CN114905116B - 一种基于特征学习的坡口焊缝熔透监控方法 - Google Patents
一种基于特征学习的坡口焊缝熔透监控方法 Download PDFInfo
- Publication number
- CN114905116B CN114905116B CN202210622172.7A CN202210622172A CN114905116B CN 114905116 B CN114905116 B CN 114905116B CN 202210622172 A CN202210622172 A CN 202210622172A CN 114905116 B CN114905116 B CN 114905116B
- Authority
- CN
- China
- Prior art keywords
- welding
- width
- information
- molten pool
- weld
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000035515 penetration Effects 0.000 title claims abstract description 22
- 238000012544 monitoring process Methods 0.000 title claims abstract description 14
- 238000003466 welding Methods 0.000 claims abstract description 60
- 230000004927 fusion Effects 0.000 claims abstract description 15
- 238000003079 width control Methods 0.000 claims abstract 2
- 230000008569 process Effects 0.000 claims description 16
- 238000002844 melting Methods 0.000 claims description 12
- 230000008018 melting Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 9
- 230000010354 integration Effects 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 239000000654 additive Substances 0.000 abstract 1
- 230000000996 additive effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000010891 electric arc Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910001338 liquidmetal Inorganic materials 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K9/00—Arc welding or cutting
- B23K9/02—Seam welding; Backing means; Inserts
- B23K9/025—Seam welding; Backing means; Inserts for rectilinear seams
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K9/00—Arc welding or cutting
- B23K9/095—Monitoring or automatic control of welding parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Mathematical Analysis (AREA)
- Plasma & Fusion (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Image Processing (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于特征学习的坡口焊缝熔透监控方法，包括以下步骤：1.基于主被动视觉结合的熔池信息采集系统，提取坡口角度信息与正面熔池图像信息；2.构建基于特征学习的多模融合熔宽回归模型；3.将实时采集到的前方激光线图像及后方熔池图像输入回归模型，估计得到背面熔宽值，通过模糊PID控制算法，调节焊接电流实现背面熔宽控制。本发明设计的基于复杂坡口焊缝信息的回归网络预测了焊缝背面熔宽；设计了模糊PID控制算法，实现了焊缝背面熔宽的实时协同控制。本发明为电弧增材制造过程中焊缝形态的在线监测和控制提供了必要的策略。
Description
技术领域
本发明涉及一种基于特征学习的坡口焊缝熔透监控方法，属于图像处理技术领域。
背景技术
焊接是一个既变性又变形的复杂过程。在这个过程中，熔池的应力、温度、三维等多物理量乃至多物理场都在变化，这些物理量场的变化决定了熔池的外观形成状态和内部质量，因此通过监测焊接和增材过程中的电弧形态和液态金属的流动行为，有助于了解电弧和熔池的规律。同时由于电弧焊接过程中会存在许多干扰和不确定因素，为实现真正意义上的焊接质量监管控制智能化，在线质量评估亟待解决。尤其是针对坡口焊接，在实际焊接生产中由于零件加工误差和焊件热变形，坡口并不能保证恒定。因此常常会出现未熔透或过熔透的现象，大大降低焊接质量。
发明内容
为了解决上述技术问题，本发明提供一种基于特征学习的坡口焊缝熔透监控方法，其具体技术方案如下：
一种基于特征学习的坡口焊缝熔透监控方法，包括以下具体步骤：
步骤一：基于主被动视觉系统采集激光线图像与熔池图像，提取焊缝背面熔宽数据；
步骤二：构建基于深度学习的焊缝背面熔宽回归模型；
步骤三：将实时采集的前、后方熔池图像输入回归模型，得到预期背面熔宽，通过模糊PID控制算法，调节焊接电流并控制焊缝的背面熔宽。
进一步的，步骤一中，前方主动视觉图像采集系统负责获取坡口信息、后方被动视觉图像采集系统负责获取熔池信息，两台相机同时采集。
进一步的，步骤一中，对于激光线图像采用ERF网络模型对其进行分割，从而计算获得坡口角度。传统的图像提取算法很大程度上会被电弧光、飞溅等因素干扰，而深度网络的方法极高的提升了算法的鲁棒性。同时，为了提高结果的可信度，一并加入线的信息，用线的信息更好的指导点的分割。由于单像素点的分割难度较大，采用特征区域的方式将特征点扩大为11*11的像素块。
在分割出特征点后，通过相机表标定与坐标系转换，将二维坐标转换为三维坐标。利用余弦定理计算出真实坡口角度。其中标定流程为：首先将一块标定板置于相机视场平面内，一般为棋盘格并且已知黑白色块间距。由位置固定的相机从固定角度拍摄若干组不同位置与高度的棋盘格标定板的图像，一共拍摄30组。然后基于Harris角点检测原理对相机图像中棋盘格的角点亚像素坐标做检测。接着根据矩阵的单应性和约束条件求解相机内参和外参，再利用最小二乘法求出实际场景下的径向畸变系数，最后整合所得到的所有系数，基于极大似然法实现参数优化与精度提升。
进一步的，步骤一中，由于当前训练存在正负样本不均匀的问题，常见的交叉熵loss并不能达到目标准确度。在loss中加入难例挖掘以提高结果的准确性。online hardexample mining(OHEM)方法的核心在于对正负样本进行平衡，挑选出难训练的负样本(hard negative)让网络着重学习。该方法将预测出的结果，按照预测正确的概率从大到小排序，小于某个阈值η的视为困难样本，训练时只保留这些困难样本参与优化，从而使网络在优化时更关注困难样本。OHEM的公式如(1)所示，
其中，wl为第l个类别的权重；gln为表示第l个类别中第n个像素的标签值；sln为相应的预测概率值；OHEM(N)为经过OHEM选择后参与计算的像素点。
进一步的，步骤二中，采用Densenet网络结构对背面熔宽进行回归。其中，核心在于使用dense block的设计与前面所有层均建立了连接，使得特征和梯度的传递更加有效。减轻梯度消失现象，这样更深网络不是问题。前后特征信息的关系如公式(2)所示，
xl＝Hl[x0，x1，...，xl-1] (2)
式中，xl为当前特征，x0，x1，...，xl-1为之前所有特征。
进一步的，步骤三中，选择焊缝背面熔宽作为系统输入，焊接电流作为系统输出，通过模糊PID控制对实际焊接进行控制，使得焊缝背面熔宽稳定在目标值附近。在实验阶段，采用一元化参数调节，即焊接电流与焊接电压自动匹配，而焊接电流直接体现出焊接的热输入。焊接的热输入可以用如下经验公式(3)表示：
其中η为热效率系数，U为电弧电压，I为焊接电流，v为焊接速度。当焊接速度不变时，通过增加热输入即焊接电流，就可以增加背面熔宽。
PID控制的优点是精度高，适应性强，但抗干扰能力差，需要耗费较长时间进行控制器调整。同时，熔焊过程十分复杂，传统的PID算法难以描述整个系统的动态过程。为此，在PID算法的基础上加入模糊控制的思想，核心体现在输入变为误差及误差变化率，可以满足不同时刻下PID参数自适应的需求，并利用模糊规则对PID参数进行修改。具体结果如公式(4)所示：
其中，u(t)为控制器输出值，e(t)＝r(t)-c(t)为目标值r(t)与实际输出值c(t)构成的偏差，Kp为比例系数，Ti为积分时间常数，Td为微分时间常数，Ki＝Kp/Ti为积分系数，Kd＝Kp*Td为微分系数。Kp作用是加快系统的响应速度，消除误差，提高系统的调节精度。Ki作用是消除系统的稳态误差。Kd作用是改善系统的动态特性，其作用主要是在响应过程中抑制偏差向任何方向的变化，对偏差变化进行提前预报。
本发明相对于现有技术相比具有显著优点：
本发明设计的复杂坡口焊缝背面熔宽回归网络预测了背面熔宽值；设计了模糊PID控制算法，实现了背面熔宽的实时控制。本发明为复杂坡口电弧焊接过程中焊缝形态的在线监测和控制提供了必要的策略。
附图说明
图1是本发明复杂坡口焊缝熔透监控装置示意图。
图2是本发明主被动视觉系统图。
图3是本发明回归网络结构图。
图4是本发明控制算法结构图。
图5是本发明验证实验焊接结果对比(a)变坡口钢板样例(b)不加控制(c)加控制。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
本发明的一种基于特征学习的坡口焊缝熔透监控方法，包括以下步骤：
首先，进行复杂坡口焊缝熔透监控装置如图1所示，其中搭建的主被动视觉系统如图2所示，前方主动视觉图像采集系统负责获取坡口信息、后方被动视觉图像采集系统负责获取熔池信息，两台相机同时采集。
对于激光线图像采用ERF网络模型对其进行分割，从而计算获得坡口角度。传统的图像提取算法很大程度上会被电弧光、飞溅等因素干扰，而深度网络的方法极高的提升了算法的鲁棒性。同时，为了提高结果的可信度，一并加入线的信息，用线的信息更好的指导点的分割。由于单像素点的分割难度较大，采用特征区域的方式将特征点扩大为11*11的像素块。
在分割出特征点后，通过相机表标定与坐标系转换，将二维坐标转换为三维坐标。利用余弦定理计算出真实坡口角度。其中标定流程为：首先将一块标定板置于相机视场平面内，一般为棋盘格并且已知黑白色块间距。由位置固定的相机从固定角度拍摄若干组不同位置与高度的棋盘格标定板的图像，一共拍摄30组。然后基于Harris角点检测原理对相机图像中棋盘格的角点亚像素坐标做检测。接着根据矩阵的单应性和约束条件求解相机内参和外参，再利用最小二乘法求出实际场景下的径向畸变系数，最后整合所得到的所有系数，基于极大似然法实现参数优化与精度提升。
由于当前训练存在正负样本不均匀的问题，常见的交叉熵loss并不能达到目标准确度。在loss中加入难例挖掘以提高结果的准确性。online hard example mining(OHEM)方法的核心在于对正负样本进行平衡，挑选出难训练的负样本(hard negative)让网络着重学习。该方法将预测出的结果，按照预测正确的概率从大到小排序，小于某个阈值n的视为困难样本，训练时只保留这些困难样本参与优化，从而使网络在优化时更关注困难样本。OHEM的公式如(1)所示，
其中，wl为第l个类别的权重；gln为表示第l个类别中第n个像素的标签值；sln为相应的预测概率值；OHEM(N)为经过OHEM选择后参与计算的像素点。
然后，构建基于深度学习的背面熔宽回归模型。采用Densenet网络结构对背面熔宽进行回归。其中，核心在于使用dense block的设计与前面所有层均建立了连接，使得特征和梯度的传递更加有效。减轻梯度消失现象，这样更深网络不是问题。前后特征信息的关系如公式(1)所示，
xl＝Hl[x0，x1，...，xl-1] (2)
式中，xl为当前特征，x0，x1，...，xl-1为之前所有特征。整体网络结构如图3所示。
其中重构融合模块利用一个全连接层结合了网络中上半部分与下半部分的结果。上半部分最后的全连接层输出了1*2000的特征，同时将角度值也扩充为1*2000的特征，将两组数据交叉合并为1*4000的特征最后线性拟合为最终的背面熔宽值。
最后，将实时采集的前、后方图像输入训练得到的回归模型，得到预期背面熔宽，将预期背面熔宽输入控制器，得到应调节的电流值以控制焊缝背面熔宽。通过模糊PID控制对实际焊接进行控制，使得焊缝背面熔宽稳定在目标值附近。在实验阶段，采用一元化参数调节，即焊接电流与焊接电压自动匹配，而焊接电流直接体现出焊接的热输入。焊接的热输入可以用如下经验公式(3)表示：
其中η为热效率系数，U为电弧电压，I为焊接电流，v为焊接速度。当焊接速度不变时，通过增加热输入即焊接电流，就可以增加背面熔宽。
PID控制的优点是精度高，适应性强，但抗干扰能力差，需要耗费较长时间进行控制器调整。同时，熔焊过程十分复杂，传统的PID算法难以描述整个系统的动态过程。为此，在PID算法的基础上加入模糊控制的思想，核心体现在输入变为误差及误差变化率，可以满足不同时刻下PID参数自适应的需求，并利用模糊规则对PID参数进行修改。具体结果如公式(4)所示：
其中，u(t)为控制器输出值，e(t)＝r(t)-c(t)为目标值r(t)与实际输出值c(t)构成的偏差，Kp为比例系数，Ti为积分时间常数，Td为微分时间常数，Ki＝Kp/Ti为积分系数，Kd＝Kp*Td为微分系数。Kp作用是加快系统的响应速度，消除误差，提高系统的调节精度。Ki作用是消除系统的稳态误差。Kd作用是改善系统的动态特性，其作用主要是在响应过程中抑制偏差向任何方向的变化，对偏差变化进行提前预报。图4为控制算法结构图。
本发明以基于非脉冲直流的不锈钢单道复杂坡口焊接为背景，对熔透状态进行监控。由于电弧焊接过程中会存在许多干扰和不确定因素，为实现真正意义上的焊接质量监管控制智能化，在线质量评估亟待解决。尤其是针对坡口焊接，在实际焊接生产中由于零件加工误差和焊件热变形，坡口并不能保证恒定。因此常常会出现未熔透或过熔透的现象，大大降低焊接质量。熔透状态的实时监控是解决上述问题的关键。根据经验，熔透量能够直接反映熔透状态，而焊接过程中往往难以直接获取到熔透量。本发明基于熔池视觉的方式对熔透量进行估计，以熔宽数据定量表示。以3mm焊缝宽度为目标，对于不变、突变和渐变的坡口都能实现背面熔宽的控制。图5为验证实验焊接结果对比。控制结果MSE不超过0.11，MAE不超过0.27。所提出的算法具有良好的稳定性和动态响应。同时该算法计算时间短，能及时调整焊接参数保证焊接的稳定，避免坡口焊接缺陷。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (2)
1.一种基于特征学习的坡口焊缝熔透监控方法，其特征在于，包括以下步骤：
步骤一：基于主被动视觉结合的熔池信息采集系统，提取坡口角度信息与正面熔池图像信息；
步骤二：构建基于深度学习的多模融合熔宽回归模型；
步骤三：将实时采集到的前方激光线图像及后方熔池图像输入回归模型，估计得到背面熔宽值，通过模糊PID控制算法，调节焊接电流实现背面熔宽控制；
所述的步骤一，采用主被动视觉结合的熔池信息采集系统；前方主动视觉图像采集系统负责获取坡口信息、后方被动视觉图像采集系统负责获取熔池信息；
所述的步骤一，采用ERF网络模型对激光线图像进行分割，从而计算获得坡口角度；一并加入线的信息，用线的信息更好的指导点的分割；采用特征区域的方式将特征点扩大为11*11的像素块；
在分割出特征点后，通过相机标定与坐标系转换，将二维坐标转换为三维坐标：利用余弦定理计算出真实坡口角度；其中标定流程为：首先将一块标定板置于相机视场平面内，为棋盘格并且已知黑白色块间距；由位置固定的相机从固定角度拍摄若干组不同位置与高度的棋盘格标定板的图像，共拍摄30组；然后基于Harris角点检测原理对相机图像中棋盘格的角点亚像素坐标做检测；接着根据矩阵的单应性和约束条件求解相机内参和外参，再利用最小二乘法求出实际场景下的径向畸变系数，最后整合所得到的所有系数，基于极大似然法实现参数优化与精度提升；
所述的步骤一，采用ERF网络模型对激光线图像进行分割时，在loss中加入难例挖掘以提高结果的准确性；online hard example mining方法的核心在于对正负样本进行平衡，挑选出难训练的负样本让网络着重学习；该方法将预测出的结果，按照预测正确的概率从大到小排序，小于某个阈值的视为困难样本，训练时只保留困难样本参与优化，从而使网络在优化时更关注困难样本；OHEM的公式如(1)所示，
其中，wl为每个类别的权重；gln为表示第l个类别中第n个像素label的值；sln为相应的预测概率值；OHEM(N)为经过OHEM选择后参与计算的像素点；
所述的步骤二，采用Densenet网络结构对熔池图像信息进行提取；其中，使用denseblock的设计与网络结构中所有层均建立了连接，前后特征信息的关系如公式(2)所示，
xl＝Hl[x0，x1，...，xl-1] (2)
式中，xl为当前特征，x0，x1，...，xl-1为之前所有特征；
其中重构融合模块利用一个全连接层结合了网络中上半部分与下半部分的结果；上半部分最后的全连接层输出了1*2000的特征，同时将角度值也扩充为1*2000的特征，将两组数据交叉合并为1*4000的特征最后线性拟合为最终的背面熔宽值。
2.根据权利要求1所述的基于特征学习的坡口焊缝熔透监控方法，其特征在于：选择焊缝背面熔宽作为系统输入，焊接电流作为系统输出，通过模糊PID控制对实际焊接进行控制，使得焊缝背面熔宽稳定在目标值附近；在实验阶段，采用一元化参数调节，即焊接电流与焊接电压自动匹配，而焊接电流直接体现出焊接的热输入；焊接的热输入q可以用如下经验公式(3)表示：
其中η为热效率系数，U为电弧电压，I为焊接电流，v为焊接速度；当焊接速度不变时，通过增加热输入即焊接电流，就可以增加背面熔宽；
在输入变为误差及误差变化率，可以满足不同时刻下PID参数自适应的需求，并利用模糊规则对PID参数进行修改；具体结果如公式(4)所示：
其中，u(t)为控制器输出值，e(t)＝r(t)-c(t)为目标值r(t)与实际输出值c(t)构成的偏差，Kp为比例系数，Ti为积分时间常数，Td为微分时间常数，Ki＝Kp/Ti为积分系数，Kd＝Kp*Td为微分系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210622172.7A CN114905116B (zh) | 2022-06-02 | 2022-06-02 | 一种基于特征学习的坡口焊缝熔透监控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210622172.7A CN114905116B (zh) | 2022-06-02 | 2022-06-02 | 一种基于特征学习的坡口焊缝熔透监控方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114905116A CN114905116A (zh) | 2022-08-16 |
| CN114905116B true CN114905116B (zh) | 2024-05-24 |
Family
ID=82770927
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210622172.7A Active CN114905116B (zh) | 2022-06-02 | 2022-06-02 | 一种基于特征学习的坡口焊缝熔透监控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114905116B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116871632B (zh) * | 2023-09-08 | 2023-11-21 | 南京理工大学 | 基于弧压和熔池视觉的机器人打底焊成形缺陷监测方法 |
| CN117428291A (zh) * | 2023-12-18 | 2024-01-23 | 南京理工大学 | 基于声谱图特性分析的焊缝熔宽定量方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108875113A (zh) * | 2017-09-07 | 2018-11-23 | 湖南大学 | 变厚截面板激光焊接的熔深预测与控制方法及系统 |
| CN109175608A (zh) * | 2018-09-30 | 2019-01-11 | 华南理工大学 | 焊缝特征点位置在线测量方法及焊缝轨迹自动测量系统 |
| CN109614985A (zh) * | 2018-11-06 | 2019-04-12 | 华南理工大学 | 一种基于密集连接特征金字塔网络的目标检测方法 |
| CN110135513A (zh) * | 2019-05-22 | 2019-08-16 | 广东工业大学 | 一种基于深度学习的焊接机器人的焊缝识别方法 |
| CN110472698A (zh) * | 2019-08-22 | 2019-11-19 | 四川大学 | 基于深度和迁移学习的金属增材成形熔深实时预测方法 |
| CN111738369A (zh) * | 2020-08-24 | 2020-10-02 | 南京知谱光电科技有限公司 | 基于熔池视觉特征的焊熔透状态及熔深实时预测方法 |
| CN112017186A (zh) * | 2020-11-02 | 2020-12-01 | 南京知谱光电科技有限公司 | 基于熔池图像和深度残差网络的增材余高预测方法 |
-
2022
- 2022-06-02 CN CN202210622172.7A patent/CN114905116B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108875113A (zh) * | 2017-09-07 | 2018-11-23 | 湖南大学 | 变厚截面板激光焊接的熔深预测与控制方法及系统 |
| CN109175608A (zh) * | 2018-09-30 | 2019-01-11 | 华南理工大学 | 焊缝特征点位置在线测量方法及焊缝轨迹自动测量系统 |
| CN109614985A (zh) * | 2018-11-06 | 2019-04-12 | 华南理工大学 | 一种基于密集连接特征金字塔网络的目标检测方法 |
| CN110135513A (zh) * | 2019-05-22 | 2019-08-16 | 广东工业大学 | 一种基于深度学习的焊接机器人的焊缝识别方法 |
| CN110472698A (zh) * | 2019-08-22 | 2019-11-19 | 四川大学 | 基于深度和迁移学习的金属增材成形熔深实时预测方法 |
| CN111738369A (zh) * | 2020-08-24 | 2020-10-02 | 南京知谱光电科技有限公司 | 基于熔池视觉特征的焊熔透状态及熔深实时预测方法 |
| CN112017186A (zh) * | 2020-11-02 | 2020-12-01 | 南京知谱光电科技有限公司 | 基于熔池图像和深度残差网络的增材余高预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114905116A (zh) | 2022-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114905116B (zh) | 一种基于特征学习的坡口焊缝熔透监控方法 | |
| CN106683048A (zh) | 一种图像超分辨率方法及设备 | |
| CN110310317A (zh) | 一种基于深度学习的单目视觉场景深度估计的方法 | |
| CN113441815B (zh) | 基于深度学习的电弧增材制造层宽与余高的协同控制方法 | |
| Wang et al. | Active disturbance rejection control of layer width in wire arc additive manufacturing based on deep learning | |
| CN109136912B (zh) | 一种激光熔覆离焦量在线监测与负反馈状态识别方法 | |
| CN105430377B (zh) | 一种摄像机机芯光轴自动纠偏方法及系统 | |
| CN105631899B (zh) | 一种基于灰度纹理特征的超声图像运动目标跟踪方法 | |
| CN111027415B (zh) | 一种基于偏振图像的车辆检测方法 | |
| CN109828467B (zh) | 一种数据驱动的无人船强化学习控制器结构及设计方法 | |
| CN111105460B (zh) | 一种室内场景三维重建的rgb-d相机位姿估计方法 | |
| CN112561807B (zh) | 一种基于卷积神经网络的端到端径向畸变校正方法 | |
| CN107301657A (zh) | 一种考虑目标运动信息的视频目标跟踪方法 | |
| CN106408596A (zh) | 基于边缘的局部立体匹配方法 | |
| CN106657787A (zh) | 变焦跟踪曲线的快速校正方法 | |
| CN107688028A (zh) | 一种激光增材制造搭接率在线监测方法 | |
| Yu et al. | The centerline extraction algorithm of weld line structured light stripe based on pyramid scene parsing network | |
| Xiong et al. | Feedback control of variable width in gas metal arc-based additive manufacturing | |
| CN110659593A (zh) | 基于改进DiracNet的城市雾霾能见度检测方法 | |
| CN115609110B (zh) | 基于多模融合的电弧复合增材熔深预测方法 | |
| CN116900448A (zh) | 基于熔池视觉和焊接温度场协同感知的电弧增材余高监控方法 | |
| CN110059658B (zh) | 一种基于三维卷积神经网络的遥感卫星影像多时相变化检测方法 | |
| CN109816710B (zh) | 一种双目视觉系统高精度且无拖影的视差计算方法 | |
| CN109801317A (zh) | 基于卷积神经网络进行特征提取的图像匹配方法 | |
| CN112361985A (zh) | 一种基于机器视觉的坯料弯曲度检测方法 |
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 |