图像自动增强与注意力机制深度学习的MIG焊缝跟踪系统

TG409%TP391.41; 针对常规MIG焊难以根据组对偏差及热积累变形实时调整焊接位置的难题,提出并建立了被动视觉MIG焊缝跟踪试验系统,通过图像空间域滤波及自动增强算法,采用添加注意力机制的YOLO v7深度学习模型,在感兴区内对坡口的对中位置、电弧位置进行实时提取与分析;并采用模糊控制算法对预设偏差时的MIG焊过程进行实时控制.结果表明,采用图像自动增强算法完成了对图像的预处理,边缘位置的像素灰度值由 40增大到 110左右,显著提高了边缘位置信息提取的精度;基于YOLO v7 网络结构添加注意力机制模块,提升目标检测效率,整体平均精度值mAP指标达到 99.27%;预设偏差试验表明...

Full description

Saved in:
Bibliographic Details
Published in焊接学报 Vol. 45; no. 11; pp. 90 - 94
Main Authors 朱明, 雷润吉, 翁军, 王金成, 石玗
Format Journal Article
LanguageChinese
Published 兰州理工大学,有色金属合金及加工教育部重点实验室,兰州,730050%兰州理工大学,省部共建有色金属先进加工与再利用国家重点实验室,兰州,730050 01.11.2024
兰州理工大学,省部共建有色金属先进加工与再利用国家重点实验室,兰州,730050
Subjects
weld tracking
deep learning
image enhancement
被动视觉
深度学习
图像增强
passive vision
焊缝跟踪
Online AccessGet full text
ISSN0253-360X
DOI10.12073/j.hjxb.20240718002

Cover

More Information
Summary:TG409%TP391.41; 针对常规MIG焊难以根据组对偏差及热积累变形实时调整焊接位置的难题,提出并建立了被动视觉MIG焊缝跟踪试验系统,通过图像空间域滤波及自动增强算法,采用添加注意力机制的YOLO v7深度学习模型,在感兴区内对坡口的对中位置、电弧位置进行实时提取与分析;并采用模糊控制算法对预设偏差时的MIG焊过程进行实时控制.结果表明,采用图像自动增强算法完成了对图像的预处理,边缘位置的像素灰度值由 40增大到 110左右,显著提高了边缘位置信息提取的精度;基于YOLO v7 网络结构添加注意力机制模块,提升目标检测效率,整体平均精度值mAP指标达到 99.27%;预设偏差试验表明,对中偏差检测像素误差在8个像素以内,对中偏差距离控制在±0.5 mm之间.
ISSN:0253-360X
DOI:10.12073/j.hjxb.20240718002