Microstructure and properties of nickel-based single crystal superalloy brazed joints
-
摘要: 采用一种含B,Si的镍基合金钎料钎焊CMSX-4单晶高温合金,利用SEM,EPMA分析接头的微观组织与相组成,探究降熔元素B和Si的扩散机制及接头形成机理. 结果表明,不同间隙焊缝的微观组织相似,相组成相同,但随着间隙的增加,焊缝中的硼化物析出相增多,同时出现微孔等缺陷;对于相同焊缝间隙的接头,随着保温时间的延长,焊缝中的硼化物相的平均尺寸在一定程度上增大,且分布更加集中,母材与焊缝间的界面连接层厚度增加. 钎焊过程中,B元素集中分布于焊缝中心区,与Cr,W,Mo等元素反应,形成脆性硼化物相M3B2,B元素未向母材中扩散,近焊缝区中未见硼化物相析出;Si元素不仅在焊缝中心区形成镍硅化物相,也向母材中扩散,在近焊缝区形成含Si元素的镍基固溶体. 对不同焊缝间隙与保温时间的单晶钎焊接头在980 ℃/100 MPa条件下进行持久性能测试. 结果表明,单晶钎焊接头的持久寿命随着焊缝间隙的增加而降低,随保温时间的延长而升高,但当保温时间延长至30 min以上时,接头持久寿命没有显著增加.Abstract: The CMSX-4 single crystal superalloy was brazed by a Ni-based braze alloy containing melting point depressant elements B and Si, and the microstructure and element distribution of the joint were analyzed by SEM and EPMA. The diffusion mechanism of the melting point depressant elements B and Si and the forming mechanism of joint were investigated. The results indicated the joints with different brazing gap demonstrated similar microstructure and phase composition. However, as the width of the brazing gap increased, the precipitation of boride in the seam increased, while defects such as pores began to appear simultaneously. As the holding time increased, the average size of boride slightly increased and its distribution is more concentrated, and the thickness of the interface bonding zone between the base material and the brazing seam increased. During the brazing process, B mainly concentrated on the central of the seam and reacted with elements such as Co, W, Mo, etc. to form a brittle boride phase M3B2. Note that no brittle phase precipitated in the near-seam base metal. It can be inferred that B does not diffuse into the base metal. The Si element not only formed a silicide phase in the central of the seam but also diffused into the matrix material, thereby forming a Si-containing solid solution phase in the near the brazing seam. The stress rupture properties of joints with different gap and holding time were tested at 980 °C/100 MPa. It was found that the stress rupture life of the joint decreased with the increase of the weld gap, and increased with the extension of the holding time. When the holding time further prolonged, the stress rupture life was not significantly increased.
-
Keywords:
- single crystal superalloy /
- brazing gap /
- holding time /
- stress rupture property
-
0. 序言
在管道焊接中,受焊接过程中各种参数稳定性的影响会产生各种缺陷,主要分为外部缺陷(咬边、焊瘤、塌陷等)和内部缺陷(裂纹、气孔、夹渣、未焊透等)[1-2]. 工业生产中常采用射线检测技术对焊缝内部缺陷进行检测,针对目前缺陷检测中出现的漏检、错检、低效等问题,寻求一种焊接缺陷的自动检测与识别方法显得尤为重要,可使缺陷检测高效、规范与智能化[3].
卷积神经网络(CNN)不需要人工对目标图像进行特征描述和提取,可通过神经网络自主地从训练样本中学习特征,并且这些特征与分类器关系紧密,这可以很好的解决了人工提取特征和分类器选择的难题,利用其“端到端”的优势解决过去焊缝探伤图像缺陷识别中被认为难以解决的一些问题[4]. 目前广泛使用的CNN模型是Hubel-Wiesel模型在经过简化之后的版本[5],对该模型的研究主要集中在算法改进[6]和结构改进[7]两方面. 通过算法改进的深度学习模型已在图像识别中取得了显著成果,但其在卷积神经网络中还存在一些不足,例如:目标区域在图像中的占比较小,导致目标图像中局部信息冗余,在CNN训练过程中的冗余信息使计算数据和噪声增加,对训练时间和拟合效果产生影响. 另外,修正线性单元(RELU)作为非饱和激活函数,在训练过程中存在神经元死亡现象,当大梯度流过神经元并更新参数后,神经元将不会再出现激活现象,如果存在较大的学习率,则会导致过量的神经元死亡,在训练正确率方面产生影响.
针对以上问题,采用改进指数线性单元(ELU)激活函数[8]的特征模型选择方法和超像素分割算法(SLIC)[9]对焊缝探伤图像缺陷进行识别,研究该算法和改进激活函数在焊缝探伤图像缺陷识别中有效性和正确率的影响.
1. 基于改进CNN的特征选择方法
1.1 ELU激活函数特性分析
对于传统卷积神经网络中出现的问题,文中采用一种能够综合考虑激活函数饱和性的ELU非线性激活函数,该激活函数能够融合Sigmoid和ReLU函数的优点,在函数右侧保持无饱和性的同时增加函数左侧的软饱和性,使得无饱和性部分能够在模型训练过程中缓解梯度消失现象,而软饱和性能够使模型对输入变化或存在的噪声更具有鲁棒性. ELU函数表达式及函数图像分别为式(1)、图1所示.
$${\rm{ELU}} (x) = \left\{ {\begin{split} & \qquad x,\qquad{x \geqslant 0} \\ & {a({{\rm e}^x} - 1)},\quad{x < 0} \end{split}} \right.$$ (1) 通过对ELU函数的分析可知,卷积神经网络中采用该激活函数可以在缓解梯度消失的情况下增强CNN识别的鲁棒性. 在传统CNN模型的基础上将RELU函数更改为ELU函数,其它网络层的数量及类型不发生改变.
1.2 SLIC算法原理及应用
SLIC算法可以将焊缝探伤图像由像素级转化为区域级,划分成超像素区域.其主要思想为:利用LAB颜色空间中的亮度分量和2个颜色分量以及x, y坐标组合为五维空间进行聚类.主要步骤如下.
(1) 在已有图像中通过设置预定参数将图像像素划分为固定的像素块并计算像素块种子点坐标.
(2) 利用种子点的8链码像素点计算获得最小梯度的像素值并将其作为新的种子点.
(3) 遍历种子点后以K-means聚类方法对像素点进行聚类.
(4) 通过变换的欧式距离计算像素点与种子点间的距离.
将SLIC算法应用于焊缝探伤图像中可减少图像中局部信息的冗余,通过迭代分割处理获得满足训练的图像. 图2为经过像素块化的气孔缺陷图像,其中种子点数量为30.
1.3 基于改进CNN的缺陷类型识别流程
综上所述,提出的基于改进卷积神经网络模型的焊缝缺陷类型识别流程如图3所示,将焊缝探伤图像进行常规图像预处理至满足卷积神经网络模型的输入要求,在此基础上对图像进行SLIC处理. 通过构建含不同激活函数的卷积神经网络模型,并加载图像数据进行训练及验证,分析不同激活函数及预处理图像对训练及识别结果的影响.
2. CNN模型构建与缺陷识别
2.1 改进CNN模型构建
对于卷积神经网络模型,根据输入层的大小可以适当的调节卷积神经网络的各连接层及深度,随着模型深度的增加,学习效果也越好,但是增加网络的深度会增加计算时间及训练数据量,在训练数据不充足的情况下也会增加过拟合的风险,因此在试验中增加网络层深度并不是网络模型的首选[10]. 在建立卷积神经网络模型中有效地选择网络参数来获得具有最小层数的最大输出,通过连接各特征面的局部感受野,映射输入图像的原始像素以分层方式提取各层感受野范围内的特征,并利用权值共享策略降低神经网络中的数据量,额外改变激活函数来减小模型的复杂度使网络更易于训练. 为验证文中采用方法的有效性,分别构建名为CNN-1,CNN-2和CNN-3的模型,CNN-1模型在CNN-2模型基础上将E层转换为RELU激活函数,CNN-3模型对采用SLIC方法获得的图像数据进行训练,各模型构建方式如表1所示.
表 1 模型构建方式Table 1. Model construction methodCNN模型名称 训练图像 激活函数 CNN-1 未进行SLIC处理 RELU CNN-2 未进行SLIC处理 ELU CNN-3 进行SLIC处理 ELU 通过构建不同CNN模型进行对比试验,CNN-1与CNN-2模型试验以未进行SLIC处理的图像为训练,利用不同的激活函数进行训练可验证文中采用ELU激活函数的有效性;CNN-2与CNN-3模型试验均采用ELU激活函数,通过训练不同的焊缝探伤图像验证文中SLIC方法的有效性. 其中CNN-2模型如图4所示,Input image为输入层,C为卷积层,卷积核的尺寸均为5 × 5,深度依次为6,12,16,每层卷积层由若干卷积单元组成并利用反向传播算法最佳化获得卷积单元参数,通过提取输入的不同特征迭代提取更复杂的特征. N为正则化 ,可对卷积结果进行约束.E为ELU激活函数,通过ELU函数对计算结果去线性化. P为池化层,其卷积核尺寸设定为2 × 2,移动步长为2,卷积层与池化层均使用全0填充. FC为全连接层,通过两层全连接层将节点个数缩小至60个. 因文中所设计的CNN待分类识别的缺陷类型为4类,故设置输出层S的个数为4.
2.2 焊缝探伤图像数据集概述
文中选用的焊缝射线探伤图像由两部分构成,一部分取自名为GDXray[11]的公共数据库,另一部分由国内某焊接加工企业提供的管焊缝射线探伤图像. 由于图像处理过程中所需的图像感兴趣区域较小,而焊缝探伤图像整体不感兴趣区域所占比例较大,采用整体图像进行训练难度较大. 因此,在CNN模型进行训练前先进行图像预处理,根据焊缝探伤图像缺陷的类型和大小影响,截取焊缝中缺陷所在位置的68 × 68大小为感兴趣区域. 为进一步增加焊缝探伤图像训练数据量,采用图像数据增强技术将原有的数据图像按1∶10进行扩充,扩充后的焊缝探伤图像数据集中包含气孔图片1 255张,未焊透图片200张,未融合图片75张,无缺陷图片1 140张,所有图像按4:1划分为训练集和验证集,图5为截取的部分焊缝缺陷图像.
2.3 图像缺陷识别与分析
试验基于Linux Ubuntu16.04操作系统,Inter (R) Core(TM) i5-2400 CPU @ 3.10GHz处理器,在Tensorflow框架下进行. 采用文中所提供的图像数据集对CNN-1,CNN-2及CNN-3模型进行10 000次迭代训练,通过模型迭代可以获得其正确率及交叉熵损失变化如图6所示,模型迭代耗时如表2所示.
表 2 各模型迭代耗时Table 2. Iteration time of each modelCNN模型名称 训练图像 激活函数 耗时减幅 CNN-1 未进行SLIC处理 RELU 0 CNN-2 未进行SLIC处理 ELU 1.07% CNN-3 进行SLIC处理 ELU 12.87% 通过图6及表2分析可知:在相同迭代次数下,文中所使用的含有ELU激活函数的CNN模型收敛速度比RELU激活函数的CNN模型快,在迭代前期的收敛速度相较SLIC方法处理焊缝图像的训练过程慢,但迭代过程中的梯度变化程度较小. 根据不同模型在同等迭代次数下的时间比较,含有ELU激活函数的CNN模型在迭代耗时上较RELU激活函数有所减少,但减少时间有限,而基于SLIC方法的CNN模型迭代耗时较其它两种模型均有较大缩减,减幅为12.87%.由此可以看出,采用SLIC方法将焊缝探伤图像像素点进行像素块化,减少了焊缝探伤图像的信息冗余,有效减少了训练迭代耗时,但该方法在像素块化的同时会放大噪声对训练过程的影响,使其在训练后期的迭代过程中收敛效果变差. 而改进的CNN模型在输入变化或存在噪声时具有的鲁棒性相较于RELU激活函数表现更好,在训练过程中能够保持网络的稀疏性,同时减少神经元进入硬饱和区而降低迭代识别准确率的风险.
为进一步验证该模型在焊缝探伤图像识别中的有效性及可靠性,另取部分焊缝探伤图像进行测试,在测试结果中随机选取四种缺陷类别各2张并进行编号,识别结果如表3所示.
表 3 焊缝探伤图像识别结果表Table 3. Weld flaw detection image recognition result table测试样本 CNN-1分类及识别结果 CNN-2分类及识别结果 CNN-3分类及识别结果 1号无缺陷 (0.997,0.002,0.000,0.000) (0.991,0.000,0.001,0.008) (0.999,0.000,0.000,0.000) 2号无缺陷 (0.999,0.000,0.000,0.000) (0.998,0.001,0.000,0.001) (0.999,0.000,0.000,0.000) 1号气孔 (0.000,0.000,0.000,0.999) (0.000,0.000,0.000,0.999) (0.000,0.000,0.000,1.000) 2号气孔 (0.000,0.000,0.000,0.999) (0.000,0.000,0.000,0.999) (0.000,0.000,0.000,0.999) 1号未熔合 (0.000,0.500,0.499,0.000) (0.000,0.043,0.956,0.001) (0.000,0.005,0.902,0.091) 2号未熔合 (0.000,0.138,0.797,0.064) (0.000,0.007,0.981,0.011) (0.000,0.001,0.549,0.448) 1号未焊透 (0.000,0.859,0.140,0.000) (0.000,0.936,0.063,0.000) (0.000,0.968,0.031,0.000) 2号未焊透 (0.000,0.957,0.042,0.000) (0.000,0.907,0.092,0.000) (0.400,0.598,0.001,0.000) 分类结果括号中4个数字分别表示经softmax层计算后获得待识别图像属于无缺陷、未焊透、未熔合、气孔的概率,其中概率最大的数值决定分类结果的缺陷类型. 可以看出CNN-1对编号5的1号未熔合缺陷样本误检为未焊透,且识别结果中的概率值相近,而CNN-2及CNN-3对编号的识别样本都做出了正确识别,对1号未熔合样本的识别概率值差别很大,表明文中方法在特征提取方面更具有优势. 通过总体测试样本识别分析,文中提出的方法都能有效地对4种类型的焊缝探伤图像进行识别,整体识别准确率可达97.8%,在实现对焊缝图像中存在的各种缺陷的准确细分识别是完全可期的.
3. 结论
(1) 在构建CNN模型时采用ELU激活函数,使模型在训练过程中具有更好的鲁棒性,通过良好的网络稀疏性及较小的输出均值增加了收敛速度.
(2) SLIC方法可有效地将焊缝探伤图像中的像素点进行像素块化,增大了图像中感兴趣区域的占比,增强了训练过程中图像特征的提取,降低了局部信息的冗余,进而降低训练过程中的迭代耗时,而整体降低程度而言还需进一步改善.
(3) 文中提供的SLIC方法及ELU激活函数构建的CNN模型可应用于焊缝探伤图像自动化识别领域中并能显著提升焊缝探伤图像中缺陷的识别准确率,整体识别率可达97.8%,在实现对焊缝图像中存在的各种缺陷的准确细分识别是完全可期的,且该方法具有通用性,可拓展至其它领域.
-
表 1 CMSX-4单晶合金与镍基钎料的成分(质量分数,%)
Table 1 Compositions of CMSX-4 single crystal superalloy and Ni-based braze alloy
元素 Co Cr W Mo Al Ti Si B Re Ni CMSX-4 9.3 ~ 10 8.5 ~ 10 6.0 ~ 6.6 0.5 ~ 0.7 5.4 ~ 5.7 0.9 ~ 1.1 — — 2.8 ~ 3.0 余量 钎料 5 ~ 10 6 ~ 12 2 ~ 6 2 ~ 6 2 ~ 6 0.5 ~ 3 0.2 ~ 4 0.2 ~ 2 — 余量 -
[1] 孙晓峰, 金涛, 周亦胄, 等. 镍基单晶高温合金研究进展[J]. 中国材料进展, 2012, 31(12): 1 − 20. Sun Xiaofeng, Jin Tao, Zhou Yizhou, et al. Research progress of nickel-base single crystal superalloys[J]. Materials China, 2012, 31(12): 1 − 20.
[2] 张小丽, 周亦胄, 金涛, 等. 镍基单晶高温合金杂晶形成倾向性的研究[J]. 金属学报, 2012, 48(10): 1299 − 1236. Zhang Xiaoli, Zhou Yizhou, Jin Tao, et al. Study on the tendency of stray grain formation of Ni-based single crystal superalloys[J]. Acta Metallurgica Sinica, 2012, 48(10): 1299 − 1236.
[3] Ma Dexin. Development of single crystal solidification technology for production of superalloy turbine blades[J]. Acta Metallurgica Sinica, 2015, 51(10): 1179 − 1190.
[4] Lang Bo, Chai Lu, Hou Jinbao, et al. Microstructure - properties relationship of transient liquid phase diffusion bonded a third generation single crystal super alloy joint[J]. China Welding, 2017, 26(1): 54 − 59.
[5] 李小强, 程准, 邱昊, 等. 镍基高温合金焊接修复技术的研究进展[J]. 材料导报, 2017, 31(S1): 541 − 545. Li Xiaoqiang, Cheng Zhun, Qiu Hao, et al. Research progress in repair welding technology of Ni-based superalloy[J]. Materials Reports, 2017, 31(S1): 541 − 545.
[6] 郎波, 侯金保, 郭德伦, 等. 单晶高温合金的过渡液相扩散焊[J]. 焊接学报, 2015, 36(12): 93 − 96. Lang Bo, Hou Jinbao, Guo Delun, et al. Transient liquid phase (TLP) diffusion bonded single crystal superalloy[J]. Transactions of the China Welding Institution, 2015, 36(12): 93 − 96.
[7] Li Wen, Jin Tao, Sun Xiaofeng, et al. TLP bonding of Ni-base single crystal superalloy[J]. Acta Metallrugica Sinica, 2001, 37(11): 1165 − 1168.
[8] Zhang L X, Sun Z, Xue Q, et al. Transient liquid phase bonding of IC10 single crystal with GH3039 superalloy using BNi2 interlayer: Microstructure and mechanical properties[J]. Materials & Design, 2016, 90: 949 − 957.
[9] Wang Guanglei, Sun Yuan, Wang Xinguang, et al. Microstructure evolution and mechanical behavior of Ni-based single crystal superalloy joint brazed with mixed powder at elevated temperature[J]. Journal of Materials Science & Technology, 2017, 33(10): 1219 − 1226.
[10] 庄鸿寿, Lugscheider E. 高温钎焊[M]. 北京: 国防工业出版社, 1989. Zhuang Hongshou, Lugscheider E. High temperature brazing[M]. Beijing: National Defence Industry Press, 1989.
[11] Zhang Sheng, Guo Delun, Su Jin, et al. Study on microstructure and property of K418B superalloy wide gap brazed joints[J]. China Welding, 2016, 25(4): 20 − 26.
[12] Esmaeili H, Mirsalehi S E, Farzadi A. Vacuum TLP bonding of Inconel 617 superalloy using Ni-Cr-Si-Fe-B filler metal: Metallurgical structure and mechanical properties[J]. Vacuum, 2018, 152: 305 − 311. doi: 10.1016/j.vacuum.2018.03.048
[13] 孙元, 侯星宇, 金涛, 等. DD5单晶高温合金钎焊接头的微观组织和力学性能分析[J]. 焊接学报, 2017, 38(1): 117 − 120. Sun Yuan, Hou Xinyu, Jin Tao, et al. Microstructure and mechanical properties of DD5 single crystal superalloy brazing joint[J]. Transactions of the China Welding Institution, 2017, 38(1): 117 − 120.
[14] Saha R K, Khan T I. Microstructural developments in TLP bonds using thin interlayers based on Ni-B coatings[J]. Materials Characterization, 2009, 60(9): 1001 − 1007. doi: 10.1016/j.matchar.2009.04.002
[15] Sun Yuan, Liu Jide, Li Bo, et al. Microstructure evolution of single crystal superalloy DD5 joints brazed using AWS BNi-2 filler alloy[J]. Materials Research Innovations, 2014, 18(14s): 341.
[16] 孙元, 刘纪德, 侯星宇, 等. DD5单晶高温合金大间隙钎焊的组织演变与界面形成机制[J]. 金属学报, 2016, 52(7): 875 − 882. Sun Yuan, Liu Jide, Hou Xinyu, et al. Microstructure evolution and interfacial forming mechanism of wide gap brazing of DD5 single crystal superalloy[J]. Acta Metallurgica Sinica, 2016, 52(7): 875 − 882.
[17] 侯星宇, 孙元. 钎焊温度对CMSX-4单晶高温合金接头组织与性能的影响[J]. 焊接, 2019(1): 40 − 44. Hou Xinyu, Sun Yuan. Effect of brazing temperature on microstructure and mechanical properties of CMSX-4 single crystal superalloy brazed joint[J]. Welding & Joining, 2019(1): 40 − 44.
[18] Pouranvari M, Ekrami A, Kokabi A H. Solidification and solid state phenomena during TLP bonding of IN718 superalloy using Ni–Si–B ternary filler alloy[J]. Journal of Alloys and Compounds, 2013, 563: 143 − 149. doi: 10.1016/j.jallcom.2013.02.100
[19] Pouranvari M, Ekrami A, Kokabi A H. Effect of bonding temperature on microstructure development during TLP bonding of a nickel base superalloy[J]. Journal of Alloys and Compounds, 2009, 469(1/2): 270 − 275. doi: 10.1016/j.jallcom.2008.01.101
-
期刊类型引用(39)
1. 毛晴. 基于X射线图像和Faster R-CNN的焊缝质量检测算法研究. 机械制造. 2025(04): 30-34+40 . 百度学术
2. 李选臣. 基于区域特征推荐神经网络的数字图像信息识别方法研究. 自动化与仪器仪表. 2024(02): 51-54 . 百度学术
3. 张婷,王登武. 基于空洞分层注意力胶囊网络的X射线焊缝缺陷识别方法. 宇航计测技术. 2024(02): 45-51 . 百度学术
4. 王睿,高少泽,刘卫朋,王刚. 一种轻量级高效X射线焊缝图像缺陷检测方法. 焊接学报. 2024(07): 41-49 . 本站查看
5. 李巍,李太江,杨略,蔡焕捷,李蕾,陈盛广,曹小龙. 改进的U-Net算法在管道内焊缝缺陷图像分割中的应用. 焊接. 2024(11): 73-80 . 百度学术
6. 左浩. 焊接机器人焊缝完整程度图像识别算法研究. 焊接技术. 2023(02): 77-82+114 . 百度学术
7. 董蕾,雷伟强,李荣涛. 基于改进YOLOv5的矿用钢丝绳芯输送带破损检测方法. 山西焦煤科技. 2023(02): 15-17 . 百度学术
8. 段岳飞,马嵩华,胡天亮. 基于全卷积神经网络的焊缝识别方法. 制造技术与机床. 2023(04): 44-49 . 百度学术
9. 滕碧红,孙海信. 基于传感器阵列的纹理图像表面缺陷识别算法. 计算机仿真. 2023(03): 285-288+301 . 百度学术
10. 陈滔. 基于改进粒子群优化的K-means聚类的焊接缺陷图像识别. 遵义师范学院学报. 2023(02): 85-88 . 百度学术
11. 吴昉,王伟,刘卫朋. 结合注意力机制和卷积神经网络的X射线焊缝缺陷检测. 科学技术与工程. 2023(08): 3387-3395 . 百度学术
12. 许馨元,李越鹏,王媛媛. 基于改进CURE聚类算法的网络用户异常行为识别方法. 微型电脑应用. 2023(05): 174-177+181 . 百度学术
13. 朱秀森,高鸿波,胡茂春,吕成澍,张士晶,王战,胡坦能. 基于暗通道技术的核电用不锈钢环焊缝DR图像质量优化. 无损检测. 2023(04): 27-32+86 . 百度学术
14. 姚远,杨济硕,沈清澜,姜建华. 基于卷积神经网络的焊缝缺陷超声图像识别方法研究. 计算机时代. 2023(07): 105-107+113 . 百度学术
15. 綦振国,杨晨菲. 卷积神经网络在射线检测中的应用浅析. 无损探伤. 2023(04): 11-13+41 . 百度学术
16. 张祯祥. 基于图像特征的高速铁路轨道焊缝缺陷检测. 现代城市轨道交通. 2023(07): 27-31 . 百度学术
17. 潘海鸿,李松莛,陈琳,邓火生,雷运理. 基于改进DG-MobileNet模型的焊缝缺陷识别方法. 组合机床与自动化加工技术. 2023(08): 127-130 . 百度学术
18. 李海瑛,李娟,张钰,王哲. 复杂背景下医学图像规则区域纹理缺陷识别. 计算机仿真. 2023(10): 291-295 . 百度学术
19. 徐海明. 基于改进时频分析的X射线管无损检测技术研究. 机械设计与制造工程. 2023(12): 87-92 . 百度学术
20. 秦志伟,陈黎. 基于图像风格迁移技术生成图像验证码研究. 计算机与数字工程. 2023(10): 2444-2451 . 百度学术
21. 陈琳,陈英蓉,庞再军,刘冠良,潘海鸿. 基于EC双流模型的焊接缺陷图像识别. 组合机床与自动化加工技术. 2022(01): 94-97 . 百度学术
22. 王睿,胡云雷,刘卫朋,李海涛. 基于边缘AI的焊缝X射线图像缺陷检测. 焊接学报. 2022(01): 79-84+118 . 本站查看
23. 段韶鹏. 基于深度学习的网路图像缺陷识别方法. 长江信息通信. 2022(03): 89-91 . 百度学术
24. 田萌. 基于VR技术的X射线图像安检危险品自动识别. 计算技术与自动化. 2022(01): 123-128 . 百度学术
25. 张龙飞,高炜欣,冯小星. 基于卷积神经网络X射线环焊缝缺陷检测. 焊接. 2022(03): 26-34 . 百度学术
26. 杨国威,张金丽. 基于光栅投影的焊后焊缝表面三维测量. 焊接学报. 2022(04): 100-105+112+119-120 . 本站查看
27. 刘文婧,张二清,王建国,王少锋,黄顺舟. 焊缝缺陷图像智能分类研究. 组合机床与自动化加工技术. 2022(06): 150-154 . 百度学术
28. 张思,石峰. 基于机器视觉的焊缝缺陷识别方法研究. 河南化工. 2022(06): 15-19 . 百度学术
29. 程松,戴金涛,杨洪刚,陈云霞. 基于改进型YOLOv4的焊缝图像检测与识别. 激光与光电子学进展. 2022(16): 105-111 . 百度学术
30. 代岩,黄瑞,方田,徐志坤. 基于深度学习的热轧过钢检测追踪系统. 冶金自动化. 2022(05): 76-84 . 百度学术
31. 詹志明. 基于图像处理的金属机械零件表面微缺陷检测方法. 湖南文理学院学报(自然科学版). 2022(04): 19-24 . 百度学术
32. 唐东林,杨洲,程衡,刘铭璇,周立,丁超. 浅层卷积神经网络融合Transformer的金属缺陷图像识别方法. 中国机械工程. 2022(19): 2298-2305+2316 . 百度学术
33. 刘欢,刘骁佳,王宇斐,王宁,曹立俊. 基于复合卷积层神经网络结构的焊缝缺陷分类技术. 航空学报. 2022(S1): 165-172 . 百度学术
34. 耿宾涛,贾国伟. 激光视觉图像引导机械焊缝识别方法研究. 应用激光. 2022(10): 1-8 . 百度学术
35. 王靖然,王桂棠,杨波,王志刚,符秦沈,杨圳. 深度学习在焊缝缺陷检测的应用研究综述. 机电工程技术. 2021(03): 65-68 . 百度学术
36. 张振洲,熊凌,李克波,陈刚,但斌斌,吴怀宇. 基于改进GoogLeNet的锌渣识别算法. 武汉科技大学学报. 2021(03): 182-187 . 百度学术
37. 付琳. 存在冗余特征的Relief图像缺陷识别算法研究. 电脑知识与技术. 2021(20): 106-107 . 百度学术
38. 刘霞,金忠庆. 基于改进卷积神经网络的飞机桁架焊缝缺陷识别与测试. 航空制造技术. 2021(Z2): 34-38 . 百度学术
39. 袁泽浩,李广超,解庆生. CPP900自动焊设备在长输管道焊接中的应用. 焊接. 2021(09): 57-60+64 . 百度学术
其他类型引用(21)