基于深度学习主动视觉压力容器焊缝质量参数检测方法

压力容器A、B类对接焊缝是重要受力部位,其质量参数测量是焊接质量评估重要环节,本文研究基于深度学习主动视觉压力容器焊缝质量参数检测方法。提出多缺陷共存下焊缝参数计算方法,突破焊缝缺陷参数共存下存在焊缝质量参数难以计算或无法计算问题;开展编码-解码图像特征点提取网络(EDE-net)结构设计,较好实现焊缝表面参数特征点一次性准确提取;研究深度网络结构化通道剪枝方法,有效提高压力容器焊缝检测实时性能。以不同尺寸压力容器焊缝为实验对象,结果表明Resnet50骨干的EDE-net网络在模型整体压缩率CR=0.5下,单张图片提取时间由0.31 s降低到0.19 s,减少38.7%;第三方检测机构给出测试报告,装置同时测量对接焊缝(A、B类)焊缝5个参数耗时<0.63 s,测量误差允许误差≤0.08 mm。

基于知识蒸馏KD压力容器焊缝参数特征点提取实时性提升方法

压力容器对接纵焊缝是重要受力部位,对其测量是焊接质量评估的重要环节,从焊缝激光线中提取焊缝参数测量特征点是视觉焊缝测量重要内容。针对深度学习的焊缝图像参数特征点提取网络,其复杂骨干网络在模型部署、模型训练、模型正向传播时间成本而带来检测实时性限制问题,研究基于深度学习的压力容器焊缝图像特征点提取网络、焊缝参数特征点提取的相邻阶段数据融合KD模型的实时性提升方法,并以压力容器焊缝实验对象进行验证。结果表明,知识蒸馏KD训练后学生模型特征点提取精度有明显提升,且部署时间、单张图片提取时间分别减少70.8%、79.7%。