CN110490867B - 基于深度学习的金属增材制造成形尺寸实时预测方法 - Google Patents

基于深度学习的金属增材制造成形尺寸实时预测方法 Download PDF

Info

Publication number
CN110490867B
CN110490867B CN201910780783.2A CN201910780783A CN110490867B CN 110490867 B CN110490867 B CN 110490867B CN 201910780783 A CN201910780783 A CN 201910780783A CN 110490867 B CN110490867 B CN 110490867B
Authority
CN
China
Prior art keywords
molten pool
deep learning
image
network model
neural network
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.)
Active
Application number
CN201910780783.2A
Other languages
English (en)
Other versions
CN110490867A (zh
Inventor
殷鸣
向枭
谢罗峰
殷国富
颜虎
刘浩浩
李家勇
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.)
Sichuan University
Original Assignee
Sichuan 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 Sichuan University filed Critical Sichuan University
Priority to CN201910780783.2A priority Critical patent/CN110490867B/zh
Publication of CN110490867A publication Critical patent/CN110490867A/zh
Application granted granted Critical
Publication of CN110490867B publication Critical patent/CN110490867B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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

Landscapes

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

Abstract

本发明公开了基于深度学习的激光金属增材制造成形精度预测系统，包括打印工作台、图像采集装置、人机交互装置、显示器及主机，所述图像采集装置、人机交互装置和显示器均与所述主机电性连接。本发明在一定时间序列下连续采集熔池图像和温度图像，先对有效的熔池图像和温度图像进行归一化处理，使得熔池图像的图片尺寸和像素大小的参数保持一致性，深度学习卷积神经网络模型在训练的时候排除了其他无关特征，仅仅对关键特征进行训练，具有提高深度学习卷积神经网络模型训练的效率的优点；并且采用深度学习卷积神经网络模型来对单道成形宽度进行预测，可有效提升参数的精度。

Description

基于深度学习的金属增材制造成形尺寸实时预测方法
技术领域
本发明属于增材制造技术领域，具体涉及基于深度学习的金属增材制造成形尺寸实时预测方法。
背景技术
单道成形的尺寸，如成形宽度、成形高度等参数是影响增材制造质量的重要因素，而熔池特征是对成形质量影响最为直接的因素。因而研究增材制造过程中熔池特征的变化以及实现熔池某些参数的控制对增材制造质量的保证有着重要的意义，同时根据熔池特征变化来控制增材制造质量也是实现增材制造智能化的一个重要组成部分。近年来，随着计算机视觉技术的发展，利用机器视觉直接观察增材制造熔池，通过图像处理获取熔池特征信息，对增材制造质量进行闭环控制，已成为增材制造技术重要的研究方向。
授权公告号为CN102519387B的中国专利公开了一种电子束焊接熔池形状参数的视觉检测方法对电子束焊彩色熔池图像视觉传感系统进行标定，然后启动系统采集熔池图像，采用二值形态学图像处理算法提取熔池图像边缘，最后利用熔池形状参数提取算法对熔池形状参数进行提取。
类似上述中的现有技术方案存在以下缺陷：例如，在进行增材制造实验时，会存在金属粉末残留在熔池边缘形成凸点的情况，灰度化处理后，凸点区域的灰度值和熔池区域的灰度值接近，带有凸点的熔池图像通过摄像机获取的熔池图像经上述视觉检测方法中的二值形态学图像处理算法提取熔池图像边缘后，上述视觉检测方法仍然无法将凸点与熔池边缘分离。总体来说，基于图像处理算法对熔池图像进行处理获得熔池形态和尺寸参数的方式，存在泛化性能差，精度较低的问题。此外，由此获得的熔池形态和尺寸参数实际上并不等同于最终的单道成形尺寸。
发明内容
本发明目的在于克服现有技术中面临的问题，例如：采集的图像数据存在干扰，难以进行准确处理；能够在特定情况下做出处理，但是泛化性能较差，导致情况复杂时，处理出来的预测值误差较大、精度较低。
基于深度学习的金属增材制造成形尺寸实时预测方法，包括以下步骤：
S1：在一定时间序列下连续采集熔池图像，使用部分该连续的熔池图像建立训练数据集，同样的，使用部分该连续的熔池图像建立测试数据集；
S2：建立深度学习卷积神经网络模型，设置相应的模型参数，包括网络层数和激活函数；网络模型的框架为Resnet101；
S3：将训练数据集中的熔池图像输入深度学习卷积神经网络模型中，对深度学习卷积神经网络模型进行训练，优化深度学习卷积网络模型；
S4：将测试数据集中的熔池图像输入优化后的深度学习卷积神经网络模型中，预测成形单道的宽度。
进一步的，所述S1具体包括以下步骤：
S11：进行不同工艺参数下的单道试验，并利用图像采集装置采集不同试验下的熔池图像；
S12：对成形单道进行宽度测量；
S13：根据成形单道表面质量标注熔池图像，将部分标注后的熔池图像作为训练数据集，同样的，将部分标注后的熔池图像作为测试数据集。
进一步的，步骤S13在生成训练数据集和测试数据集之前，先对有效的熔池图像进行归一化处理。
进一步的，所述深度学习卷积神经网络模型为残差模型，所述残差模型包括卷积层、池化层以及残差结构。
进一步的，所述深度学习卷积网络模型使用Stochastic Gradient Decent算法和误差反向传播方法来最小化损失函数，得到最优化网络参数。
基于深度学习的激光金属增材制造成形尺寸实时预测系统，包括打印工作台、图像采集装置、人机交互装置、显示器及主机，所述图像采集装置人机交互装置和显示器均与所述主机电性连接，所述图像采集装置安装在所述打印工作台的上方；所述图像采集装置用于在一定时间序列下连续采集熔池图像并将所采集的熔池图像传输至所述主机；所述主机用于使用部分该连续的熔池图像建立训练数据集，同样的，也使用部分该连续的熔池图像建立测试数据集；建立深度学习卷积神经网络模型，设置相应的模型参数，包括网络层数和激活函数；网络模型的框架为Resnet101，将训练数据集中的熔池图像输入深度学习卷积神经网络模型中，对深度学习卷积神经网络模型进行训练，优化深度学习卷积网络模型；将测试数据集中的熔池图像输入优化后的深度学习卷积神经网络模型中，预测成形单道表面质量，即单道表面成形宽度。
进一步的，所述图像采集装置通过USB电缆与所述主机电性连接，所述图像采集装置为CCD相机或CMOS相机。
进一步的，所述CCD相机或CMOS相机的镜头正对所述打印工作台的表面。
本发明的有益技术效果是：本发明在一定时间序列下连续采集熔池图像，先对有效的熔池图像进行归一化处理，使得熔池图像的图片尺寸和像素大小的参数保持一致性，深度学习卷积神经网络模型在训练的时候排除了其他无关特征，仅仅对关键特征进行训练，具有提高深度学习卷积神经网络模型训练的效率的优点；并且采用深度学习卷积神经网络模型来对单道成形宽度测量进行预测，可有效提升这些参数的精度。
附图说明
图1显示为本发明的一个实施例的基本流程示意图。
图2显示为本发明的实施例1中的步骤S1的流程示意图。
图3显示为本发明的一个实施例的结构示意图。
图4显示为本发明的实施例1中宽度预测训练示意图。
图5显示为本发明的实施例1中宽度预测训练网络结构图。
具体实施方式
下面结合本发明的附图1-5，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
如图1所示，基于深度学习的金属增材制造成形尺寸实时预测方法，包括以下步骤：
S1：在一定时间序列下连续采集熔池图像，使用部分该连续的熔池图像建立训练数据集，同样的，使用部分该连续的熔池图像建立测试数据集；
S2：建立深度学习卷积神经网络模型，设置相应的模型参数，包括网络层数和激活函数；网络模型的框架为Resnet101；
如图5所示，其中，模型可分为输入模块、特征提取模块、决策层模块；输入模块即为熔池图像，特征提取模块主要由卷积层、批归一化层、激活层堆叠而成，决策层模块则包括平均池化层、全连接层和回归层；
S3：将训练数据集中的熔池图像输入深度学习卷积神经网络模型中，对深度学习卷积神经网络模型进行训练，优化深度学习卷积网络模型；
S4：将测试数据集中的熔池图像输入优化后的深度学习卷积神经网络模型中，预测成形单道的宽度。
如图2所示，进一步的，所述S1具体包括以下步骤：
S11：进行不同工艺参数下的单道试验，并利用图像采集装置采集不同试验下的熔池图像；
S12：对成形单道进行宽度测量；
S13：根据成形单道宽度标注熔池图像，将部分标注后的熔池图像作为训练数据集，同样的，将部分标注后的熔池图像作为测试数据集。
通过采用上述技术方案，对深度学习卷积神经网络模型所需的训练图像集进行全面收集，达到提高深度学习卷积神经网络模型训练的效率的效果。
优选的，步骤S13在生成训练图像集和测试图像集之前，先对有效的熔池图像进行归一化处理。
通过采用上述技术方案，若不进行归一化处理，由于图像采集装置采集熔池图像的大小不完全一致，将会增加第一训练图像子集和第二训练图像子集的复杂度，进而增加深度学习卷积神经网络模型的训练难度，不利于深度学习卷积神经网络模型的高效训练。归一化处理，使得熔池图像的图片尺寸和像素大小的参数保持一致性，深度学习卷积神经网络模型在训练的时候排除了其他无关特征，仅仅对关键特征进行训练，达到提高深度学习卷积神经网络模型训练的效率的效果。
优选的，所述深度学习卷积神经网络模型为残差模型，所述残差模型主要包括卷积层、池化层以及残差结构。
优选的，所述深度学习卷积网络模型使用Stochastic Gradient Decent算法和误差反向传播方法来最小化损失函数，得到最优化网络参数。
通过采用上述技术方案，SGD使用基于随机少量样本的梯度来估计整个损失函数的梯度，以便实现更加快捷的学习过程。而通过误差反向传播算法可以逐层快速的计算出各层参数的梯度，进而完成参数的调整，来达到最小化损失函数的目的。
在处理过程中，采用线结构光对单道成形的宽度进行测量，相较于游标卡尺手工测量在数据量、自动化程度、分辨率和精度等方面均具有优势。
如图4所示，使用上述方法进行宽度预测，在8000段数据样本中，随机选择6000段作为训练样本，2000段作为预测样本，最终在平均宽度为2.68mm样本下，预测精度在0.15mm误差内可达到94%的准确率。
实施例2：
如图3所示，基于深度学习的激光金属增材制造成形尺寸实时预测系统，包括打印工作台、图像采集装置、人机交互装置、显示器及主机，所述图像采集装置人机交互装置和显示器均与所述主机电性连接，所述图像采集装置安装在所述打印工作台的上方；所述图像采集装置用于在一定时间序列下连续采集熔池图像并将所采集的熔池图像传输至所述主机；所述主机用于使用部分该连续的熔池图像建立训练数据集，同样的，也使用部分该连续的熔池图像建立测试数据集；建立深度学习卷积神经网络模型，设置相应的模型参数，包括网络层数和激活函数；网络模型的框架为Resnet101，将训练数据集中的熔池图像输入深度学习卷积神经网络模型中，对深度学习卷积神经网络模型进行训练，优化深度学习卷积网络模型；将测试数据集中的熔池图像输入优化后的深度学习卷积神经网络模型中，预测成形单道表面质量，即单道表面成形宽度。
通过采用上述技术方案，图像采集装置采集不同试验下的连续的熔池图像并将连续的熔池图像传输至主机，操作人员通过人机交互装置和显示器在主机内进行深度学习卷积网络模型、连续的熔池图像的筛选、建立训练图像集、建立测试图像集、训练深度学习卷积网络模型等工作，完成深度学习卷积网络模型的优化后，操作人员再将待提取的熔池图像输入至深度学习卷积网络模型内，深度学习卷积神经网络模型输出相应的预测值，并通过显示器显示出来。
优选的，所述图像采集装置为CCD相机或CMOS相机，所述CCD相机或CMOS相机通过USB电缆与所述主机电性连接。
优选的，所述CCD相机或CMOS相机的镜头正对所述打印工作台的表面设置。
通过采用上述技术方案，CCD相机或CMOS相机的拍摄角度90度最佳，当然，也可以根据实际需要进行调整。在进行实验过程中，操作人员观察CCD相机或CMOS相机拍摄的熔池图像，观察熔池图像是否清晰完整，再调整CCD相机或CMOS相机的拍摄角度，直至CCD相机或CMOS相机拍摄的熔池图像清晰完整。
在本发明的描述中，需要理解的是，术语“逆时针”、“顺时针”“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

Claims (2)

1.基于深度学习的金属增材制造成形尺寸实时预测方法，其特征在于，包括以下步骤：
S1：在一定时间序列下连续采集熔池图像，使用部分连续的熔池图像建立训练数据集，同样的，使用部分连续的熔池图像建立测试数据集；
S2：建立深度学习卷积神经网络模型，设置相应的模型参数，包括网络层数和激活函数；网络模型的框架为Resnet101；
其中，模型分为输入模块、特征提取模块、决策层模块；输入模块即为熔池图像，特征提取模块由卷积层、批归一化层、激活层堆叠而成，决策层模块则包括平均池化层、全连接层和回归层；
S3：将训练数据集中的熔池图像输入深度学习卷积神经网络模型中，对深度学习卷积神经网络模型进行训练，优化深度学习卷积网络模型；
S4：将测试数据集中的熔池图像输入优化后的深度学习卷积神经网络模型中，预测成形单道的宽度；
所述S1具体包括以下步骤：
S11：进行不同工艺参数下的单道试验，并利用图像采集装置采集不同试验下的熔池图像；
S12：对成形单道进行宽度测量；
S13：根据成形单道宽度标注熔池图像，将部分标注后的熔池图像作为训练数据集，同样的，将部分标注后的熔池图像作为测试数据集；
对深度学习卷积神经网络模型所需的训练图像集进行全面收集，
步骤S13在生成训练图像集和测试图像集之前，先对有效的熔池图像进行归一化处理；
归一化处理，使得熔池图像的图片尺寸和像素大小的参数保持一致性，深度学习卷积神经网络模型在训练的时候排除了其他无关特征，仅仅对关键特征进行训练，达到提高深度学习卷积神经网络模型训练效率的效果；
所述深度学习卷积神经网络模型为残差模型，所述残差模型包括卷积层、池化层以及残差结构；
所述深度学习卷积网络模型使用Stochastic Gradient Decent算法和误差反向传播方法来最小化损失函数，得到最优化网络参数；
Stochastic Gradient Decent算法使用基于随机少量样本的梯度来估计整个损失函数的梯度，以实现更加快捷的学习过程，而通过误差反向传播算法逐层快速的计算出各层参数的梯度，进而完成参数的调整，来达到最小化损失函数的目的；
在处理过程中，采用线结构光对单道成形的宽度进行测量。
2.基于深度学习的激光金属增材制造成形尺寸实时预测系统，其特征在于，采用如权利要求1所述的基于深度学习的金属增材制造成形尺寸实时预测方法进行预测，该系统还包括打印工作台、图像采集装置、人机交互装置、显示器及主机，所述图像采集装置人机交互装置和显示器均与所述主机电性连接，所述图像采集装置安装在所述打印工作台的上方；所述图像采集装置用于在一定时间序列下连续采集熔池图像并将所采集的熔池图像传输至所述主机；所述主机用于使用部分该连续的熔池图像建立训练数据集，同样的，也使用部分该连续的熔池图像建立测试数据集；
图像采集装置采集不同试验下的连续的熔池图像并将连续的熔池图像传输至主机，操作人员通过人机交互装置和显示器在主机内进行深度学习卷积网络模型、连续的熔池图像的筛选、建立训练图像集、建立测试图像集、训练深度学习卷积网络模型工作，完成深度学习卷积网络模型的优化后，操作人员再将待提取的熔池图像输入至深度学习卷积网络模型内，深度学习卷积神经网络模型输出相应的预测值，并通过显示器显示出来；
所述图像采集装置为CCD相机或CMOS相机，所述CCD相机或CMOS相机通过USB电缆与所述主机电性连接；
所述CCD相机或CMOS相机的镜头正对所述打印工作台的表面设置；
CCD相机或CMOS相机的拍摄角度可调，在进行实验过程中，操作人员观察CCD相机或CMOS相机拍摄的熔池图像，观察熔池图像是否清晰完整，再调整CCD相机或CMOS相机的拍摄角度，直至CCD相机或CMOS相机拍摄的熔池图像清晰完整。
CN201910780783.2A 2019-08-22 2019-08-22 基于深度学习的金属增材制造成形尺寸实时预测方法 Active CN110490867B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910780783.2A CN110490867B (zh) 2019-08-22 2019-08-22 基于深度学习的金属增材制造成形尺寸实时预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910780783.2A CN110490867B (zh) 2019-08-22 2019-08-22 基于深度学习的金属增材制造成形尺寸实时预测方法

Publications (2)

Publication Number Publication Date
CN110490867A CN110490867A (zh) 2019-11-22
CN110490867B true CN110490867B (zh) 2020-08-28

Family

ID=68552796

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910780783.2A Active CN110490867B (zh) 2019-08-22 2019-08-22 基于深度学习的金属增材制造成形尺寸实时预测方法

Country Status (1)

Country Link
CN (1) CN110490867B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111390168B (zh) * 2020-03-16 2021-05-18 大连理工大学 激光熔化沉积粉末流离焦量在线监测与负反馈状态识别方法
CN111783273A (zh) * 2020-05-22 2020-10-16 成都飞机工业（集团）有限责任公司 一种3d打印组织预测方法
CN112149335B (zh) * 2020-10-28 2022-07-19 浙江大学 基于机器学习的多层电弧增材制造过程热历史预测方法
CN112564118B (zh) * 2020-11-23 2022-03-18 广西大学 一种分布式可拓展量子深宽度学习的实时电压控制方法
CN113077078B (zh) * 2021-03-19 2023-10-31 中国科学院物理研究所 基于深度学习的超短激光脉冲相位预测方法及其系统
CN113139314B (zh) * 2021-04-29 2022-09-27 四川大学 一种用于激光增材制造工艺的热源数值模拟方法
CN113554587B (zh) * 2021-05-31 2024-05-14 江苏大学 一种基于深度学习的熔池图像几何特征提取方法及系统
CN113515873B (zh) * 2021-07-07 2022-04-19 中国科学院重庆绿色智能技术研究院 一种基于量纲分析的金属增材制造熔池形状预测方法
CN114012210B (zh) * 2021-12-06 2022-12-09 上海交通大学 电弧增材过程的沉积质量判断系统及方法
CN114619119B (zh) * 2022-03-29 2023-01-13 北京理工大学 一种电弧增材制造在线监测及实时控制系统
CN116408462B (zh) * 2023-04-12 2023-10-27 四川大学 一种激光金属增材沉积内部孔隙状态实时预测方法
CN117848221A (zh) * 2024-03-04 2024-04-09 南通进宝机械制造有限公司 一种钢件长度测量系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108986100A (zh) * 2017-06-02 2018-12-11 宏达国际电子股份有限公司 影像切割方法及装置
CN109031954A (zh) * 2018-08-03 2018-12-18 北京深度奇点科技有限公司 基于强化学习的焊接参数确定方法、焊接方法和设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105478976B (zh) * 2016-01-26 2017-10-24 清华大学 基于动态系统辨识的端接微束等离子焊接成形控制方法
US10875125B2 (en) * 2017-06-20 2020-12-29 Lincoln Global, Inc. Machine learning for weldment classification and correlation
CN107346340A (zh) * 2017-07-04 2017-11-14 北京奇艺世纪科技有限公司 一种用户意图识别方法及系统
CN109702293B (zh) * 2019-01-22 2020-01-14 清华大学 一种基于视觉检测的焊接熔透质量实时控制方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108986100A (zh) * 2017-06-02 2018-12-11 宏达国际电子股份有限公司 影像切割方法及装置
CN109031954A (zh) * 2018-08-03 2018-12-18 北京深度奇点科技有限公司 基于强化学习的焊接参数确定方法、焊接方法和设备

Also Published As

Publication number Publication date
CN110490867A (zh) 2019-11-22

Similar Documents

Publication Publication Date Title
CN110490867B (zh) 基于深度学习的金属增材制造成形尺寸实时预测方法
CN110472698B (zh) 基于深度和迁移学习的金属增材成形熔深实时预测方法
CN110490866B (zh) 基于深度特征融合的金属增材成形尺寸实时预测方法
CN102735695B (zh) 一种镜片瑕疵快速检测方法及装置
CN108918542B (zh) 一种光缆表面缺陷检测装置及方法
CN108562250B (zh) 基于结构光成像的键盘键帽平整度快速测量方法与装置
CN102673106B (zh) 一种用于光伏太阳能硅片的丝网印刷定位设备及定位方法
CN101122457B (zh) 影像边界扫描系统及方法
WO2023168972A1 (zh) 一种基于线阵相机的铜表面缺陷检测方法及装置
CN108257185A (zh) 多棋盘格角点检测方法及摄像机标定方法
CN109858539A (zh) 一种基于深度学习图像语义分割模型的roi区域提取方法
CN106546263A (zh) 一种基于机器视觉的激光水平仪出射激光线检测方法
CN110411340B (zh) 一种3d视觉检测装置及方法
CN109085178A (zh) 一种用于增材制造的缺陷指纹精确在线监测方法和反馈策略
CN102988052A (zh) 足长测量方法及系统
CN110196252A (zh) 坡口缺陷检测算法及装置
CN110738644A (zh) 一种基于深度学习的汽车涂装表面缺陷检测方法及系统
CN104749801B (zh) 高精度自动光学检测方法和系统
CN115131268A (zh) 一种基于图像特征提取与三维模型匹配的自动化焊接系统
CN114462646B (zh) 一种基于接触网安全巡检的杆号牌识别方法及系统
CN116465315A (zh) 一种网版质量自动化检测方法及系统
CN112461846B (zh) 工件缺陷检测方法及装置
CN113936291A (zh) 一种基于机器视觉的铝模板质检、回收方法
CN106767566B (zh) 一种工件质量在线监测评估方法及监测系统
CN114119483A (zh) 基于图像处理技术的建筑用轻质墙板质量检测方法及装置

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
GR01 Patent grant
GR01 Patent grant