CN105787940A - 一种高频电阻直缝焊接质量状态的在线检测方法 - Google Patents

一种高频电阻直缝焊接质量状态的在线检测方法 Download PDF

Info

Publication number
CN105787940A
CN105787940A CN201610112296.5A CN201610112296A CN105787940A CN 105787940 A CN105787940 A CN 105787940A CN 201610112296 A CN201610112296 A CN 201610112296A CN 105787940 A CN105787940 A CN 105787940A
Authority
CN
China
Prior art keywords
image
welding
dimensionality reduction
quality state
matrix
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201610112296.5A
Other languages
English (en)
Inventor
王会峰
曹静
姚乃夫
陈世秦
柴彩萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changan University
Original Assignee
Changan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changan University filed Critical Changan University
Priority to CN201610112296.5A priority Critical patent/CN105787940A/zh
Publication of CN105787940A publication Critical patent/CN105787940A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30152—Solder

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种高频电阻直缝焊接质量状态的在线检测方法：该方法主要包括焊接图像采集、主成分分析图像降维、径向基神经网络训练以及预测输出；本发明通过高速采集到的焊点熔融现象状态图像对焊接质量进行检测，将采集到的图像样本作预处理后应用主成分分析对图像数据进行降维操作，然后将降维后的图像数据作为径向基神经网络的输入，图像样本对应的焊接质量状况作为网络的输出进行训练，最后用训练好的网络进行预测；本发明能有效地对高频电阻直缝焊接质量状况进行在线检测。

Description

一种高频电阻直缝焊接质量状态的在线检测方法
技术领域
本发明涉及在线检测方法，具体涉及高频电阻直缝焊接质量状态的在线检测。
背景技术
近年来，人工神经网络凭借其分布式并行处理、高容错、强泛化等特点，在故障检测中受到了愈来愈广泛的重视，为故障检测开辟了一条新途径。径向基神经网络因其局部逼近特性，学习过程收敛速度快，且具有最佳逼近特性，无局部极小问题存在，对分类问题可以达到很好的效果。
针对高频电阻直缝焊管的质量状况检测，近两年中，有根据电极压力、焊接电流和焊接时间对焊接缺陷产生的影响，通过金相分析和拉伸剪切试验对焊接质量状况进行检测；有通过分别提取融合点图像的加热面积、融合角、融合点位置、对称度等特征并将其作为判定焊接质量的依据；还有利用超声爬波法来检测薄壁电阻焊管的焊接质量。这些方法要么只能焊接后离线检测、要么图像处理算法复杂，进而影响了检测的实时性、要么检测的识别率不能满足高质量的油气管道对于焊接质量的需求，因此，目前亟需提出一种焊接质量状况的在线实时检测算法，可以兼顾在线性、实时性和高识别率的要求，满足直缝高频焊接管道现场生产的要求。
发明内容
本发明的目的在于提供一种高频电阻直缝焊接质量状态的在线检测方法。
为达到上述目的，本发明采用了以下技术方案：
1)在已知各个焊接质量状态下，在焊接现场分别采集一定数量的焊接图像，得到作为训练样本的图像数据；
2)将所述图像数据应用主成分分析进行降维操作，得到降维后的图像数据；
3)利用降维后的图像数据以及焊接质量状态信息对径向基神经网络进行训练；
4)在焊接现场实时采集焊接图像，将实时采集的焊接图像按所述降维操作进行处理后输入训练后的径向基神经网络，用训练后的径向基神经网络对焊接质量状态进行在线检测。
在焊接现场采集的焊接图像为高速CCD相机所采集到的焊接熔融现象图像。
所述焊接质量状态分为三种类型，分别是：过烧、冷焊、正常。
所述降维操作包括以下步骤：将所述图像数据进行灰度化预处理，得到对应的灰度图像，再把灰度图像变换为图像行向量，将所有图像行向量构成一个矩阵Xn×s，根据R的特征值和特征矢量求出图像降维映射矩阵U，则Xn×s降维后得到Y，Y为降维后的图像向量矩阵，R为Xn×s的协方差矩阵，n为图像样本数，s为图像大小。
所述图像降维映射矩阵U通过以下方法求取：
令R'大小为n×n，为Xn×s按列求取的平均值矩阵，求得R'的特征值向量λ与特征矢量矩阵V，将特征值向量λ从大到小排列，然后按设置的主成分分析的累计贡献率，选取前k个特征值，组合前k个特征值对应的k个特征向量，形成新的特征矢量矩阵V′，由保留的k个特征值组成的特征值向量与新的特征矢量矩阵V′求出U，
所述图像大小至少为320×320，图像降维的累计贡献率设为≥80％。
所述径向基神经网络为三层网络结构，分别为一个输入层，一个隐含层，以及一个输出层，所述训练中，以降维后的图像数据对应的图像向量作为径向基神经网络的输入，输入层节点数为降维后的图像数据中每一幅图像保留下来的主成分数，将过烧、冷焊、正常三种焊接质量状态记为1、-1、0，并组成矩阵向量作为径向基神经网络训练时的期望输出，输出层节点数为1，隐含层基函数为欧氏距离函数，激活函数为高斯函数，隐含层节点数随网络训练发生变化。
所述径向基神经网络训练在迭代过程中不断增加隐含层节点数，用最小均方误差修正隐含层与输出层的权值，随机选取隐含层的中心点。
所述训练样本的数量为540～900，训练样本中过烧、冷焊、正常三种焊接质量状态对应的焊接图像的数量至少分别为180；所述径向基神经网络的扩展速度设置在0.1～1范围内，网络预测输出与对应期望输出绝对误差小于等于阈值时，则认为预测正确，阈值的取值范围为大于0且不超过0.5。
所述步骤4)具体包括以下步骤：先对采集的一幅焊接图像灰度化后在图像降维映射矩阵上进行映射，得到降维的焊接图像对应的图像向量，将该图像向量输入训练后的径向基神经网络进行预测，得到该焊接图像所对应的焊接质量状态。
本发明的有益效果体现在：
本发明针对焊接状况检测的有效性及快速性要求，通过焊接图像采集、主成分分析图像降维、径向基神经网络训练以及预测输出，保存训练最优的网络及主成分降维的降维映射矩阵对焊接图像进行实时有效地预测，预测一幅图像所用时间小于0.035秒，所训练网络可达到98.15％的识别率。该方法能有效地对高频电阻直缝焊接质量状况进行在线检测。
附图说明
图1为本发明的流程框图。
图2为焊接现场采集的不同焊接质量状态的图像：(a)冷焊，(b)过烧，(c)正常。
图3为主成分分析累计贡献率为80％时降维后焊接状态图像：(a)冷焊，(b)过烧，(c)正常。
图4为主成分分析累计贡献率为90％时降维后焊接状态图像：(a)冷焊，(b)过烧，(c)正常。
图5为不同样本集数下本发明方法(PCA-RBFNN)的最高识别率。
图6为样本集数n＝1200(测试集数为540，三种焊接质量状态类型对应数量分别为180)、PCA累计贡献率为0.8，阈值为0.2时，PCA-RBFNN的识别输出。
具体实施方式
下面结合附图和实施例对本发明做详细说明。
参见图1，本发明所述高频电阻直缝焊接质量状态的在线检测方法主要包括以下步骤：焊接图像采集、主成分分析(PrincipalComponentAnalysis，PCA)图像降维、径向基神经网络(RadialBasisFunctionNeuralNetwork，RBFNN)训练以及网络预测输出，该方法可有效完成对焊接质量状况的在线检测。
(一)焊接图像采集
本发明所述焊接图像为高速CCD相机所采集到的焊接熔融现象图像，焊接图像大小为320×320，随着图像大小增大，预测耗时会增大，为了训练径向基神经网络，通过设定三种不同的焊接工艺参数，使焊接质量状况分为三种类型，分别是：冷焊、过烧、正常，从而使采集的焊接图像形成三种类型的焊接熔融现象的图像特征，参见图2(a)、图2(b)以及图2(c)。
在采集用于训练径向基神经网络用的焊接图像时，冷焊、过烧、正常状况下的图像分别不少于180幅。
(二)主成分分析图像降维
本发明所述PCA图像降维将焊接图像按设置的累计贡献率进行了降维操作。步骤如下：
(1)将采集到的1200张焊接图像按照55％与45％的比例分为训练样本和测试样本，并进行降维操作。以训练样本为例，先对训练样本中的所有焊接图像进行灰度化得到灰度图像，再把每一幅灰度图像变换为图像行向量，将所有图像行向量构成一个矩阵Xn×s，n为图像样本数，s为图像大小；
(2)为Xn×s按列求取的平均值矩阵，R为Xn×s的协方差矩阵，R矩阵大小为s×s，维数过大，故间接求取R的特征值和特征矢量，每一个特征值对应一个特征矢量，根据R的特征值和特征矢量求出图像降维映射矩阵，令R'大小为n×n，T表示矩阵转置，求得R'的特征值向量λ与特征矢量矩阵V,λ亦为Xn×s的协方差矩阵R的特征值向量；
(3)将λ的n个特征值λ1，λ2，…λn从大到小排列，C为主成分分析累计贡献率，可反映降维后的图像占原始图像信息比，根据设置的累计贡献率保留前k个特征值，组合前k个特征值对应的k个特征向量，形成新的特征矢量矩阵V′；
(4)由保留的k个特征值组成的特征值向量与新的特征矢量矩阵V′求出协方差矩阵R要保留的特征矢量矩阵U，U即为图像降维映射矩阵；
(5)Xn×s降维后矩阵Y为降维后的样本集图像向量组成的矩阵，Y的行数为主成分分量数，Y的一列表示一降维后的图像向量，Y1为Y的一列，对其进行重建，首先令X′为1×102400的矩阵，将X′按行转换为大小为320×320的矩阵X”,X”即为降维后的重建图像矩阵。
参见图3以及图4，图3与图4分别是PCA累计贡献率为80％与90％时降维后焊接图像，可以看出，由于累计贡献率的增大，图4比图3包含了更多的图像信息。
(三)径向基神经网络训练
所述径向基神经网络为三层网络结构，即一个输入层，一个隐含层，一个输出层，降维后的图像向量作为径向基神经网络的输入，输入层节点数为Y中每一幅图像保留下来的主成分数，将焊接质量状况的过烧、冷焊、正常状况记为1、-1、0，组成矩阵向量作为网络训练时的期望输出，输出层节点数为1，隐含层基函数为欧氏距离函数，激活函数为高斯函数，隐含层节点数随网络训练发生变化。所述径向基神经网络训练在迭代过程中不断增加隐含层节点数，用最小均方误差修正隐含层与输出层的权值，随机选取隐含层的中心点。测试样本网络预测输出与期望输出差值的绝对值小于等于阈值时，则认为预测正确，通过网络对测试样本的识别率来验证网络的有效性。
参见图5，分别用在不同样本集数下，按照55％与45％的比例分为训练样本和测试样本，将占原图像60％～90％信息的降维后的训练样本作为网络输入，焊接质量状况正常、冷焊、过烧分别记为0、-1、1，作为网络的期望输出，组成输出矩阵向量，训练网络。用测试样本对网络进行测试，总体上，网络随着训练样本图像数的增多网络识别率也愈加增大，当主成分分析的贡献率为80％时，网络的识别率较高。
在样本数量为1200，训练样本为660(正常、冷焊、过烧状况分别为220)，测试样本为540(正常、冷焊、过烧状况分别为180)，PCA累计贡献率为80％的情况下，所述阈值不超过0.5，若合适调整阈值，可增加网络的识别率，参见图6。
参见表1，在样本数量为1200，训练样本为660(正常、冷焊、过烧状况分别为220)，测试样本中正常、冷焊、过烧状况分别为180时，占原图像60％～90％信息的图像作为网络输入，焊接质量状况正常、冷焊、过烧分别记为0、-1、1，作为网络的期望输出，组成网络输出矩阵向量，训练网络。用训练样本及测试样本对网络进行测试，扩展速度对网络性能有较大影响，在0.1～1范围内改变网络的扩展速度，当降维数据维数为15(图像降维的累计贡献率为80％)，阈值为0.2，扩展速度为0.4时，网络对测试样本有最高识别率98.15％。
参见表2，在样本数量为1200，训练样本为660，测试样本中正常、冷焊、过烧状况分别为180，PCA累计贡献率为80％的情况下，占原图像80％信息的降维图像作为网络输入，焊接质量状况正常、冷焊、过烧分别记为0、-1、1，作为网络的期望输出，组成网络输出矩阵向量，训练网络。用测试样本对网络进行测试，网络对冷焊状况的识别率为100％，对过烧状况的识别率为96.67％，对正常状况的识别率为97.78％，无相互识别错误情况(阈值为0.2)。
表1样本集数n＝1200(测试集数为540，三种类型数量分别为180)，PCA累计贡献率为60％-90％时，PCA-RBFNN识别率
表2为样本集数n＝1200(测试集数为540，三种类型数量分别为180)时，PCA累计贡献率为0.8时，PCA-RBFNN类别输出准确率
(四)网络预测输出
网络训练好后，设所述网络预测取阈值为0.2，先对采集的一幅焊接图像样本灰度化后进行降维操作，即将其在所述图像降维映射矩阵U上进行映射，再将降维的焊接图像样本对应的图像向量输入训练好的网络，进行预测，得到该幅焊接图像样本所对应的焊接质量状况。
本发明的技术指标
1.对于样本数目为1200，训练样本为660、测试样本为540的样本集，取网络预测阈值为0.2，测试样本的总识别率可达到98.15％，冷焊状况为100％，过烧状况为96.67，正常为97.78％。
2.预测一幅图像的时间为0.028～0.034秒，PCA降维时间为0.011～0.014秒，网络预测时间为0.017～0.020秒。

Claims (10)

1.一种高频电阻直缝焊接质量状态的在线检测方法，其特征在于：包括以下步骤：
1)在已知各个焊接质量状态的情况下，在焊接现场分别采集一定数量的焊接图像，得到作为训练样本的图像数据；
2)将所述图像数据应用主成分分析进行降维操作，得到降维后的图像数据；
3)利用降维后的图像数据以及焊接质量状态信息对径向基神经网络进行训练；
4)在焊接现场实时采集焊接图像，将实时采集的焊接图像按所述降维操作进行处理后输入训练后的径向基神经网络，用训练后的径向基神经网络对焊接质量状态进行在线检测。
2.根据权利要求1所述一种高频电阻直缝焊接质量状态的在线检测方法，其特征在于：在焊接现场采集的焊接图像为高速CCD相机所采集到的焊接熔融现象图像。
3.根据权利要求1或2所述一种高频电阻直缝焊接质量状态的在线检测方法，其特征在于：所述焊接质量状态分为三种类型，分别是：过烧、冷焊、正常。
4.根据权利要求1所述一种高频电阻直缝焊接质量状态的在线检测方法，其特征在于：所述降维操作包括以下步骤：将所述图像数据进行灰度化预处理，得到对应的灰度图像，再把灰度图像变换为图像行向量，将所有图像行向量构成一个矩阵Xn×s，根据R的特征值和特征矢量求出图像降维映射矩阵U，则Xn×s降维后得到Y，Y为降维后的图像向量矩阵，R为Xn×s的协方差矩阵，n为图像样本数，s为图像大小。
5.根据权利要求4所述一种高频电阻直缝焊接质量状态的在线检测方法，其特征在于：所述图像降维映射矩阵U通过以下方法求取：
令 R ′ = ( X n × s - X n × s ‾ ) ( X n × s - X n × s ‾ ) T , R'大小为n×n，为Xn×s按列求取的平均值矩阵，求得R'的特征值向量λ与特征矢量矩阵V，将特征值向量λ从大到小排列，然后按设置的主成分分析的累计贡献率，选取前k个特征值，组合前k个特征值对应的k个特征向量，形成新的特征矢量矩阵V′，由保留的k个特征值组成的特征值向量与新的特征矢量矩阵V′求出U，
6.根据权利要求4所述一种高频电阻直缝焊接质量状态的在线检测方法，其特征在于：所述图像大小至少为320×320，图像降维的累计贡献率设为≥80％。
7.根据权利要求1所述一种高频电阻直缝焊接质量状态的在线检测方法，其特征在于：所述径向基神经网络为三层网络结构，分别为一个输入层，一个隐含层，以及一个输出层，所述训练中，以降维后的图像数据对应的图像向量作为径向基神经网络的输入，输入层节点数为降维后的图像数据中每一幅图像保留下来的主成分数，将过烧、冷焊、正常三种焊接质量状态记为1、-1、0，并组成矩阵向量作为径向基神经网络训练时的期望输出，输出层节点数为1，隐含层基函数为欧氏距离函数，激活函数为高斯函数，隐含层节点数随网络训练发生变化。
8.根据权利要求7所述一种高频电阻直缝焊接质量状态的在线检测方法，其特征在于：所述径向基神经网络训练在迭代过程中不断增加隐含层节点数，用最小均方误差修正隐含层与输出层的权值，随机选取隐含层的中心点。
9.根据权利要求7所述一种高频电阻直缝焊接质量状态的在线检测方法，其特征在于：所述训练样本的数量为540～900，训练样本中过烧、冷焊、正常三种焊接质量状态对应的焊接图像的数量至少分别为180；所述径向基神经网络的扩展速度设置在0.1～1范围内，网络预测输出与对应期望输出绝对误差小于等于阈值时，则认为预测正确，阈值的取值范围为大于0且不超过0.5。
10.根据权利要求1所述一种高频电阻直缝焊接质量状态的在线检测方法，其特征在于：所述步骤4)具体包括以下步骤：先对采集的一幅焊接图像灰度化后在图像降维映射矩阵上进行映射，得到降维的焊接图像对应的图像向量，将该图像向量输入训练后的径向基神经网络进行预测，得到该焊接图像所对应的焊接质量状态。
CN201610112296.5A 2016-02-29 2016-02-29 一种高频电阻直缝焊接质量状态的在线检测方法 Pending CN105787940A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610112296.5A CN105787940A (zh) 2016-02-29 2016-02-29 一种高频电阻直缝焊接质量状态的在线检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610112296.5A CN105787940A (zh) 2016-02-29 2016-02-29 一种高频电阻直缝焊接质量状态的在线检测方法

Publications (1)

Publication Number Publication Date
CN105787940A true CN105787940A (zh) 2016-07-20

Family

ID=56386549

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610112296.5A Pending CN105787940A (zh) 2016-02-29 2016-02-29 一种高频电阻直缝焊接质量状态的在线检测方法

Country Status (1)

Country Link
CN (1) CN105787940A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106841212A (zh) * 2016-12-30 2017-06-13 湖南大学 一种基于局部pca和bp神经网络的瓶口缺陷检测方法
CN108154502A (zh) * 2017-12-22 2018-06-12 王华锋 一种基于卷积神经网络的通孔焊点识别方法
CN109447941A (zh) * 2018-09-07 2019-03-08 广州大学 一种激光软钎焊系统焊接过程中自动配准及质量检测方法
CN110399694A (zh) * 2019-08-01 2019-11-01 燕山大学 一种用于焊管隐性缺陷分析及消除的方法
WO2020077694A1 (zh) * 2018-10-17 2020-04-23 深圳市微埃智能科技有限公司 基于神经网络的焊接工艺参数推荐方法、装置及机器人
CN111753877A (zh) * 2020-05-19 2020-10-09 海克斯康制造智能技术(青岛)有限公司 一种基于深度神经网络迁移学习的产品质量检测方法
CN113673529A (zh) * 2021-08-16 2021-11-19 连城凯克斯科技有限公司 语义分割模型训练方法、硅熔融状态检测方法及电子设备
CN113828947A (zh) * 2021-11-23 2021-12-24 昆山宝锦激光拼焊有限公司 一种基于双优化的bp神经网络激光焊接焊缝成形预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030093162A1 (en) * 2001-11-13 2003-05-15 Koninklijke Philips Electronics N.V. Classifiers using eigen networks for recognition and classification of objects
CN101487892A (zh) * 2009-02-23 2009-07-22 北京航空航天大学 一种基于因子分析模型的高光谱数据降维方法
CN103268491A (zh) * 2013-05-30 2013-08-28 哈尔滨工业大学 一种焊接缺陷超声相控阵扇形扫描图像特征提取方法
CN103323526A (zh) * 2013-05-30 2013-09-25 哈尔滨工业大学 一种基于超声相控阵和支持向量机的焊缝缺陷检测识别方法
CN103439342A (zh) * 2013-09-17 2013-12-11 华东交通大学 基于热图时序特征的红外无损检测方法
CN103617618A (zh) * 2013-12-03 2014-03-05 西安电子科技大学 基于特征提取与聚类集成的sar图像分割方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030093162A1 (en) * 2001-11-13 2003-05-15 Koninklijke Philips Electronics N.V. Classifiers using eigen networks for recognition and classification of objects
CN101487892A (zh) * 2009-02-23 2009-07-22 北京航空航天大学 一种基于因子分析模型的高光谱数据降维方法
CN103268491A (zh) * 2013-05-30 2013-08-28 哈尔滨工业大学 一种焊接缺陷超声相控阵扇形扫描图像特征提取方法
CN103323526A (zh) * 2013-05-30 2013-09-25 哈尔滨工业大学 一种基于超声相控阵和支持向量机的焊缝缺陷检测识别方法
CN103439342A (zh) * 2013-09-17 2013-12-11 华东交通大学 基于热图时序特征的红外无损检测方法
CN103617618A (zh) * 2013-12-03 2014-03-05 西安电子科技大学 基于特征提取与聚类集成的sar图像分割方法

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
SUNGKYU JUNG ,J.S.MARRON: "PCA CONSISTENCY IN HIGH DIMENSION LOW SAMPLE SIZE CONTEXT", 《THE ANNALS OF STATISTICS》 *
吴胜兴: "《现代土木工程理论与实践》", 30 September 2003, 河海大学出版社 *
周岚 等: "电阻点焊质量监控技术的发展现状及趋势", 《电焊机》 *
孙向东 等: "《动物疫苗风险分析》", 31 December 2015, 中国农业出版社出版 *
宋丽梅 等: "《模式识别》", 31 August 2015 *
张德丰: "《MATLAB神经网络应用设计》", 31 January 2009, 机械工业出版社 *
李存斌: "《电力风险元传递理论与应用》", 31 October 2013, 中国电力出版社 *
沈凌云 等: "基于径向基神经网络的太阳能电池缺陷检测", 《发光学报》 *
王亦虹 李伟: "《企业安全文化评价体系研究》", 31 October 2011, 天津大学出版社 *
王会峰 等: "基于数字图像技术的高频电阻焊状态监测", 《华南理工大学学报（自然科学版）》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106841212A (zh) * 2016-12-30 2017-06-13 湖南大学 一种基于局部pca和bp神经网络的瓶口缺陷检测方法
CN106841212B (zh) * 2016-12-30 2019-06-21 湖南大学 一种基于局部pca和bp神经网络的瓶口缺陷检测方法
CN108154502A (zh) * 2017-12-22 2018-06-12 王华锋 一种基于卷积神经网络的通孔焊点识别方法
CN109447941A (zh) * 2018-09-07 2019-03-08 广州大学 一种激光软钎焊系统焊接过程中自动配准及质量检测方法
CN109447941B (zh) * 2018-09-07 2021-08-03 武汉博联特科技有限公司 一种激光软钎焊系统焊接过程中自动配准及质量检测方法
WO2020077694A1 (zh) * 2018-10-17 2020-04-23 深圳市微埃智能科技有限公司 基于神经网络的焊接工艺参数推荐方法、装置及机器人
CN110399694A (zh) * 2019-08-01 2019-11-01 燕山大学 一种用于焊管隐性缺陷分析及消除的方法
CN111753877A (zh) * 2020-05-19 2020-10-09 海克斯康制造智能技术(青岛)有限公司 一种基于深度神经网络迁移学习的产品质量检测方法
CN111753877B (zh) * 2020-05-19 2024-03-05 海克斯康制造智能技术(青岛)有限公司 一种基于深度神经网络迁移学习的产品质量检测方法
CN113673529A (zh) * 2021-08-16 2021-11-19 连城凯克斯科技有限公司 语义分割模型训练方法、硅熔融状态检测方法及电子设备
CN113828947A (zh) * 2021-11-23 2021-12-24 昆山宝锦激光拼焊有限公司 一种基于双优化的bp神经网络激光焊接焊缝成形预测方法

Similar Documents

Publication Publication Date Title
CN105787940A (zh) 一种高频电阻直缝焊接质量状态的在线检测方法
CN112232400B (zh) 一种基于深浅特征融合的不锈钢焊缝超声缺陷检测方法
CN109035242B (zh) 一种基于深度学习的hf-erw焊接状态检测方法及装置
Thekkuden et al. Investigation of feed-forward back propagation ANN using voltage signals for the early prediction of the welding defect
CN110441329B (zh) 一种基于深度学习的激光焊接缺陷识别方法、装置及设备
CN111178392B (zh) 基于深度神经网络的航空发动机孔探图像损伤分割方法
CN109001211A (zh) 基于卷积神经网络的长输管道焊缝检测系统及方法
CN118023791B (zh) 一种精密壳体的焊接方法及系统
CN113298190A (zh) 一种基于大尺寸的不平衡样本的焊缝图像识别分类算法
CN113343402A (zh) 基于多层卷积稀疏编码的管道腐蚀等级评估方法
CN111539533A (zh) 一种基于极限学习机和小孔特征的焊接熔透定量评价方法
CN118262164A (zh) 一种基于深度学习的管道焊缝超声相控阵缺陷识别方法
CN105975995B (zh) 基于模糊偏好关系的多振动信号融合方法
Wang et al. Research on detection method for welding seam defects in ultrasonic TOFD image based on mask R-CNN
CN116721080A (zh) 基于形状位置感知和均衡采样的小径管焊接缺陷检测方法
Xiao-Guang et al. The research of defect recognition for radiographic weld image based on fuzzy neural network
Kulkarni et al. Machine learning based classification of welded components
Al Amin et al. Analysis of Optimizer Effects on CNN Model for Defect Identification in Welding Results of A 106 Grade B Carbon Steel Pipe
Huang et al. Research on CNN-based intelligent recognition method for negative images of weld defects
Peng et al. High-Precision Surface Crack Detection for Rolling Steel Production Equipment in ICPS
Wang et al. Existing weld seam recognition based on sub-region BP_Adaboost algorithm
Gao et al. Recognition of Radiographic Weld Defects based on Combining ResNet18 and Q-learning for Imbalanced Train Dataset
Gao et al. Quality assessment algorithm of X-ray images in overall girth welds based on deep neural network
Geng et al. A GAN-based method for diagnosing bodywork spot welding defects in response to small sample condition
Yan et al. Multi-Objective Considered Process Parameter Optimization of Welding Robots Based on Small Sample Size Dataset. Sustainability 2023, 15, 15051

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20160720

RJ01 Rejection of invention patent application after publication