基于视觉传感的热丝激光金属沉积熔滴—熔池多特征信息同步监测

TG456.7%TP273; 为了提高热丝激光金属沉积(HW-LMD)过程中的质量稳定性和实现熔滴—熔池多特征信息的同步实时监测,采用基于高动态视觉相机结合YOLO v8深度学习神经网络的高精度实时监控方法,通过相机捕捉HW-LMD过程中的动态变化,并利用YOLO v8神经网络对过渡方式和熔池行为进行同步监测,首先判断沉积过程是否为稳定的液桥过渡,然后在液桥过渡模式下提取熔池尺寸的关键点信息.结果表明,YOLO v8神经网络在检测沉积过程过渡方式和熔池关键点信息方面具有高精确度,精确率分别达到了 98.8%和 99.9%,熔池宽度的平均误差为 4.1%,且推理时间平均仅为 12 ms/帧,满足...

Full description

Saved in:
Bibliographic Details
Published in焊接学报 Vol. 45; no. 11; pp. 115 - 120
Main Authors 李春凯, 潘宇, 石玗, 王文楷, 赵中博
Format Journal Article
LanguageChinese
Published 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%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,有色金属合金及加工教育部重点实验室,兰州,730050
Subjects
YOLO v8深度学习神经网络
hot wire laser metal deposition
热丝激光金属沉积
过渡方式
YOLO v8 deep learning neural network
熔池尺寸
melt pool size
process monitoring
transition mode
过程监控
Online AccessGet full text
ISSN0253-360X
DOI10.12073/j.hjxb.20240711002

Cover

More Information
Summary:TG456.7%TP273; 为了提高热丝激光金属沉积(HW-LMD)过程中的质量稳定性和实现熔滴—熔池多特征信息的同步实时监测,采用基于高动态视觉相机结合YOLO v8深度学习神经网络的高精度实时监控方法,通过相机捕捉HW-LMD过程中的动态变化,并利用YOLO v8神经网络对过渡方式和熔池行为进行同步监测,首先判断沉积过程是否为稳定的液桥过渡,然后在液桥过渡模式下提取熔池尺寸的关键点信息.结果表明,YOLO v8神经网络在检测沉积过程过渡方式和熔池关键点信息方面具有高精确度,精确率分别达到了 98.8%和 99.9%,熔池宽度的平均误差为 4.1%,且推理时间平均仅为 12 ms/帧,满足了HW-LMD过程实时监控的需求.
ISSN:0253-360X
DOI:10.12073/j.hjxb.20240711002