焊接智能化是工業(yè)領域中的一個重點研究領域,其目的是讓機器學習焊接工人的思維。將深度學習運用到智能焊接領域,雖然國內(nèi)外已經(jīng)有相關研究,但是還是缺乏一定的普適性�；诖�,本文針對焊接中熔池圖像和電弧光譜的應用展開研究,并將深度學習網(wǎng)絡運用到焊接領域中,取得了良好的效果。本文的主要研究內(nèi)容如下:（1）基于熔池圖像和電弧光譜的焊接穩(wěn)定性監(jiān)測。針對現(xiàn)有熔池圖像采集主要集中在單一波段的缺陷,本文通過分析熔池自身輻射和電弧光譜輻射的分布,設計了一套雙光路成像系統(tǒng),從而拍攝到清晰的、弧光干擾小的雙波段熔池圖像。對雙波段圖像分別進行自適應分割,合并后得到準確的熔池輪廓并以此為基礎訓練改進型Lenet網(wǎng)絡模型,實現(xiàn)對焊速的監(jiān)測。同時研制了一套基于哈達瑪編碼的瞬態(tài)光譜儀,從而獲得更大視場范圍內(nèi)高信噪比的電弧光譜數(shù)據(jù),并以此為基礎訓練得到網(wǎng)絡深度優(yōu)化Lenet的模型,實現(xiàn)對保護氣流量的準確檢測。（2）基于多源特征融合的焊接穩(wěn)定性監(jiān)測。針對現(xiàn)有焊接監(jiān)測網(wǎng)絡只能處理單源數(shù)據(jù)而無法處理多源數(shù)據(jù)的缺陷,建立了熔池圖像和電弧光譜進行特征融合的網(wǎng)絡模型。通過一定的評估準則,評估了提出的兩種多輸入網(wǎng)絡構型的優(yōu)劣性,選擇了對... 

【文章來源】：南京理工大學江蘇省 211工程院校

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 焊接監(jiān)測的基本思路
    1.3 國內(nèi)外研究現(xiàn)狀
        1.3.1 焊接中光譜和視覺技術的研究
        1.3.2 深度學習分類網(wǎng)絡的研究現(xiàn)狀
        1.3.3 深度學習在焊接監(jiān)測中的研究現(xiàn)狀
    1.4 論文主要工作及內(nèi)容
2 數(shù)據(jù)分類相關理論分析
    2.1 圖像分類算法
    2.2 傳統(tǒng)的分類方法
        2.2.1 支持向量機
        2.2.2 K-鄰近算法
    2.3 卷積神經(jīng)網(wǎng)絡
        2.3.1 卷積
        2.3.2 下采樣
        2.3.3 局部連接和全連接
        2.3.4 激活函數(shù)
        2.3.5 損失函數(shù)
    2.4 深度學習分類模型
        2.4.1 Lenet網(wǎng)絡
        2.4.2 Alexnet網(wǎng)絡
        2.4.3 VGG網(wǎng)絡
        2.4.4 Resnet網(wǎng)絡
    2.5 本章小結
3 基于圖像和光譜的焊接監(jiān)測
    3.1 基于圖像的焊接監(jiān)測
        3.1.1 熔池圖像的獲取
        3.1.2 熔池圖像預處理
        3.1.3 基于圖像的焊接監(jiān)測實驗
    3.2 基于光譜的焊接監(jiān)測
        3.2.1 電弧光譜的獲取方法
        3.2.2 基于光譜的焊接監(jiān)測實驗
    3.3 本章小結
4 基于多源特征融合的焊接監(jiān)測方法
    4.1 多輸入網(wǎng)絡
    4.2 融合網(wǎng)絡的實現(xiàn)
    4.3 模型評估實驗
        4.3.1 實驗數(shù)據(jù)的獲取
        4.3.2 實驗數(shù)據(jù)預處理
        4.3.3 網(wǎng)絡性能的評判標準
        4.3.4 網(wǎng)絡訓練及效果
    4.4 實驗結果分析
    4.5 模型嵌入式應用
    4.6 本章小結
5 總結與展望
    5.1 論文總結
    5.2 后期工作展望
致謝
參考文獻
附錄


【參考文獻】：
期刊論文
[1]改進的卷積神經(jīng)網(wǎng)絡在行人檢測中的應用[J]. 謝林江,季桂樹,彭清,羅恩韜.  計算機科學與探索. 2018(05)
[2]深度學習:本質與理念[J]. 郭元祥.  新教師. 2017(07)
[3]基于選擇性搜索和卷積神經(jīng)網(wǎng)絡的人臉檢測[J]. 吳素雯,戰(zhàn)蔭偉.  計算機應用研究. 2017(09)
[4]工業(yè)4.0語義下智能焊接技術發(fā)展綜述[J]. 張廣軍,李永哲.  航空制造技術. 2016(11)
[5]圖像融合算法的分析與實現(xiàn)[J]. 湯麗娟,孫克爭.  現(xiàn)代計算機(專業(yè)版). 2016(10)
[6]焊接工藝參數(shù)對焊縫質量的影響[J]. 魏國慶.  中國新技術新產(chǎn)品. 2015(13)
[7]KNN-均值算法[J]. 仲媛,楊健,涂慶華,李小舟.  現(xiàn)代計算機(專業(yè)版). 2014(17)
[8]淺論長輸管道焊接質量與焊接速度的控制[J]. 費春元.  科技資訊. 2014(09)
[9]機器人焊接智能化技術淺析[J]. 吳志亞.  廊坊師范學院學報(自然科學版). 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)

博士論文
[1]高信噪比窄帶光譜數(shù)據(jù)獲取與非監(jiān)督分類技術研究[D]. 岳江.南京理工大學 2014
[2]基于統(tǒng)計和譜圖的圖像閾值分割方法研究[D]. 李佐勇.南京理工大學 2010

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡的人體檢測方法研究[D]. 孫秀偉.大連海事大學 2017
[2]卷積神經(jīng)網(wǎng)絡在圖像分類中的應用研究[D]. 吳正文.電子科技大學 2015
[3]DMD數(shù)字全息及彩色數(shù)字全息技術的研究[D]. 高燕.蘇州大學 2013
[4]基于非局部模型與字典學習的自然圖像去噪方法研究[D]. 丁煒.西安電子科技大學 2013
[5]PAW熔池正面形狀參數(shù)的視覺檢測[D]. 張云威.山東大學 2012
[6]基于視覺傳感的TIG焊熔池表面重建及軟件設計[D]. 魏義慶.南昌大學 2011
[7]基于圖像處理的PCB焊接缺陷檢測技術研究[D]. 劉陽.大連理工大學 2009
[8]成形缺陷形成過程的視覺特征及參數(shù)化描述[D]. 潘明財.南京理工大學 2009
[9]電弧等離子體輻射在焊接過程檢測上的應用研究[D]. 顧小燕.中北大學 2009



本文編號：3196540