基于深度学习的缺陷检测在钥匙孔TIG接中,具有增强视觉.

科学领域:

• 材料科学与工程 材料科学与工程
• 制造业 制造技术 制造技术
• 工业应用中的人工智能

背景情况:

• 钥匙孔黄惰气 (TIG) 接提供高效率,但需要实时缺陷监控.
• 现有的方法难以进行复杂的缺陷识别,特别是在化池图像中区分微妙的问题.
• 支持矢量机 (SVM) 在处理深度特征图和接缺陷固有的复杂非线性关系方面存在局限性.

研究的目的:

• 开发和验证基于深度学习的方法,用于在钥匙孔TIG接中实时检测缺陷.
• 提高识别各种接状态的准确性和效率,包括良好的接和关键缺陷.
• 为先进的接工艺中自动化质量控制提供强大的解决方案.

主要方法:

• 利用一个多层深度神经网络,在一个全面的接图像数据集上进行训练.
• 采用精细的数据预处理和增强技术,以确保数据集的可靠性.
• 实施了四类分类任务,以区分良好的接,烧透,部分透和削减.

主要成果:

• 深度神经网络在分类不同接池图像方面表现出高精度.
• 该系统实现了实时性能,这对于接操作中的立即反至关重要.
• 有效地区分出经常在传统分析中混的微妙缺陷,包括池深度特征图中的那些.

结论:

• 深度神经网络在识别复杂的接缺陷方面优于SVM,因为它们能够处理深度特征图.
• 拟议的方法提供了一种有效的解决方案,用于实时质量控制和缺陷预防在钥匙孔TIG接.
• 这种方法显著提升了现代制造业的自动化检查能力.