CN108346151A - 一种判断激光焊接熔透性的方法 - Google Patents

一种判断激光焊接熔透性的方法 Download PDF

Info

Publication number
CN108346151A
CN108346151A CN201810198572.3A CN201810198572A CN108346151A CN 108346151 A CN108346151 A CN 108346151A CN 201810198572 A CN201810198572 A CN 201810198572A CN 108346151 A CN108346151 A CN 108346151A
Authority
CN
China
Prior art keywords
penetration
layer
feature
pictures
laser welding
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
CN201810198572.3A
Other languages
English (en)
Inventor
张屹
张哲豪
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.)
Shenzhen Research Institute Of Hunan University
Hunan University
Original Assignee
Hunan 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 Hunan University filed Critical Hunan University
Priority to CN201810198572.3A priority Critical patent/CN108346151A/zh
Publication of CN108346151A publication Critical patent/CN108346151A/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Laser Beam Processing (AREA)

Abstract

本发明公开了一种判断激光焊接熔透性的方法，对焊接过程进行拍摄，采集到熔池的图像，把熔池状态分成4类，分别是未熔透、初步熔透、完全熔透与过熔透，每一类状态筛选每一类11000张图片，其中10000张为测试集，1000张为训练集，一共44000张图片，40000张训练集，4000张测试集，每一张图像转换为28×28大小的灰度图。将灰度图输入卷积神经网络进行训练，得到训练模型结果。本发明的方法可以自动对激光焊接熔透性进行分类，能有效判断激光焊接熔透性。

Description

一种判断激光焊接熔透性的方法
技术领域
本发明涉及一种判断激光焊接熔透性的方法，特别涉及用于激光焊接不等厚金属材料的熔透性判断。
背景技术
目前，激光焊接因其高效、绿色、高质量、柔性好等原因，成为汽车身焊接中的重要方式之一。不等厚高强钢在汽车车身中的应用能起到减轻车身重量的作用，满足节能环保的要求。然而，由于异形高强钢的自身厚度是变化的，在激光焊接过程中若工艺参数不变则会出现未均匀焊透的现象，从而导致焊接后材料性能不稳定的情况发生，焊接质量与熔透性有直接关系。使用预设程序也会因不等厚板变化的不确定性而很难达到均匀焊透的效果。因此，研究激光焊接熔透性就显得非常重要。
现有的测量方法主要是对焊接截面进行观察，人工判断。
人工判断是焊接后使用线切割设备截取焊焊接部分的横截面，经过制样，腐蚀之后用显微镜观察，在确定待焊接区域焊好并且未出现过熔透现象之后可以确定待焊接区域已经焊透。使用此种判断方法需要花费大量时间与精力进行预处理，滞后性较长，每一个截面只能代表一个位置是否熔透，其他位置同样需要进行取截面等一系列过程。
通过观察焊缝背面是否有重熔的金属，也能判断是否熔透，因焊接是一个不稳定的动态过程，而且焊缝背面凹凸不平，所以过熔透与正常熔透很难区分，通过焊缝背面判断不准确。
发明内容
本发明旨在提供一种判断激光焊接熔透性的方法，使判断激光焊接熔透性的结果更准确有效。
为解决上述技术问题，本发明所采用的技术方案是：一种判断激光焊接熔透性的方法，包括以下步骤：
1)对焊接过程进行拍摄，采集到熔池的图像，把熔池状态分成4类，分别是未熔透、初步熔透、完全熔透与过熔透，每一类状态筛选每一类N张图片，其中M张为训练集，且M＜N，N-M张为测试集；每一张图片转换为S×S大小的灰度图；其中N大于6000，S≥28；
2)将所述训练集对应的灰度图设置为4组；
3)将步骤2)的每组灰度图输入到卷积神经网络，经过卷积层进行卷积计算，得到多个第一特征图；
4)将所述第一特征图的宽和高的尺寸池化到第一池化层的上一层的一半大小，得到多个第二特征图；
5)对所述第二特征图进行卷积计算，输出多个第三特征图；
6)将所述第三特征图的宽和高的尺寸池化到第二池化层的上一层的一半大小，得到多个第四特征图；
7)将第四特征图转为特征向量输入至第一全连接层；
8)使用激活函数对第一全连接层进行运算，达到稀疏效果；
9)将稀疏后的特征向量输出至第二全连接层；
10)将第二全连接层的特征向量输入至输出层，输出获得分类概率分布，取得最终分类结果；
11)对所有待分类图片，执行步骤3)～步骤10)，获得所有待分类图片的最终分类结果，将所有图片的最终分类结果与真实分类进行比较，得到正确预测到的正例的数量TP、正确预测到的负例的数量TN：、把负例预测成正例的数量FP、把正例预测成负例的数量FN；利用下式计算准确率＝(TP+TN)/(TP+TN+FP+FN)。
所述卷积神经网络主要包括8层：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层、第二全连接层和输出层。
N＝11000，其中10000张为训练集，1000张为测试集，一共44000张图片，40000张训练集，4000张测试集，每一张图像转换为28×28大小的灰度图；每一类的训练集应大于6000张，数量不够的训练集训练模型时不能收敛，导致训练失败，训练图片越多，模型鲁棒性更好，分类准确率会有一定程度提高。
与现有技术相比，本发明所具有的有益效果为：本发明的方法可以自动判断激光焊接熔透性，使判断激光焊接熔透性的结果更准确有效。
附图说明
图1为本发明流程图；
图2(a)～图2(d)分别为未熔透、初步熔透、完全熔透、过度熔透对应的状态图；
图3为本发明实施例处理流程图。
具体实施方式
本发明采用的技术方案是：
第一步：图像采集
使用工业相机或高速相机用同轴或侧轴方法对焊接过程进行拍摄，采集到熔池的图像。把熔池状态分成4类，分别是未熔透、初步熔透、适当熔透与过熔透。每一类状态用人工方法筛选每一类11000张图片，其中10000张为测试集，1000张为训练集，一共44000张图片，40000张训练集，4000张测试集。每一张图像转换为28×28大小的灰度图。
第二步：模型训练
所述卷积神经网络的结构为6层，分别是输入层，卷积层C1(conv1)、池化层S2(pool1)、卷积层C3(conv2)、池化层S4(pool2)、、全连接层C5(ip1)、全连接层2F6(ip2)和输出层OUTPUT，即显示准确率。
为了方便理解，方法中卷积层的图像卷积计算公式如下
式中：
l表示层数；
k是5*5的卷积核；
Mj代表输入特征图的一个选择；
b为每个输出图的偏置。
卷积之后进行池化运算，一个池化层对输入进行池化操作。如果输入的特征图为n个，在经过次抽样层后特征图的个数仍然为n，但是输出的特征图会变小。池化层的计算公式如下
式中：
down(·)表示池化函数。池化函数一般是对该层输入图像的一个n×n大小的区域对应值相乘求和，再乘以1/n*n,因此，输出图像的大小是输入图像大小的1/n。每一个输出的特征图有自己的参数β和b。
为了能高效的对经过卷积、池化之后的数据进行分类，需要对数据进行激活函数的变化达到稀疏表达的效果。常见的激活函数有3中，ReLU激活函数如式：
f(x)＝max(0,x) (3)
ReLU函数能最大程度的保留数据特征，并且能加速训练，快速拟合，使用ReLU激活函数时对学习率设置要求较高，一般为0.01-0.001,过大会导致较多的数据不能激活。
Sigmoid激活函数如式：
f(x)＝(1+e-x)-1 (4)
使用Sigmoid激活函数时，能把输入函数压缩到0与1之间。使用不同激活函数进行训练模型，根据模型的准确率及学习时间进行激活函数的选择。
为了对五类样本进行分类，使用SoftMax函数，SoftMax具体预测函数如下：
式中为模型参数，作用将概率进行归一化处理，并且使所有概率和为1。
在Softmax回归函数中，使用符号θ来表示全部的模型参数，并将θ用一个k×(n+1)的矩阵来表示，该矩阵是将θ1，θ2，…，θk按罗列起来得到如下公式：
θ值对分类的准确性影响很大，引入损失函数，求取最佳θ值
其中{y(i)＝j}是置信函数，当y(i)＝j时，该函数取1，否则函数取0。公式(7)中的第一项是对数似然函数，第二项是正则函数，也称权重衰减。使用梯度下降法，则对公式(7)求导，得到公式(8)：
公式(8)与更新速度VJ组成线性组合，自我迭代更新：
其中μ与α表示动量与学习率，调整动量与学习率参数会有效改变准确率。最终根据公式(9)对θ不断更新得公式(10)，求取最佳θ值：
θJ+1＝θJ+VJ+1 (10)
下面结合实施例对本发明作进一步说明。
实施例1
这里以B340LA不等厚板激光焊接监测作为研究对象，结合发明原理图进一步说明本发明的原理。
样本采集：在不同工艺条件下进行激光焊接并采集图像，通过人工筛选4类共44000张图片，其中40000张作为训练集，4000张作为测试集。使用相机拍摄原图为512×464大小，通过开窗口方法提取熔池的有效信息，开窗口后提取熔池图片大小为121×121，再经过转格式及灰度处理，最终得到28×28的熔池灰度图。
模型前向传播：如图3所示，输入的数据设置64张图片为一组，大小为28×28的图片数据，共有64×1×28×28个元素；经过C1(conv1)层进行卷积计算，设置20个过滤器(也为卷积核)，卷积核大小为5×5，步长为1，输出20个大小为24×24的特征图(尺寸计算如式1)，C1共有20×5×5＝500个可训练参数，共有500×24×24＝288000个连接；C1到S2层进行降采样，S2层(pool1)为池化层，将特征图的宽和高的尺寸池化到上一层的一半大小，输出20个大小为12×12的特征图(尺寸计算如式2)，S2共有20×2×2＝80个可训练参数，共有20×2×2×12×12＝11520个连接；S2到C3(conv2)同输入层到C1层的方式一样进行卷积计算，输出50个大小为8×8的特征图，共50×5×5＝1250个可训练参数，共有50×5×5×8×8＝80000个连接；S4(pool2)为降采样层，方法同C1到S2，特征图为50个，大小为4x4，共有50×2×2＝200个可训练参数，共有50×2×2×4×4＝3200个连接；C5(ip1)为全连接层，为500个特征图，使用激活函数ReLU函数(计算如式3)对全连接层进行运算，达到稀疏效果；激活函数后是输出层C6(ip2)层，能大幅度降低特征图数量，输出层设置为4，4表示4类熔池状态，分别是未熔透、初步熔透、完全熔透与过熔透。最终输出结果，结果以Softmax函数(计算如式5)的形式输出。
模型训练：模型训练是通过前向传播获得损失值，并反向传播算法不断更新卷积核与池化层中的参数以及θ值。
训练得到网络模型，使用4000张测试样本对模型进行测试，最终获得准确率。
通过更改学习率、权重衰减、激活函数等方法可以提高模型准确率。
选取准确率最高的模型对激光焊接过程的熔透性进行分类。

Claims (3)

1.一种判断激光焊接熔透性的方法，其特征在于，包括以下步骤：
1)对焊接过程进行拍摄，采集到熔池的图像，按照穿透孔的大小把熔池状态分成4类，分别是未熔透、初步熔透、完全熔透与过熔透，每一类状态筛选每一类N张图片，其中M张为训练集，且M＜N，N-M张为测试集；每一张图片转换为S×S大小的灰度图；其中N大于6000，S≥28；
2)将所述训练集对应的灰度图设置为4组；
3)将步骤2)的每组灰度图输入到卷积神经网络，经过卷积层进行卷积计算，得到多个第一特征图；
4)将所述第一特征图的宽和高的尺寸池化到第一池化层的上一层的一半大小，得到多个第二特征图；
5)对所述第二特征图进行卷积计算，输出多个第三特征图；
6)将所述第三特征图的宽和高的尺寸池化到第二池化层的上一层的一半大小，得到多个第四特征图；
7)将第四特征图转为特征向量输入至第一全连接层；
8)使用激活函数对第一全连接层进行运算，达到稀疏效果；
9)将稀疏后的特征向量输出至第二全连接层；
10)将第二全连接层的特征向量输入至输出层，输出获得分类概率分布，取概率最大的那一项作为最终分类结果；
11)对所有待分类图片，执行步骤3)～步骤10)，获得所有待分类图片的最终分类结果，将所有图片的最终分类结果与真实分类进行比较，得到正确预测到的正例的数量TP、正确预测到的负例的数量TN：、把负例预测成正例的数量FP、把正例预测成负例的数量FN；利用下式计算准确率＝(TP+TN)/(TP+TN+FP+FN)。
2.根据权利要求1所述的判断激光焊接熔透性的方法，其特征在于，所述卷积神经网络包括8层：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层、第二全连接层和输出层。
3.根据权利要求1所述的判断激光焊接熔透性的方法，其特征在于，N＝11000，其中10000张为训练集，1000张为测试集，一共44000张图片，40000张训练集，4000张测试集。
CN201810198572.3A 2018-03-12 2018-03-12 一种判断激光焊接熔透性的方法 Pending CN108346151A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810198572.3A CN108346151A (zh) 2018-03-12 2018-03-12 一种判断激光焊接熔透性的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810198572.3A CN108346151A (zh) 2018-03-12 2018-03-12 一种判断激光焊接熔透性的方法

Publications (1)

Publication Number Publication Date
CN108346151A true CN108346151A (zh) 2018-07-31

Family

ID=62957138

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810198572.3A Pending CN108346151A (zh) 2018-03-12 2018-03-12 一种判断激光焊接熔透性的方法

Country Status (1)

Country Link
CN (1) CN108346151A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109117818A (zh) * 2018-08-30 2019-01-01 苏州富莱智能科技有限公司 材料组织特性智能识别分析系统及分析方法
CN109145846A (zh) * 2018-08-30 2019-01-04 苏州富莱智能科技有限公司 材料微观结构智能识别分析系统及分析方法
CN110414388A (zh) * 2019-07-12 2019-11-05 南京理工大学 基于深度预测网络的驼峰和熔透在线预警方法
WO2020104102A1 (de) * 2018-11-22 2020-05-28 Precitec Gmbh & Co. Kg Erkennung von bearbeitungsfehlern eines laserbearbeitungssystems mithilfe von tiefen faltenden neuronalen netzen
CN112329275A (zh) * 2021-01-04 2021-02-05 四川大学 一种激光金属增材沉积融合状态实时预测方法及系统
CN113256620A (zh) * 2021-06-25 2021-08-13 南京思飞捷软件科技有限公司 基于差值卷积神经网络的车身焊接质量信息评判方法
CN113329836A (zh) * 2018-11-22 2021-08-31 普雷茨特两合公司 借助深度卷积神经网络监测激光加工过程
CN115456982A (zh) * 2022-09-05 2022-12-09 武汉理工大学 焊缝熔透性判定方法、装置、电子设备以及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105891215A (zh) * 2016-03-31 2016-08-24 浙江工业大学 基于卷积神经网络的焊接视觉检测方法及装置
CN106530284A (zh) * 2016-10-21 2017-03-22 广州视源电子科技股份有限公司 基于图像识别的焊点类型检测和装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105891215A (zh) * 2016-03-31 2016-08-24 浙江工业大学 基于卷积神经网络的焊接视觉检测方法及装置
CN106530284A (zh) * 2016-10-21 2017-03-22 广州视源电子科技股份有限公司 基于图像识别的焊点类型检测和装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
AGUS KHUMAIDI ET.AL: "Welding Defect Classification Based on Convolution Neural Network (CNN) and Gaussian Kernel", 《2017 INTERNATIONAL SEMINAR ON INTELLIGENT TECHNOLOGY AND ITS APPLICATION》 *
YANG YANG: "On-Line Welding Quality Inspection System for Steel Pipe Based on Machine Vision", 《AIP CONFERENCE PROCEEDINGS 1839》 *
ZHEHAO ZHANG ET.AL: "Real-time penetration state monitoring using convolutional neural network for laser welding of tailor rolled blanks", 《JOURNAL OF MANUFACTURING SYSTEMS》 *
覃科 等: "基于卷积神经网络的CO2焊接熔池图像状态识别方法", 《试验研究》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109117818A (zh) * 2018-08-30 2019-01-01 苏州富莱智能科技有限公司 材料组织特性智能识别分析系统及分析方法
CN109145846A (zh) * 2018-08-30 2019-01-04 苏州富莱智能科技有限公司 材料微观结构智能识别分析系统及分析方法
CN113226612A (zh) * 2018-11-22 2021-08-06 普雷茨特两合公司 借助深度卷积神经网络识别激光加工系统的加工缺陷
WO2020104102A1 (de) * 2018-11-22 2020-05-28 Precitec Gmbh & Co. Kg Erkennung von bearbeitungsfehlern eines laserbearbeitungssystems mithilfe von tiefen faltenden neuronalen netzen
CN113329836A (zh) * 2018-11-22 2021-08-31 普雷茨特两合公司 借助深度卷积神经网络监测激光加工过程
US11536669B2 (en) 2018-11-22 2022-12-27 Precitec Gmbh & Co. Kg Detecting machining errors of a laser machining system using deep convolutional neural networks
US12013670B2 (en) 2018-11-22 2024-06-18 Precitec Gmbh & Co. Kg Monitoring a laser machining process using deep folding neural networks
CN110414388A (zh) * 2019-07-12 2019-11-05 南京理工大学 基于深度预测网络的驼峰和熔透在线预警方法
CN110414388B (zh) * 2019-07-12 2022-09-06 南京理工大学 基于深度预测网络的驼峰和熔透在线预警方法
CN112329275A (zh) * 2021-01-04 2021-02-05 四川大学 一种激光金属增材沉积融合状态实时预测方法及系统
CN112329275B (zh) * 2021-01-04 2021-04-02 四川大学 一种激光金属增材沉积融合状态实时预测方法及系统
CN113256620A (zh) * 2021-06-25 2021-08-13 南京思飞捷软件科技有限公司 基于差值卷积神经网络的车身焊接质量信息评判方法
CN115456982A (zh) * 2022-09-05 2022-12-09 武汉理工大学 焊缝熔透性判定方法、装置、电子设备以及存储介质

Similar Documents

Publication Publication Date Title
CN108346151A (zh) 一种判断激光焊接熔透性的方法
CN105118044B (zh) 一种轮形铸造产品缺陷自动检测方法
CN107909564A (zh) 一种基于深度学习的全卷积网络图像裂纹检测方法
CN107742099A (zh) 一种基于全卷积网络的人群密度估计、人数统计的方法
CN106980858A (zh) 一种语言文本检测与定位系统及应用该系统的语言文本检测与定位方法
CN111179273A (zh) 一种基于深度学习的白细胞核质自动分割方法及系统
CN107480611A (zh) 一种基于深度学习卷积神经网络的裂缝识别方法
CN107563431A (zh) 一种结合cnn迁移学习和svdd的图像异常检测方法
CN107481231A (zh) 一种基于深度卷积神经网络的五金件缺陷分类识别方法
CN107133960A (zh) 基于深度卷积神经网络的图像裂缝分割方法
CN107657603A (zh) 一种基于智能视觉的工业外观检测方法
CN108629369A (zh) 一种基于Trimmed SSD的尿沉渣有形成分自动识别方法
CN110222701A (zh) 一种桥梁病害自动识别方法
CN109272500A (zh) 基于自适应卷积神经网络的织物分类方法
CN107492098A (zh) 一种基于pca和cnn的高温锻件表面缺陷在位检测方法
CN110322429B (zh) 一种基于深度学习的蜂窝复合材料缺陷分类方法
CN106991666A (zh) 一种适用于多尺寸图片信息的病害图像识别方法
CN109087305A (zh) 一种基于深度卷积神经网络的裂缝图像分割方法
CN109001211A (zh) 基于卷积神经网络的长输管道焊缝检测系统及方法
CN116402821A (zh) 一种基于神经网络的飞机蒙皮涂胶质量缺陷检测方法
CN116385758A (zh) 基于YOLOv5网络对传送带表面损伤的检测方法
CN115526852A (zh) 基于目标检测的选区激光熔融过程中熔池与飞溅监测方法及应用
He et al. Research on surface defect detection method of metal workpiece based on machine learning
WO2020208155A1 (de) Verfahren zur bestimmung der geometrie einer fehlstelle auf basis zerstörungsfreier messverfahren unter verwendung von direkter inversion
CN114324580A (zh) 一种结构缺陷的智能敲击检测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20190624

Address after: 410083 No. 28 Lushan South Road, Yuelu District, Changsha City, Hunan Province

Applicant after: HUNAN University

Applicant after: SHENZHEN RESEARCH INSTITUTE OF HUNAN University

Address before: Yuelu District City, Hunan province 410082 Changsha Lushan Road No. 2

Applicant before: Hunan University

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180731