基于转移学习的多传感器方法,用于预测780DP钢的激光接中钥匙孔深度
Byeong-Jin Kim1,2, Young-Min Kim1, Cheolhee Kim1,3
1Flexible Manufacturing R&D Department, Korea Institute of Industrial Technology, Incheon 21999, Republic of Korea.
Materials (Basel, Switzerland)
|September 13, 2025
概括
深度学习模型使用池图像和光谱仪数据准确估计激光接透深度. 多传感器模型显著优于单传感器方法,可以更好地预测关节强度.
科学领域:
- 材料科学与工程 材料科学与工程
- 制造过程 制造过程 制造过程
- 在工程领域的人工智能.
背景情况:
- 透深度对于激光接中的关节强度至关重要,但在实时监控是具有挑战性的.
- 光学连贯断层扫描 (OCT) 提供实时测量,但需要精确的校准.
- 激光接中的钥匙孔动态使现场监测接质量变得复杂.
研究的目的:
- 开发和评估深度学习模型,以估计780双相 (DP) 钢激光接的透深度.
- 为了比较单传感器和多传感器深度学习方法的性能.
- 用预训练的卷积神经网络 (CNN) 架构研究转移学习的有效性.
主要方法:
- 开发了使用同轴接池图像的单传感器模型和结合光谱仪信号的多传感器模型.
- 员工通过预先训练有素的CNN (MobileNetV2,ResNet50V2,EfficientNetB3,Xception) 进行转移学习.
- 在模型培训和验证过程中,使用了OCT信号作为透深度的地面真相.
主要成果:
- 单传感器模型 (没有微调) 实现了R2值从0.502到0.681和MAE从0.152毫米到0.196毫米.
- 微调单传感器模型导致R2下降 (>17%) 和MAE增加 (>11%).
- 多传感器模型表现出卓越的性能,R2范围从0.900到0.956和MAE从0.058毫米到0.086毫米.
结论:
- CNN转移学习模型显示,在780DP钢中预测激光接透深度方面,有很大的潜力.
- 与单传感器模型相比,多传感器融合显著提高了预测准确性.
- 开发的模型为实时接质量评估提供了一个有前途的非接触方法.
