基于注意力机制和迁移学习的弧焊熔池图像识别

洪宇翔; 应其洛; 林凯; 王开明; 王瑶祺

doi:10.12073/j.hjxb.20240112003

基于注意力机制和迁移学习的弧焊熔池图像识别

洪宇翔^{1, 2,},
应其洛¹,
林凯¹,
王开明³,
王瑶祺¹

1.
中国计量大学, 机电工程学院, 杭州, 310018
2.
中国计量大学, 浙江省智能制造质量大数据溯源与应用重点实验室, 杭州, 310018
3.
长沙理工大学, 机械与运载工程学院, 长沙, 410114

基金项目: 国家自然科学基金资助项目 (51605251)；浙江省自然科学基金资助项目(LY22E050009)；浙江省教育厅科研资助项目(Y202249427)；浙江省教育厅科研资助项目(Y202147838)；浙江省属高校基本科研业务费专项资金资助项目(2023YW41)

详细信息

作者简介:
洪宇翔，博士，副教授；主要从事智能化焊接与增材制造方面的科研和教学工作；Email：hongyuxiang@cjlu.edu.cn

中图分类号: TG 409
计量
- 文章访问数: 105
- HTML全文浏览量: 8
- PDF下载量: 67
出版历程
- 收稿日期: 2024-01-11
- 网络出版日期: 2025-03-25
- 刊出日期: 2025-04-24

Arc welding molten pool image recognition based on attention mechanism and transfer learning

1.
College of Mechanical and Electrical Engineering, China Jiliang University, Hangzhou, 310018, China
2.
Key Laboratory of Intelligent Manufacturing Quality Big Data Tracing and Analysis of Zhejiang Province, China Jiliang University, Hangzhou, 310018, China
3.
College of Mechanical and Vehicle Engineering, Changsha University of Science & Technology, Changsha, 410114, China

摘要

摘要:
焊接过程中受复杂时变干扰和工艺条件变化的影响，熔池边界特征易模糊、尺度信息复杂多变，对熔池区域的准确识别与鲁棒分割造成极大困难. 文中提出一种结合注意力机制和迁移学习的熔池图像识别方法，首先，在UNet下采样过程中添加残差模块(residual block，RB)提取多尺度的低级特征，并在下采样和上采样过程中引入坐标注意力模块(coordinate attention block，CAB)，提高有效区域的特征权重. 其次，在Pascal VOC2012预训练好的深度卷积神经网络迁移到UNet网络中，实现特征迁移和参数共享，以缓解训练效果过度依赖数据集. 文中提出的TL-RCUNet网络在未曾训练的MAG和TIG跨工艺数据集上进行测试，取得了良好的识别效果，平均交并比(mean intersection over union，MIoU)分别达到96.21%和79.55%，比经典语义分割网络分别高出约15%和25%. 为解决现有语义分割方法依赖于大量训练样本和需要专家经验进行像素级别标注的问题提供了可行方案.
- 语义分割 /
- 熔池图像 /
- 迁移学习 /
- 注意力机制 /
- 残差网络
Abstract:
Due to the influence of complex time-varying interference and variations in process conditions during the welding process, the boundary characteristics of the molten pool are easy to be blurred, and the scale information is complex and changeable, which poses significant challenges to the accuracy recognition and the robust segmentation of the molten pool. In this paper, a molten pool image recognition method combining attention mechanism and transfer learning is proposed. Firstly, the residual block(RB) is added to the UNet down-sampling process to extract multi-scale low-level features, and the coordinate attention block(CAB) is introduced in the down-sampling and up-sampling processes to improve the feature weight of the effective region. Secondly, the pre-trained deep convolutional neural network in Pascal VOC2012 is transferred to the UNet network to realize feature transfer and parameter sharing, so as to alleviate the over-reliance of training effect on datasets. The TL-RCUNet network proposed in this paper has achieved good recognition results on the untrained MAG and TIG cross-process datasets. The mean intersection over union(MIoU) reaches 96.21% and 79.55%, respectively, which is about 15% and 25% higher than the classical semantic segmentation network. The model provides a feasible solution to the problem that existing semantic segmentation methods rely on a large number of training samples and pixel-level annotations based on expert experience.
- semantic segmentation /
- molten pool image /
- transfer learning /
- attention mechanism /
- residual network

HTML全文

0. 序言

激光+GMAW(gas metal arc welding, 熔化极气体保护焊)将激光和熔化极电弧这两种物理性质、能量传输机制截然不同的热源复合在一起^[1-2]，充分利用两种热源各自的优点，并有效地弥补了各自的不足，目前已在工业领域获得了广泛的应用. 近年来，研究者针对激光+GMAW复合焊接工艺和焊接机理进行了大量的研究工作. 研究证实，激光与GMAW复合作用可有效提高焊缝熔深，且对间隙、错边和对中偏离的容忍度均较强^[3]，电弧能够有效地提高被焊材料对激光能量的吸收能力^[4]；激光能够稳定电弧，同时能够引导和收缩电弧，且激光和电弧复合能够显著提高焊接速度^[5].

近年来，研究者针对激光焊和电弧焊进行了大量的建模计算研究，分析了焊接温度场和应力应变场^[6-8]. 虽然也开展了一些针对激光+GMAW复合焊接过程的数值模拟研究^[9]，但整体来看目前的研究还不够深入，且复合焊接与GMAW在焊接变形和残余应力等方面的对比研究鲜有报道. 在激光+GMAW复合焊接过程中，由于激光与GMAW电弧相互作用的复杂性，难以采用试验测试的方法对激光+GMAW复合焊接过程中电弧和激光的特性进行精确测量. 因此，从宏观传热过程出发，不考虑复杂的激光小孔动力学特性，以复合热源焊接的焊缝横断面形状尺寸为依据，采用SYSWELD软件建立反映复合热源热力作用特点的体积热源模型，并进行焊接温度场的计算；在此基础上，利用工件温度分布数据作为初始温度场进行应力应变的有限元数值计算，为激光+GMAW复合焊接工艺的优化提供基础理论数据.

1. 复合热源温度场的数值计算

1.1 组合式体积热源模型

对于激光+GMAW复合焊接来说，由于焊缝下半部分体积较小且散热较块，因此采用中心热流不变的作用模式很难计算得到理想的熔池轮廓. 考虑到激光与电弧之间的相互作用，以及激光在小孔内壁多次反射所起到的增强效果，采用峰值热流递增的热源，有效地对深度方向上的热流功率进行补偿. 因此，根据激光+GMAW复合热源焊接焊缝横断面几何形状的特点，建立“双椭球体热源+峰值递增圆柱体热源”的组合式体积热源模型.

热源上半部分采用双椭球体热源，即

$$ \begin{split} q(x,y,{\textit{z}}) =& \dfrac{{12\sqrt 3 Q{\chi _1}}}{{{\text{π}} \sqrt {\text{π}} a({b_1} + {b_2})c}}\exp \left( {\dfrac{{ - 3{x^2}}}{{{a^2}}}} \right) \exp \left( {\dfrac{{ - 3{y^2}}}{{b_1^2}}} \right)\\ &\exp \left( {\dfrac{{ - 3{{\textit{z}}^2}}}{{{c^2}}}} \right) (y < 0,{\textit{z}} \leqslant {H_1}) \end{split} $$

(1)

$$ \begin{split} q(x,y,{\textit{z}}) =& \dfrac{{12\sqrt 3 Q{\chi _1}}}{{{\text{π}} \sqrt {\text{π}} a({b_1} + {b_2})c}}\exp \left( {\dfrac{{ - 3{x^2}}}{{{a^2}}}} \right)\exp \left( {\dfrac{{ - 3{y^2}}}{{b_2^2}}} \right)\\ &\exp \left( {\dfrac{{ - 3{{\textit{z}}^2}}}{{{c^2}}}} \right) (y \geqslant 0,{\textit{z}} \leqslant {H_1}) \end{split} $$

(2)

式中：Q为总热源；a，b₁，b₂和c均为半椭球体的分布参数.

热源下半部分采用热流递增的圆柱体热源，即

$$ \begin{split} {q_{V2}}(r,{\textit{z}}) =& \dfrac{{6Q{\chi _2}}}{{{\text{π}} {r_0}H(mH + 2{r_0})}}\exp \left( {\dfrac{{ - 3{r^2}}}{{r_0^2}}} \right)\left( {\dfrac{{m{\rm{{\textit{z}}}} + {r_0}}}{{{r_0}}}} \right)\\ &\qquad\quad \left( {{H_1} < {\textit{z}} \leqslant d} \right) \end{split} $$

(3)

式中：d为板厚；H₁为双椭球体热源的作用高度，m为调节系数；H为圆柱体热源的作用高度；r₀为圆柱体热源的作用半径；χ₁和χ₂分别为组合式热源上、下两部分的功率分配系数，有

$$ {\chi _1} + {\chi _2} = 1 $$

(4)

χ₁和χ₂的取值依据电弧和激光的功率占比来确定，即

$${\chi _1} = \dfrac{{{Q_{\rm{A}}}}}{Q}$$

(5)

$${\chi _2} = \dfrac{{{Q_{\rm{L}}}}}{Q}$$

(6)

式中：Q_A和Q_L分别是电弧和激光的功率.

1.2 材料热物性参数

试验中采用的被焊材料为8 mm厚Q235低碳钢板，其热物性参数中的综合散热系数、比热容、热导率和蒸发系数均随温度的变化而变化，如图1所示. 模型中采用的其它参数取值如表1所示.

图 1 计算所采用的材料热物性参数

Figure 1. Thermo-physical properties of the material used in the calculation. (a) heat transfer coefficient; (b) heat capacity; (c) heat conductivity; (d) evaporation coefficient

下载: 全尺寸图片幻灯片

表 1 模型中的其它参数取值

Table 1. Other parameters used in the model

环境温度 ${T_\infty }$/K	熔点 ${T_{\rm{m}}}$/K	密度 $\;\rho $/(kg·m⁻³)	蒸发潜热 ${L_{\rm{b}}}$/(10⁵ J·kg⁻¹)	重力加速度 $g$/(m·s⁻²)
293	1773	6900	73.43	9.8

下载: 导出CSV

| 显示表格

1.3 网格划分

为兼顾计算时间和计算精度，采用6节点的五面体网格. 由于工件左右对称，因此模型在宽度方向上仅取一半进行计算. 在不影响计算精度的前提下，长度方向上也按比例仅选取一部分进行计算. 在温度梯度较大的熔池和热影响区采用较细密的网格，网格尺寸约为0.1 mm；而在温度梯度小的区域采用较稀疏的网格，网格尺寸约为0.8 mm. 这样即保证了工件上关键部位的计算精度，又减少了整体的节点数和计算迭代次数，提高了计算效率. 计算所采用的工件尺寸为40 mm (长) × 10 mm (宽) × 8 mm (高)，网格划分如图2所示.

图 2 几何模型的网格划分

Figure 2. Mesh generation of the geometric model

下载: 全尺寸图片幻灯片

1.4 温度场计算结果与试验验证

模拟计算所采用的激光功率为2 000 W，离焦量为1 mm；焊丝直径为1.2 mm，焊丝伸出长度为16 mm；光丝夹角为27.7°，光丝间距为1 mm；熔滴过渡频率为1滴/脉冲，送丝速度为6200 mm/min，焊接电流为173.3 A，电弧电压为25.4 V，焊接速度为1.0 m/min. 根据电弧和激光的功率比值确定χ₁和χ₂的取值分别为0.68和0.32. 图3为计算所得到的温度分布图. 图4为采用组合式体积热源计算得到的焊缝横截面与试验结果的对比，可以看出计算所得的焊缝熔宽、熔深和熔合线走向等均与试验结果接近，模拟结果与试验结果吻合良好.

图 3 工件纵截面和上表面的温度分布图

Figure 3. Temperature distribution of the longitudinal section and top surface of the workpiece

下载: 全尺寸图片幻灯片

图 4 焊缝横截面的试验结果(左)和模拟结果(右)对比

Figure 4. Comparison between the experimental and calculated results of the weld cross section

下载: 全尺寸图片幻灯片

2. 复合焊接热变形的数值分析

为比较激光+GMAW复合热源焊接与常规GMAW焊接的热变形情况，针对8 mm厚低碳钢板在采用两种方法焊接时所产生的热变形进行比较，如表2所示. 可以看出，在获得基本相同焊缝熔深的情况下，GMAW所需的焊接电流、电弧电压、送丝速度等均比激光+GMAW高很多，而且焊缝熔宽尺寸也比复合热源焊接宽约45.12%.

表 2 相同熔深情况下的GMAW和复合焊接参数

Table 2. Welding parameters of GMAW and laser + GMAW with similar weld penetration

工艺	电流I/A	电压U /V	送丝速度v_f /(m·min⁻¹)	焊接速度v₀ /(m·min⁻¹)	熔宽w/mm	熔深h/mm
GMAW	427	35.3	14.2	1	11.00	2.90
激光+GMAW	173.3	25.4	6.2	1	7.58	2.91

下载: 导出CSV

| 显示表格

2.1 力学性能参数

计算所采用材料的泊松比取值为0.33，杨氏模量和屈服强度均随温度变化，取值如图5所示. 工件的夹持情况如图6所示.

图 5 计算所采用的杨氏模量和屈服强度

Figure 5. Young’s modulus and yield strength used in the model. (a) Young’s modulus; (b) yield strength

下载: 全尺寸图片幻灯片

图 6 工件的夹持情况示意图

Figure 6. Schematic diagram for the clamping situation of the workpiece

下载: 全尺寸图片幻灯片

2.2 焊接变形

焊接完成后，立即松开夹具，让工件自由变形. 图7所示为焊后300 s工件的整体变形情况. 可以看出，在熔深基本相同的情况下，由于GMAW的焊接热输入比复合焊接高很多，因此GMAW所得到的工件最大变形量是复合焊接的10倍左右，印证了激光+GMAW复合焊接相对GMAW的优越性.

图 7 工件的整体变形

Figure 7. Overall deformation of the workpiece. (a) GMAW; (b) laser+GMAW

下载: 全尺寸图片幻灯片

2.3 残余应力

根据焊接应力的分布特点，分别对如图8所示的3条线上的残余应力结果进行提取分析. 其中，LINE 1位于焊缝中心线上，LINE 2位于焊趾处，LINE 3位于焊板中心且垂直于焊缝. 图9～图11分别为这3条线上的残余应力分布曲线. 从图9和图10可知，焊缝中心线LINE 1和焊趾处LINE 2在不同的焊接方法下所得到的残余应力分布规律大体相似. 对于纵向残余应力，由于焊缝两端为自由端，因此其值较小趋近于0；而在焊缝中心位置有较大的纵向拉应力，且由于复合焊的热输入更为集中，在焊趾处GMAW比复合焊的纵向拉应力明显较大，但在焊缝处并不明显. 而对于横向残余应力，在焊缝和焊趾的两端都表现出了较大的压应力. 但由于复合热源焊接的焊缝熔宽较小，故焊缝中间位置所受横向残余应力相比于GMAW焊缝更为显著，而在焊趾处却相差不大. 从图11中可以明显看出，LINE 3上复合焊和GMAW的应力都随着离焊缝的距离增大，应力先增大后减小. 且复合焊比GMAW提前进入应力峰值，这是由于复合焊的焊缝熔宽较窄，焊趾尺寸较小，故复合焊高应力区范围相较于GMAW也较窄. 焊缝及附近区域在高温时塑性变形，焊后受到拉应力的作用；而相对地，两侧远离焊缝的区域在整个热循环过程中未经历塑性变形，焊后受到压应力的作用. 由此可见，对于复合焊与GMAW在相同的熔深条件下，复合焊的高应力区的范围明显的小于GMAW. 这是由于复合焊中，激光热输入较为集中且激光对电弧的收缩作用都更有利于获得较大的熔深. 因此在获得相近熔深时，复合焊的送丝速度明显小于GMAW，且复合焊的热输入仅为GMAW的0.29倍，故产生的应力场也会相应的不同.

图 8 计算点的位置示意图

Figure 8. Schematic diagram for calculated positions

下载: 全尺寸图片幻灯片

图 9 LINE 1处的残余应力分布

Figure 9. Residual stress distribution along LINE 1. (a) longitudinal direction ; (b) transverse direction

下载: 全尺寸图片幻灯片

图 10 LINE 2处的残余应力分布

Figure 10. Residual stress distribution along LINE 2. (a) longitudinal direction; (b) transverse direction

下载: 全尺寸图片幻灯片

图 11 LINE 3处的残余应力分布

Figure 11. Residual stress distribution along LINE 3. (a) longitudinal direction; (b) transverse direction

下载: 全尺寸图片幻灯片

3. 结论

(1) 建立了适用于激光+GMAW复合焊接工艺的“双椭球体热源+峰值递增圆柱体热源”的组合式体积热源，数值计算的结果表明，该热源模型能够准确预测工件的温度分布和焊缝横断面的形状尺寸.

(2) 利用焊接温度场的计算结果对GMAW和激光+GMAW两种焊接工艺的焊接变形和焊后残余应力进行了计算. 结果表明，复合热源焊接的焊接热输入、焊缝熔宽和工件的整体变形量等均比GMAW小. 此外，复合热源焊接情况下的高应力区范围也有所降低.

图 1 焊接试验系统示意图(mm)

Figure 1. Schematic diagram of welding experiment system

下载: 全尺寸图片幻灯片

图 2 熔池图像分析

Figure 2. Image analysis of molten pool. (a) Q500D narrow gap MAG; (b) SS304 TIG

下载: 全尺寸图片幻灯片

图 3 熔池灰度直方图分析

Figure 3. Grayscale histogram analysis of the molten pool. (a)Q500D narrow gap MAG ; (b)SS304 TIG

下载: 全尺寸图片幻灯片

图 4 RCUNet网络结构

Figure 4. RCUNet network architecture

下载: 全尺寸图片幻灯片

图 5 残差模块

Figure 5. Residual block

下载: 全尺寸图片幻灯片

图 6 坐标注意力模块

Figure 6. Coordinate attention block

下载: 全尺寸图片幻灯片

图 7 TL-RCUNet网络的总体结构

Figure 7. Overall structure of TL-RCUNet network

下载: 全尺寸图片幻灯片

图 8 TL-RCUNet训练曲线

Figure 8. TL-RCUNet training curves. (a) loss curves of TL-RCUNet training and validation; (b) accuracy curves of TL-RCUNet training and validation

下载: 全尺寸图片幻灯片

图 9 不同语义分割网络在窄间隙MAG测试集的分割结果

Figure 9. Segmentation results of different semantic segmentation networks on narrow gap MAG test set

下载: 全尺寸图片幻灯片

图 10 连续监测图及分割图和热力图

Figure 10. Continuous monitoring images and segmentation images and thermodynamic images

下载: 全尺寸图片幻灯片

图 11 不同语义分割网络在TIG测试集的分割结果

Figure 11. Segmentation results of different semantic segmentation network on TIG test set. (a) 200 A; (b) 250 A

下载: 全尺寸图片幻灯片

表 1 坐标注意力模块和残差模块对UNet的影响

Table 1 Effect of coordinate attention block and residual block for UNet

语义分割网络	平均交并比 M(%)	精确度 P(%)	召回率 R(%)
UNet	87.74	90.21	89.83
RB-UNet	89.45	92.73	91.14
CAB-UNet	90.76	93.51	92.67
RCUNet	92.85	95.47	94.16

下载: 导出CSV

表 2 迁移学习对RCUNet的影响

Table 2 Effect of transfer learning for RCUNet

语义分割网络	平均交并比 M(%)	精确度 P(%)	召回率 R(%)
RCUNet	92.85	95.47	94.16
TL-RCUNet	96.21	99.07	98.12

下载: 导出CSV

表 3 不同语义分割网络在窄间隙MAG上的性能表现

Table 3 Performance of different semantic segmentation networks on narrow gap MAG

语义分割网络	平均交并比M(%)	精确度P(%)	召回率R(%)
FCN	70.12	72.37	74.58
Segnet	74.57	77.53	78.24
Res-Segnet	79.86	81.66	82.35
PSPNet	81.95	85.26	83.71
DeepLabv3	83.32	87.68	85.13
UNet	87.74	90.21	89.83
TL-RCUNet	96.21	99.07	98.12

下载: 导出CSV

参考文献(17)

[1]	HONG Y X, JIANG Y X, YANG M X, et al. Intelligent seam tracking in foils joining based on spatial-temporal deep learning from molten pool serial images[J]. Robotics and Computer-Integrated Manufacturing, 2025, 91: 102840. doi: 10.1016/j.rcim.2024.102840
[2]	HONG Y X, YANG M X, JIANG Y X, et al. Real-time quality monitoring of ultrathin sheets edge welding based on microvision sensing and SOCIFS-SVM[J]. IEEE Transactions on Industrial Informatics, 2022, 19(4): 5506 − 5516.
[3]	张志芬, 陈善本, 张裕明, 等. 焊接智能化监测技术研究现状与展望[J]. 焊接学报, 2024, 45(11): 10 − 20,70. ZHANG Zhifen, CHEN Shanben, ZHANG Yuming, et al. Research progress and prospect of welding intelligent monitoring technology[J]. Transactions of the China Welding Institution, 2024, 45(11): 10 − 20,70.
[4]	徐远钊, 罗玖田, 方乃文, 等. 基于MS-FCM算法的船体板熔池图像处理技术[J]. 焊接学报, 2024, 45(3): 82 − 90. doi: 10.12073/j.hjxb.20231010001 XU Yuanzhao, LUO Jiutian, FANG Naiwen, et al. Image processing technology for ship plate melt pool based on MS-FCM algorithm[J]. Transactions of the China Welding Institution, 2024, 45(3): 82 − 90. doi: 10.12073/j.hjxb.20231010001
[5]	HONG Y X, YANG M X, CHANG B H, et al. Filter-PCA-based process monitoring and defect identification during climbing helium arc welding process using DE-SVM[J]. IEEE Transactions on Industrial Electronics, 2022, 70(7): 7353 − 7362.
[6]	李巍, 李太江, 杨略, 等. 改进的U-Net算法在管道内焊缝缺陷图像分割中的应用[J]. 焊接, 2024(11): 73 − 80. LI Wei, LI Taijiang, YANG Lue, et al. Application of improved U-Net algorithm in image segmentation of pipeline inner weld defect[J]. Welding & Joining, 2024(11): 73 − 80.
[7]	YANG D Y, DAI P H, CUI S W, et al. Real-time recognition of molten pools based on improved DeepLabV3 + in keyhole tungsten inert gas welding applications[J]. Electronics, 2024, 13(2): 283. doi: 10.3390/electronics13020283
[8]	QI J Y , WU Y F. Strip steel surface defect detection algorithm based on improved Faster R-CNN[J]. China Welding, 2024, 33(2): 11 − 22.
[9]	马晓锋, 夏攀, 刘海生, 等. 全位置焊接熔池的深度学习检测方法[J]. 机械工程学报, 2023, 59(12): 272 − 283. doi: 10.3901/JME.2023.12.272 MA Xiaofeng, XIA Pan, LIU Haisheng, et al. Depth learning detection method for all-position weld pool[J]. Journal of Mechanical Engineering, 2023, 59(12): 272 − 283. doi: 10.3901/JME.2023.12.272
[10]	LI T P, CAO Y, ZHANG Y M. Analysis of weld pool region constituents in GMAW for dynamic reconstruction through characteristic enhancement and LSTM U-Net networks[J]. Journal of Manufacturing Processes, 2024, 127: 573 − 588. doi: 10.1016/j.jmapro.2024.07.084
[11]	BACIOIU D, MELTON G, PAPAELIAS M, et al. Automated defect classification of SS304 TIG welding process using visible spectrum camera and machine learning[J]. NDT & E International, 2019, 107: 102139.
[12]	RONNEBERGER O, FISCHER P, BROX T. U-Net: Convolutional Networks for Biomedical Image Segmentation[C]//Medical Image Computing and Computer-Assisted Intervention-MICCAI 2015, October 5-9, 2015, Munich, Germany. Berlin: Springer International Publishing, 2015: 234 – 241.
[13]	HOU Q B, ZHOU D Q, FENG J S. Coordinate attention for efficient mobile network design[C]//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), June 20-25, 2021. Nashville, Tennessee. New York, IEEE: 2021: 13708-13717.
[14]	DHEERAJ D K, FANG C, ZHENG Y, et al. Semi-supervised transfer learning-based automatic weld defect detection and visual inspection[J]. Engineering Structures, 2023, 292: 116580. doi: 10.1016/j.engstruct.2023.116580
[15]	BADRINARAYANAN V, KENDALL A, CIPOLLA R. SegNet: a deep convolutional encoder-decoder architecture for image segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(12): 2481 − 2495. doi: 10.1109/TPAMI.2016.2644615
[16]	ZHAO H S, SHI J P, QI X J, et al. Pyramid Scene Parsing Network[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), July 21-26, 2017, Honolulu, Hawaii. New York, IEEE: 2017: 6230 − 6239.
[17]	GONG L X, ZHANG Y Q, ZHANG Y K, et al. Erroneous pixel prediction for semantic image segmentation[J]. Computational Visual Media, 2022, 8(1): 165 − 175.

施引文献(9)

期刊类型引用(6)

1.	王鑫，赵津嫚，王倩，武佳璇，周子烨. 工艺参数对电弧增材制造工件的影响. 河北冶金. 2024(02): 32-38 . 百度学术
2.	尹孝辉，朱正英，陈凯，陈子航，孟威. 22MnB5/6061异种金属CMT+A+P熔钎焊界面特征及性能研究. 过程工程学报. 2023(07): 1073-1080 . 百度学术
3.	刘德运，沈元勋，李秀朋，李云月，赵明远. 钛合金与铝合金异种金属钎焊及熔钎焊研究进展. 焊接. 2023(12): 50-57 . 百度学术
4.	王博，龙伟民，娄银斌，邓建峰，关绍康，费文潘，王水庆，张雷. 钎剂复合4047钎料组织及钎焊性能分析. 稀有金属材料与工程. 2022(05): 1919-1925 . 百度学术
5.	魏小红，刘瑞君，肖梦智，路超. 厚板钛合金等离子-钨极氩弧复合焊接接头组织与性能. 焊接. 2022(10): 32-36 . 百度学术
6.	常敬欢，曹睿，闫英杰. 钛合金/不锈钢冷金属过渡焊接头组织及性能. 焊接学报. 2021(06): 44-51+99 . 本站查看

其他类型引用(3)

资源附件(0)

图(11) / 表(3)

计量

文章访问数: 105
HTML全文浏览量: 8
PDF下载量: 67
被引次数: 9

0. 序言
1. 复合热源温度场的数值计算
1.1 组合式体积热源模型
1.2 材料热物性参数
1.3 网格划分
1.4 温度场计算结果与试验验证
2. 复合焊接热变形的数值分析
2.1 力学性能参数
2.2 焊接变形
2.3 残余应力
3. 结论

基于注意力机制和迁移学习的弧焊熔池图像识别

作者简介: 洪宇翔，博士，副教授；主要从事智能化焊接与增材制造方面的科研和教学工作；Email：hongyuxiang@cjlu.edu.cn

计量

出版历程

Arc welding molten pool image recognition based on attention mechanism and transfer learning

0. 序 言

1. 复合热源温度场的数值计算

1.1 组合式体积热源模型

1.2 材料热物性参数

1.3 网格划分

1.4 温度场计算结果与试验验证

2. 复合焊接热变形的数值分析

2.1 力学性能参数

2.2 焊接变形

2.3 残余应力

3. 结 论

期刊类型引用(6)

其他类型引用(3)

计量

出版历程

目录

0. 序 言

1. 复合热源温度场的数值计算

1.1 组合式体积热源模型

1.2 材料热物性参数

1.3 网格划分

1.4 温度场计算结果与试验验证

2. 复合焊接热变形的数值分析

2.1 力学性能参数

2.2 焊接变形

2.3 残余应力

3. 结 论

作者简介:
洪宇翔，博士，副教授；主要从事智能化焊接与增材制造方面的科研和教学工作；Email：hongyuxiang@cjlu.edu.cn

0. 序言

3. 结论

0. 序言

3. 结论