一种焊接质量分析方法、装置、电子设备及存储介质与流程

本技术涉及焊接检测，尤其是涉及一种焊接质量分析方法、装置、电子设备及存储介质。

背景技术：

1、当前电路板的焊接质量评估一般基于人工经验，存在许多不足之处。首先，这种评估方法往往只考虑电路板上焊点的数量，判断是否漏焊等，评估维度单一。其次，评估结果主观性较强，因为评估人员的专业水平和经验对评估结果有着重要影响。这导致评估结果难以达到客观准确的标准，缺乏对电路板焊接缺陷的真实反映。并且在对焊接质量进行评价时，往往会在整个焊接过程完成后才能发现焊接质量的缺陷，延时性较高。所以，如何准确地焊接缺陷成为了不容小觑的技术问题。

技术实现思路

1、有鉴于此，本技术的目的在于提供一种焊接质量分析方法、装置、电子设备及存储介质，通过轮廓样本数据以及焊接样本数据对模型进行训练得到焊接质量分析模型，以使焊接质量分析模型能够快速、精准的确定出焊接对象所对应的焊接缺陷类型，能够在焊接过程中实时监测缺陷情况，以便作业者及时调整焊接策略。

2、本技术实施例提供了一种焊接质量分析方法，所述焊接质量分析方法包括：

3、基于样本焊接对象的标准焊接电流电压数据以及实时焊接电流电压数据，确定出所述样本焊接对象每一焊接阶段所对应的第一焊接缺陷类型；

4、对所述实时焊接电流电压数据进行实时有效值计算处理，确定出焊接工艺有效值数据，基于所述焊接工艺有效值数据以及预设的焊接工艺有效值参考数据进行比对，确定出所述样本焊接对象每一焊接阶段所对应的第二焊接缺陷类型；

5、基于所述实时焊接电流电压数据、所述标准焊接电流电压数据、所述第一焊接缺陷类型、所述焊接工艺有效值参考数据、所述焊接工艺有效值数据以及所述第二焊接缺陷类型，确定出轮廓样本数据以及焊接样本数据；

6、基于所述轮廓样本数据以及所述焊接样本数据对深度学习网络模型进行训练，生成焊接质量分析模型，以使基于所述焊接质量分析模型实时确定出目标焊接对象在焊接过程中的焊接质量分析结果。

7、在一种可能的实施方式之中，所述基于样本焊接对象的标准焊接电流电压数据以及实时焊接电流电压数据，确定出所述样本焊接对象每一焊接阶段所对应的第一焊接缺陷类型，包括：

8、对所述标准焊接电流电压数据以及所述实时焊接电流电压数据进行ui拟合处理，分别生成标准轮廓曲线以及实时轮廓曲线；

9、基于焊接顺序将所述标准轮廓曲线以及所述实时轮廓曲线划分成多个焊接阶段；

10、将所述实时轮廓曲线与所述标准轮廓曲线进行曲线比对处理，确定出所述实时轮廓曲线中出现轮廓差距的焊接阶段，并确定出所述出现轮廓差距的焊接阶段所对应的第一焊接缺陷类型。

11、在一种可能的实施方式之中，所述基于所述焊接工艺有效值数据以及预设的焊接工艺有效值参考数据进行比对，确定出所述样本焊接对象每一焊接阶段所对应的第二焊接缺陷类型，包括：

12、检测所述焊接工艺有效值数据中的电流有效数据值是否小于等于所述焊接工艺有效值参考数据中的电流有效参考数据基值的第一预设阈值；

13、若是，则确定出该电流有效数据值所位于的焊接阶段处存在的第二焊接缺陷类型为未熔或者夹渣；

14、检测所述焊接工艺有效值数据中的电流有效数据值是否小于等于所述焊接工艺有效值参考数据中的电流有效参考数据基值的第二预设阈值；其中，所述第二预设阈值大于所述第一预设阈值；

15、若是，则确定出该电流有效数据值所位于的焊接阶段处存在的第二焊接缺陷类型为焊穿。

16、在一种可能的实施方式之中，所述基于所述实时焊接电流电压数据、所述标准焊接电流电压数据、所述第一焊接缺陷类型、所述焊接工艺有效值参考数据、所述焊接工艺有效值数据以及所述第二焊接缺陷类型，确定出轮廓样本数据以及焊接样本数据，包括：

17、基于所述实时焊接电流电压数据的实时轮廓曲线以及所述标准焊接电流电压数据的标准轮廓曲线，确定出轮廓形状变化特征以及轮廓封闭图形数量特征；

18、对所述轮廓形状变化特征以及轮廓封闭图形数量特征进行相对应的第一焊接缺陷类型标签标注，将标签标注后的所述轮廓形状变化特征以及轮廓封闭图形数量特征作为所述轮廓样本数据；

19、基于所述焊接工艺有效值参考数据与所述焊接工艺有效值数据，确定出工艺数据变化特征，并对所述工艺数据变化特征进行相对应的第二焊接缺陷类型标签标注，将标注后的所述工艺数据变化特征作为所述焊接样本数据。

20、在一种可能的实施方式之中，所述基于所述轮廓样本数据以及所述焊接样本数据对深度学习网络模型进行训练，生成焊接质量分析模型，包括：

21、将所述轮廓样本数据以及所述焊接样本数据输入至所述深度学习网络模型之中，所述深度学习网络模型对所述轮廓样本数据以及所述焊接样本数据所对应的特征进行学习，并预测出所述轮廓样本数据或者所述焊接样本数据相对应的预测焊接缺陷类型；

22、基于所述预测焊接缺陷类型、所述轮廓样本数据或者所述焊接样本数据相对应的标签，确定出所述深度学习网络模型的损失值；

23、基于所述损失值、所述轮廓样本数据以及所述焊接样本数据继续对所述深度学习网络模型进行迭代训练，生成所述焊接质量分析模型。

24、在一种可能的实施方式之中，所述基于所述损失值、所述轮廓样本数据以及所述焊接样本数据继续对所述深度学习网络模型进行迭代训练，生成所述焊接质量分析模型，包括：

25、检测所述损失值是否小于等于预设损失值；

26、若是，则将所述深度学习网络模型确定为所述焊接质量分析模型；

27、若否，则通过反向传播算法对所述深度学习网络模型的网络参数进行更新，继续基于所述轮廓样本数据以及所述焊接样本数据对更新网络参数后的所述深度学习网络模型进行迭代训练，直至所述损失值小于等于所述预设损失值时停止训练，生成所述焊接质量分析模型。

28、在一种可能的实施方式之中，所述基于所述焊接质量分析模型实时确定出目标焊接对象在焊接过程中的焊接质量分析结果，包括：

29、将所述目标焊接对象的预设时间间隔下的目标焊接电流电压数据输入至所述焊接质量分析模型之中，对所述目标焊接电流电压数据分别进行轮廓比对处理以及有效值数据比对处理，预测出每一时间间隔下所述目标焊接对象的焊接质量分析结果。

30、本技术实施例还提供了一种焊接质量分析装置，所述焊接质量分析装置包括：

31、第一数据预处理模块，用于基于样本焊接对象的标准焊接电流电压数据以及实时焊接电流电压数据，确定出所述样本焊接对象每一焊接阶段所对应的第一焊接缺陷类型；

32、第二数据预处理模块，用于对所述实时焊接电流电压数据进行实时有效值计算处理，确定出焊接工艺有效值数据，基于所述焊接工艺有效值数据以及预设的焊接工艺有效值参考数据进行比对，确定出所述样本焊接对象每一焊接阶段所对应的第二焊接缺陷类型；

33、样本数据确定模块，用于基于所述实时焊接电流电压数据、所述标准焊接电流电压数据、所述第一焊接缺陷类型、所述焊接工艺有效值参考数据、所述焊接工艺有效值数据以及所述第二焊接缺陷类型，确定出轮廓样本数据以及焊接样本数据；

34、训练模块，用于基于所述轮廓样本数据以及所述焊接样本数据对深度学习网络模型进行训练，生成焊接质量分析模型，以使基于所述焊接质量分析模型实时确定出目标焊接对象在焊接过程中的焊接质量分析结果。

35、本技术实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的焊接质量分析方法的步骤。

36、本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的焊接质量分析方法的步骤。

37、本技术实施例提供的一种焊接质量分析方法、装置、电子设备及存储介质，所述焊接质量分析方法包括：基于样本焊接对象的标准焊接电流电压数据以及实时焊接电流电压数据，确定出所述样本焊接对象每一焊接阶段所对应的第一焊接缺陷类型；对所述实时焊接电流电压数据进行实时有效值计算处理，确定出焊接工艺有效值数据，基于所述焊接工艺有效值数据以及预设的焊接工艺有效值参考数据进行比对，确定出所述样本焊接对象每一焊接阶段所对应的第二焊接缺陷类型；基于所述实时焊接电流电压数据、所述标准焊接电流电压数据、所述第一焊接缺陷类型、所述焊接工艺有效值参考数据、所述焊接工艺有效值数据以及所述第二焊接缺陷类型，确定出轮廓样本数据以及焊接样本数据；基于所述轮廓样本数据以及所述焊接样本数据对深度学习网络模型进行训练，生成焊接质量分析模型，以使基于所述焊接质量分析模型实时确定出目标焊接对象在焊接过程中的焊接质量分析结果。通过轮廓样本数据以及焊接样本数据对模型进行训练得到焊接质量分析模型，以使焊接质量分析模型能够快速、精准的确定出焊接对象所对应的焊接缺陷类型，能够在焊接过程中实时监测缺陷情况，以便作业者及时调整焊接策略。

38、为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。