.png){kind=icon}
返回
A comparative study of deep learning models for welding process analysis using sequential models
.png){kind=icon}
OA
AI
DOI：10.1007/s40194-026-02376-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自动化焊接过程检查对于确保一致的质量和高运行可靠性至关重要。尽管人工智能的最新进展所带来的机遇使得自动化过程监控取得了良好进展，但大多数方案仍依赖静态图像分析，而忽略了焊接操作中固有的时间动态性。本研究中，我们介绍了一个顺序数据集，该数据集被设计用于捕捉四种不同的焊接过程状态：无焊接、焊接稳定、焊接偏离和焊接不稳定。该数据集在时间结构和主动视觉设置上与现有最先进的数据集有所不同，这使得对过程动态行为的研究成为可能。引入的时间维度对于捕捉与焊接缺陷相关的复杂模式至关重要，特别是在涉及摆动运动的场景中。此外，我们评估并比较了不同最先进的顺序数据分析深度学习模型。本研究旨在评估这些模型从视频序列中实时检测过程不稳定性的能力，并为智能焊接过程监控的未来研究建立基准。基于此基准，我们为涉及焊接过程顺序图像分析的应用提供了关于最合适深度学习模型的建议。获得的结果表明，所提出的的数据集提供了关于过程时空状态的有用线索。值得注意的是，MC3模型能够在性能和计算效率之间实现最佳平衡，以相对较低的延迟实现了99.12%的准确性来分类过程状态。
Keyword:
Welding
Sequential classification
Quality control
Process anomaly detection
Industry 4.0
Robotic inspection
期刊
W
IF:
2.5
论文数:
343
被引数:
4.2K
机构
引用论文
Online identification of burn-through and weld deviation in sheet lap MIG welding based on YOLOv5基于YOLOv5的薄板搭接MIG焊接烧穿与焊偏在线识别
PREAI
分享收藏Defects detection of GMAW process based on convolutional neural network algorithm.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏分享收藏Automated defect classification of SS304 TIG welding process using visible spectrum camera and machine learning基于可见光谱相机和机器学习的SS304 TIG焊接过程缺陷自动分类OAAI
OAAI分享收藏分享收藏Inline Defective Laser Weld Identification by Processing Thermal Image Sequences with Machine and Deep Learning Techniques通过使用机器和深度学习技术处理热图像序列来识别在线缺陷激光焊缝OAAI
OAAI分享收藏
查看更多内容