CN114782322A - YOLOv5模型的电弧增材制造熔池缺陷检测方法 - Google Patents
YOLOv5模型的电弧增材制造熔池缺陷检测方法 Download PDFInfo
- Publication number
- CN114782322A CN114782322A CN202210314016.4A CN202210314016A CN114782322A CN 114782322 A CN114782322 A CN 114782322A CN 202210314016 A CN202210314016 A CN 202210314016A CN 114782322 A CN114782322 A CN 114782322A
- Authority
- CN
- China
- Prior art keywords
- model
- molten pool
- algorithm
- additive manufacturing
- data set
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 239000000654 additive Substances 0.000 title claims abstract description 20
- 230000000996 additive effect Effects 0.000 title claims abstract description 20
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000010891 electric arc Methods 0.000 claims abstract 2
- 238000012360 testing method Methods 0.000 claims description 7
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000013100 final test Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 2
- 239000002893 slag Substances 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000008521 reorganization Effects 0.000 description 3
- 238000003466 welding Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000032798 delamination Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
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
- G06F18/21—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明属于增材制造领域，公开了基于改进的YOLOv5模型的电弧增材制造熔池缺陷检测方法，其包括：1)按帧将视频分割为图片进行缺陷检测标记，建立数据集；2)将数据集输入进算法进行训练，得到模型；3)将待检测图片或者视频输入进行模型，进行缺陷检测。本发明方法可以有效地检测到电弧增材制造过程中出现的熔渣和孔洞等缺陷，使得缺陷检测更加精准。
Description
技术领域
本发明涉及电弧增材制造技术领域，尤其是涉及基于改进的YOLOv5模型的电弧增材制造熔池缺陷检测方法及系统。
背景技术
电弧增材制造是一种多物理耦合过程，很容易受到复杂、瞬态、不平衡的物理、化学和冶金特性的影响。不当的工艺参数也会影响沉积层的质量，如焊接电流、焊接电压、焊接轨迹、给料速度等，导致几何精度和性质很难控制。沉积层通常伴随着各种缺陷，包括质量缺陷(例如，孔隙度、裂纹、缺乏未融合和熔渣)和剖面缺陷(例如，变形、分层和几何偏差)。而且这些缺陷往往同时存在，使电弧增材制造生产出的部件进入航天、核能和其他军事领域具有挑战性。因此，设计一套熔池缺陷检测方法及系统显得非常有意义。
近年来，随着人工智能技术的发展，通过深度学习方法训练出的网络模型能够有效地对图像进行分类或者目标检测。传统的目标检测方法技术方案存在以下缺陷：其一，使用滑动窗口算法进行目标检测，由于其对不同窗口大小进行图像全局搜索而导致效率十分低下，而且设计窗口大小时还需要考虑物体的长宽比，导致检测的实时性得不到保证。其二，使用HOG(方向梯度直方图)进行目标检测，由于其流程的复杂性，描述子生成过程冗长，导致检测的速度慢，实时性差。当目标物体被遮挡，HOG很难将其检测出来。而且由于梯度的性质，描述子对噪点相当敏感。其三，使用SIFT(尺度不变特征变换)算法进行目标检测，虽然其在图像的不变特征提取方面有优势，但是其在检测过程中实时性不足，有时导致特征点不足，而且该算法对边缘光滑的目标无法准确提取特征点。的YOLOv5模型通过将mosaic-9算法、注意力机制算法、深度可分离卷积算法和轻量级通用上采样算子算法四种算法嵌入到原YOLOv5模型，在保证实时性的前提下，进一步提高了模型的检测准确率和减少了模型的参数量。
发明内容
为克服上述缺陷，本发明提出如下技术方案：
基于改进的YOLOv5模型的电弧增材制造熔池缺陷检测方法，包括以下步骤：
S1、使用熔池相机在电弧增材制造过程中拍摄有缺陷出现的片段，将视频文件按帧分割为图片数据，对分割后的图片数据集进行缺陷标记，然后以10:1:1的比例划分训练数据集、验证数据集和测试数据集；
S2、建立改进的YOLOv5模型，将mosaic-9算法、注意力机制算法、深度可分离卷积算法和轻量级通用上采样算子算法四种模型，分别嵌入到原YOLOv5模型中，并设置超参数，包括学习率、训练轮次、图片大小参数；
S3、训练数据集输入到模型中，使用GPU和CUDA加速训练，获得训练权重结果并保存；
S4、将测试数据集输入到模型中，结合训练权重进行预测和标记，生成最终的测试结果，以对模型性能进行校验；
S5、利用训练好的神经网络模型对增材制造构件的缺陷位置和种类进行检测。
优选的，步骤S1中视频文件按帧分割之后，使用全局直方图均衡化算法进一步提高熔池图像的质量。
优选的，步骤S2中所述模型的超参数学习率初始设置为0.01，动量大小设置为0.937。为了让权重衰减到更小的值，在一定程度上减少模型的过拟合问题，将权重衰减大小设置为0.0005；设置mosaic概率大小为1.0，即百分百会使用图像增强技术。
优选的，所述动量使用的优化方法为SGD，以加快收敛的速度和提高准确率。
本发明采用上述基于YOLOv5模型的电弧增材制造熔池缺陷检测方法及系统，将mosaic-9算法、注意力机制算法、深度可分离卷积算法和轻量级通用上采样算子算法四种算法嵌入到原YOLOv5模型，在保证实时性的前提下，进一步提高了模型的检测准确率和减少了模型的参数量。而且，引入mosaic-9算法随机抽取9张图片随机进行裁剪、旋转等操作，最后合并为一张图片，这样既扩充了数据集，也增加了数据的多样性。
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mosaic-9算法结构图；
图3显示为本发明的实施例1中基于通道的注意力模块结构图；
图4显示为本发明的实施例1中基于空间的注意力模块结构图；
图5显示为本发明的实施例1中逐通道卷积模块结构图；
图6显示为本发明的实施例1中逐点卷积模块结构图；
图7显示为本发明的实施例1中上采样核预测流程图；
图8显示为本发明的实施例1中特征重组流程图。
具体实施方式
以下结合附图和实施例对本发明的技术方案作进一步说明。
实施例1：
基于改进的YOLOv5模型的电弧增材制造熔池缺陷检测系统检测步骤如下：
S1、使用熔池相机在电弧增材制造过程中拍摄有缺陷出现的片段，将视频文件按帧分割为图片数据，对分割后的图片数据集进行缺陷标记。然后以10:1:1的比例划分训练数据集、验证数据集和测试数据集。图片标记软件对分割后的图片数据集进行缺陷标记，标记完成后导出图片源文件和标签文件。
标记完成导出的文件需要进行进一步加工，即将图片数据集标注后的xml文件中的标注信息读取出来并写入txt文件，文件中的每一行有5个数，第一个数代表类别，第二个数、第三个数代表处理过后的标记框中心点坐标，最后两个数代表处理过后的标记框的长和宽大小。
S2、建立改进的YOLOv5模型，将mosaic-9算法、注意力机制算法、深度可分离卷积算法和轻量级通用上采样算子算法四种模型分别嵌入到YOLOv5模型中以代替传统的mosaic-4、普通卷积和传统上采样操作，然后设置相应的超参数，包括学习率、训练轮次、图片大小等。
模型基于PyTorch框架1.10.0实现，Python解释器的版本为3.8.6。
学习率初始设置为0.01，动量大小设置为0.937。为了让权重衰减到更小的值，在一定程度上减少模型的过拟合问题，将权重衰减大小设置为0.0005。后续步骤中会使用图像增强技术，这里设置mosaic概率大小为1.0，即百分百会使用图像增强技术。动量使用的优化方法为SGD(随机梯度下降)，加快收敛速度和提高准确率。图片大小代表着所有图片输入到模型中都会被统一成一样的大小，便于后续的处理和检测。
S3、训练数据集输入到模型中，使用GPU和CUDA加速训练，获得训练权重结果并保存。
GPU型号为NVIDIA GeForce RTX 2080Ti。
CUDA是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。它包含了CUDA指令集架构(ISA)以及GPU内部的并行计算引擎。在模型训练的过程中使用CUDA可以大大地加速训练的速度。
S4、将测试数据集输入到模型中，结合训练权重进行预测和标记，生成最终的测试结果，以对模型性能进行校验。
训练权重是经过本步骤训练得到的最佳权重，而非最后一次训练轮次所得到的的权重。测试结果的评价指标为mAP，即平均准确率。
S5、利用训练好的神经网络模型对增材制造构件的缺陷位置和种类进行检测。
进一步的，步骤S2中SGD随机梯度下降方法，具体的步骤如下：
(1)假设在神经网络中误差函数计算式如下，网络训练-+的标志就是该函数的值最小的时候；
其中，θ表示x映射为y的权重，h为预测函数，m为样本的个数；
(2)由数学知识可知曲面上方向导数的最大值的方向就代表了梯度的方向，因此在做梯度下降的时候，应该是沿着梯度的反方向进行权重的更新，可以有效的找到全局的最优解；
(3)要获取J(θ)最小，即对J(θ)进行求导且为零：
(4)当单个特征值时，上式中j表示系数(权重)的编号，右边的值赋值给左边的θ从而完成一次迭代；
单个特征的迭代如下：
θj:＝θj+a(y(i)-hθ(x(i)))xj (i)
其中，a表示学习率。
(5)每次只随机取一个维度中的一条数据求梯度，来当做这个维度梯度下降的step，公式如下:
进一步的，步骤S2中的mosaic-9算法是一种图像增强技术，目的是增加图像数据的多样性，提高模型的泛化性能。mosaic-9算法基本的操作为：每次随机从图像数据集中抽取9张图像，对其中每一张图像随机进行裁剪、旋转等操作。将经过处理后的9张图像拼接在一起，组成一张图像，记为一个样本。
进一步的，步骤S2中的注意力机制算法为CBAM(一种轻量的注意力模块)，能够使得模型更加有效地提取图片数据中缺陷部位的特征，它主要由两个操作组成：基于通道和注意力操作和基于空间的注意力操作。
1、基于通道的注意力操作流程主要有如下4个步骤：
(1)将输入的特征图分别经过全局最大池化(Global Max Pooling)和全局平均池化(Global Average Pooling)，得到两个特征图；
(2)将这两个特征图输入至一个多层感知机(MLP，Multilayer Perceptron)，得到特征图；
(3)将MLP输出特征进行Element-Wise的加和操作；
(4)将得到的加和结果进行Sigmoid激活操作，输出最后的通道注意力特征图。
2、基于空间的注意力操作流程主要有如下3个步骤：
(1)将通道注意力特征图作为该模块的输入，首先经过基于通道的全局最大池化和全局平均池化得到两个特征图；
(2)将得到的两个特征图进行通道拼接，经过一个7x7的卷积操作，降维为1个通道；
(3)最后经过Sigmoid操作输出空间注意力模块。
进一步的，步骤S2中的深度可分离卷积算法，在模型中取代了传统的卷积操作，提高了模型的运行效率。深度可分离卷积操作包含两个卷积操作：逐通道卷积和逐点卷积。逐通道卷积首先输入一个3通道的彩色图片，然后经过一次卷积操作，最终生成了3个特征图。逐点卷积将逐通道卷积生成的特征图在深度方向上进行加权，有效地利用不用通道在相同位置上的特征信息，生成新的特征图。
进一步的，步骤S2所述的CARAFE(轻量级通用上采样算子)能够利用到特征图的语义信息问题，并且使得感知域比较大，弥补了传统的上采样技术在这方面的不足。CARAFE包含了两个步骤，分别为上采样核预测和特征重组。
1、上采样核预测的流程主要有3个步骤。
(1)为了减少后序步骤的计算量，通过一个1x1的卷积压缩输入的特征图通道。
(2)对于压缩后的输入特征图，利用一个卷积层来进行内容编码，然后将通道维在空间维展开，得到预测的上采样核。
(3)对于预测的上采样核进行Softmax进行归一化。
2、特征重组的流程为，它首先得到输出特征图的每个位置，将其映射回输入特征图，取出以其为中心的区域，然后将提取出的区域和预测出的该点的上采样核做乘积，得到输出值。
实施例2：
对应实施例1中方法，本方案还提出了基于改进的YOLOv5模型的电弧增材制造熔池缺陷检测系统，包括如下模块：
数据采集模块，获取熔池相机拍摄的视频文件，按帧对视频文件处理成图像，然后将图像文件经过全局直方图均衡化处理；
改进的YOLOv5模型，对图片数据进行分析，找到存在缺陷的图片数据并标记，最终可直接输出标注有缺陷类型、缺陷标记框的图片数据。
以上是本发明的具体实施方式，但本发明的保护范围不应局限于此。任何熟悉本领域的技术人员在本发明所揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内，因此本发明的保护范围应以权利要求书所限定的保护范围为准。
Claims (4)
1.基于改进的YOLOv5模型的电弧增材制造熔池缺陷检测方法，其特征在于，包括以下步骤：
S1、使用熔池相机在电弧增材制造过程中拍摄有缺陷出现的片段，将视频文件按帧分割为图片数据，对分割后的图片数据集进行缺陷标记，然后以10:1:1的比例划分训练数据集、验证数据集和测试数据集；
S2、建立改进的YOLOv5模型，将mosaic-9算法、注意力机制算法、深度可分离卷积算法和轻量级通用上采样算子算法分别嵌入到原YOLOv5模型中，并设置超参数，包括学习率、训练轮次、图片大小参数；
S3、训练数据集输入到模型中，使用GPU和CUDA加速训练，获得训练权重结果并保存；
S4、将测试数据集输入到模型中，结合训练权重进行预测和标记，生成最终的测试结果，以对模型性能进行校验；
S5、利用训练好的神经网络模型对增材制造构件的缺陷位置和种类进行检测。
2.根据权利要求1所述的熔池缺陷检测方法，其特征在于，步骤S1中视频文件按帧分割之后，使用全局直方图均衡化算法进一步提高熔池图像的质量。
3.根据权利要求1所述的熔池缺陷检测方法，其特征在于，步骤S2中所述模型的超参数学习率初始设置为0.01，动量大小设置为0.937；为了让权重衰减到更小的值，在一定程度上减少模型的过拟合问题，将权重衰减大小设置为0.0005；设置mosaic概率大小为1.0，即百分百会使用图像增强技术。
4.根据权利要求3所述的熔池缺陷检测方法，其特征在于，所述动量使用的优化方法为SGD，以加快收敛的速度和提高准确率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210314016.4A CN114782322A (zh) | 2022-03-28 | 2022-03-28 | YOLOv5模型的电弧增材制造熔池缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210314016.4A CN114782322A (zh) | 2022-03-28 | 2022-03-28 | YOLOv5模型的电弧增材制造熔池缺陷检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114782322A true CN114782322A (zh) | 2022-07-22 |
Family
ID=82426228
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210314016.4A Pending CN114782322A (zh) | 2022-03-28 | 2022-03-28 | YOLOv5模型的电弧增材制造熔池缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114782322A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116559196A (zh) * | 2023-05-06 | 2023-08-08 | 哈尔滨工业大学 | 一种电弧增材制造缺陷检测系统及方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190213734A1 (en) * | 2018-01-09 | 2019-07-11 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and device for detecting a defect in a steel plate, as well as apparatus and server therefor |
| US20200292462A1 (en) * | 2019-03-15 | 2020-09-17 | Inventec (Pudong) Technology Corporation | Surface defect detection system and method thereof |
| CN113591621A (zh) * | 2021-07-15 | 2021-11-02 | 河南工业大学 | 基于改进的多尺度自适应特征融合的DC-YOLOv4算法 |
| CN113780080A (zh) * | 2021-08-09 | 2021-12-10 | 青岛澎湃海洋探索技术有限公司 | 一种检测前视主动声呐图像中弱小目标的方法 |
| CN113822889A (zh) * | 2021-11-24 | 2021-12-21 | 江苏金恒信息科技股份有限公司 | 一种热轧钢板表面缺陷检测方法 |
| CN113920107A (zh) * | 2021-10-29 | 2022-01-11 | 西安工程大学 | 一种基于改进yolov5算法的绝缘子破损检测方法 |
| CN113989716A (zh) * | 2021-10-21 | 2022-01-28 | 西安科技大学 | 煤矿井下输送带异物目标检测方法、系统、设备及终端 |
| CN114120019A (zh) * | 2021-11-08 | 2022-03-01 | 贵州大学 | 一种轻量化的目标检测方法 |
| CN114120037A (zh) * | 2021-11-25 | 2022-03-01 | 中国农业科学院农业信息研究所 | 一种基于改进yolov5模型的发芽马铃薯图像识别方法 |
| CN114140732A (zh) * | 2021-12-09 | 2022-03-04 | 安徽大学 | 面向小样本条件下的消防火源检测方法、装置及存储介质 |
-
2022
- 2022-03-28 CN CN202210314016.4A patent/CN114782322A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190213734A1 (en) * | 2018-01-09 | 2019-07-11 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and device for detecting a defect in a steel plate, as well as apparatus and server therefor |
| US20200292462A1 (en) * | 2019-03-15 | 2020-09-17 | Inventec (Pudong) Technology Corporation | Surface defect detection system and method thereof |
| CN113591621A (zh) * | 2021-07-15 | 2021-11-02 | 河南工业大学 | 基于改进的多尺度自适应特征融合的DC-YOLOv4算法 |
| CN113780080A (zh) * | 2021-08-09 | 2021-12-10 | 青岛澎湃海洋探索技术有限公司 | 一种检测前视主动声呐图像中弱小目标的方法 |
| CN113989716A (zh) * | 2021-10-21 | 2022-01-28 | 西安科技大学 | 煤矿井下输送带异物目标检测方法、系统、设备及终端 |
| CN113920107A (zh) * | 2021-10-29 | 2022-01-11 | 西安工程大学 | 一种基于改进yolov5算法的绝缘子破损检测方法 |
| CN114120019A (zh) * | 2021-11-08 | 2022-03-01 | 贵州大学 | 一种轻量化的目标检测方法 |
| CN113822889A (zh) * | 2021-11-24 | 2021-12-21 | 江苏金恒信息科技股份有限公司 | 一种热轧钢板表面缺陷检测方法 |
| CN114120037A (zh) * | 2021-11-25 | 2022-03-01 | 中国农业科学院农业信息研究所 | 一种基于改进yolov5模型的发芽马铃薯图像识别方法 |
| CN114140732A (zh) * | 2021-12-09 | 2022-03-04 | 安徽大学 | 面向小样本条件下的消防火源检测方法、装置及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| CHUNYANG XIA等: "Vision‑based melt pool monitoring for wire‑arc additive manufacturing using deep learning method", 《THE INTERNATIONAL JOURNAL OF ADVANCED MANUFACTURING TECHNOLOGY》 * |
| YUH WEN CHEN等: "An Implementation of Yolo-family Algorithms in Classifying the Product Quality for the ABS Metallization", 《RESEARCH SQUARE》 * |
| YUXING LI等: "Towards Intelligent Monitoring System in Wire Arc Additive Manufacturing: A Surface Anomaly Detector on a Small Dataset", 《RESEARCH SQUARE》 * |
| 华昭杰: "基于视频图像的轻量级客流统计算法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116559196A (zh) * | 2023-05-06 | 2023-08-08 | 哈尔滨工业大学 | 一种电弧增材制造缺陷检测系统及方法 |
| CN116559196B (zh) * | 2023-05-06 | 2024-03-12 | 哈尔滨工业大学 | 一种电弧增材制造缺陷检测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110543878B (zh) | 一种基于神经网络的指针仪表读数识别方法 | |
| CN109509187B (zh) | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 | |
| CN113436169B (zh) | 一种基于半监督语义分割的工业设备表面裂纹检测方法及系统 | |
| CN111860171B (zh) | 一种大规模遥感图像中不规则形状目标的检测方法及系统 | |
| CN110598767A (zh) | 一种基于ssd卷积神经网络的地下排水管道缺陷识别方法 | |
| CN112329588B (zh) | 一种基于Faster R-CNN的管道故障检测方法 | |
| CN111768388A (zh) | 一种基于正样本参考的产品表面缺陷检测方法及系统 | |
| CN113361645B (zh) | 基于元学习及知识记忆的目标检测模型构建方法及系统 | |
| CN114372955A (zh) | 一种基于改进神经网络的铸件缺陷x射线图自动识别法 | |
| CN109272060A (zh) | 一种基于改进的darknet神经网络进行目标检测的方法和系统 | |
| CN110659601B (zh) | 基于中心点的深度全卷积网络遥感图像密集车辆检测方法 | |
| CN111242026A (zh) | 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法 | |
| CN114842034B (zh) | 一种基于放大模糊操作痕迹的图片真假检测方法 | |
| CN116342536A (zh) | 基于轻量化模型的铝带材表面缺陷检测方法、系统及设备 | |
| Fan et al. | A novel sonar target detection and classification algorithm | |
| CN112084897A (zh) | 一种gs-ssd的交通大场景车辆目标快速检测方法 | |
| CN114782322A (zh) | YOLOv5模型的电弧增材制造熔池缺陷检测方法 | |
| Koziarski et al. | Marine snow removal using a fully convolutional 3d neural network combined with an adaptive median filter | |
| Zhang et al. | Research on surface defect detection of rare-earth magnetic materials based on improved SSD | |
| CN111275684A (zh) | 一种基于多尺度特征提取的带钢表面缺陷检测方法 | |
| CN112668662B (zh) | 基于改进YOLOv3网络的野外山林环境目标检测方法 | |
| CN116912675B (zh) | 一种基于特征迁移的水下目标检测方法及系统 | |
| Yang et al. | Foreground enhancement network for object detection in sonar images | |
| CN117593243A (zh) | 可靠伪标签引导的压缩机外观自适应检测方法 | |
| Wei et al. | 3D face image inpainting with generative adversarial nets |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220722 |