焊接质量的确定方法、焊接质量的确定装置及电子装置

技术领域

本申请涉及焊接领域，具体而言，涉及一种焊接质量的确定方法、焊接质量的确定装置、计算机可读存储介质及电子装置。

背景技术

目前，对焊接质量进行检测多为在焊接过程后的质量检测，其中，多采用最简单的外观检测，外观检测是指通过经验丰富的焊接专家通过目视观察焊缝形状，稍微复杂一点的检测方式包括测量焊宽、余高，以及用着色检测、磁粉检测、射线检测、超声检测等多种检测方式进行检测并形成规范的质量检测报告。然而，上述方式无法实现对于焊接质量的精准预测。

因此，亟需一种方法可以解决无法实现焊接质量的精准预测的问题。

发明内容

本申请的主要目的在于提供一种焊接质量的确定方法、焊接质量的确定装置、计算机可读存储介质及电子装置，以至少解决现有技术中无法实现焊接质量的精准预测的问题。

根据本申请的一方面，提供了一种焊接质量的确定方法，包括：获取多个样本数据，其中，所述样本数据为焊接过程中同一时刻对应的熔池图像数据、电弧声信号数据以及电信号数据，多个所述样本数据中的任意两个所述样本数据的时刻不相同，所述熔池图像数据为焊接过程中熔池的图像数据，所述电弧声信号数据为焊接过程中焊接电弧产生的声信号数据，所述电信号数据为焊接过程中焊枪的电信号数据，多个所述样本数据中的部分为测试数据，另一部分为训练数据；将所述测试数据依次输入至convLSTM模型中，得到多个预测数据，其中，所述convLSTM模型为使用多组历史数据通过机器学习训练出的，多组所述历史数据中的每组数据均包括：第一时刻的所述训练数据和第二时刻的所述训练数据，所述第二时刻在所述第一时刻之后且所述第一时刻和所述第二时刻的差值大于时间阈值，所述预测数据对应的时刻在所述测试数据对应的时刻之后；获取所述预测数据中的预测熔池图像数据的特征参数，并根据所述特征参数，确定焊接质量，其中，所述特征参数至少包括熔透状态和焊缝熔深。

可选地，获取多个样本数据，包括：获取焊接过程中的所述熔池图像数据、所述电弧声信号数据以及所述电信号数据；对同一时刻的所述熔池图像数据、所述电弧声信号数据以及所述电信号数据进行数据融合处理，得到所述样本数据。

可选地，获取焊接过程中的所述熔池图像数据，包括：获取焊接过程中所述熔池的原始图像；采用直方图均衡化算法和自动色彩均衡化算法对所述原始图像进行增强处理，得到增强图像；采用伽马变换算法对所述增强图像进行降噪处理，得到降噪图像；获取所述降噪图像中的感兴趣区域，并采用分水岭算法对所述感兴趣区域进行分割处理，得到所述熔池图像数据。

可选地，获取焊接过程中的所述电弧声信号数据，包括：获取焊接过程中的所述焊接电弧的原始声信号；对所述原始声信号进行降噪处理，得到所述电弧声信号数据。

可选地，获取所述预测数据中的预测熔池图像数据的特征参数，并根据所述特征参数，确定焊接质量，包括：将所述预测熔池图像数据输入至目标LeNet模型中，得到所述预测数据的第一特征，其中，所述目标LeNet模型为使用所述训练数据和所述训练数据的所述第一特征训练得到的，所述第一特征表征未熔透状态、部分熔透状态、恰好熔透状态以及过度熔透状态中的一种；在所述预测数据的所述第一特征为所述未熔透状态、所述部分熔透状态以及所述过度熔透状态中的一种的情况下，确定所述焊接质量未达标，并输出质量预警信号，其中，所述质量预警信号用于表征所述焊接质量未达标。

可选地，所述方法还包括：获取初始LeNet模型，采用第一损失函数

可选地，获取所述预测数据中的预测熔池图像数据的特征参数，并根据所述特征参数，确定焊接质量，包括：将所述预测熔池图像数据输入至目标ResNet模型中，得到所述预测数据的第二特征，其中，所述目标ResNet模型为使用所述训练数据和所述训练数据的所述第二特征训练得到的，其中，所述第二特征为焊缝熔深；在所述预测数据的所述第二特征大于等于深度阈值的情况下，确定所述焊接质量未达标，并输出质量预警信号，其中，所述深度阈值由焊接过程中的焊材种类决定，所述质量预警信号用于表征所述焊接质量未达标。

可选地，所述方法还包括：获取初始ResNet模型，采用第二损失函数

根据本申请的另一方面，提供了一种焊接质量的确定装置，包括：获取单元，用于获取多个样本数据，其中，所述样本数据为焊接过程中同一时刻对应的熔池图像数据、电弧声信号数据以及电信号数据，多个所述样本数据中的任意两个所述样本数据的时刻不相同，所述熔池图像数据为焊接过程中熔池的图像数据，所述电弧声信号数据为焊接过程中焊接电弧产生的声信号数据，所述电信号数据为焊接过程中焊枪的电信号数据，多个所述样本数据中的部分为测试数据，另一部分为训练数据；输入单元，用于将所述测试数据依次输入至convLSTM模型中，得到多个预测数据，其中，所述convLSTM模型为使用多组历史数据通过机器学习训练出的，多组所述历史数据中的每组数据均包括：第一时刻的所述训练数据和第二时刻的所述训练数据，所述第二时刻在所述第一时刻之后且所述第一时刻和所述第二时刻的差值大于时间阈值，所述预测数据对应的时刻在所述测试数据对应的时刻之后；确定单元，用于获取所述预测数据中的预测熔池图像数据的特征参数，并根据所述特征参数，确定焊接质量，其中，所述特征参数至少包括熔透状态和焊缝熔深。

根据本申请的再一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的方法。

根据本申请的又一方面，提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行任意一种所述的方法。

应用本申请的技术方案，提供了一种焊接质量的确定方法，首先，获取多个样本数据，样本数据为焊接过程中同一时刻对应的熔池图像数据、电弧声信号数据以及电信号数据，多个样本数据中的任意两个样本数据的时刻不相同，熔池图像数据为焊接过程中熔池的图像数据，电弧声信号数据为焊接过程中焊接电弧产生的声信号数据，电信号数据为焊接过程中焊枪的电信号数据；再将测试数据依次输入至convLSTM模型中，得到多个预测数据；最后，获取预测数据中的预测熔池图像数据的特征参数，并根据特征参数，确定焊接质量。通过焊接过程中的熔池形态的图像、电弧声信号以及电信号数据，并结合convLSTM模型，提前预测焊接质量，达到了质量预警的效果，解决了现有技术中无法实现焊接质量的精准预测的问题。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1示出了根据本申请的实施例中提供的一种执行焊接质量的确定方法的移动终端的硬件结构框图；

图2示出了根据本申请的实施例提供的一种焊接质量的确定方法的流程示意图；

图3示出了根据本申请的实施例提供的一种焊接质量的确定装置的结构框图。

其中，上述附图包括以下附图标记：

102、处理器；104、存储器；106、传输设备；108、输入输出设备。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

正如背景技术中所介绍的，现有技术中无法实现焊接质量的精准预测，为解决上述问题，本申请的实施例提供了一种焊接质量的确定方法、焊接质量的确定装置、计算机可读存储介质及电子装置。

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。

本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种焊接质量的确定方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的焊接质量的确定方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。

在本实施例中提供了一种运行于移动终端、计算机终端或者类似的运算装置的焊接质量的确定方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图2是根据本申请实施例的焊接质量的确定方法的流程图。如图2所示，该方法包括以下步骤：

步骤S201，获取多个样本数据，其中，上述样本数据为焊接过程中同一时刻对应的熔池图像数据、电弧声信号数据以及电信号数据，多个上述样本数据中的任意两个上述样本数据的时刻不相同，上述熔池图像数据为焊接过程中熔池的图像数据，上述电弧声信号数据为焊接过程中焊接电弧产生的声信号数据，上述电信号数据为焊接过程中焊枪的电信号数据，多个上述样本数据中的部分为测试数据，另一部分为训练数据；

具体地，可以分别通过熔池相机、模拟麦克风以及霍尔元件同时采集同一时刻对应的熔池图像数据、电弧声信号数据以及电信号数据，也可以分别采集熔池图像数据、电弧声信号数据以及电信号数据，并对其时间轴进行校准，确定同一时刻对应的熔池图像数据、电弧声信号数据以及电信号数据。采集数据经过一步清洗，去除掉重复数据和缺失字段的数据，将数据存储在服务器的MySQL数据库中。

步骤S202，将上述测试数据依次输入至convLSTM模型中，得到多个预测数据，其中，上述convLSTM模型为使用多组历史数据通过机器学习训练出的，多组上述历史数据中的每组数据均包括：第一时刻的上述训练数据和第二时刻的上述训练数据，上述第二时刻在上述第一时刻之后且上述第一时刻和上述第二时刻的差值大于时间阈值，上述预测数据对应的时刻在上述测试数据对应的时刻之后；

具体地，convLSTM模型是convLSTM网络结构组合了卷积神经网络和长短期记忆网络两种网络，具有捕捉空间更复杂格式数据和记忆先前信息的能力。convLSTM模型的输入是多通道的图片序列，使用卷积层提取图片空间特征，使用LSTM层来捕获序列间依赖。具体地，它把传统LSTM的全连接结构替换成卷积结构，输入门、遗忘门和输出门采用卷积，卷积核负责捕获局部空间关系，权重共享等于相邻时序共享过滤器，减少参数。convLSTM模型能够捕获序列中空间和时间信息的复杂表示，还可以减少参数数量。convLSTM模型可以根据多组历史数据对熔池的形态变化趋势进行预测，得到预测图像，上述第一时刻和第二时刻的可以为10帧。

步骤S203，获取上述预测数据中的预测熔池图像数据的特征参数，并根据上述特征参数，确定焊接质量，其中，上述特征参数至少包括熔透状态和焊缝熔深。

具体地，在得到上述预测数据中的预测熔池图像数据后，本领域技术人员可以根据预测熔池图像中的熔透状态以及焊缝熔深，确定焊接质量。其中，熔透状态是指是指在焊接过程中，焊料很好地与母材融合拼接在一起形成的状态。当焊接时，焊料受热熔化成液体，与母材的分子发生混合和交换，形成一个新的统一的结构，使焊口处在熔透状态。焊接熔透状态对焊接质量起到决定性影响：良好的熔透可以使焊口抗力、韧性、延性等方面接近母材；缺乏熔透或部分熔透会出现焊口强弱分明、性能不足的问题。焊缝熔深是指熔丝在焊接两个零件时，熔丝进入零件焊缝内的深度。在焊缝熔深太浅的情况下，不足以形成一个稳定的焊缝结构，易产生裂纹和漏气。在焊缝熔深足够的情况下。能形成稳定的三区结构，分别是焊接区、中间区和基体区，焊缝强度最大。在焊缝熔深过深的情况下，会造成基体过度加热和失应力，影响基体性能。

通过本实施例，提供了一种焊接质量的确定方法，首先，获取多个样本数据，样本数据为焊接过程中同一时刻对应的熔池图像数据、电弧声信号数据以及电信号数据，多个样本数据中的任意两个样本数据的时刻不相同，熔池图像数据为焊接过程中熔池的图像数据，电弧声信号数据为焊接过程中焊接电弧产生的声信号数据，电信号数据为焊接过程中焊枪的电信号数据；再将测试数据依次输入至convLSTM模型中，得到多个预测数据；最后，获取预测数据中的预测熔池图像数据的特征参数，并根据特征参数，确定焊接质量。通过焊接过程中的熔池形态的图像、电弧声信号以及电信号数据，并结合convLSTM模型，提前预测焊接质量，达到了质量预警的效果，解决了现有技术中无法实现焊接质量的精准预测的问题。

具体实现过程中，上述步骤S201可以通过以下步骤实现：步骤S2011，获取焊接过程中的上述熔池图像数据、上述电弧声信号数据以及上述电信号数据；步骤S2012，对同一时刻的上述熔池图像数据、上述电弧声信号数据以及上述电信号数据进行数据融合处理，得到上述样本数据。由于通过熔池相机、模拟麦克风以及霍尔元件同时采集同一时刻对应的熔池图像数据、电弧声信号数据以及电信号数据的灵活性较差，该方法通过不同时采集三种数据，再进行数据融合的方法可以提升数据采集的灵活性。

具体地，将图像数据的分析与电弧声信号的分析进行融合，熔池图像、电流电压和电弧声信号的采集时间是标准时间，因此通过时间可以实现某一时刻的数据对标，即将某一时刻的一帧图像与对应的电流电压数值和一帧电弧声信号进行匹配。具体地，可以应用LSTM算法建立焊接电信号与声信号融合模型。LSTM的输出有一个sigmoid层和逐点乘积操作，Sigmoid层实际上就是一个变换，将输出规范在0到1之间。将声信号与电信号数据首尾拼接，作为LSTM网络的输入。

为了进一步消除熔池图像数据图像噪点过大、整体对比度不足、色彩饱和度不足等问题，本申请的上述步骤S2011可以通过以下步骤实现：步骤S20111，获取焊接过程中上述熔池的原始图像；步骤S20112，采用直方图均衡化算法和自动色彩均衡化算法对上述原始图像进行增强处理，得到增强图像；步骤S20113，采用伽马变换算法对上述增强图像进行降噪处理，得到降噪图像；步骤S20114，获取上述降噪图像中的感兴趣区域，并采用分水岭算法对上述感兴趣区域进行分割处理，得到上述熔池图像数据。由于焊接的过程中会产生大量的烟尘和飞溅，被熔池传感器捕捉后可能会影响实际的观测效果，原始图像在分析时，会有图像噪点过大、整体对比度不足、色彩饱和度不足等问题，在原始采集图像的基础上采用上述方法可以将熔池区域及焊道区域的局部细节进行清晰和放大，在远程监控时可以识别更精细的变化可能对焊接质量产生的影响。

具体地，可以通过熔池相机实时采集焊接过程中的熔池原始图像。直方图均衡化是一种用于图像增强的技术，该算法是通过扩展图像的灰度级分布，来增加图像对比度的。具体地，它是通过把原始图像的像素值映射到整个灰度级，从而使得分布更加均匀。这样可以让近似均匀的像素值分布对应整个灰度级，以增强对比度。直方图均衡化算法的主要步骤包括：将原始图像进行分割，得到多个图像子模块，计算图像子模块的直方图，再进行阈值设定和分割，再进行截断部分分配，再进行灰度值重构和效果处理，最后采用双线性插值法对图像子模块进行处理，最后将得到的多个图像子模块，拼接为直方图均衡化算法处理后的图像。自动色彩均衡化算法的具体步骤包括：首先，通过色彩对比和色差校正进行色彩调整，然后采用线性扩展方法或非线性扩展方法将校正后的图像进行动态扩展得到增强图像。分水岭算法的具体步骤包括：首先采用伽马变换和图像去雾进行处理，然后交互选取熔池区域和焊道区域得到ROI区域，采用分水岭算法对图像进行处理，得到上述熔池图像数据。分水岭算法是一种图像分割算法。它将图像看作地形，每一个像素点对应一个高度值。像素点高度值越大，对应的物体占据面积越大，通过“水淹没”来分割物体。具体操作如下：将图像灰度值转换为高度值，较明亮像素点对应较高高度。从高度值较低的像素点开始“注水”，水漫过整个图像。当“水面”遇到高度值差异较大的像素点时，形成一个分水岭。不同的“分水岭”对应不同的物体，从而实现图像分割。

本申请的上述步骤S2011还可以通过以下步骤实现：步骤S20115，获取焊接过程中的上述焊接电弧的原始声信号；步骤S20116，对上述原始声信号进行降噪处理，得到上述电弧声信号数据。该方法可以进一步消除焊接过程中的电弧声信号中的噪声。

具体地，可以利用搭载在熔池相机上的模拟麦克风采集焊接过程中的电弧原始声信号，可以采用带通滤波、小波阈值法、集合经验模态分解、变分模态分解以及深度学习网络进行降噪处理。其中，带通滤波适用于边缘杂波主要集中在高频段或低频段，可以使用带通滤波器滤除。选择合适的通带频率来保留电弧信号。小波阈值降噪处理是指利用小波分解，在各分频段对信号进行阈值处理，去除噪声。集合经验模态分解分解信号为一组中频本征模态函数，然后对相应的固有模态函数进行降噪。变分模态分解可以提取出电弧信号模态，再对各模态进行降噪后重构信号。使用深度学习网络来学习电弧信号的特点，并对噪声建模。训练好的网络可以直接对新信号进行降噪。可以采用上述降噪方法中的至少一种，对上述原始声信号进行降噪处理。本领域技术人员也可以根据实际情况，选择其他的可以对上述原始声信号进行降噪处理的方式。

上述步骤S203可以通过其他方式实现，例如：步骤S2031，将上述预测熔池图像数据输入至目标LeNet模型中，得到上述预测数据的第一特征，其中，上述目标LeNet模型为使用上述训练数据和上述训练数据的上述第一特征训练得到的，上述第一特征表征未熔透状态、部分熔透状态、恰好熔透状态以及过度熔透状态中的一种；步骤S2032，在上述预测数据的上述第一特征为上述未熔透状态、上述部分熔透状态以及上述过度熔透状态中的一种的情况下，确定上述焊接质量未达标，并输出质量预警信号，其中，上述质量预警信号用于表征上述焊接质量未达标。该方法采用目标LeNet模型可以进一步准确捕捉图像中的第一特征。

具体地，LeNet模型包括卷基层、池化层以及全连接层，卷积层用于提取图像特征，池化层用于下采样，减少参数，控制过拟合，全连接层用于最终分类。LeNet模型的主要特点是：它使用卷积层和池化层，这使得模型能捕捉图像中的局部特征。它采用逐层训练的方式，从上到下逐层训练网络，采用反向传播算法来调整网络参数。上述目标LeNet模型包括卷积层1、激活函数层、池化层、通道注意力模块、卷积层2、激活函数层、池化层以及全连接层。

上述步骤S203可以通过其他方式实现，例如：步骤S2033，获取初始LeNet模型，采用第一损失函数

具体地，多分类交叉熵损失函数的公式比较直观简单，更易于实现。交叉熵损失函数对预测结果的小变化非常平滑，这有利于模型训练。多分类交叉熵损失函数可以直接用于具有多类别的多分类问题。在优化时易于求导。

上述步骤S203还可以通过其他方式实现，例如：步骤S2034，将上述预测熔池图像数据输入至目标ResNet模型中，得到上述预测数据的第二特征，其中，上述目标ResNet模型为使用上述训练数据和上述训练数据的上述第二特征训练得到的，其中，上述第二特征为焊缝熔深；步骤S2035，在上述预测数据的上述第二特征大于等于深度阈值的情况下，确定上述焊接质量未达标，并输出质量预警信号，其中，上述深度阈值由焊接过程中的焊材种类决定，上述质量预警信号用于表征上述焊接质量未达标。该方法可以进一步提升提取上述预测数据中的第二特征的准确率。

具体地，ResNet模型是一种深层卷积神经网络的架构。它的主要特点是使用了残差连接，通过这种连接可以使模型很深(超过100层)而不减少准确率，相反还可以提升准确率。残差连接的作用是：层与层之间不再直接学习完整映射，而是学习若干个残差映射。通过残差连接，可以很好的解决深层网络中梯度消失和梯度爆炸的问题。它的主要架构主要包括：多尺度大量的卷积层，层之间使用残差连接，最终使用全局平均池化及全连接层输出分类结果。上述目标ResNet模型包括卷积层1、池化层1、卷积层2、卷积层3、卷积层4、卷积层5、池化层2以及全连接层。

在一些实施例上，上述步骤S203还可以通过其他方式实现，例如：步骤S2036，获取初始ResNet模型，采用第二损失函数

具体地，均方差损失作为损失函数简单易理解，均方差损失函数对小的预测误差很平滑，易于通过梯度下降等方法进行优化，此外，均方差损失较其他损失函数(如交叉熵)对异常值敏感度较低。均方差损失函数很容易求导，因此通过梯度下降等方式来训练模型时可以进一步提升效率。最大化均方差损失往往等价于最小二乘问题，具有很强的约束力。

本申请实施例还提供了一种焊接质量的确定装置，需要说明的是，本申请实施例的焊接质量的确定装置可以用于执行本申请实施例所提供的用于焊接质量的确定方法。该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

以下对本申请实施例提供的焊接质量的确定装置进行介绍。

图3是根据本申请实施例的焊接质量的确定装置的示意图。如图3所示，该装置包括：

获取单元10，用于获取多个样本数据，其中，上述样本数据为焊接过程中同一时刻对应的熔池图像数据、电弧声信号数据以及电信号数据，多个上述样本数据中的任意两个上述样本数据的时刻不相同，上述熔池图像数据为焊接过程中熔池的图像数据，上述电弧声信号数据为焊接过程中焊接电弧产生的声信号数据，上述电信号数据为焊接过程中焊枪的电信号数据，多个上述样本数据中的部分为测试数据，另一部分为训练数据；

具体地，可以分别通过熔池相机、模拟麦克风以及霍尔元件同时采集同一时刻对应的熔池图像数据、电弧声信号数据以及电信号数据，也可以分别采集熔池图像数据、电弧声信号数据以及电信号数据，并对其时间轴进行校准，确定同一时刻对应的熔池图像数据、电弧声信号数据以及电信号数据。采集数据经过一步清洗，去除掉重复数据和缺失字段的数据，将数据存储在服务器的MySQL数据库中。

输入单元20，用于将上述测试数据依次输入至convLSTM模型中，得到多个预测数据，其中，上述convLSTM模型为使用多组历史数据通过机器学习训练出的，多组上述历史数据中的每组数据均包括：第一时刻的上述训练数据和第二时刻的上述训练数据，上述第二时刻在上述第一时刻之后且上述第一时刻和上述第二时刻的差值大于时间阈值，上述预测数据对应的时刻在上述测试数据对应的时刻之后；

具体地，convLSTM模型是convLSTM网络结构组合了卷积神经网络和长短期记忆网络两种网络，具有捕捉空间更复杂格式数据和记忆先前信息的能力。convLSTM模型的输入是多通道的图片序列，使用卷积层提取图片空间特征，使用LSTM层来捕获序列间依赖。具体地，它把传统LSTM的全连接结构替换成卷积结构，输入门、遗忘门和输出门采用卷积，卷积核负责捕获局部空间关系，权重共享等于相邻时序共享过滤器，减少参数。convLSTM模型能够捕获序列中空间和时间信息的复杂表示，还可以减少参数数量。convLSTM模型可以根据多组历史数据对熔池的形态变化趋势进行预测，得到预测图像，上述第一时刻和第二时刻的可以为10帧。

确定单元30，用于获取上述预测数据中的预测熔池图像数据的特征参数，并根据上述特征参数，确定焊接质量，其中，上述特征参数至少包括熔透状态和焊缝熔深。

具体地，在得到上述预测数据中的预测熔池图像数据后，本领域技术人员可以根据预测熔池图像中的熔透状态以及焊缝熔深，确定焊接质量。其中，熔透状态是指是指在焊接过程中，焊料很好地与母材融合拼接在一起形成的状态。当焊接时，焊料受热熔化成液体，与母材的分子发生混合和交换，形成一个新的统一的结构，使焊口处在熔透状态。焊接熔透状态对焊接质量起到决定性影响：良好的熔透可以使焊口抗力、韧性、延性等方面接近母材；缺乏熔透或部分熔透会出现焊口强弱分明、性能不足的问题。焊缝熔深是指熔丝在焊接两个零件时，熔丝进入零件焊缝内的深度。在焊缝熔深太浅的情况下，不足以形成一个稳定的焊缝结构，易产生裂纹和漏气。在焊缝熔深足够的情况下。能形成稳定的三区结构，分别是焊接区、中间区和基体区，焊缝强度最大。在焊缝熔深过深的情况下，会造成基体过度加热和失应力，影响基体性能。

通过本实施例，提供了一种焊接质量的确定装置，获取单元获取多个样本数据，样本数据为焊接过程中同一时刻对应的熔池图像数据、电弧声信号数据以及电信号数据，多个样本数据中的任意两个样本数据的时刻不相同，熔池图像数据为焊接过程中熔池的图像数据，电弧声信号数据为焊接过程中焊接电弧产生的声信号数据，电信号数据为焊接过程中焊枪的电信号数据；输入单元将测试数据依次输入至convLSTM模型中，得到多个预测数据；确定单元获取预测数据中的预测熔池图像数据的特征参数，并根据特征参数，确定焊接质量。通过焊接过程中的熔池形态的图像、电弧声信号以及电信号数据，并结合convLSTM模型，提前预测焊接质量，达到了质量预警的效果，解决了现有技术中无法实现焊接质量的精准预测的问题。

作为一种可选的方案，上述获取单元包括获取模块和第一处理模块，其中，获取模块用于获取焊接过程中的上述熔池图像数据、上述电弧声信号数据以及上述电信号数据；第一处理模块用于对同一时刻的上述熔池图像数据、上述电弧声信号数据以及上述电信号数据进行数据融合处理，得到上述样本数据。由于通过熔池相机、模拟麦克风以及霍尔元件同时采集同一时刻对应的熔池图像数据、电弧声信号数据以及电信号数据的灵活性较差，该装置通过不同时采集三种数据，再进行数据融合的方法可以提升数据采集的灵活性。

具体地，将图像数据的分析与电弧声信号的分析进行融合，熔池图像、电流电压和电弧声信号的采集时间是标准时间，因此通过时间可以实现某一时刻的数据对标，即将某一时刻的一帧图像与对应的电流电压数值和一帧电弧声信号进行匹配。具体地，可以应用LSTM算法建立焊接电信号与声信号融合模型。LSTM的输出有一个sigmoid层和逐点乘积操作，Sigmoid层实际上就是一个变换，将输出规范在0到1之间。将声信号与电信号数据首尾拼接，作为LSTM网络的输入。

为了进一步消除熔池图像数据图像噪点过大、整体对比度不足、色彩饱和度不足等问题，本申请的上述获取模块包括第一获取子模块、第一处理子模块、第二处理子模块以及第三处理子模块，其中，第一获取子模块用于获取焊接过程中上述熔池的原始图像；第一处理子模块用于采用直方图均衡化算法和自动色彩均衡化算法对上述原始图像进行增强处理，得到增强图像；第二处理子模块用于采用伽马变换算法对上述增强图像进行降噪处理，得到降噪图像；第三处理子模块用于获取上述降噪图像中的感兴趣区域，并采用分水岭算法对上述感兴趣区域进行分割处理，得到上述熔池图像数据。由于焊接的过程中会产生大量的烟尘和飞溅，被熔池传感器捕捉后可能会影响实际的观测效果，原始图像在分析时，会有图像噪点过大、整体对比度不足、色彩饱和度不足等问题，在原始采集图像的基础上采用上述方法可以将熔池区域及焊道区域的局部细节进行清晰和放大，在远程监控时可以识别更精细的变化可能对焊接质量产生的影响。

具体地，可以通过熔池相机实时采集焊接过程中的熔池原始图像。直方图均衡化是一种用于图像增强的技术，该算法是通过扩展图像的灰度级分布，来增加图像对比度的。具体地，它是通过把原始图像的像素值映射到整个灰度级，从而使得分布更加均匀。这样可以让近似均匀的像素值分布对应整个灰度级，以增强对比度。直方图均衡化算法的主要步骤包括：将原始图像进行分割，得到多个图像子模块，计算图像子模块的直方图，再进行阈值设定和分割，再进行截断部分分配，再进行灰度值重构和效果处理，最后采用双线性插值法对图像子模块进行处理，最后将得到的多个图像子模块，拼接为直方图均衡化算法处理后的图像。自动色彩均衡化算法的具体步骤包括：首先，通过色彩对比和色差校正进行色彩调整，然后采用线性扩展方法或非线性扩展方法将校正后的图像进行动态扩展得到增强图像。分水岭算法的具体步骤包括：首先采用伽马变换和图像去雾进行处理，然后交互选取熔池区域和焊道区域得到ROI区域，采用分水岭算法对图像进行处理，得到上述熔池图像数据。分水岭算法是一种图像分割算法。它将图像看作地形，每一个像素点对应一个高度值。像素点高度值越大，对应的物体占据面积越大，通过“水淹没”来分割物体。具体操作如下：将图像灰度值转换为高度值，较明亮像素点对应较高高度。从高度值较低的像素点开始“注水”，水漫过整个图像。当“水面”遇到高度值差异较大的像素点时，形成一个分水岭。不同的“分水岭”对应不同的物体，从而实现图像分割。

本申请的上述获取模块还包括第二获取子模块和第四处理子模块，其中，第二获取子模块用于获取焊接过程中的上述焊接电弧的原始声信号；第四处理子模块用于对上述原始声信号进行降噪处理，得到上述电弧声信号数据。该装置可以进一步消除焊接过程中的电弧声信号中的噪声。

具体地，可以利用搭载在熔池相机上的模拟麦克风采集焊接过程中的电弧原始声信号，可以采用带通滤波、小波阈值法、集合经验模态分解、变分模态分解以及深度学习网络进行降噪处理。其中，带通滤波适用于边缘杂波主要集中在高频段或低频段，可以使用带通滤波器滤除。选择合适的通带频率来保留电弧信号。小波阈值降噪处理是指利用小波分解，在各分频段对信号进行阈值处理，去除噪声。集合经验模态分解分解信号为一组中频本征模态函数，然后对相应的固有模态函数进行降噪。变分模态分解可以提取出电弧信号模态，再对各模态进行降噪后重构信号。使用深度学习网络来学习电弧信号的特点，并对噪声建模。训练好的网络可以直接对新信号进行降噪。可以采用上述降噪方法中的至少一种，对上述原始声信号进行降噪处理。本领域技术人员也可以根据实际情况，选择其他的可以对上述原始声信号进行降噪处理的方式。

上述确定单元包括第一输出模块和第一确定模块，其中，第一输入模块用于将上述预测熔池图像数据输入至目标LeNet模型中，得到上述预测数据的第一特征，其中，上述目标LeNet模型为使用上述训练数据和上述训练数据的上述第一特征训练得到的，上述第一特征表征未熔透状态、部分熔透状态、恰好熔透状态以及过度熔透状态中的一种；第一确定模块用于在上述预测数据的上述第一特征为上述未熔透状态、上述部分熔透状态以及上述过度熔透状态中的一种的情况下，确定上述焊接质量未达标，并输出质量预警信号，其中，上述质量预警信号用于表征上述焊接质量未达标。该装置采用目标LeNet模型可以进一步准确捕捉图像中的第一特征。

具体地，LeNet模型包括卷基层、池化层以及全连接层，卷积层用于提取图像特征，池化层用于下采样，减少参数，控制过拟合，全连接层用于最终分类。LeNet模型的主要特点是：它使用卷积层和池化层，这使得模型能捕捉图像中的局部特征。它采用逐层训练的方式，从上到下逐层训练网络，采用反向传播算法来调整网络参数。上述目标LeNet模型包括卷积层1、激活函数层、池化层、通道注意力模块、卷积层2、激活函数层、池化层以及全连接层。

上述确定单元还包括第二处理模块，用于获取初始LeNet模型，采用第一损失函数

具体地，多分类交叉熵损失函数的公式比较直观简单，更易于实现。交叉熵损失函数对预测结果的小变化非常平滑，这有利于模型训练。多分类交叉熵损失函数可以直接用于具有多类别的多分类问题。在优化时易于求导。

上述确定单元还包括第二输入模块和第二确定模块，其中，第二输入模块用于将上述预测熔池图像数据输入至目标ResNet模型中，得到上述预测数据的第二特征，其中，上述目标ResNet模型为使用上述训练数据和上述训练数据的上述第二特征训练得到的，其中，上述第二特征为焊缝熔深；第二确定模块用于在上述预测数据的上述第二特征大于等于深度阈值的情况下，确定上述焊接质量未达标，并输出质量预警信号，其中，上述深度阈值由焊接过程中的焊材种类决定，上述质量预警信号用于表征上述焊接质量未达标。该装置可以进一步提升提取上述预测数据中的第二特征的准确率。

具体地，ResNe模型是一种深层卷积神经网络的架构。它的主要特点是使用了残差连接，通过这种连接可以使模型很深(超过100层)而不减少准确率，相反还可以提升准确率。残差连接的作用是：层与层之间不再直接学习完整映射，而是学习若干个残差映射。通过残差连接，可以很好的解决深层网络中梯度消失和梯度爆炸的问题。它的主要架构主要包括：多尺度大量的卷积层，层之间使用残差连接，最终使用全局平均池化及全连接层输出分类结果。上述目标ResNet模型包括卷积层1、池化层1、卷积层2、卷积层3、卷积层4、卷积层5、池化层2以及全连接层。

在一些实施例上，上述确定单元还包括第三处理模块，用于获取初始ResNet模型，采用第二损失函数

具体地，均方差损失作为损失函数简单易理解，均方差损失函数对小的预测误差很平滑，易于通过梯度下降等方法进行优化，此外，均方差损失较其他损失函数(如交叉熵)对异常值敏感度较低。均方差损失函数很容易求导，因此通过梯度下降等方式来训练模型时可以进一步提高效率。最大化均方差损失往往等价于最小二乘问题，具有很强的约束力。

上述焊接质量的确定装置包括处理器和存储器，上述获取单元、输入单元以及确定单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来确定焊接质量。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本发明实施例提供了一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，其中，在上述程序运行时控制上述计算机可读存储介质所在设备执行上述焊接质量的确定方法。

具体地，焊接质量的确定方法包括：

步骤S201，获取多个样本数据，其中，上述样本数据为焊接过程中同一时刻对应的熔池图像数据、电弧声信号数据以及电信号数据，多个上述样本数据中的任意两个上述样本数据的时刻不相同，上述熔池图像数据为焊接过程中熔池的图像数据，上述电弧声信号数据为焊接过程中焊接电弧产生的声信号数据，上述电信号数据为焊接过程中焊枪的电信号数据，多个上述样本数据中的部分为测试数据，另一部分为训练数据；

具体地，可以分别通过熔池相机、模拟麦克风以及霍尔元件同时采集同一时刻对应的熔池图像数据、电弧声信号数据以及电信号数据，也可以分别采集熔池图像数据、电弧声信号数据以及电信号数据，并对其时间轴进行校准，确定同一时刻对应的熔池图像数据、电弧声信号数据以及电信号数据。采集数据经过一步清洗，去除掉重复数据和缺失字段的数据，将数据存储在服务器的MySQL数据库中。

步骤S202，将上述测试数据依次输入至convLSTM模型中，得到多个预测数据，其中，上述convLSTM模型为使用多组历史数据通过机器学习训练出的，多组上述历史数据中的每组数据均包括：第一时刻的上述训练数据和第二时刻的上述训练数据，上述第二时刻在上述第一时刻之后且上述第一时刻和上述第二时刻的差值大于时间阈值，上述预测数据对应的时刻在上述测试数据对应的时刻之后；

具体地，convLSTM模型是convLSTM网络结构组合了卷积神经网络和长短期记忆网络两种网络，具有捕捉空间更复杂格式数据和记忆先前信息的能力。convLSTM模型的输入是多通道的图片序列，使用卷积层提取图片空间特征，使用LSTM层来捕获序列间依赖。具体地，它把传统LSTM的全连接结构替换成卷积结构，输入门、遗忘门和输出门采用卷积，卷积核负责捕获局部空间关系，权重共享等于相邻时序共享过滤器，减少参数。convLSTM模型能够捕获序列中空间和时间信息的复杂表示，还可以减少参数数量。convLSTM模型可以根据多组历史数据对熔池的形态变化趋势进行预测，得到预测图像，上述第一时刻和第二时刻的可以为10帧。

步骤S203，获取上述预测数据中的预测熔池图像数据的特征参数，并根据上述特征参数，确定焊接质量，其中，上述特征参数至少包括熔透状态和焊缝熔深。

具体地，在得到上述预测数据中的预测熔池图像数据后，本领域技术人员可以根据预测熔池图像中的熔透状态以及焊缝熔深，确定焊接质量。其中，熔透状态是指是指在焊接过程中，焊料很好地与母材融合拼接在一起形成的状态。当焊接时，焊料受热熔化成液体，与母材的分子发生混合和交换，形成一个新的统一的结构，使焊口处在熔透状态。焊接熔透状态对焊接质量起到决定性影响：良好的熔透可以使焊口抗力、韧性、延性等方面接近母材；缺乏熔透或部分熔透会出现焊口强弱分明、性能不足的问题。焊缝熔深是指熔丝在焊接两个零件时，熔丝进入零件焊缝内的深度。在焊缝熔深太浅的情况下，不足以形成一个稳定的焊缝结构，易产生裂纹和漏气。在焊缝熔深足够的情况下。能形成稳定的三区结构，分别是焊接区、中间区和基体区，焊缝强度最大。在焊缝熔深过深的情况下，会造成基体过度加热和失应力，影响基体性能。

本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述焊接质量的确定方法。

具体地，焊接质量的确定方法包括：

步骤S201，获取多个样本数据，其中，上述样本数据为焊接过程中同一时刻对应的熔池图像数据、电弧声信号数据以及电信号数据，多个上述样本数据中的任意两个上述样本数据的时刻不相同，上述熔池图像数据为焊接过程中熔池的图像数据，上述电弧声信号数据为焊接过程中焊接电弧产生的声信号数据，上述电信号数据为焊接过程中焊枪的电信号数据，多个上述样本数据中的部分为测试数据，另一部分为训练数据；

具体地，可以分别通过熔池相机、模拟麦克风以及霍尔元件同时采集同一时刻对应的熔池图像数据、电弧声信号数据以及电信号数据，也可以分别采集熔池图像数据、电弧声信号数据以及电信号数据，并对其时间轴进行校准，确定同一时刻对应的熔池图像数据、电弧声信号数据以及电信号数据。采集数据经过一步清洗，去除掉重复数据和缺失字段的数据，将数据存储在服务器的MySQL数据库中。

步骤S202，将上述测试数据依次输入至convLSTM模型中，得到多个预测数据，其中，上述convLSTM模型为使用多组历史数据通过机器学习训练出的，多组上述历史数据中的每组数据均包括：第一时刻的上述训练数据和第二时刻的上述训练数据，上述第二时刻在上述第一时刻之后且上述第一时刻和上述第二时刻的差值大于时间阈值，上述预测数据对应的时刻在上述测试数据对应的时刻之后；

具体地，convLSTM模型是convLSTM网络结构组合了卷积神经网络和长短期记忆网络两种网络，具有捕捉空间更复杂格式数据和记忆先前信息的能力。convLSTM模型的输入是多通道的图片序列，使用卷积层提取图片空间特征，使用LSTM层来捕获序列间依赖。具体地，它把传统LSTM的全连接结构替换成卷积结构，输入门、遗忘门和输出门采用卷积，卷积核负责捕获局部空间关系，权重共享等于相邻时序共享过滤器，减少参数。convLSTM模型能够捕获序列中空间和时间信息的复杂表示，还可以减少参数数量。convLSTM模型可以根据多组历史数据对熔池的形态变化趋势进行预测，得到预测图像，上述第一时刻和第二时刻的可以为10帧。

步骤S203，获取上述预测数据中的预测熔池图像数据的特征参数，并根据上述特征参数，确定焊接质量，其中，上述特征参数至少包括熔透状态和焊缝熔深。

具体地，在得到上述预测数据中的预测熔池图像数据后，本领域技术人员可以根据预测熔池图像中的熔透状态以及焊缝熔深，确定焊接质量。其中，熔透状态是指是指在焊接过程中，焊料很好地与母材融合拼接在一起形成的状态。当焊接时，焊料受热熔化成液体，与母材的分子发生混合和交换，形成一个新的统一的结构，使焊口处在熔透状态。焊接熔透状态对焊接质量起到决定性影响：良好的熔透可以使焊口抗力、韧性、延性等方面接近母材；缺乏熔透或部分熔透会出现焊口强弱分明、性能不足的问题。焊缝熔深是指熔丝在焊接两个零件时，熔丝进入零件焊缝内的深度。在焊缝熔深太浅的情况下，不足以形成一个稳定的焊缝结构，易产生裂纹和漏气。在焊缝熔深足够的情况下。能形成稳定的三区结构，分别是焊接区、中间区和基体区，焊缝强度最大。在焊缝熔深过深的情况下，会造成基体过度加热和失应力，影响基体性能。

本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：

步骤S201，获取多个样本数据，其中，上述样本数据为焊接过程中同一时刻对应的熔池图像数据、电弧声信号数据以及电信号数据，多个上述样本数据中的任意两个上述样本数据的时刻不相同，上述熔池图像数据为焊接过程中熔池的图像数据，上述电弧声信号数据为焊接过程中焊接电弧产生的声信号数据，上述电信号数据为焊接过程中焊枪的电信号数据，多个上述样本数据中的部分为测试数据，另一部分为训练数据；

步骤S202，将上述测试数据依次输入至convLSTM模型中，得到多个预测数据，其中，上述convLSTM模型为使用多组历史数据通过机器学习训练出的，多组上述历史数据中的每组数据均包括：第一时刻的上述训练数据和第二时刻的上述训练数据，上述第二时刻在上述第一时刻之后且上述第一时刻和上述第二时刻的差值大于时间阈值，上述预测数据对应的时刻在上述测试数据对应的时刻之后；

步骤S203，获取上述预测数据中的预测熔池图像数据的特征参数，并根据上述特征参数，确定焊接质量，其中，上述特征参数至少包括熔透状态和焊缝熔深。

本文中的设备可以是服务器、PC、PAD、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：

步骤S201，获取多个样本数据，其中，上述样本数据为焊接过程中同一时刻对应的熔池图像数据、电弧声信号数据以及电信号数据，多个上述样本数据中的任意两个上述样本数据的时刻不相同，上述熔池图像数据为焊接过程中熔池的图像数据，上述电弧声信号数据为焊接过程中焊接电弧产生的声信号数据，上述电信号数据为焊接过程中焊枪的电信号数据，多个上述样本数据中的部分为测试数据，另一部分为训练数据；

步骤S202，将上述测试数据依次输入至convLSTM模型中，得到多个预测数据，其中，上述convLSTM模型为使用多组历史数据通过机器学习训练出的，多组上述历史数据中的每组数据均包括：第一时刻的上述训练数据和第二时刻的上述训练数据，上述第二时刻在上述第一时刻之后且上述第一时刻和上述第二时刻的差值大于时间阈值，上述预测数据对应的时刻在上述测试数据对应的时刻之后；

步骤S203，获取上述预测数据中的预测熔池图像数据的特征参数，并根据上述特征参数，确定焊接质量，其中，上述特征参数至少包括熔透状态和焊缝熔深。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

从以上的描述中，可以看出，本申请上述的实施例实现了如下技术效果：

1)、本申请的焊接质量的确定方法，首先，获取多个样本数据，样本数据为焊接过程中同一时刻对应的熔池图像数据、电弧声信号数据以及电信号数据，多个样本数据中的任意两个样本数据的时刻不相同，熔池图像数据为焊接过程中熔池的图像数据，电弧声信号数据为焊接过程中焊接电弧产生的声信号数据，电信号数据为焊接过程中焊枪的电信号数据；再将测试数据依次输入至convLSTM模型中，得到多个预测数据；最后，获取预测数据中的预测熔池图像数据的特征参数，并根据特征参数，确定焊接质量。通过焊接过程中的熔池形态的图像、电弧声信号以及电信号数据，并结合convLSTM模型，提前预测焊接质量，达到了质量预警的效果，解决了现有技术中无法实现焊接质量的精准预测的问题。

2)、本申请的焊接质量的确定装置，获取单元获取多个样本数据，样本数据为焊接过程中同一时刻对应的熔池图像数据、电弧声信号数据以及电信号数据，多个样本数据中的任意两个样本数据的时刻不相同，熔池图像数据为焊接过程中熔池的图像数据，电弧声信号数据为焊接过程中焊接电弧产生的声信号数据，电信号数据为焊接过程中焊枪的电信号数据；输入单元将测试数据依次输入至convLSTM模型中，得到多个预测数据；确定单元获取预测数据中的预测熔池图像数据的特征参数，并根据特征参数，确定焊接质量。通过焊接过程中的熔池形态的图像、电弧声信号以及电信号数据，并结合convLSTM模型，提前预测焊接质量，达到了质量预警的效果，解决了现有技术中无法实现焊接质量的精准预测的问题。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。