人字闸门焊缝分类浅析

介绍了人字闸门各构件的作用、受力和运行过程中出现破断的情况。分析了人字闸门各构件的焊缝的分类情况。焊缝分类可为人字闸门的制造厂家闸门制作提供参考。

人字闸门焊缝分类的探讨

介绍了人字闸门各构件的作用、受力和运行过程中出现破断的情况。分析了人字闸门各构件的焊缝的分类情况。焊缝分类可为人字闸门的制造厂家在闸门制作时提供参考。

融合迁移学习的AlexNet神经网络不锈钢焊缝缺陷分类

针对不锈钢焊缝缺陷特征提取存在主观单一性和客观不充分性等问题,提出一种融合迁移学习的AlexNet卷积神经网络模型,用于不锈钢焊缝缺陷的自动分类。首先,由于不锈钢焊缝缺陷数据较为缺乏,通过采用迁移学习对网络前3层冻结,减少网络对输入数据量的要求;对后2层卷积层提取的特征信息批量归一化(batch normalization,BN),以加快网络的收敛速度;并使用带泄露线性整流(leaky rectified linear unit,LeakyReLU)函数对抑制神经元进行激活,从而提高模型的鲁棒性和特征提取能力。结果表明,该模型最终达到了95.12%的准确率,相比原结构识别精度提高了9.8%。验证了改进后方法能够对裂纹、气孔、夹渣、未熔合和未焊透5类不锈钢焊缝缺陷实现高精度分类。相比现有方法,其识别面更广,精度更高,具有一定的工程实践意义。

基于深度学习的焊缝缺陷X射线图像分类方法

针对工业领域中的焊缝缺陷分类难题,文中提出一种基于深度学习的分类方法,该方法借助图像分割技术形成专用的焊缝缺陷数据集,通过在数据集上的训练,使深度网络自动提取出缺陷特征并根据学到的特征对新分割出的缺陷区域进行分类,进而达到焊缝图像缺陷自动分类的目标。实验结果表明,该方法能够以96%的精度应用于目标场景。

基于卷积神经网络的焊缝缺陷图像分类研究

为有效地对焊缝缺陷进行分类,从而判断焊接质量的等级,对传统卷积神经网络进行改进,提出一种多尺度压缩激励网络模型(SINet)。将4组两两串联的3×3卷积模块与Inception模块、压缩激励模块(SE block)相结合。通过多尺度压缩激励模块(SI module)将卷积层中的特征进行多尺度融合和特征重标定以提高分类准确率,并用全局平均池化层代替全连接层减少模型参数。此外考虑到焊接缺陷数量不平衡对准确率的影响,采用深度卷积对抗生成网络(DCGAN)进行数据集的平衡处理,并在该数据集上验证模型的有效性。与传统卷积神经网络相比,该模型具有良好的性能,在测试集上准确率达到96.77%,同时模型的参数个数也明显减少。结果表明该方法对焊缝缺陷图像能进行有效地分类。

基于AlexNet的焊缝缺陷分类方法

X射线检测作为一种实用的无损检测(NDT)方法,在压力容器的焊缝缺陷检测中得到了广泛的应用。基于X射线图像的自动缺陷识别技术也随着人工智能(AI)的发展取得了飞速发展。本文将焊缝缺陷裁剪成像素小块作为神经网络的输入,并在AlexNet的基础上通过添加BN层改进了原网络,而后又选取了最优α值的LeakyReLU层代替了原有的ReLU层,使最终的AlexNet-BN-L模型取得了高达88.80%的5折交叉验证平均准确率。

基于卷积神经网络的不锈钢焊缝视觉检测系统

针对不锈钢焊缝细微、焊缝差异小和识别难等问题,提出一种基于卷积神经网络视觉图像分类的不锈钢焊缝视觉检测系统。不同于常规的焊缝图像处理的方法,该系统先大量采集焊缝图像,对改进的Le Net-5卷积神经网络进行离线模型训练。然后根据实时拍摄的焊缝图像,实现焊缝类型分类。最后根据分类信息确定焊缝信息,引导焊接机器人焊接。实验结果表明,该系统通过采用改进的LeNet-5卷积神经网络自动提取了焊缝图像深层次抽象特征,相比较于传统的BP神经网络,提高了焊缝识别率。

基于电信号复合多尺度熵的CMT焊缝熔宽分类识别

【目的】焊接电信号复杂性的定量表征是监测和评估焊接质量的重要方法,近似熵、样本熵仅能从单一尺度刻画焊接电信号的复杂性,无法表征电信号在多尺度上的复杂性。【方法】该文引入复合多尺度熵(Refined composite multiscale entropy,RCMSE)刻画电信号在多尺度上的复杂性,结合特征评价和支持向量机模式识别模型,提出了一种基于复合多尺度熵与支持向量机的熔宽分类识别方法。首先,将电流信号进行数据归一化,利用RCMSE提取信号多尺度复杂性特征;然后,利用特征评价方法—序列前向选择(Sequential forward selection,SFS)评估RCMSE中每个尺度的熵值对熔宽的可分性,筛选出关联度最高的熵值,构成特征向量;最后,将特征向量输入到支持向量机(Support vector machine,SVM)的熔宽多分类器中进行训练和识别。【结果】将RCMSE应用于电弧电流信号复杂性特征提取,采用序列前向特征选择对RCMSE特征值进行选择,结合SVM提出了一种焊缝熔宽分类方法。应用于堆焊试验数据分析,预测准确率可达94.4%。【结论】RCMSE能够有效地提取电信号的多尺度复杂性特征,获得较高的焊缝熔宽分类识别率,为度量熔焊过程电流信号的多尺度复杂性提供了一种方法。