本发明属于焊接质量检测，具体的为一种基于变分自编码器的电阻点焊外观异常检测方法。
背景技术：
1、电阻点焊是一种常见且高效的焊接方法，由于其高效、可靠、成本低廉的特点，电阻点焊被广泛应用于车身及其零部件的连接。尤其在车身制造过程中，大量使用电阻点焊工艺，以确保车身的结构强度和安全性。其应用涵盖了车门、车顶、底盘等多个部件的连接，成为现代汽车制造不可或缺的一部分。电阻点焊的质量直接影响到汽车的整体质量和安全性能。如果焊点质量不达标，可能会导致汽车在使用过程中的结构强度不足，从而增加安全隐患。因此，对电阻点焊质量进行有效检测，确保每一个焊点都符合标准，至关重要。高质量的焊点不仅能够提高汽车的耐用性，还能够在发生碰撞时提供更好的保护，从而保障乘员的安全。
2、现有的电阻点焊质量检测方法主要分为无损检测和有损检测两类。无损检测方法是指在不破坏焊件的前提下，检测焊点的质量。常见的无损检测方法包括超声波检测、x射线检测和电阻法等。这些方法能够在一定程度上检测出焊点内部的缺陷，如裂纹、孔隙和未完全熔合等。然而，这些方法存在一定的局限性，例如设备复杂、操作难度大、检测成本高以及对操作人员技能要求较高。有损检测方法则是通过破坏性实验来评估焊点的质量。常见的有损检测方法包括剪切测试、拉伸测试和宏观检查等。这些方法能够直接、准确地反映焊点的力学性能和结构强度。然而，有损检测具有破坏性，无法对每一个焊点进行全面检测，只能抽样检测。此外，这种方法耗时长、成本高，不适合大规模工业生产线的应用。
3、在实际工业应用中，常常结合使用无损检测和有损检测方法，以期达到最佳的检测效果。通过超声波无损检测焊点熔核质量，凿检检测焊点强度，但这些方法高度依赖人工经验以及工人工作时的状态，检测结果的精度和可靠性都有待提高且只能进行关键焊点的抽检。随着人工智能技术的发展，部分汽车制造商已经开始使用ai相机对焊点外观进行分类和识别。这些ai相机在一定程度上提高了检测效率和准确性。然而，焊接过程中涉及的工况因素复杂，包括板材材料、工艺参数等，使得焊点外观的类别成为一个开集数据集。这意味着无法预先建立涵盖所有焊点外观类别的数据集，从而导致未知的、小概率的异常外观无法被有效识别。且焊点外观的区别与焊点质量并非强相关关系。
技术实现思路
1、有鉴于此，本发明的目的在于提供一种基于变分自编码器的电阻点焊外观异常检测方法，通过学习电阻点焊外观正常样本的分布，建立重构误差，以识别异常的电阻点焊外观。
2、为达到上述目的，本发明提供如下技术方案：
3、一种基于变分自编码器的电阻点焊外观异常检测方法，包括如下步骤：
4、步骤一：通过工业相机采集白车身外观照片，在白车身外观照片上定位焊点，裁剪得到焊点外观图像；
5、步骤二：从焊点外观图像中剔除焊点异常外观图像，得到仅包含焊点正常外观图像的焊点正常外观图像集；
6、步骤三：对焊点正常外观图像进行预处理，将焊点正常外观图像缩放到统一尺寸大小；
7、步骤四：采用预处理后的焊点正常外观图像集训练变分自编码器模型，提高变分自编码器模型识别焊点正常外观图像的能力，降低重构误差；
8、步骤五：采用3σ原则划分焊点正常外观图像重构误差范围，得到焊点异常外观图像判别阈值；
9、步骤六：将待检测焊点外观图像输入到变分自编码器模型内，得到该待检测焊点外观图像的重构误差；
10、步骤七：判断待检测焊点外观图像的重构误差是否小于焊点异常外观图像判别阈值：若是，则判定该待检测焊点外观图像为焊点正常外观图像；否则，判定该待检测焊点外观图像为焊点异常外观图像。
11、进一步，变分自编码器模型包括编码器和解码器；
12、编码器包括堆叠的多个卷积残差模块，卷积残差块的最后连接两层多层感知机mpl，所述卷积残差模块包括一层卷积层和一个残差块；焊点外观图像输入编码器内，每经过一个卷积残差模块得到的特征图中，特征图的尺寸大小减半，通道数增加一倍；最后通过两层多层感知机mpl将焊点外观图像映射到一维，输出均值u与方差σ；通过重采样得到隐变量z；
13、解码器包括两层多层感知机mpl和堆叠的多个卷积残差模块，所述卷积残差模块包括一层卷积层和一个残差块；将隐变量输入到解码器内，分别通过两层多层感知机mpl和堆叠的多个卷积残差块，每经过一个卷积残差模块得到的特征图中，特征图的尺寸大小增大一倍，通道数减半；最后将隐变量z解码为图像。
14、进一步，所述卷积层采用多个卷积核在输入图像上滑动，通过与图像局部区域进行卷积运算生成特征图，卷积运算表示为：
15、
16、其中：i是输入图像矩阵；k是卷积核矩阵；(i,j)是输出特征图的位置；m、n是卷积核的尺寸。
17、进一步，所述残差块包括两层卷积层、一个自注意力模块和一个残差旁路。
18、进一步，残差块的原理为：
19、y＝f(x，{wi})+x
20、其中：x是输入；y是输出；f表示cnn与自注意力的叠加；wi表示参数。
21、进一步，自注意力模块的原理为输入矩阵x通过三个线性变换，分别计算查询q，键k和值v的矩阵，通过q、k计算相似度，然后在与v相乘得到注意力得分，表示为：
22、
23、其中：dk表示键向量的维度。
24、进一步，重采样得到隐变量z的方法为：
25、z＝u+σe
26、其中：e为标准正态分布采样的到。
27、进一步，所述步骤四中，训练变分自编码器模型时采用的损失函数为：
28、
29、其中：θ为先验概率分布pθ(x|z)的分布参数；φ为后验概率分布qφ(z|x)的分布参数；x为焊点外观图像；z为隐变量；pθ(z)为先验概率；为重构误差项；dkl为正则项，表示qφ(z|x)与pθ(z)之间的kl散度。
30、进一步，原始的焊点外观图像与重构的焊点外观图像上之间的重构误差采用bceloss函数计算得到。
31、本发明的有益效果在于：
32、本发明基于变分自编码器的电阻点焊外观异常检测方法，采用变分自编码器(vae)学习电阻点焊外观的正常样本分布，通过重构误差来识别异常样本。稳定的外观分布与焊接质量的稳定性密切相关，因此相较于传统的焊点质量检测方法，本发明在工程应用中具有更高的实际意义，能够有效应对工厂焊装产线复杂的工况，识别出小概率的异常外观，从而显著提高焊接质量控制的效果和焊点外观检测的准确率，可以做到大批量快速检测。通过这种创新性的检测手段，焊接过程的质量得以进一步提升，确保产品的一致性和可靠性。
1.一种基于变分自编码器的电阻点焊外观异常检测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述基于变分自编码器的电阻点焊外观异常检测方法，其特征在于：变分自编码器模型包括编码器和解码器；
3.根据权利要求2所述基于变分自编码器的电阻点焊外观异常检测方法，其特征在于：所述卷积层采用多个卷积核在输入图像上滑动，通过与图像局部区域进行卷积运算生成特征图，卷积运算表示为：
4.根据权利要求2所述基于变分自编码器的电阻点焊外观异常检测方法，其特征在于：所述残差块包括两层卷积层、一个自注意力模块和一个残差旁路。
5.根据权利要求4所述基于变分自编码器的电阻点焊外观异常检测方法，其特征在于：残差块的原理为：
6.根据权利要求4所述基于变分自编码器的电阻点焊外观异常检测方法，其特征在于：自注意力模块的原理为：输入矩阵x通过三个线性变换，分别计算查询q，键k和值v的矩阵，通过q、k计算相似度，然后在与v相乘得到注意力得分，表示为：
7.根据权利要求2所述基于变分自编码器的电阻点焊外观异常检测方法，其特征在于：重采样得到隐变量z的方法为：
8.根据权利要求1所述基于变分自编码器的电阻点焊外观异常检测方法，其特征在于：所述步骤四中，训练变分自编码器模型时采用的损失函数为：
9.根据权利要求1所述基于变分自编码器的电阻点焊外观异常检测方法，其特征在于：原始的焊点外观图像与重构的焊点外观图像上之间的重构误差采用bceloss函数计算得到。
