重大装备制造中厚板机器人多层多道焊(multi-layer and multi-pass welding,MLMPW)一直是热点和难点,而实现机器人MLMPW的核心是对其熔池的获取、监控并分类.为了提高MLMPW的自动化和智能化,有必要开发一个熔池图像在线分类系统.针对焊...重大装备制造中厚板机器人多层多道焊(multi-layer and multi-pass welding,MLMPW)一直是热点和难点,而实现机器人MLMPW的核心是对其熔池的获取、监控并分类.为了提高MLMPW的自动化和智能化,有必要开发一个熔池图像在线分类系统.针对焊接过程中的熔池图像提出了一种新的MLMPW熔池分类方法——基于视觉注意的(SENet)VGGNet熔池分类方法.为了提高效率和精度,引入迁移学习中的预训练模型到网络训练过程中.因为针对中厚板多层多道熔池研究较少,导致熔池公开数据集较少,为了应对这一问题,需要对数据集进行增广.结果表明,提出的模型可快速有效的对七类MLMPW熔池进行准确分类,预测精度可达到98.39%.展开更多
文摘重大装备制造中厚板机器人多层多道焊(multi-layer and multi-pass welding,MLMPW)一直是热点和难点,而实现机器人MLMPW的核心是对其熔池的获取、监控并分类.为了提高MLMPW的自动化和智能化,有必要开发一个熔池图像在线分类系统.针对焊接过程中的熔池图像提出了一种新的MLMPW熔池分类方法——基于视觉注意的(SENet)VGGNet熔池分类方法.为了提高效率和精度,引入迁移学习中的预训练模型到网络训练过程中.因为针对中厚板多层多道熔池研究较少,导致熔池公开数据集较少,为了应对这一问题,需要对数据集进行增广.结果表明,提出的模型可快速有效的对七类MLMPW熔池进行准确分类,预测精度可达到98.39%.