一种基于介观信号阵列识别的激光焊接熔透在线检测方法

技术领域

本发明涉及焊接在线检测及智能控制技术领域，是一种基于介观信号阵列识别的激光焊接熔透在线检测方法。

背景技术

激光及激光复合能场焊接是智能制造领域中不可或缺的关键制造技术。但是由于激光焊接过程中羽辉及喷射物对激光能量吸收存在波动，以及金属材料汽化过程的非平衡性等原因，会引起焊接熔透不稳定现象，导致在对接焊缝的未熔透处产生应力集中，使焊接接头性能显著下降。所以，可靠熔透在线检测及质量闭环控制是激光焊接智能制造领域的重要问题之一。然而，与熔透状态最相关的特征区域是位于匙孔最底部的激光束贯穿母材的位置，该特征区域面积通常不足匙孔开口面积的1/40，直径也仅为0.05～0.8mm，属于介观尺度范畴。而这种介观信号的检测位置对检测结果的影响非常大，比如100μm检测偏差就足以大幅降低测试敏感度。而且，由于激光焊接过程中激光匙孔一直处于波动状态中，介观尺度的熔透特征区域位置也会随之摆动，此外，激光穿透位置并非常开存在，而是一直处于张开/闭合快速交替模式，当匙孔底部开口张开时由于缺口处热激发态信号缺失而产生的低幅值信号，当闭合时又因激光能量激发产生高幅值信号，所以熔透信号又是一种具有两极化特征的瞬态信号。所以介观熔透信号具有指向性强、波动性大，且易受到周围高辐值信号的强烈干扰。而现有检测方法由于受宏观采样手段的局限，无法将具有熔透特征的介观信号有效提取。同时，由于现有数据分析方法多为人工设定的滤波、降噪、时域及频域分析等固化方法，而对于信号不同的瞬态分布特征、时序变化特征、全局变化特征与匙孔行为及熔透波动过程的深层映射关系均无法有效分析，因此，难以对实际熔透状态进行可靠的在线识别。

发明内容

本发明为克服现有技术的不足，本发明基于匙孔介观特征机器识别的激光焊接熔透在线检测，提出一种利用阵列传感手段采集匙孔内部特征区域的热激发态介观检测信号，并通过机器学习方式建立神经网络模型分析信号特征、提取焊接熔透质量信息的人工智能在线检测方法。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物品或者设备所固有的要素。

本发明提供了一种基于介观信号阵列识别的激光焊接熔透在线检测方法，本发明提供了以下技术方案：

一种熔透检测装置，所述装置包括：外壳、基板、传感器、窄带滤光片和三维微调机构；

基板与激光焊接头连接起到固定整个装置的作用，基板上有安装孔可分别固定装置外壳、三维微调机构以及窄带滤光片承载架，三维微调机构与传感器连接可调节传感器感应芯片三维空间位置，窄带滤光片位于光学聚焦镜头组与阵列传感器感应面之间的光路上，滤光后的光学实像可投射在阵列传感器感应面上。

一种激光焊接熔透在线检测方法，所述方法基于熔透检测装置，所述方法包括以下步骤：

步骤1：选取匙孔内熔透特征区域的热激发态介观信号作为检测对象，获取介观检测信号；

步骤2：对介观检测信号进行预处理，得到计算机可识别类型数据；

步骤3：根据预处理后的数据，进行标定后分成训练集、测试集及验证集；

步骤4：建立神经网络模型，通过训练集数据训练模型的权重参数，直至结果收敛，然后再通过验证集调整模型超参数；

步骤5：通过测试集检验模型的可靠性；

步骤6：调用已训练好的识别模型在线分析信号特征、提取焊接稳定性信息。

优选地，选取匙孔内熔透特征区域的热激发态介观信号作为检测对象，利用光学聚焦成像及光谱透射原理将匙孔底部清晰的热激发态信号实像投射至阵列传感器的感应面上获得介观检测信号，采用机器学习方法识别介观信号特征，检测前训练模型，检测时调用已训练好的模型实时分析给出检测结果，获取当前熔透状态信息。

优选地，所述匙孔底部热激发态信号，是激光光束进入母材后，通过剧烈的能量输入使匙孔底部金属迅速熔化、蒸发，并伴随高密度能量激发而产生的一种近红外信号。

优选地，介观检测信号的采集方法为：

S1、通过一个至少具有0.6-1.5m拍摄工作距离和10mm拍摄景深的高倍光学聚焦镜头组，从激光焊接头的同轴光路内提取到匙孔底部特征区域的清晰实像，足够的大的景深可以在焦距不发生改变的同时拍摄到波动状态下特征区域的清晰实像；

S2、在近红外谱段下，通过窄带滤光的办法将匙孔上方的焊接电弧、羽辉、激光束及其它大量焊接辐射信号有效屏蔽，使特征区域内的热激发态信号可以有效分离出来，从而大幅减少检测信号中的无效信号的占比；

S3、将热激发态信号实像投射至一个传感覆盖面积大、检测精度高的阵列传感器的感应面上，阵列传感器的感应区域应≥待测特征区域，且分辨精度≤10μm，由此获得待测特征区域中不同位置的介观信号。

优选地，所述熔透状态识别模型获取具体为：

在信号预处理时先做归一化处理，将全部数据转化为在0到1间变化的数值，再将处理后的数据集与实际的焊接熔透状态进行标定后，再分成训练集、测试集及验证集，利用计算机构建一个由未熔透、微熔透、适度熔透和过熔透4分类任务的神经网络模型，通过训练集数据训练模型的权重参数，直至结果收敛，然后再通过验证集调整模型超参数，最后通过测试集检验模型的可靠性，获得熔透最优模型。

优选地，将采集到的单路/或多路/或全部介观检测信号数据，先通过所述的信号预处理并转换成计算机可识别类型数据，然后调用已经训练好的识别模型进行运算，让电脑识别出当前激光焊接的熔透特征属于未熔透、微熔透、适度熔透和过熔透4分类中的哪一类，给出在线诊断结果或为焊接闭环控制系统提供关键工艺参数的调控依据，如焊接激光器功率、焊接速度、离焦量。

一种激光焊接熔透在线检测系统，所述系统包括：

数据采集模块，所述数据采集模块选取匙孔内熔透特征区域的热激发态介观信号作为检测对象，获取介观检测信号；

预处理模块，所述预处理模块对介观检测信号进行预处理，得到计算机可识别类型数据；

标定模块，所述标定模块根据预处理后的数据，进行标定后分成训练集、测试集及验证集；

模型建立模块，所述模型建立模块建立神经网络模型，建立神经网络模型，通过训练集数据训练模型的权重参数，然后再通过验证集调整模型超参数，直至结果收敛，通过测试集检验模型的可靠性；

在线检测模块，所述在线检测模块调用已训练好的模型，进行实时分析熔透状态，提取焊接稳定性信息。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现一种激光焊接熔透在线检测方法。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现一种激光焊接熔透在线检测方法。

本发明具有以下有益效果：

本发明采用匙孔底部特征区域的热激发态信号作为检测信号，首先该信号的产生位置与激光/激光复合能场焊接的熔透有较大的关联性，所以可作为一种直接检测信号，能够避免采用间接检测信号检测时受环境湿度、温度、气体流场等干扰因素的影响。同时，该信号的近红外谱段增强特性也支持对焊接电弧、羽辉等其它有害信号的在该谱段下的有效屏蔽作用，提高检测信号中的有效信号比例，降低信号分析难度。

本发明提出将热激发态信号实像投射于阵列传感芯片进而获取介观信号的方法，能够实现对匙孔底部特征区域的全覆盖识别，由于激光焊接过程中激光匙孔一直处于波动状态中，介观尺度的熔透特征区域位置也会随之摆动，所以对匙孔底部特征区域的全覆盖识别就非常必要了，本发明的一个特点就是可以自适应跟踪识别熔透特征区域，可以准确定位熔透关键区域的检测信号，同时利用阵列传器的高分辨特性可以对目标介观区域进行高分辨率识别，有效屏蔽掉绝大多数干扰信号，提高检测可靠性。

本发明采用机器学习方法中的深度学习方法，让计算机通过大量的数据训练，自主分析匙孔底部熔透特征区域的所在位置，有效识别未熔透、微熔透、适度熔透、过熔透4种熔透状态下的不同介观信号两极化特征，既匙孔底部开口张开/闭合快速交替模式所形成的高幅值信号与低幅值信号快速切换的信号特征，信号切换的占空比及切换频率与4种熔透状态具有较直接的关联性，并通过大量的数据分析有效屏蔽干扰信号、规避信号时序波动的影响，实现熔透状态的可靠识别。

本发明针对熔透信号两极化特征瞬态信号，提出在信号预处理时需要采用归一化处理方法，消除较大量级数据属性占优而导致熔透低幅值信号识别敏感性下降的影响，并且还能够改善数据量级差异导致的迭代收敛速度减慢问题。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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他的附图。

图1为检测装置装配示意图；1、熔透检测装置外壳；2、基板；3、阵列或图像传感器；4、窄带滤光片；5、三维微调机构

图2为本发明方法流程图；

图3为人工智能检测方法流程图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

具体实施例一：

根据图1至图3所示，本发明为解决上述技术问题采取的具体优化技术方案是：本发明涉及一种基于介观信号阵列识别的激光焊接熔透在线检测方法。

一种熔透检测装置，所述装置包括：外壳、基板、传感器、窄带滤光片和三维微调机构；

基板与激光焊接头连接起到固定整个装置的作用，基板上有安装孔可分别固定装置外壳、三维微调机构以及窄带滤光片承载架，三维微调机构与传感器连接可调节传感器感应芯片三维空间位置，窄带滤光片位于光学聚焦镜头组与阵列传感器感应面之间的光路上，滤光后的光学实像可投射在阵列传感器感应面上。

一种激光焊接熔透在线检测方法，所述方法基熔透检测装置，所述方法包括以下步骤：

步骤1：选取匙孔内熔透特征区域的热激发态介观信号作为检测对象，获取介观检测信号；

步骤2：对介观检测信号进行预处理，得到计算机可识别类型数据；

步骤3：根据预处理后的数据，进行标定后分成训练集、测试集及验证集；

步骤4：建立神经网络模型，通过训练集数据训练模型的权重参数，直至结果收敛，然后再通过验证集调整模型超参数；

步骤5：通过测试集检验模型的可靠性；

步骤6：调用已训练好的识别模型在线分析信号特征、提取焊接稳定性信息。

具体实施例二：

本申请实施例二与实施例一的区别仅在于：

当选取匙孔内熔透特征区域的热激发态介观信号作为检测对象具体为：

选取匙孔内熔透特征区域的热激发态介观信号作为检测对象，利用光学聚焦成像及光谱透射原理将匙孔底部清晰的热激发态信号实像投射至阵列传感器的感应面上获得介观检测信号，采用机器学习方法识别介观信号特征，获取当前熔透状态信息。

具体步骤如下：

首先，选取匙孔内熔透特征区域的热激发态介观信号作为检测对象，其次，利用光学聚焦成像及光谱透射原理将匙孔底部清晰的热激发态信号实像投射至阵列传感器的感应面上获得介观检测信号，然后，采用机器学习方法训练好的模型识别介观信号特征，获取当前熔透状态信息。

所述匙孔底部热激发态信号，是激光光束进入母材后，通过剧烈的能量输入使匙孔底部金属迅速熔化、蒸发，并伴随高密度能量激发而产生的一种近红外信号，由于熔透焊接时必然会存在激光束贯穿母材时刻，此时由于匙孔底部的开口会导致激发态信号的快速衰减，因此该信号与焊缝熔透质量有较好的关联性。

介观检测信号的采集方法为，首先通过一个至少具有0.6-1.5m拍摄工作距离和10mm拍摄景深的高倍光学聚焦镜头组，从激光焊接头的同轴光路内提取到匙孔底部特征区域的清晰实像，足够的大的景深可以在焦距不发生改变的同时拍摄到波动状态下特征区域的清晰实像，其次，在近红外谱段下，通过窄带滤光的办法将匙孔上方的焊接电弧、羽辉、激光束及其它大量焊接辐射信号有效屏蔽，使特征区域内的热激发态信号可以有效分离出来，从而大幅减少检测信号中的无效信号的占比，然后，将热激发态信号实像投射至一个传感覆盖面积大、检测精度高的阵列传感器的感应面上，阵列传感器的感应区域应≥待测特征区域，且分辨精度≤10μm，由此获得待测特征区域中不同位置的介观信号，该方法不但可以获得待测区域内的全位置的热激发信号，准确分析出熔透关键特征信号的所处位置，更能通过直接提取关键位置的介观信号，来进一步提高检测数据中的有效信号占比，降低信号分析的数据量，为下一步检测信号分析提供数据保障。

所述人工智能检测方法，是利用匙孔底部特征区域的热激发态信号遵循焊接热反应本质且在信号的趋势性特征变化上具有规律性这一特点，通过大量的数据分析规避信号个例、捕捉规律性特征，同时通过对多区域信号的复合识别提高分析的准确性。具体方法是：将采集到的单路/或多路/或全部介观检测信号数据，先通过一定的数据处理后转换成计算机可识别类型数据，然后调用已经训练好的识别模型进行运算，得出当前激光焊接的熔透特征的关联信息，给出在线诊断结果或为焊接闭环控制系统提供关键工艺参数的调控依据，如焊接激光器功率、焊接速度、离焦量等。

所述熔透状态识别模型的建立方法，是将所述阵列传感器或图像传感器采集到的分析样本数据经一定的数据处理后转换成计算机可识别类型数据，再将所述分析样本与实际的焊接熔透特征进行标定后分成训练集、验证集及测试集，然后利用计算机构建未熔透、微熔透、适度熔透、过熔透4分类任务的神经网络模型，通过训练集里的数据训练熔透识别模型直至结果收敛，再通过验证集优化模型超参数，获得熔透最优识别模型，最后通过测试集数据评估该模型的准确率和有效性。

所述熔透状态识别模型的建立方法是基于熔透信号的波动特征提出的，由于熔透信号取决于熔透焊接时激光束贯穿母材时刻在缺口处由于热激发态信号缺失导致低幅值信号的产生，同时由于匙孔底部开口并非常态存在，而是一直处于张开/闭合快速交替形式，当闭合时又为明显的高幅值信号，所以熔透信号是一种具有两极化特征的瞬态信号。也就是说，信号会在低幅值和高幅值间的快速切换，而且二者数值间存在较大差异。所以在熔透状态识别模型训练时，首先，在信号预处理时需要先做归一化处理，既将全部数据转化为在0到1间变化的数值，这样做目的是消除不同量级数据的影响，因为数据量级的差异将导致量级较大的属性占主导地位，而熔透信号的识别恰恰是需要对低幅值信号更为敏感，并且归一化处理还能够改善数据量级差异导致的迭代收敛速度减慢问题。其次，再将处理后的数据集与实际的焊接熔透状态进行标定后，再分成训练集、测试集及验证集。再次，利用计算机构建一个由未熔透、微熔透、适度熔透和过熔透4分类任务的神经网络模型，通过训练集里的数据训练所述熔透状态识别模型直至结果收敛，通过验证集调整模型超参数，最后，再通过测试集数据评估该模型的准确率和预测结果的有效性。

所述熔透特征实时检测方法是将采集到的单路/或多路/或全部介观检测信号数据，先通过所述的信号预处理并转换成计算机可识别类型数据，然后调用已经训练好的识别模型进行运算，让电脑识别出当前激光焊接的熔透特征属于未熔透、微熔透、适度熔透和过熔透4分类中的哪一类，给出在线诊断结果或为焊接闭环控制系统提供关键工艺参数的调控依据，如焊接激光器功率、焊接速度、离焦量等。

本发明采用匙孔底部特征区域的热激发态信号作为检测信号，首先该信号的产生位置与激光/激光复合能场焊接的熔透均有较大的关联性，所以可作为一种直接检测信号，能够避免采用间接检测信号检测时受环境湿度、温度、气体流场等干扰因素的影响。同时，该信号的近红外谱段增强特性也支持对焊接羽辉等其它有害信号的在该谱段下的有效屏蔽作用，提高检测信号中的有效信号比例，降低信号分析难度。

本发明提出将热激发态信号实像投射于阵列传感器的感应面进而获取介观信号的方法，可实现对匙孔波动区域的全覆盖识别，能够有效应对激光焊接时由于匙孔自由摆动引起的匙孔根部区域位置变化导致的介观熔透信号无法有效提取的问题，同时利用阵列传器的高分辨特性可以对目标介观区域进行高分辨率识别，有效屏蔽掉绝大多数干扰信号，提高检测可靠性。

本发明采用机器学习方法中的深度学习方法，让计算机通过大量的数据训练，自主分析匙孔底部熔透特征区域的所在位置，有效识别未熔透、微熔透、适度熔透、过熔透4种熔透状态下的不同介观信号两极化特征，并通过大量的数据分析有效屏蔽干扰信号、规避信号时序波动的影响，实现熔透状态的可靠识别。

针对熔透信号两极化特征瞬态信号，提出在信号预处理时需要采用归一化处理方法，消除较大量级数据属性占优而导致熔透低幅值信号识别敏感性下降的影响，并且还能够改善数据量级差异导致的迭代收敛速度减慢问题。

具体实施例三：

本申请实施例三与实施例二的区别仅在于：

本发明提供一种激光焊接熔透在线检测系统，所述系统包括：

数据采集模块，所述数据采集模块选取匙孔内熔透特征区域的热激发态介观信号作为检测对象，获取介观检测信号；

预处理模块，所述预处理模块对介观检测信号进行预处理，得到计算机可识别类型数据；

标定模块，所述标定模块根据预处理后的数据，进行标定后分成训练集、测试集及验证集；

模型建立模块，所述模型建立模块建立神经网络模型，建立神经网络模型，通过训练集数据训练模型的权重参数，直至结果收敛，然后再通过验证集调整模型超参数，通过测试集检验模型的可靠性；

在线检测模块，所述在线检测模块调用已训练好的模型，进行实时分析熔透状态，提取焊接稳定性信息。

具体实施例四：

本申请实施例四与实施例三的区别仅在于：

本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现一种激光焊接熔透在线检测方法。

具体步骤如下：

首先，选取匙孔内熔透特征区域的热激发态介观信号作为检测对象，其次，利用光学聚焦成像及光谱透射原理将匙孔底部清晰的热激发态信号实像投射至阵列传感器的感应面上获得介观检测信号，然后，采用机器学习方法训练好的模型识别介观信号特征，获取当前熔透状态信息。

所述匙孔底部热激发态信号，是激光光束进入母材后，通过剧烈的能量输入使匙孔底部金属迅速熔化、蒸发，并伴随高密度能量激发而产生的一种近红外信号，由于熔透焊接时必然会存在激光束贯穿母材时刻，此时由于匙孔底部的开口会导致激发态信号的快速衰减，因此该信号与焊缝熔透质量有较好的关联性。

介观检测信号的采集方法为，首先通过一个至少具有0.6-1.5m拍摄工作距离和10mm拍摄景深的高倍光学聚焦镜头组，从激光焊接头的同轴光路内提取到匙孔底部特征区域的清晰实像，足够的大的景深可以在焦距不发生改变的同时拍摄到波动状态下特征区域的清晰实像，其次，在近红外谱段下，通过窄带滤光的办法将匙孔上方的焊接电弧、羽辉、激光束及其它大量焊接辐射信号有效屏蔽，使特征区域内的热激发态信号可以有效分离出来，从而大幅减少检测信号中的无效信号的占比，然后，将热激发态信号实像投射至一个传感覆盖面积大、检测精度高的阵列传感器的感应面上，阵列传感器的感应区域应≥待测特征区域，且分辨精度≤10μm，由此获得待测特征区域中不同位置的介观信号，该方法不但可以获得待测区域内的全位置的热激发信号，准确分析出熔透关键特征信号的所处位置，更能通过直接提取关键位置的介观信号，来进一步提高检测数据中的有效信号占比，降低信号分析的数据量，为下一步检测信号分析提供数据保障。

所述人工智能检测方法，是利用匙孔底部特征区域的热激发态信号遵循焊接热反应本质且在信号的趋势性特征变化上具有规律性这一特点，通过大量的数据分析规避信号个例、捕捉规律性特征，同时通过对多区域信号的复合识别提高分析的准确性。具体方法是：将采集到的单路/或多路/或全部介观检测信号数据，先通过一定的数据处理后转换成计算机可识别类型数据，然后调用已经训练好的识别模型进行运算，得出当前激光焊接的熔透特征的关联信息，给出在线诊断结果或为焊接闭环控制系统提供关键工艺参数的调控依据，如焊接激光器功率、焊接速度、离焦量等。

所述熔透状态识别模型的建立方法，是将所述阵列传感器或图像传感器采集到的分析样本数据经一定的数据处理后转换成计算机可识别类型数据，再将所述分析样本与实际的焊接熔透特征进行标定后分成训练集、验证集及测试集，然后利用计算机构建未熔透、微熔透、适度熔透、过熔透4分类任务的神经网络模型，通过训练集里的数据训练熔透识别模型直至结果收敛，再通过验证集优化模型超参数，获得熔透最优识别模型，最后通过测试集数据评估该模型的准确率和有效性。

所述熔透状态识别模型的建立方法是基于熔透信号的波动特征提出的，由于熔透信号取决于熔透焊接时激光束贯穿母材时刻在缺口处由于热激发态信号缺失导致低幅值信号的产生，同时由于匙孔底部开口并非常态存在，而是一直处于张开/闭合快速交替形式，当闭合时又为明显的高幅值信号，所以熔透信号是一种具有两极化特征的瞬态信号。也就是说，信号会在低幅值和高幅值间的快速切换，而且二者数值间存在较大差异。所以在熔透状态识别模型训练时，首先，在信号预处理时需要先做归一化处理，既将全部数据转化为在0到1间变化的数值，这样做目的是消除不同量级数据的影响，因为数据量级的差异将导致量级较大的属性占主导地位，而熔透信号的识别恰恰是需要对低幅值信号更为敏感，并且归一化处理还能够改善数据量级差异导致的迭代收敛速度减慢问题。其次，再将处理后的数据集与实际的焊接熔透状态进行标定后，再分成训练集、测试集及验证集。再次，利用计算机构建一个由未熔透、微熔透、适度熔透和过熔透4分类任务的神经网络模型，通过训练集里的数据训练所述熔透状态识别模型直至结果收敛，通过验证集调整模型超参数，最后，再通过测试集数据评估该模型的准确率和预测结果的有效性。

所述熔透特征实时检测方法是将采集到的单路/或多路/或全部介观检测信号数据，先通过所述的信号预处理并转换成计算机可识别类型数据，然后调用已经训练好的识别模型进行运算，让电脑识别出当前激光焊接的熔透特征属于未熔透、微熔透、适度熔透和过熔透4分类中的哪一类，给出在线诊断结果或为焊接闭环控制系统提供关键工艺参数的调控依据，如焊接激光器功率、焊接速度、离焦量等。

具体实施例五：

本申请实施例五与实施例四的区别仅在于：

本发明提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现一种激光焊接熔透在线检测方法。

具体步骤如下：

首先，选取匙孔内熔透特征区域的热激发态介观信号作为检测对象，其次，利用光学聚焦成像及光谱透射原理将匙孔底部清晰的热激发态信号实像投射至阵列传感器的感应面上获得介观检测信号，然后，采用机器学习方法训练好的模型识别介观信号特征，获取当前熔透状态信息。

所述匙孔底部热激发态信号，是激光光束进入母材后，通过剧烈的能量输入使匙孔底部金属迅速熔化、蒸发，并伴随高密度能量激发而产生的一种近红外信号，由于熔透焊接时必然会存在激光束贯穿母材时刻，此时由于匙孔底部的开口会导致激发态信号的快速衰减，因此该信号与焊缝熔透质量有较好的关联性。

介观检测信号的采集方法为，首先通过一个至少具有0.6-1.5m拍摄工作距离和10mm拍摄景深的高倍光学聚焦镜头组，从激光焊接头的同轴光路内提取到匙孔底部特征区域的清晰实像，足够的大的景深可以在焦距不发生改变的同时拍摄到波动状态下特征区域的清晰实像，其次，在近红外谱段下，通过窄带滤光的办法将匙孔上方的焊接电弧、羽辉、激光束及其它大量焊接辐射信号有效屏蔽，使特征区域内的热激发态信号可以有效分离出来，从而大幅减少检测信号中的无效信号的占比，然后，将热激发态信号实像投射至一个传感覆盖面积大、检测精度高的阵列传感器的感应面上，阵列传感器的感应区域应≥待测特征区域，且分辨精度≤10μm，由此获得待测特征区域中不同位置的介观信号，该方法不但可以获得待测区域内的全位置的热激发信号，准确分析出熔透关键特征信号的所处位置，更能通过直接提取关键位置的介观信号，来进一步提高检测数据中的有效信号占比，降低信号分析的数据量，为下一步检测信号分析提供数据保障。

所述人工智能检测方法，是利用匙孔底部特征区域的热激发态信号遵循焊接热反应本质且在信号的趋势性特征变化上具有规律性这一特点，通过大量的数据分析规避信号个例、捕捉规律性特征，同时通过对多区域信号的复合识别提高分析的准确性。具体方法是：将采集到的单路/或多路/或全部介观检测信号数据，先通过一定的数据处理后转换成计算机可识别类型数据，然后调用已经训练好的识别模型进行运算，得出当前激光焊接的熔透特征的关联信息，给出在线诊断结果或为焊接闭环控制系统提供关键工艺参数的调控依据，如焊接激光器功率、焊接速度、离焦量等。

所述熔透状态识别模型的建立方法，是将所述阵列传感器或图像传感器采集到的分析样本数据经一定的数据处理后转换成计算机可识别类型数据，再将所述分析样本与实际的焊接熔透特征进行标定后分成训练集、验证集及测试集，然后利用计算机构建未熔透、微熔透、适度熔透、过熔透4分类任务的神经网络模型，通过训练集里的数据训练熔透识别模型直至结果收敛，再通过验证集优化模型超参数，获得熔透最优识别模型，最后通过测试集数据评估该模型的准确率和有效性。

所述熔透状态识别模型的建立方法是基于熔透信号的波动特征提出的，由于熔透信号取决于熔透焊接时激光束贯穿母材时刻在缺口处由于热激发态信号缺失导致低幅值信号的产生，同时由于匙孔底部开口并非常态存在，而是一直处于张开/闭合快速交替形式，当闭合时又为明显的高幅值信号，所以熔透信号是一种具有两极化特征的瞬态信号。也就是说，信号会在低幅值和高幅值间的快速切换，而且二者数值间存在较大差异。所以在熔透状态识别模型训练时，首先，在信号预处理时需要先做归一化处理，既将全部数据转化为在0到1间变化的数值，这样做目的是消除不同量级数据的影响，因为数据量级的差异将导致量级较大的属性占主导地位，而熔透信号的识别恰恰是需要对低幅值信号更为敏感，并且归一化处理还能够改善数据量级差异导致的迭代收敛速度减慢问题。其次，再将处理后的数据集与实际的焊接熔透状态进行标定后，再分成训练集、测试集及验证集。再次，利用计算机构建一个由未熔透、微熔透、适度熔透和过熔透4分类任务的神经网络模型，通过训练集里的数据训练所述熔透状态识别模型直至结果收敛，通过验证集调整模型超参数，最后，再通过测试集数据评估该模型的准确率和预测结果的有效性。

所述熔透特征实时检测方法是将采集到的单路/或多路/或全部介观检测信号数据，先通过所述的信号预处理并转换成计算机可识别类型数据，然后调用已经训练好的识别模型进行运算，让电脑识别出当前激光焊接的熔透特征属于未熔透、微熔透、适度熔透和过熔透4分类中的哪一类，给出在线诊断结果或为焊接闭环控制系统提供关键工艺参数的调控依据，如焊接激光器功率、焊接速度、离焦量等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或N个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

以上所述仅是一种基于介观信号阵列识别的激光焊接熔透在线检测方法的优选实施方式，一种基于介观信号阵列识别的激光焊接熔透在线检测方法的保护范围并不仅局限于上述实施例，凡属于该思路下的技术方案均属于本发明的保护范围。应当指出，对于本领域的技术人员来说，在不脱离本发明原理前提下的若干改进和变化，这些改进和变化也应视为本发明的保护范围。