基于图像和光谱特征学习的在线焊接稳定性监测
发布时间：2021-05-19 22:22
焊接智能化是工业领域中的一个重点研究领域,其目的是让机器学习焊接工人的思维。将深度学习运用到智能焊接领域,虽然国内外已经有相关研究,但是还是缺乏一定的普适性。基于此,本文针对焊接中熔池图像和电弧光谱的应用展开研究,并将深度学习网络运用到焊接领域中,取得了良好的效果。本文的主要研究内容如下:（1）基于熔池图像和电弧光谱的焊接稳定性监测。针对现有熔池图像采集主要集中在单一波段的缺陷,本文通过分析熔池自身辐射和电弧光谱辐射的分布,设计了一套双光路成像系统,从而拍摄到清晰的、弧光干扰小的双波段熔池图像。对双波段图像分别进行自适应分割,合并后得到准确的熔池轮廓并以此为基础训练改进型Lenet网络模型,实现对焊速的监测。同时研制了一套基于哈达玛编码的瞬态光谱仪,从而获得更大视场范围内高信噪比的电弧光谱数据,并以此为基础训练得到网络深度优化Lenet的模型,实现对保护气流量的准确检测。（2）基于多源特征融合的焊接稳定性监测。针对现有焊接监测网络只能处理单源数据而无法处理多源数据的缺陷,建立了熔池图像和电弧光谱进行特征融合的网络模型。通过一定的评估准则,评估了提出的两种多输入网络构型的优劣性,选择了对...
【文章来源】：南京理工大学江苏省 211工程院校
【文章页数】：62 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景及意义
1.2 焊接监测的基本思路
1.3 国内外研究现状
1.3.1 焊接中光谱和视觉技术的研究
1.3.2 深度学习分类网络的研究现状
1.3.3 深度学习在焊接监测中的研究现状
1.4 论文主要工作及内容
2 数据分类相关理论分析
2.1 图像分类算法
2.2 传统的分类方法
2.2.1 支持向量机
2.2.2 K-邻近算法
2.3 卷积神经网络
2.3.1 卷积
2.3.2 下采样
2.3.3 局部连接和全连接
2.3.4 激活函数
2.3.5 损失函数
2.4 深度学习分类模型
2.4.1 Lenet网络
2.4.2 Alexnet网络
2.4.3 VGG网络
2.4.4 Resnet网络
2.5 本章小结
3 基于图像和光谱的焊接监测
3.1 基于图像的焊接监测
3.1.1 熔池图像的获取
3.1.2 熔池图像预处理
3.1.3 基于图像的焊接监测实验
3.2 基于光谱的焊接监测
3.2.1 电弧光谱的获取方法
3.2.2 基于光谱的焊接监测实验
3.3 本章小结
4 基于多源特征融合的焊接监测方法
4.1 多输入网络
4.2 融合网络的实现
4.3 模型评估实验
4.3.1 实验数据的获取
4.3.2 实验数据预处理
4.3.3 网络性能的评判标准
4.3.4 网络训练及效果
4.4 实验结果分析
4.5 模型嵌入式应用
4.6 本章小结
5 总结与展望
5.1 论文总结
5.2 后期工作展望
致谢
参考文献
附录
【参考文献】：
期刊论文
[1]改进的卷积神经网络在行人检测中的应用[J]. 谢林江,季桂树,彭清,罗恩韬. 计算机科学与探索. 2018(05)
[2]深度学习:本质与理念[J]. 郭元祥. 新教师. 2017(07)
[3]基于选择性搜索和卷积神经网络的人脸检测[J]. 吴素雯,战荫伟. 计算机应用研究. 2017(09)
[4]工业4.0语义下智能焊接技术发展综述[J]. 张广军,李永哲. 航空制造技术. 2016(11)
[5]图像融合算法的分析与实现[J]. 汤丽娟,孙克争. 现代计算机(专业版). 2016(10)
[6]焊接工艺参数对焊缝质量的影响[J]. 魏国庆. 中国新技术新产品. 2015(13)
[7]KNN-均值算法[J]. 仲媛,杨健,涂庆华,李小舟. 现代计算机(专业版). 2014(17)
[8]浅论长输管道焊接质量与焊接速度的控制[J]. 费春元. 科技资讯. 2014(09)
[9]机器人焊接智能化技术浅析[J]. 吴志亚. 廊坊师范学院学报(自然科学版). 2008(05)
[10]BASIC THEORY AND APPLICATIONS OF WELDING ARC SPECTRAL INFORMATION[J]. LI Junyue School of Material Science and Engineering,Tianjin University,Tianjin 300072,China XUE Haitao School of Material Science and Engineering,Hebei University of Technology,Tianjin 300132,China LI Huan School of Material Science and Engineering,Tianjin University,Tianjin 300072,China SONG Yonglun College of Mechanical Engineering and Applied Electronics Technology,Beijing University of Technology,Beijing 100085,China. Chinese Journal of Mechanical Engineering. 2007(04)
博士论文
[1]高信噪比窄带光谱数据获取与非监督分类技术研究[D]. 岳江.南京理工大学 2014
[2]基于统计和谱图的图像阈值分割方法研究[D]. 李佐勇.南京理工大学 2010
硕士论文
[1]基于卷积神经网络的人体检测方法研究[D]. 孙秀伟.大连海事大学 2017
[2]卷积神经网络在图像分类中的应用研究[D]. 吴正文.电子科技大学 2015
[3]DMD数字全息及彩色数字全息技术的研究[D]. 高燕.苏州大学 2013
[4]基于非局部模型与字典学习的自然图像去噪方法研究[D]. 丁炜.西安电子科技大学 2013
[5]PAW熔池正面形状参数的视觉检测[D]. 张云威.山东大学 2012
[6]基于视觉传感的TIG焊熔池表面重建及软件设计[D]. 魏义庆.南昌大学 2011
[7]基于图像处理的PCB焊接缺陷检测技术研究[D]. 刘阳.大连理工大学 2009
[8]成形缺陷形成过程的视觉特征及参数化描述[D]. 潘明财.南京理工大学 2009
[9]电弧等离子体辐射在焊接过程检测上的应用研究[D]. 顾小燕.中北大学 2009
本文编号：3196540
【文章来源】：南京理工大学江苏省 211工程院校
【文章页数】：62 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景及意义
1.2 焊接监测的基本思路
1.3 国内外研究现状
1.3.1 焊接中光谱和视觉技术的研究
1.3.2 深度学习分类网络的研究现状
1.3.3 深度学习在焊接监测中的研究现状
1.4 论文主要工作及内容
2 数据分类相关理论分析
2.1 图像分类算法
2.2 传统的分类方法
2.2.1 支持向量机
2.2.2 K-邻近算法
2.3 卷积神经网络
2.3.1 卷积
2.3.2 下采样
2.3.3 局部连接和全连接
2.3.4 激活函数
2.3.5 损失函数
2.4 深度学习分类模型
2.4.1 Lenet网络
2.4.2 Alexnet网络
2.4.3 VGG网络
2.4.4 Resnet网络
2.5 本章小结
3 基于图像和光谱的焊接监测
3.1 基于图像的焊接监测
3.1.1 熔池图像的获取
3.1.2 熔池图像预处理
3.1.3 基于图像的焊接监测实验
3.2 基于光谱的焊接监测
3.2.1 电弧光谱的获取方法
3.2.2 基于光谱的焊接监测实验
3.3 本章小结
4 基于多源特征融合的焊接监测方法
4.1 多输入网络
4.2 融合网络的实现
4.3 模型评估实验
4.3.1 实验数据的获取
4.3.2 实验数据预处理
4.3.3 网络性能的评判标准
4.3.4 网络训练及效果
4.4 实验结果分析
4.5 模型嵌入式应用
4.6 本章小结
5 总结与展望
5.1 论文总结
5.2 后期工作展望
致谢
参考文献
附录
【参考文献】：
期刊论文
[1]改进的卷积神经网络在行人检测中的应用[J]. 谢林江,季桂树,彭清,罗恩韬. 计算机科学与探索. 2018(05)
[2]深度学习:本质与理念[J]. 郭元祥. 新教师. 2017(07)
[3]基于选择性搜索和卷积神经网络的人脸检测[J]. 吴素雯,战荫伟. 计算机应用研究. 2017(09)
[4]工业4.0语义下智能焊接技术发展综述[J]. 张广军,李永哲. 航空制造技术. 2016(11)
[5]图像融合算法的分析与实现[J]. 汤丽娟,孙克争. 现代计算机(专业版). 2016(10)
[6]焊接工艺参数对焊缝质量的影响[J]. 魏国庆. 中国新技术新产品. 2015(13)
[7]KNN-均值算法[J]. 仲媛,杨健,涂庆华,李小舟. 现代计算机(专业版). 2014(17)
[8]浅论长输管道焊接质量与焊接速度的控制[J]. 费春元. 科技资讯. 2014(09)
[9]机器人焊接智能化技术浅析[J]. 吴志亚. 廊坊师范学院学报(自然科学版). 2008(05)
[10]BASIC THEORY AND APPLICATIONS OF WELDING ARC SPECTRAL INFORMATION[J]. LI Junyue School of Material Science and Engineering,Tianjin University,Tianjin 300072,China XUE Haitao School of Material Science and Engineering,Hebei University of Technology,Tianjin 300132,China LI Huan School of Material Science and Engineering,Tianjin University,Tianjin 300072,China SONG Yonglun College of Mechanical Engineering and Applied Electronics Technology,Beijing University of Technology,Beijing 100085,China. Chinese Journal of Mechanical Engineering. 2007(04)
博士论文
[1]高信噪比窄带光谱数据获取与非监督分类技术研究[D]. 岳江.南京理工大学 2014
[2]基于统计和谱图的图像阈值分割方法研究[D]. 李佐勇.南京理工大学 2010
硕士论文
[1]基于卷积神经网络的人体检测方法研究[D]. 孙秀伟.大连海事大学 2017
[2]卷积神经网络在图像分类中的应用研究[D]. 吴正文.电子科技大学 2015
[3]DMD数字全息及彩色数字全息技术的研究[D]. 高燕.苏州大学 2013
[4]基于非局部模型与字典学习的自然图像去噪方法研究[D]. 丁炜.西安电子科技大学 2013
[5]PAW熔池正面形状参数的视觉检测[D]. 张云威.山东大学 2012
[6]基于视觉传感的TIG焊熔池表面重建及软件设计[D]. 魏义庆.南昌大学 2011
[7]基于图像处理的PCB焊接缺陷检测技术研究[D]. 刘阳.大连理工大学 2009
[8]成形缺陷形成过程的视觉特征及参数化描述[D]. 潘明财.南京理工大学 2009
[9]电弧等离子体辐射在焊接过程检测上的应用研究[D]. 顾小燕.中北大学 2009
本文编号：3196540
本文链接：https://www.wllwen.com/kejilunwen/jiagonggongyi/3196540.html
