的操作者。该信息也可以远程传输到另一用户，例如执行焊接的焊接车间的管理者。所收集的数据(图像、质量、焊接参数)也可以存储在数据库中，并且可选地加上时间戳，以便后续使用，例如计算统计数据，监视代表焊接性能的至少一个参数随时间的变化，以便检测参数的电位漂移和/或基于所述参数的监视对焊接站的行为进行预测性分析。
[0088]
根据特定实施例，该方法包括相继采集多个初始图像2。例如，所述图像2可以在间隔一天到一个或多个星期，或者甚至一个或多个月，并且长达一年的持续时间的时间采集。比较针对初始图像2中的每个初始图像确定的、代表确认的飞溅物21c的量的参数的值，以便检测所述参数的任何变化，因为该变化可能代表操作者部分和/或焊接设备部分的故障。
[0089]
图3和图4展示了可以在图像2中定位到假定的飞溅物21的第一数字图像处理操作的可能步骤。本发明的发明人已经发现了具有飞溅物特征的元素，特别是比图像2的其余部分看起来更亮并且靠近飞溅物的中心的区域和由于表面氧化而看起来更暗的飞溅物的外围区域。
[0090]
应当注意，在步骤a)中采集的初始图像2优选地是用rgb颜色编码格式(rgb表示红、绿、蓝)编码的彩色图像，图像2的每个像素具有向其赋予的3个分量，一个红、一个绿、一个蓝。优选地，在对其应用第一数字处理操作之前，将初始图像2转换成灰度。第一数字处理操作的最后步骤是在初始图像2中标记假定的飞溅物。标记的初始图像2优选地为rgb格式。所得标记用于定义要输入到神经网络5中的提取物20。
[0091]
图3展示了通过检测亮中心在图像2中定位飞溅物的情况。首先对初始图像2进行滤波，以便从其中提取并移除背景。因此避免了由于表面段的不均匀照明引起的寄生效应。初始图像经由阈值化被转换成二值图像22。初始图像2采取具有给定亮度值的像素的二维矩阵阵列的形式。可以通过将同一值分配到其值大于或小于阈值的所有像素，并且将另一值分配到剩余像素来实现阈值化。在选择了被标识为感兴趣区域之后，在二值图像2中定位并且标记这些区域。所得标记被转置到初始图像2(白色十字)，然后该初始图像允许来自图像2的提取物输入到神经网络5以进行定位。
[0092]
图4展示了通过检测暗区域在图像2中定位飞溅物的情况。第一数字处理操作包括将二值图像22的像素值反相的附加步骤。假定的飞溅物21的标记最终被转置到初始图像2
(黑色十字)。
[0093]
根据一个特定实施例，将位置，尤其是由二维坐标定义的位置分配到在第一数字处理操作结束时定位的假定的飞溅物21中的每个假定的飞溅物，并且所述位置各自两两比较。当被比较的位置之间的距离小于预定值，通常小于图像2中的20个像素时，其位置被比较的两个假定的飞溅物之一被忽略。这样可以在飞溅物具有亮中心和暗区域两者的情况下删除重复。
[0094]
可选地，在步骤b)之前，预处理初始图像2的步骤是通过应用被配置为从初始图像2中移除例如除飞溅物外的划痕和/或寄生反射的至少一些特征的至少一个掩膜来执行的。
[0095]
图5展示了接收大小为41
×
41
×
3个像素的提取物20作为输入的卷积神经网络5的一种可能的架构。应当注意，选择大小为41
×
41
×
3是因为其对应于图像中飞溅物的典型大小。神经网络5包括由大小为5
×
5个像素的8个滤波器组成的第一卷积层cl1。该层cl1的功能是计算连接到输入中的局部区域的神经元的输出，每个神经元计算神经元的权重与神经元在输入体积中连接的区域之间的标量积。
[0096]
cl1之后是大小为2
×
2个像素的第一池化层pl1。该第一池化层允许沿空间维度(宽度、高度)执行下采样操作，从而产生比如19
×
19
×
8的体积。
[0097]
接着是两个新的卷积层cl2和cl3，这两个新的卷积层分别由16个大小为5
×
5个像素的滤波器和32个大小为3
×
3个像素的滤波器组成。
[0098]
大小为2
×
2个像素的第二池化层pl2被布置在cl2与cl3之间以用于下采样操作。在cl3的输出处，获得的体积是8
×8×
32，该体积被展平成1
×1×
2048的全连接层fcl，该全连接层是架构的一部分并且连接到用于对假定的飞溅物进行分类的决策级。层cl和层fcl执行的变换不仅取决于输入体积的激活，还取决于参数(神经元的权重和偏置)。
[0099]
应当注意，优选地，在步骤c)中，神经网络5相继地对来自初始图像2的一系列提取物20进行操作，每个提取物的尺寸为n
×m×
3个像素，其中，m和n是介于32与224之间，优选地介于32与60之间的整数。提取物的尺寸是根据飞溅物的尺寸来选择的，优选地使得每个提取物20中只有一个飞溅物。术语
“×
3”对应于3种基本颜色红、绿和蓝，并且表示提取物20具有rgb编码格式，每个像素具有向其分配的3个分量，一个红、一个绿、一个蓝。
[0100]
为了证明在根据本发明的方法中使用的飞溅物检测的有效性，已经使用各种保护气体(参见表1)和各种操作参数以多种不同的焊接接头构造在多种不同的材料上执行了各种焊接操作。获得的结果于下表2和表3中给出：
[0101]
飞溅物的数量的分布表示确认的飞溅物总体随其单独的面积s
21
变化的分布。s
21tot
是如在方法的步骤d)中计算的确认的飞溅物的总面积。s2是采集的初始图像2的实际总面积。检测准确度被定义为确认的飞溅物的数量与在焊接零件的表面上发现的实际飞溅物的数量之间的比值。
[0102]
应当注意，在表2中，测试3的较差准确度是由于光反射导致图像2饱和的结果，这是操作者可以容易避免的。
[0103]
例如，可以看出，在没有保护气体的情况下(表2，测试4)，鉴于飞溅物的总面积和密度显著高于其他试验中的飞溅物的总面积和密度，焊缝可能不合格。还可以看出，粒状熔滴过渡状态比轴向喷射状态产生更多的飞溅物(表3)。图7示出了在粒状熔滴状态(a)、喷射状态(b)和短路状态(c)中，尺寸为76
×
152mm的6mm厚的零件上的焊缝的图像。在采集的初
始图像2中，已经用十字标记了确认的飞溅物。
[0104]
表1
[0105]
编号材料接头类型保护气体1836碳钢对接arcal
tm
力(ar 18％co22836碳钢搭接arcal
tm
力(ar 18％co23836碳钢倒角，90
°
arcal
tm
力(ar 18％co24316l不锈钢对接无气体5316l不锈钢对接arcal
tm
铬(ar 2％co2
[0106]
表2
[0107][0108]
表3
[0109][0110]
为了评估焊缝质量，根据本发明的方法可以在任何焊接工艺之后实施，特别是在mig焊接、mag焊接、激光焊接或混合激光-电弧焊接之后实施。在本发明的上下文中，要焊接的金属零件可以被布置成各种构造，尤其是对头焊接构造或实际填角焊接构造，即要焊接的零件相对于彼此倾斜使得其上表面彼此成角度的构造，或者搭接焊接构造，并且要焊接的金属零件已经经历任何类型的边缘加工(边缘平滑、直角、斜切等)。