CN112183665A - 一种基于卷积神经网络的co2焊接熔池图像识别方法 - Google Patents

一种基于卷积神经网络的co2焊接熔池图像识别方法 Download PDF

Info

Publication number
CN112183665A
CN112183665A CN202011168847.2A CN202011168847A CN112183665A CN 112183665 A CN112183665 A CN 112183665A CN 202011168847 A CN202011168847 A CN 202011168847A CN 112183665 A CN112183665 A CN 112183665A
Authority
CN
China
Prior art keywords
image
neural network
convolutional neural
steps
identification method
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
CN202011168847.2A
Other languages
English (en)
Inventor
孙有平
杨春洋
何江美
李旺珍
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.)
Guangxi University of Science and Technology
Original Assignee
Guangxi University of Science and Technology
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 Guangxi University of Science and Technology filed Critical Guangxi University of Science and Technology
Priority to CN202011168847.2A priority Critical patent/CN112183665A/zh
Publication of CN112183665A publication Critical patent/CN112183665A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

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

Abstract

本发明公开了一种基于卷积神经网络的CO2焊接熔池图像识别方法，包括，通过红外图像传感器采集熔池图像，并对所述熔池图像根据阈值进行分割处理；调节所述分割处理后的图像的对比度和亮度，并构建数据集；标记划分所述数据集为训练集和测试集，利用卷积神经网络对所述训练集进行训练，获得所述网络的参数；利用所述参数对所述测试集进行多次测试并获得测试精度，直至满足精度要求时输出所述熔池图像的识别结果。本发明能够降低依赖主观经验提取熔池图像特征参数特征对计算结果与分析产生的误差，提高了对熔池图像的识别精度。

Description

一种基于卷积神经网络的CO2焊接熔池图像识别方法
技术领域
本发明涉及接熔池图像识别的技术领域，尤其涉及一种基于卷积神经网络的CO2焊接熔池图像识别方法。
背景技术
近年来，国内外学术界许多专家从不同角度分析研究了熔池视觉检测，且经过多年研究已经形成了一定的理论体系。但由于影响熔池形貌的因素较多，较为复杂，所以对于收集到的熔池信息目前还多集中在理论研究阶段，真正借助这些信息来提升焊后检测方面的研究向相对较少，美国俄亥俄州立大学为研究熔池相关信息，以钢质焊件为研究对象，通过激光视觉传感器进行了熔池检测实验。在实验时，坡口宽度和焊件厚度分别设为0.5mm和1.5mm，对钢质材料进行焊接，在焊接过程中，使用视觉传感器检测熔池形状参数，该实验在收集信息时，不是实时收集的，这也是该实验的一大不足。
美国学者Y.M.Zhang和R.Kovacevic经过大量分析研究，创建了主动视觉熔池下榻检测方法，这种检测方法的光源是激光，利用激光照射焊缝表面，收集光反射条纹，然后利用图像处理技术对条纹变形量进行分析，得到该区域下榻量，然后将这一下榻量充当整个熔池下榻量，这种检测方法不是实时检测焊接过程，存在滞后性。
从以上研究能够了解到，现阶段，在熔池视觉检测方面的研究，国内外学术界还处在实验阶段，且现有的检测算法不够完善，也不够全面，同时也未充分利用和分析所收集到的熔池图像，距离将熔池图像应用于焊接质量实时监测和控制阶段还有很长一段距离。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种基于卷积神经网络的CO2焊接熔池图像识别方法，解决了图像数量少而引发的过拟合和对熔池图像的识别效率低的问题。
为解决上述技术问题，本发明提供如下技术方案：包括，通过红外图像传感器采集熔池图像，并对所述熔池图像根据阈值进行分割处理；调节所述分割处理后的图像的对比度和亮度，并构建数据集；标记划分所述数据集为训练集和测试集，利用卷积神经网络对所述训练集进行训练，获得所述网络的参数；利用所述参数对所述测试集进行多次测试并获得测试精度，直至满足精度要求时输出所述熔池图像的识别结果。
作为本发明所述的基于卷积神经网络的CO2焊接熔池图像识别方法的一种优选方案，其中：基于CO2焊接短路周期与电流变化的关系，获得与其电流变化频率相同的矩形脉冲波形，在熔滴短路时产生触发，而后通过所述红外图像传感器得到短路时的焊接熔池图像，并对所述图像以平均分布的方式选取，频率为50Hz。
作为本发明所述的基于卷积神经网络的CO2焊接熔池图像识别方法的一种优选方案，其中：所述阈值包括，利用大津算法动态选取合理的阈值，大小为M×N的图像I(x，y)有:
g＝ω1×ω2×(μ1－μ2)2
其中，字母ω1、ω2分别代表熔池区域和背景区域像素点数占整幅图像比例，g代表熔池区域和背景区域类间方差，μ1为、μ2分别代表熔池区域和背景区域像素平均灰度；选取g的最大值作为阈值：
T＝gmax。
作为本发明所述的基于卷积神经网络的CO2焊接熔池图像识别方法的一种优选方案，其中：所述对比度包括，对于所述图像中的每一个点，分别计算其局部均值与局部标准差：
Figure BDA0002746636180000021
Figure BDA0002746636180000022
其中，f(s,k)为坐标(s,k)像素值，M(i,j)为以点(i,j)为中心，窗口大小为[(2n+1)(2m+1)]的区域的局部均值，σ2(i,j)为局部方差；局部标准差为：
Figure BDA0002746636180000031
所述图像的对比度为：
I(i,j)＝M(i,j)+G(f(i,j)-M(i,j))
其中，I(i,j)调整所述对比度的图像像素值，G为对比度参数。
作为本发明所述的基于卷积神经网络的CO2焊接熔池图像识别方法的一种优选方案，其中：所述对比度参数G包括，
Figure BDA0002746636180000032
其中，α为系数参数，M为全局阈值。
作为本发明所述的基于卷积神经网络的CO2焊接熔池图像识别方法的一种优选方案，其中：所述亮度包括，定义所述熔池图像的亮度：
f(x，y)＝i(x，y)r(x，y)
其中，f(x，y)表示图像亮度，i(x，y)表示入射分量，r(x，y)表示反射分量；通过调节f的值来改变所述熔池图像的亮度假设图像的灰度值在[0，255]之间，若所述f的值越接近0，则述亮度越低；若所述f值越接近255，则所述亮度越高。
作为本发明所述的基于卷积神经网络的CO2焊接熔池图像识别方法的一种优选方案，其中：所述训练集和测试集包括，定义75％的所述数据集作为所述训练集，定义25％的所述数据集作为所述测试集。
作为本发明所述的基于卷积神经网络的CO2焊接熔池图像识别方法的一种优选方案，其中：所述卷积神经网络包括，通过设置输入层、输出层、激活函数、损失函数、隐层层数和节点数对所述卷积神经网络的结构进行构建。
作为本发明所述的基于卷积神经网络的CO2焊接熔池图像识别方法的一种优选方案，其中：所述设置包括，输入层和输出层：单个神经元；激活函数：
Figure BDA0002746636180000033
损失函数：
Figure BDA0002746636180000034
隐层层数：2层；隐层节点数：7个。
作为本发明所述的基于卷积神经网络的CO2焊接熔池图像识别方法的一种优选方案，其中：所述训练包括，利用随机梯度下降法选择所述训练集，每处理50个所述训练集，进行一次参数调整。
本发明的有益效果：通过采用红外图像传感器采集熔池图像，减少了复杂环境的影响，提升了图像处理效率；且能够降低依赖主观经验提取熔池图像特征参数特征对计算结果与分析产生的误差，从而提高了对熔池图像的识别精度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明第一个实施例所述的一种基于卷积神经网络的CO2焊接熔池图像识别方法的流程示意图；
图2为本发明第一个实施例所述的一种基于卷积神经网络的CO2焊接熔池图像识别方法的CNN-M损失函数的拟合结果示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”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和简化描述，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。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1～图2，为本发明的第一个实施例，本发明的第一个实施例提供了一种基于卷积神经网络的CO2焊接熔池图像识别方法，包括：
S1：通过红外图像传感器采集熔池图像，并对的熔池图像根据阈值进行分割处理。
其中需要说明的是，红外CCD(Charge-coupled Device)是现阶段使用相对广泛的一种图像传感器，该图像传感器能够将光辐射信号变为图像信号。
红外CCD探测器响应波段根据波长大小能够划分为有三段，分别是短波红外(1-3μm)、中波红外(3-6μm)以及长波红外(6-14μm)；焊接时所辐射出的光波波段恰好处于短波范畴内，所以借助红外CCD能够获得较为清晰和丰富的熔池相关图像数据和信息；本实施例使用日本索尼的红外CCD工业相机，该设备响应波长为1-5μm，相关参数见下表：
表1：红外CCD参数表。
探测器材料 PbSe
响应波段 1-5um
帧频 100-500Hz可调
分辨率 80×80/320×320
工作环境 非制冷
数据传输方式 USB2.0
基于CO2焊接短路周期与电流变化的关系，获得与其电流变化频率相同的矩形脉冲波形，在熔滴短路时产生触发，而后通过红外图像传感器得到短路时的焊接熔池图像，并对图像以平均分布的方式选取，频率为50Hz。
进一步的，利用大津算法动态选取合理的阈值，大小为M×N的图像I(x，y)有公式:
g＝ω1×ω2×(μ1－μ2)2
其中，字母ω1、ω2分别代表熔池区域和背景区域像素点数占整幅图像比例，g代表熔池区域和背景区域类间方差，μ1为、μ2分别代表熔池区域和背景区域像素平均灰度；
采用遍历的方法得到使类间方差g的最大值作为阈值：
T＝gmax
阈值分割可用以下代码在python平台中运行实现：
def genetic_thres(image,k,m):
th＝image
for i in range(image.shape[0]):
for j in range(image.shape[1]):
for t in range(1,len(k)-1):
if k[t-1]<＝image[i][j]<k[t]:
th[i][j]＝int(k[t-1])
return th
S2：调节分割处理后的图像的对比度和亮度，并构建数据集。
调节图像对比度的步骤如下：
对于图像中的每一个点，分别计算其局部均值与局部标准差：
Figure BDA0002746636180000061
Figure BDA0002746636180000062
其中，f(s,k)为坐标(s,k)像素值，M(i,j)为以点(i,j)为中心，窗口大小为[(2n+1)(2m+1)]的区域的局部均值，σ2(i,j)为局部方差。
局部标准差为：
Figure BDA0002746636180000071
图像对比度的表达式如下：
I(i,j)＝M(i,j)+G(f(i,j)-M(i,j))
其中，I(i,j)调整对比度的图像像素值，G为对比度参数，一般情况下G大于1。
对比度参数G为：
Figure BDA0002746636180000072
其中，α为系数参数，一般取大于0小于1的数；M为全局阈值。
调节亮度的步骤如下：
定义熔池图像的亮度：
f(x，y)＝i(x，y)r(x，y)
其中，f(x，y)表示图像亮度，i(x，y)表示入射分量，r(x，y)表示反射分量；通过调节f的值来改变熔池图像的亮度假设图像的灰度值在[0，255]之间，若f的值越接近0，则述亮度越低；若f值越接近255，则亮度越高。
进一步的，将所有经过对比度和亮度调节的图像构建卷积神经网络的数据集，共6000张图像。
S3：标记划分数据集为训练集和测试集，利用卷积神经网络对训练集进行训练，获得网络的参数。
定义75％的数据集作为训练集，25％的数据集作为测试集。
进一步的，通过设置输入层、输出层、激活函数、损失函数、隐层层数和节点数对卷积神经网络的结构进行构建。
具体的，首先对输入图像做归一化处理，尺寸为25*25；其次，激活函数选择sigmoid函数：
Figure BDA0002746636180000073
由于卷积神经网络存在过拟合现象，本实施例通过采用L2范数正则化损失函数，解决过拟合问题，L2正则化表达式如下式：
Figure BDA0002746636180000081
经过正则化优化的损失函数如下式：
Figure BDA0002746636180000082
优选的，训练卷积神经网络模型时选择反向传播算法来实现权重值的更新，反向传播算法通常和梯度下降法相结合的方式训练卷积神经网络，其要求每个输入值都有已知输出，而每个输入值通过卷积神经网络计算之后对比预测值与实际值的差距，接着计算损失函数的梯度，最后通过反馈的方式来更新权值大小，以致达到最小化损失函数的目的；为了更好的找到最优解，在模型训练到一定程度之后，经过每次迭代都会按照梯度方向修改步长，从而使损失函数在这个方向上逐渐减小；该算法在不增加计算量的同时，有效的提升了卷积神经网络模型的稳定性。
接着，设置固定隐层的节点数为10，选取隐层层数为2；最后，设定初始的隐层节点为3，在训练卷积神经网络模型时不断修改节点数，以达到最佳拟合效果，拟合效果如图2所示，当隐层节点数为7时拟合效果最佳。
再进一步的，利用随机梯度下降法选择训练集，每处理50个训练集，进行一次参数调整，使得收敛更快和减少了计算量，从而降低了熔池图像特征参数特征对计算结果与分析产生的误差。
S4：利用参数对测试集进行多次测试并获得测试精度，直至满足精度要求时输出熔池图像的识别结果。
实施例2
为了对本方法中采用的技术效果加以验证说明，本实施例选择BP神经网络识别方法和采用本方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
BP神经网络识别法容易形成局部极小值而得不到全局最优值，且BP神经网络中极小值比较多，所以很容易陷入局部极小值；收敛速度慢导致识别时间长；训练时学习新样本有遗忘旧样本的趋势，识别率低。
为验证本方法相对传统方法具有较好的识别效果，本实施例中将采用BP神经网络识别方法和本方法分别对熔池图像进行实时识别对比。
BP神经网络使用Candy算子对熔池边缘信息进行相应提取，然后计算熔池面积、长宽比以及复杂程度，并将其输入BP神经模型中，一般使用熔池周长平方与熔池面积比来表示熔池复杂度，该比值数值越大，熔池形状就越复杂。本实施例分别采用BP神经网络识别法和本方法对100张熔池图像进行识别，运行环境：CPU：2.3GHz；Memory：8GB；OS：win10 64位；在Python3.5中进行程序编译，训练参数在Keras框架执行；识别结果如下表所示。
表2：分别采用两种方法识别熔池图像的识别结果对比表。
方法 识别时间 识别率
本方法 0.183s/张 92.56％
BP神经网络 0.547s/张 63.78％
实验表明，本发明提出的方法与BP神经网络识别法相比获得了良好的识别效果，并且卷积神经网络训练时间比BP神经网络训练时间短，用BP神经网络进行参数训练耗时3小时，而用本发明提出的方法进行参数训练只需1.7小时。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于卷积神经网络的CO2焊接熔池图像识别方法，其特征在于：包括，
通过红外图像传感器采集熔池图像，并对所述熔池图像根据阈值进行分割处理；
调节所述分割处理后的图像的对比度和亮度，并构建数据集；
标记划分所述数据集为训练集和测试集，利用卷积神经网络对所述训练集进行训练，获得所述网络的参数；
利用所述参数对所述测试集进行多次测试并获得测试精度，直至满足精度要求时输出所述熔池图像的识别结果。
2.如权利要求1所述的基于卷积神经网络的CO2焊接熔池图像识别方法，其特征在于：所述熔池图像包括，
基于CO2焊接短路周期与电流变化的关系，获得与其电流变化频率相同的矩形脉冲波形，在熔滴短路时产生触发，而后通过所述红外图像传感器得到短路时的焊接熔池图像，并对所述图像以平均分布的方式选取，频率为50Hz。
3.如权利要求2所述的基于卷积神经网络的CO2焊接熔池图像识别方法，其特征在于：所述阈值包括，
利用大津算法动态选取合理的阈值T，大小为M×N的图像I(x，y)有：
g＝ω1×ω2×(μ1-μ2)2
其中，字母ω1、ω2分别代表熔池区域和背景区域像素点数占整幅图像比例，g代表熔池区域和背景区域类间方差，μ1为、μ2分别代表熔池区域和背景区域像素平均灰度；
选取g的最大值作为阈值：
T＝gmax。
4.如权利要求2或3所述的基于卷积神经网络的CO2焊接熔池图像识别方法，其特征在于：所述对比度包括，
对于所述图像中的每一个点，分别计算其局部均值与局部标准差：
Figure FDA0002746636170000011
Figure FDA0002746636170000021
其中，f(s，良)为坐标(s，k)像素值，M(i，j)为以点(i，j)为中心，窗口大小为[(2n+1)(2m+1)]的区域的局部均值，σ2(i，j)为局部方差；
局部标准差为：
Figure FDA0002746636170000022
所述图像的对比度为：
I(i，j)＝M(i，j)+G(f(i，j)-M(i，j))
其中，I(i，j)调整所述对比度的图像像素值，G为对比度参数。
5.如权利要求4所述的基于卷积神经网络的CO2焊接熔池图像识别方法，其特征在于：所述对比度参数包括，
Figure FDA0002746636170000023
其中，α为系数参数，M为全局阈值。
6.如权利要求1、2、3、5任一所述的基于卷积神经网络的CO2焊接熔池图像识别方法，其特征在于：所述亮度包括，
定义所述熔池图像的亮度：
f(x，y)＝i(x，y)r(x，y)
其中，f(x，y)表示图像亮度，i(x，y)表示入射分量，r(x，y)表示反射分量；通过调节f的值来改变所述熔池图像的亮度假设图像的灰度值在[0，255]之间，若所述f的值越接近0，则述亮度越低；若所述f值越接近255，则所述亮度越高。
7.如权利要求1或5所述的基于卷积神经网络的CO2焊接熔池图像识别方法，其特征在于：所述训练集和测试集包括，
定义75％的所述数据集作为所述训练集，定义25％的所述数据集作为所述测试集。
8.如权利要求5或7所述的基于卷积神经网络的CO2焊接熔池图像识别方法，其特征在于：所述卷积神经网络包括，
通过设置输入层、输出层、激活函数、损失函数、隐层层数和节点数对所述卷积神经网络的结构进行构建。
9.如权利要求8所述的基于卷积神经网络的CO2焊接熔池图像识别方法，其特征在于：所述设置包括，
输入层和输出层：单个神经元；
激活函数：
Figure FDA0002746636170000031
损失函数：
Figure FDA0002746636170000032
隐层层数：2层；
隐层节点数：7个。
10.如权利要求9所述的基于卷积神经网络的CO2焊接熔池图像识别方法，其特征在于：所述训练包括，
利用随机梯度下降法选择所述训练集，每处理50个所述训练集，进行一次参数调整。
CN202011168847.2A 2020-10-28 2020-10-28 一种基于卷积神经网络的co2焊接熔池图像识别方法 Pending CN112183665A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011168847.2A CN112183665A (zh) 2020-10-28 2020-10-28 一种基于卷积神经网络的co2焊接熔池图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011168847.2A CN112183665A (zh) 2020-10-28 2020-10-28 一种基于卷积神经网络的co2焊接熔池图像识别方法

Publications (1)

Publication Number Publication Date
CN112183665A true CN112183665A (zh) 2021-01-05

Family

ID=73923912

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011168847.2A Pending CN112183665A (zh) 2020-10-28 2020-10-28 一种基于卷积神经网络的co2焊接熔池图像识别方法

Country Status (1)

Country Link
CN (1) CN112183665A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113284112A (zh) * 2021-05-27 2021-08-20 中国科学院国家空间科学中心 一种基于深度神经网络的熔滴图像轮廓提取方法及系统
CN113343996A (zh) * 2021-05-11 2021-09-03 武汉大学 一种基于深度卷积网络等离子定向能量沉积面积计算方法
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
CN114523236A (zh) * 2022-02-28 2022-05-24 柳州铁道职业技术学院 一种基于机器视觉的智能化自动检测平台

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070171310A1 (en) * 2006-01-26 2007-07-26 Vestel Elektronik Sanayi Ve Ticaret A.S. Method and apparatus for adjusting the contrast of an image
US20150116548A1 (en) * 2012-06-06 2015-04-30 Board Of Regents, The University Of Texas System Maximizing perceptual quality and naturalness of captured images
CN108038846A (zh) * 2017-12-04 2018-05-15 国网山东省电力公司电力科学研究院 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统
CN109978940A (zh) * 2019-03-28 2019-07-05 福州大学 一种sab安全气囊尺寸视觉测量方法
CN110930406A (zh) * 2020-01-21 2020-03-27 北京中鼎高科自动化技术有限公司 一种基于卷积神经网络的匣钵筛分检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070171310A1 (en) * 2006-01-26 2007-07-26 Vestel Elektronik Sanayi Ve Ticaret A.S. Method and apparatus for adjusting the contrast of an image
US20150116548A1 (en) * 2012-06-06 2015-04-30 Board Of Regents, The University Of Texas System Maximizing perceptual quality and naturalness of captured images
CN108038846A (zh) * 2017-12-04 2018-05-15 国网山东省电力公司电力科学研究院 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统
CN109978940A (zh) * 2019-03-28 2019-07-05 福州大学 一种sab安全气囊尺寸视觉测量方法
CN110930406A (zh) * 2020-01-21 2020-03-27 北京中鼎高科自动化技术有限公司 一种基于卷积神经网络的匣钵筛分检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李灵杰 唐宁: "一种面向交通场景的快速图像增强算法", 《计算机与现代化》 *
覃科 等: "基于卷积神经网络的CO_2焊接熔池图像状态识别方法", 《实验研究焊接》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113343996A (zh) * 2021-05-11 2021-09-03 武汉大学 一种基于深度卷积网络等离子定向能量沉积面积计算方法
CN113284112A (zh) * 2021-05-27 2021-08-20 中国科学院国家空间科学中心 一种基于深度神经网络的熔滴图像轮廓提取方法及系统
CN113284112B (zh) * 2021-05-27 2023-11-10 中国科学院国家空间科学中心 一种基于深度神经网络的熔滴图像轮廓提取方法及系统
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
CN114523236A (zh) * 2022-02-28 2022-05-24 柳州铁道职业技术学院 一种基于机器视觉的智能化自动检测平台

Similar Documents

Publication Publication Date Title
CN112183665A (zh) 一种基于卷积神经网络的co2焊接熔池图像识别方法
Wang et al. Obtaining weld pool vision information during aluminium alloy TIG welding
CN108596930B (zh) 基于天牛须算法和数学形态学的射线图像焊缝提取方法
CN108038846A (zh) 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统
CN110322423A (zh) 一种基于图像融合的多模态图像目标检测方法
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
CN110070078B (zh) 一种基于传感器与机器视觉的酒驾检测方法及系统
CN109934811A (zh) 一种基于深度学习的光学元件表面缺陷检测方法
CN110135513A (zh) 一种基于深度学习的焊接机器人的焊缝识别方法
Wu et al. Visual-acoustic penetration recognition in variable polarity plasma arc welding process using hybrid deep learning approach
CN108416793B (zh) 基于三维相干断层成像图像的脉络膜血管分割方法及系统
CN109190458A (zh) 一种基于深度学习的小人头检测方法
CN113554587B (zh) 一种基于深度学习的熔池图像几何特征提取方法及系统
CN112732092B (zh) 基于双视图多尺度卷积神经网络的表面肌电信号识别方法
CN113189208A (zh) 一种锂电池的超声特征检测方法及检测系统
CN109389588A (zh) 度量视频连续帧与其卷积特征图间差异的方法
CN103927557B (zh) 基于分层模糊证据合成的lidar数据地物分类方法
CN109697459A (zh) 一种面向光学相干断层图像斑块形态检测方法
CN113084193B (zh) 一种激光选区熔化技术原位质量综合评价方法
Zhou et al. Keyhole status prediction based on voting ensemble convolutional neural networks and visualization by Grad-CAM in PAW
CN112184704A (zh) 一种基于卷积神经网络的焊缝处理方法
CN114544920A (zh) 盖梁施工用的振捣检测装置及方法
CN109993741A (zh) 一种基于k均值聚类的钢轨焊缝轮廓自动定位方法
Qi et al. Study on wood image edge detection based on Hopfield neural network
CN116777843B (zh) 一种基于动态非极大值抑制的厨余垃圾检测方法及系统

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