Multiview solder joint defect detection based on improved ResNet
-
摘要: 基于卷积神经网络的单视图检测不能有效识别三维形状的缺陷目标，导致在实际应用中，往往是通过只检测某一最具代表性的视图或者依次检测每个面来实现低精度的检测要求，这带来了较大的时间成本和使用限制. 针对这一问题，提出了改进的残差网络(ResNet)，并将其应用于三维形状的焊点缺陷检测. 该模型首先会一次性获取焊点的所有视图图像，再通过特征聚合和自适应学习模块，最终获得检测结果. 多视图焊点数据集来自高频电感元件，在所提出方法的识别精度达到了99.48%. 结果表明，改进的残差网络在同等网络层数的情况下有效提升了图像识别精度；对比单视图检测，多视图检测结构仅以较少的时间代价获得了较大的精度提升，能有效完成实际工业生产中的三维形状缺陷目标的检测任务.Abstract: The single view detection based on convolutional neural network cannot effectively identify 3D shape defect targets. As a result, in practical applications, the low-precision detection requirements are often achieved by detecting only one of the most representative views or detecting each face in turn, which brings large time cost and use restrictions. To solve this problem, this paper proposes an improved residual network and applies it to 3D shape solder joint defect detection. The model can firstly obtain all view images of solder joints at one time, and then get detection results through feature aggregation and adaptive learning module. The multi-view solder joint data set was obtained from high frequency inductor element, and the identification accuracy of the proposed method reached 99.48%. The results show that the improved residual network can effectively improve the image identification accuracy under the same number of network layers. Compared with the single view detection, the multi-view detection structure can achieve greater accuracy with less time cost, and can effectively complete the detection task of 3D shape defect targets in actual industrial production.
-
Keywords:
- defect detection /
- multi-view /
- feature fusion /
- solder joint /
- convolutional neural network
-
0. 序言
铌微合金化高强度钢应用历史已达70多年[1]. 特别是在20世纪80年代早期，人们加入铌来设计新一代高强度低合金钢[2]，充分利用铌的固溶和析出行为，结合热机械轧制工艺，达到细化晶粒、控制相变和析出强化的效果，从而获得高强度、高韧性的钢材，如X80管线钢. 在随后的焊接过程中，根据焊接工艺的不同，含铌管线钢热影响区(heat-affected zone, HAZ)经历了一系列的奥氏体形成和分解循环，尤其是在临界再热影响区(inter-critically reheated HAZ，ICHAZ)奥氏体的部分形成和分解导致了微观组织的复杂性. 因此，X80管线钢热影响区的微观组织演化受基体中Nb含量的强烈影响[3].
焊接热影响区的微观组织和韧性是影响高钢级的油气管道完整性的重要因素. 虽然X80高强度管线钢具有良好的抗延性断裂能力，但焊接过程中形成的热影响区，尤其是粗晶区(coarse-grained heat -affected zone, CGHAZ)，其微观组织分布不均匀，且具有高的局部化特征，使得该区域力学性能变差，容易形成诱发裂纹的局部脆性区，是整个焊接结构的薄弱地带. 参考文献[4]研究认为，对于含Nb量为0.1%的X80管线钢，虽然热影响区原始奥氏体晶粒的平均尺寸不会随热输入增加而过于粗大，但当热输入高于40 kJ/cm时，会使得原始奥氏体晶粒内粒状贝氏体的晶体取向选择过于单一，大角晶界(大于15°)密度会明显降低，有效晶粒尺寸较大，马氏体−奥氏体组元(M-A)也由于热输入量过大而明显粗化，从而导致热影响区粗晶区韧性明显降低.Teixeira等人[5]研究了高强钢热影响区的组织梯度对焊接接头不稳定断裂行为的影响，认为粗晶区微观组织基本由粗贝氏体组成，并在大的原始奥氏体晶粒的晶界处有少量马氏体和先共析铁素体. 随着预制疲劳裂纹前缘侵入CGHAZ，其韧性明显下降. 文献[6]通过试验和3D有限元模拟，研究了焊接热模拟X80管线钢在不同温度下的断裂韧度，认为随着温度降低断裂韧性减小，并使钢材由韧性性断裂向脆性断裂转变，不同温度下测得的裂纹尖端张开位移值均具有一定的分散性，且分散程度随温度升高而增大. 袁军军等人[7]认为冲击试样的取样位置、缺口尖端组织状态和缺陷等因素对X70管线钢药芯焊丝多层多道焊接头冲击性能的稳定性有一定影响，且试样缺口处柱状晶所占比例和粗大晶粒是导致冲击韧性出现波动和低值的主要原因. 管线钢热影响区微观组织及其性能还受焊接热输入量、其它合金元素和碳当量的影响.Mohammadijoo等人[8]研究发现，X70管线钢热影响区软化程度随着Mo，Mn，Ti，N和碳当量的增加逐渐减小，但合金的添加对HAZ韧性产生了不利影响，尤其是对填充焊和盖面焊热影响区的影响. 文献[9]采用热模拟试样研究了铌微合金钢焊接热影响粗晶区的微观组织组成，主要相为含有大量M-A的粒状贝氏体，并利用原子探针断层扫描技术，研究了铌在原始奥氏体晶界(prior austenite grain boundary，PAGB)、铁素体/M-A界面和铁素体晶界的分布，结果表明，Nb在铁素体/M-A界面处富集最明显，Nb偏析降低了PAGB的吉布斯能. 原始奥氏体晶界处Nb的强偏析可以有效地防止高温时奥氏体晶粒的生长，而铁素体/M-A界面处Nb偏析可以抑制冷却时贝氏体、铁素体的生长，进一步解释了焊接后含Nb微合金钢中贝氏体组织较细的原因，Nb原子与空位的结合能预测结果也表明焊接热循环对Nb的偏析是非平衡机制所致.
采用熔化极气体保护焊与手工焊条电弧焊的实焊方法，进行夏比冲击试验，且利用高温激光共聚焦显微镜观察微观组织结构，研究不同Nb含量X80钢管在低热输入和较高热输入下环焊缝HAZ的微观组织与性能，为高强度管线钢的成分优化设计与焊接工艺选择提供了试验依据.
1. 试验方法
1.1 试验材料
试验材料选用了含铌量为0.055%和0.075%的X80直缝埋弧焊钢管，钢管直径为1 219 mm，壁厚为22 mm. 两种铌含量钢管分别标记为N055和N075，具体化学成分和焊接冷裂纹敏感系数(CEPcm)见表1. N055和N075管体纵向的拉伸屈服强度分别为567 MPa和565 MPa，抗拉强度分别为645 MPa和689 MPa，断后伸长率分别为21%和25%，N055和N075管体纵向平均冲击吸收能量在0 ℃时分别为401 J和375 J，在−20 ℃时分别为391 J和340 J.
表 1 试验钢管的化学成分(质量分数，％)Table 1. Chemical compositions of steel pipes编号 C Mn Si P S Cr Mo Ni Nb V Ti Cu B Al N Fe CEPcm N055 0.049 1.74 0.15 0.010 0.0025 0.25 0.093 0.16 0.058 0.0043 0.011 0.022 0.0003 0.027 0.0031 余量 0.165 N075 0.051 1.72 0.16 0.013 0.0026 0.26 0.088 0.16 0.082 0.0045 0.012 0.026 0.0003 0.025 0.0033 余量 0.167 1.2 环焊缝焊接与试验方法
由于实际的环焊接头熔合区的形状极不规则，对熔合线处的夏比冲击离散性影响较大. 因此，为了更准确的研究在熔化极气体保护自动焊(Auto-GMAW)和SMAW两种典型热输入下，不同Nb含量X80环焊接头热影响区的韧性，参照API RECOMMENDED PRACTICE 2Z《海上结构用钢板预生产评定推荐作法》标准，采用如图1所示的单侧V形坡口. GMAW环焊采用直径为1.0 mm的ER80S-G(BOHLER SG 8-P)的实心焊丝；SMAW采用直径为3.2 mm的E9018-G 焊条进行根焊，填充和盖面焊采用直径为4.0 mm的E11018-G焊条. GMAW和SMAW的焊接工艺参数分别如表2和表3所示.
![]()
图 1 单侧V形坡口示意图(mm)Figure 1. Schematic diagram of single side V- groove. (a) GMAW; (b) SMAW焊接完成后，从环焊接头3点钟位置截取试块制备成金相试样，经2%硝酸酒精溶液浸蚀后，在OLS 4100激光共聚焦显微镜下观察直边侧坡口热影响区的微观组织. 并从立焊位置(环焊缝2点钟至5点钟)截取试块，在壁厚中心制备V形缺口夏比冲击试样，以保证试样位于填充焊道热影响区. 冲击试样尺寸为55 mm × 10 mm × 10 mm，V形缺口轴向位于直边侧HAZ不同位置处.FL0.5，FL1.0和FL2.0(FL为缺口位置位于50%WM + 50%HAZ，)分别代表缺口轴线距FL处0.5 mm，1.0 mm，2.0 mm.图2为缺口位于FL0.5的示意图. 并利用PSW750型冲击试验机，依据GB/T 229-2020《金属材料夏比摆锤冲击试验方法》进行夏比冲击试验. 由于Boltzmann函数具有S形曲线形状，与金属材料冲击吸收能量−温度关系曲线的形状非常吻合，满足下平台区、转变温度区和上平台区3阶段分布特征，物理意义明确、相关性高，是较为认可的数学模型[10-12]. 因此，采用Bolztmann函数模型对系列冲击试验测试数据进行拟合，获得热影响区的韧脆转变温度(ductile-brittle transition temperature，DBTT).
表 2 单侧双V形坡口GMAW焊接工艺参数Table 2. Welding process parameters of single side double V-groove GMAW girth welding焊接层 焊接电流
I/A电弧电压
U/V送丝速度
vf/(m·min−1)焊接速度
vw/(mm·min−1)保护气体 平均热输入
$ \overline Q $/(kJ·mm−1)混合比例(Ar : CO2) 流量Q/(L·min−1) 根焊 150 ~ 200 22 ~ 26 8.13 ~ 9.65 460 ~ 660 4∶1 20 ~ 25 0.48 热焊 180 ~ 240 24 ~ 27 11.43 ~ 12.92 560 ~ 760 4∶1 30 ~ 35 0.52 填充焊 160 ~ 220 24 ~ 26 8.13 ~ 10.92 330 ~ 460 4∶1 25 ~ 35 0.75 盖面焊 150 ~ 200 22 ~ 26 7.62 ~ 9.14 330 ~ 460 4∶1 20 ~ 30 0.65 ![]()
图 2 冲击试样缺口位于FL0.5处的示意图Figure 2. Schematic diagram of notched position at FL0.5 of impact sample. (a) GMAW; (b) SMAW表 3 单侧V形坡口SMAW焊接工艺参数Table 3. Welding process parameters of single side V-groove GMAW girth welding焊接
层数焊接电流I/A 电弧电压U/V 焊接速度vw/(mm·min−1) 平均热输入$ \overline Q $/(kJ·mm−1) 根焊 130 ~ 150 24 ~ 27 90 ~ 100 2.10 热焊 130 ~ 150 24 ~ 27 100 ~ 120 1.91 填充焊 170 ~ 210 24 ~ 27 90 ~ 120 2.84 盖面焊 170 ~ 200 24 ~ 27 90 ~ 120 2.70 为了进一步研究管体母材的性能和原始微观组织状态对环焊接头热影响区微观组织和韧性的影响，采用显微硬度试验测试了GMAW环焊接头的硬度云图分布，并借助扫描电镜观察了N055和N075管体的微观组织. 同时，采用高温激光共聚焦显微镜观察在相同的条件下N055和N075分别加热至1 350 ℃保温1 s，冷却至150 ℃后，二次加热至780 ℃保温1 s，再冷却至200 ℃，以此模拟X80管道环焊接头粗晶区进行二次热循环的微观组织转变过程，进一步对比不同Nb含量对X80环焊热影响区组织转变的影响.
2. 试验结果与分析
2.1 不同热输入量的热影响区冲击韧性
图3为N055和N075钢管GMAW环焊接头热影响区不同位置的夏比冲击吸收能量与管体纵向夏比冲击吸收能量的对比. 从图3中可以看出，N075和N055热影响区均具有较高的冲击韧性，其平均值高于150 J. N055与N075环焊接头热影响区相比，采用较低热输入的环焊工艺时，N055焊接接头热影响区FL，FL0. 5，FL1.0和FL2.0在0 ℃和−20 ℃时夏比冲击吸收能量均略高于N075.
![]()
图 3 GMAW环焊热影响区不同位置的夏比冲击吸收能量Figure 3. Charpy impact absorbed energy at different positions in the heat-affected zone of GMAW girth welding. (a) 0 ℃; (b) −20 ℃图4为不同Nb含量X80单边V形坡口GMAW和SMAW环焊接头粗晶区的韧脆转变曲线. 图4(a)表明，低热输入焊接时，N055和N075在粗晶区FL0.5处韧脆转变的上平台温度分别达到−80 ℃和−60 ℃，且二者的上平台吸收能量相当，均约为300 J. 经Bolztmann函数拟合计算，N055的韧脆转变温度约为−104 ℃，N075的韧脆转变温度为−85 ℃. 因此，采用低热输入的GMAW环焊时，N055和N075均具有优良的低温韧性.
![]()
图 4 环焊接头粗晶区的韧脆转变曲线Figure 4. Ductile-brittle transition curve of CGHAZ of girth welded joint. (a) GMAW; (b) SMAW图4(b)为 N055和N075采用较高热输入的SMAW环焊接头FL0.5处的韧脆转变曲线. 由图4可知，在较高热输入下，N055和N075在粗晶区FL0.5处韧脆转变的上平台温度分别达到−30 ℃和−50 ℃，且N075的上平台能约为275 J，而N055的上平台能约为230 J. 同时，从图4可以看出，N055和 N075较高热输入的SMAW环焊接头粗晶区的韧脆转变温度分别为−56 ℃和−77 ℃. 因此，较大热输入环焊时，与N055相比，N075具有更高上平台冲击吸收能量和更低的上平台温度，其低温韧性更优异.
2.2 微观组织
焊接接头粗晶区的微观组织分布不均匀，且在临界二次加热粗晶区(intercritically reheated coarse grained HAZ，ICCGHAZ)存在链状分布的 M-A 组元，因其具有高的局部化特征被认为是韧性变差的主要原因[13-14]. 图5和图6分别为不同铌含量X80在较低热输入的GMAW和较高热输入的SMAW焊接下粗晶区的微观组织. 结果表明，在较低热输入和较高热输入下，N055和N075粗晶区的组织均以粒状贝氏体(BL)为主. 在较低热输入GMAW环焊时，N055和N075临界二次加热粗晶区的原始奥氏体晶界上分布有M-A链状组织，但是N075的IC CGHAZ内晶粒相对较小且更为均匀，M-A组织占比更高. 当采用热输入较高的SMAW环焊时，粗晶区晶界分布的M-A链状组织逐渐细化或消失，但N075粗晶区比N055粗晶态的晶粒尺寸更均匀细小，促进了M-A弥散分布，因此，N075SMAN粗晶区的韧性好于N055.
![]()
图 5 较低热输入的GMAW环焊接头粗晶区微观组织Figure 5. Microstructure of CGHAZ of GMAW girth welded joint with lower heat input. (a) N055; (b) N075![]()
图 6 较高热输入的SMAW环焊接头粗晶区微观组织Figure 6. Microstructure of CGHAZ of SMAW girth welded joint with higher heat input. (a) N055; (b) N0752.3 讨论与分析
焊接热影响区粗晶区的韧性恶化或波动影响因素极其复杂. 通常认为，主要受热影响区中粗大的M-A组元、取样位置、缺口尖端组织状态、缺陷、试验温度、合金元素含量和碳当量的影响[4-8]. 同时，管体母材的强度、韧性和原始组织状态对热影响区韧性也有明显的遗传性影响.
图7为GMAW环焊接头的硬度云图. 从图7中可以看出，N075接头两侧管体硬度高于N055，壁厚中心附近N075热影响区的平均硬度约为205 HV0.5，N055热影响区的平均硬度约为198 HV0.5. 因此，N075热影响区的硬度略高于N055，即表明N075热影响的强度也高于N055. 同时，上文中图3的对比结果表明，N055管体的纵向冲击韧性高于N075. 图8为扫描电镜下N055和N075管体壁厚中心的微观组织. 从图8可以看出来，与N055相比，N075管体具有更多的粒状贝氏体组织，且在晶粒内分布有较多的板条亚结构. 因此，N075管体纵向强度高于N055，而平均冲击韧性低于N055. 管体原始的微观组织和性能导致0.055%Nb含量高于0.075%Nb含量的X80钢管GMAW环焊接头热影响区不同位置的冲击韧性.
![]()
图 7 GMAW环焊接头的硬度云图Figure 7. Hardness map of GMAW girth welded joint. (a) N055; (b) N075CGHAZ的韧性受贝氏体相变后其晶体学结构影响，而ICCGHAZ则主要受沿原奥氏体晶界形成的链状M-A影响. 在试样受冲击过程中，裂纹在二次热循环产物M-A处形成核. 当遇到岛型M-A组分时，裂纹发生偏转，而当遇到M-A型纤细组分时，则呈直线传播. 裂纹偏转越小，传播路径消耗的能量越小，从而降低韧性[15]. 通过优化母材合金成分(比如加入Nb)，细化CGHAZ的奥氏体晶粒尺寸，获得最佳晶体学结构匹配的组织，有利于改善焊接热影响区的韧性[16].
图9为激光共聚焦观察到N055和N075二次热循环后的微观组织. 从图9可以看出，N075在二次热循环后热影响区的晶粒尺寸明显小于N055. GMAW环焊时，由于热输入较低，热影响区很窄，而N075在ICCGHAZ形成的M-A较粗，但其晶粒相对较细. 因此，M-A所占比例较高，在管体原始冲击韧性遗传影响下，N075热影响区的韧性低于N055. 当较高热输入的SMAW环焊时，N075热影响区的奥氏体晶粒尺寸细化，M-A也随之细化，M-A分布趋于不连续或消失，ICCGHAZ表现出更好的韧性. 因此，较高热输入的SMAW环焊时，与N055相比，N075粗晶区具有更高的韧脆转变上平台能和更低的韧脆转变温度.
![]()
图 9 X80二次热循环冷却至约296 ℃的微观组织Figure 9. X80 secondary thermal cycle cooling to about 296 ℃ micrastructure. (a) N055; (b) N0753. 结论
(1) 在0 ℃和 −20 ℃时，0.075%Nb和0.055%Nb的X80钢管GMAW环焊接头热影响区均具有较高的冲击韧性，其平均冲击吸收能量高于150 J. 但是，0.055%Nb略高于0.075%Nb的X80钢管GMAW环焊接头热影响区的夏比冲击吸收能量.
(2) 当采用低热输入焊接时，0.055%Nb低于0.075%Nb的X80环焊接头粗晶区的韧脆转变温度，具有更好的低温韧性；当采用较高热输入焊接时，0.075%Nb的X80环焊热影响区的上平台冲击吸收能量更高，且具有更低的上平台温度和韧脆转变温度，其的低温韧性更优异.
(3) X80环焊接头热影响区的冲击韧性不仅与焊接热输入量和热影响中M-A形状、大小、分布有关，而且还受管体的化学成分、原始的强韧性和微观组织状态的遗传影响.
-
![]()
图 1 残差网络模块结构
Figure 1. Residual network block network structure. (a) traditional structure of residual network; (b) improved residual structure
![]()
图 2 残差模块的展开视图
Figure 2. Unraveled view of residual block. (a) 4 layers convolution form of original residual network; (b) unraveled view of Fig. 2a; (c) 4 layers convolution form of improved residual network; (d) unraveled view of Fig. 2c
![]()
图 3 常见的几种焊点缺陷
Figure 3. Several common solder joint defects. (a) lack of welding; (b) insufficient solder; (c) voids; (d) pseudo soldering; (e) excessive solder and bridge joint; (f) excessive impurities
![]()
图 5 多视图自适应融合学习网络的训练误差曲线
Figure 5. Training error curve of multi view adaptive fusion learning network
![]()
图 6 多视图拍摄结构和样品
Figure 6. Multi view shooting structure and sample. (a) multi view shooting structure; (b) left view; (c) top view; (d) right view
表 1 不同模型在Cifar-100上的测试结果
Table 1 Evaluation results of various models on Cifar-100
模型 Top1错误率
Y E1 (%)Top5 错误率
YE5(%)计算量
YMC (G)参数量
YMP(M)ResNet34 22. 79 6. 11 1. 16 21. 32 ResNet50 22. 01 5. 80 1. 30 23. 71 Ours_ResNet34 22. 55 5. 90 1. 16 20. 39 Ours_ResNet50 21. 28 5. 14 1. 30 22. 68 
下载: 导出CSV
表 2 不同模型上焊点数据集的单视图和多视图的测试错误率 (%)
Table 2 Test error rate of single view and multi view of different models on solder joint dataset
模型 单视图错误率 YSE 多视图错误率 YME VGG19 7.07 5.09 MobileNet 5.47 3.65 ResNet34 5.02 2.53 ResNet50 4.86 1.34 DLA 4.68 0.60 SENet50 4.23 0.55 Ours_ResNet34 4.93 1.58 Ours_ResNet50 4.35 0.52
下载: 导出CSV
-
[1] Su S, Akkara F J, Thaper R, et al. A state-of-the-art review of fatigue life prediction models for solder joint[J]. Journal of Electronic Packaging, 2019, 141(4): 040802. doi: 10.1115/1.4043405
[2] Wang Q, Liu X, Liu W, et al. MetaSearch: incremental product search via deep meta-learning[J]. IEEE Transactions on Image Processing, 2020, 29: 7549-7564.
[3] He K, Zhang X, Ren S, et al. Deep residual learning for image recognition[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas, America, 2016: 770-778.
[4] Zhang Z, Wen G, Chen S. Weld image deep learning-based on-line defects detection using convolutional neural networks for Al alloy in robotic arc welding[J]. Journal of Manufacturing Processes, 2019, 45: 208 − 216.
[5] 王中任, 王小刚, 刘德政, 等. 基于焊枪轮廓特征提取的焊接偏差测定方法[J]. 焊接学报, 2020, 41(7): 59 − 64. doi: 10.12073/j.hjxb.20191026002 Wang Zhongren, Wang Xiaogang, Liu Dezheng, et al. Welding eviation measurement method based on welding torch contour feature extraction[J]. Transactions of the China Welding Institution, 2020, 41(7): 59 − 64. doi: 10.12073/j.hjxb.20191026002
[6] 肖文波, 何银水, 袁海涛, 等. 镀锌钢GMAW焊缝成形特征与焊枪方向同步实时检测[J]. 焊接学报, 2021, 42(12): 78 − 82. doi: 10.12073/j.hjxb.20201021001 Xiao Wenbo, He Yinshui, Yuan Haitao, et al. Synchronous real-time detection of weld bead geometry and the welding torch in galvanized steel GAMW[J]. Transactions of the China Welding Institution, 2021, 42(12): 78 − 82. doi: 10.12073/j.hjxb.20201021001
[7] Ding R, Dai L, Li G, et al. TDD-net: a tiny defect detection network for printed circuit boards[J]. CAAI Transactions on Intelligence Technology, 2019, 4(2): 110 − 116. doi: 10.1049/trit.2019.0019
[8] Chi Dazhao, Gang Tie. Defect detection method based on 2D entropy image segmentation[J]. China Welding, 2020, 29(1): 45 − 49.
[9] 王睿, 胡云雷, 刘卫朋, 等. 基于边缘AI的焊缝X射线图像缺陷检测[J]. 焊接学报, 2022, 43(1): 79 − 84. Wang Rui, Hu Yunlei, Liu Weipeng, et al. Defect detection of weld X-ray image based on edge AI[J]. Transactions of the China Welding Institution, 2022, 43(1): 79 − 84.
[10] Veit A, Wilber M J, Belongie S. Residual networks behave like ensembles of relatively shallow networks[J]. Advances in Neural Information Processing Systems, 2016, 29: 550 − 558.
[11] Ma C, Guo Y, Yang J, et al. Learning multi-view representation with LSTM for 3D shape recognition and retrieval[J]. IEEE Transactions on Multimedia, 2018, 21(5): 1169 − 1182.
[12] 迟大钊, 李孙珏, 孙昌立, 等. 基于双目视觉的缺陷深度测量方法[J]. 焊接学报, 2016, 37(11): 7 − 10. Chi Dazhao, Li Sunjue, Sun Changli, et al. Binocular visual based defect buried depth testing method[J]. Transactions of the China Welding Institution, 2016, 37(11): 7 − 10.
[13] Jiao Y, Jermsittiparsert K, Krasnopevtsev A Y, et al. Interaction of thermal cycling and electric current on reliability of solder joints in different solder balls[J]. Materials Research Express, 2019, 6(10): 106302. doi: 10.1088/2053-1591/ab366d
[14] Dai W, Mujeeb A, Erdt M, et al. Soldering defect detection in automatic optical inspection[J]. Advanced Engineering Informatics, 2020, 43: 101004. doi: 10.1016/j.aei.2019.101004
[15] Liu Z, Cao Y, Li Y, et al. Automatic diagnosis of fungal keratitis using data augmentation and image fusion with deep convolutional neural network[J]. Computer Methods and Programs in Biomedicine, 2020, 187: 105019. doi: 10.3390/info11020125
[16] He K, Fan H, Wu Y, et al. Momentum contrast for unsupervised visual representation learning[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. Anchorage, Alaska, USA, 2020: 9729 − 9738.
[17] Yu F, Wang D, Shelhamer E, et al. Deep layer aggregation[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. Salt Lake City, USA, 2018: 2403 − 2412.
[18] Hu J, Shen L, Sun G. Squeeze-and-excitation networks[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. Salt Lake City, USA, 2018: 7132 − 7141.
-
期刊类型引用(2)
1. 康蕾，刘飞，陈韬. 1050A纯铝/TA15钛合金异种金属冷焊接头组织与性能. 焊接. 2024(12): 61-66 . 
百度学术
2. 闫耀天，刘柏深，曹健，亓钧雷. 直流电热冲击辅助多组分氧化物钎焊SiC陶瓷的工艺及性能. 焊接学报. 2022(11): 22-29+164 . 本站查看
其他类型引用(0)
计量
- 文章访问数: 386
- HTML全文浏览量: 38
- PDF下载量: 64
- 被引次数: 2
