1.一种基于自学习的自动焊接及缺陷检测方法，其特征在于包括如下步骤：步骤1、采用基于知识的焊点粗定位，并规划焊接最优路径，为视觉系统和机械臂提供运行方向；

步骤2、基于机器视觉的焊点细定位，并判断焊点类型，精确引导机械臂找到焊点位置，针对性实施自动焊接；

步骤3、采用基于在线深度强化学习的焊点缺陷检测，自动检测焊点缺陷及判断类型，为同工位二次补焊提供依据和指导；

步骤1中所述的基于知识的焊点粗定位及焊接最优路径规划，具体实施步骤如下：

1‑1.首先建立非标元器件知识库，库内包括所有种类非标元器件的名称、信息及焊接手段；读取PCB文件后，得到所需焊接元器件及焊点信息，利用知识库，识别PCB板中所有非标元器件的焊点；建立自定义PCB坐标系，标注所有非标元器件焊点，使每个焊点获得唯一的坐标信息，完成焊点粗定位；

1‑2.为最小化总工作时间，多焊接路径进行规划，搜索视觉系统相机移动的最优路径；

确定目标焊点的唯一视场；所述视场是一个相机在单次拍照能够获得的最大图像区域；PCB板进板并固定后，相机首先移动到全板MARK点，作为PCB板上相机寻点路径的初始点；MARK点是用铜印刷在电路板上的标记；

1‑3.按照规划的路径顺序移动到目标视场区域；焊点顺序访问的问题建模为一个标准的旅行商问题；以焊点的坐标信息为依据，使用Hopfield神经网络获得最优路径，自动规划焊点焊接顺序；

所述的步骤2中基于机器视觉的焊点细定位及焊点形状判别，具体实现如下：使用YOLOv3作为目标检测模型进行目标的细定位，该目标检测模型在YOLOv2的基础上进行应用性的改进，包括多尺度检测、多标签分类，并使用基于残差神经网络改进的Darknet53网络作为特征提取器；基于机器视觉的焊点细定位包括如下步骤：数据集制作、网络模型训练、过滤识别结果并输出；

所述的数据集制作包括如下步骤：

2‑1‑1.数据采集：所用数据来自一台AOI自动光学检测设备拍摄PCB电路板的原始图像，对每一块PCB电路板，相机拍摄多个局部视场，再通过图像拼接的方法拼接成一张完整的图像；

2‑1‑2.数据预处理：YOLOv3在网络输入时将图像统一为416×416像素大小，即将图像都分割成416×416像素大小，再进行人工标注；

2‑1‑3.数据标注：神经网络训练需要大量的图像数据，随机选取部分图像使用标注工具LabelImg进行人工标注，标注出其中的接插件焊点目标；

2‑1‑4.数据保存：标注完的结果生成一个.xml文件，其中保存的关键信息有目标类别name，以及目标框的四个端点坐标xmin、xmax、ymin和ymax；标注完的数据按照VOC数据格式存储，一张图像对应一个标签文件，图像保存格式为.img，标签文件保存格式为.xml；

所述的网络模型训练的过程包括如下步骤：5

2‑2‑1.网络输入，数据增强：在YOLOv3中有5次下采样过程，2 ＝32，因此网络输入图像大小为32的倍数，YOLOv3把输入图像分割为13×13的栅格，因此输入图像大小要求为32×

13＝416；数据增强方式包括翻转变换、随机修剪、色彩抖动、平移变换、尺度变换、对比度变换、噪声扰动和旋转变换；

2‑2‑2.网络结构：在图像特征提取方面，YOLOv3采用Darknet‑53的网络结构，在指定层之间设置快捷链路；从0层一直到74层，含有53个卷积层，其余为res层；从75到105层为YOLOv3网络的特征交互层，分为三个尺度，每个尺度内，通过卷积核的方式实现局部的特征交互；

2‑2‑3.网络输出：对于一个输入图像，YOLOv3将其映射到3个尺度的输出张量，代表图像各个位置存在各种对象的概率；对于一个416×416的输入图像，在每个尺度的特征图的每个网格设置3个先验框，总共有13×13×3+26×26×3+52×52×3＝10647个预测；每一个预测是一个4+1+1＝6维向量，这个6维向量包含边框坐标、边框置信度、对象类别的概率；

2‑2‑4.损失函数：损失函数由4部分组成，xy_loss：中心点的损失值；wh_loss：宽高的损失值；confidence_loss：框的损失值；class_loss：类别损失值；将各部分损失值的和，除以均值，累加，作为最终的图片损失值；

所述的损失函数计算如下所示：

其中，参数定义如下：

2 2

S：总共S×S个网络单元(i＝0,…,S)B：每个单元格里的都有B个预测框(j＝0，…，B)定义为1或0，1：网络单元i中存在目标，则第j个预测框预测有效；0：网络单元中不存在目标时；

x,y：预测边界框的中心位置

训练数据中的实际位置

w,h：预测边界框的宽高数据

训练数据中的实际宽高数据

c：表示置信度得分

预测框边界与实际边界的交叉部分λcoord：坐标预测权重

λnoobj：置信度预测权重

pi(c)：预测的类别

训练数据的实际类别；

所述的网络模型结果过滤并输出步骤如下：

2‑3‑1.输出坐标与类别：对于每一个预测框有一个置信度，预设置信度高于0.3为一个疑似目标，当两个预测框交并比大于一个阈值时，则认为两个预测框标定的是同一个目标，对同一个目标一般存在多个预测框，在这些预测框中选取置信度最高的框作为最后的结果；输出其坐标信息和类别信息；

2‑3‑2. K‑means聚类出阈值分布：对训练集中焊点尺寸使用K‑means聚类，结果作为焊点大小输出的阈值；

所述的步骤3中基于在线深度强化学习的焊点缺陷检测，具体实现如下：由于不同的焊点缺陷在RGB三色光源下呈现不一样的颜色分布特征；基于在线深度强化学习的焊点缺陷检测方法，通过经验重放机制判断焊点检测结果质量，不断优化检测模型；在线的自动检测焊点缺陷及判断类型，使焊接生产线具有自学习性，并且为机械臂在焊接工位实施二次补焊提供前提条件。