Классификация сварных соединений на основе машинного обучения для мониторинга качества
Machine Learning-Based Weld Classification for Quality Monitoring
2024-03-15
SCID: 54.1/622jk3e4
Discuss with AI
оценка качества TIG-сваркисверточные нейронные сетиклассификация изображенийточность, полнота и F1-мераклассификация дефектов сварных швов
Figures from the paper
Abstract (AI)
Сварочная промышленность играет фундаментальную роль в производстве. Обеспечение качества сварки имеет критическое значение с учетом требований к безопасности, надежности, эксплуатационным характеристикам и связанных с этим затрат. Оценка качества сварных соединений, выполненных методом сварки вольфрамовым электродом в среде инертного газа (TIG), может быть трудоемким и длительным процессом. Современный подход к решению этой задачи относительно прост и заключается в непрерывном контроле процесса оператором. Однако такой подход имеет ряд ограничений. Решения оператора могут быть субъективными, а усталость способна влиять на результаты наблюдений, что приводит к неточностям при оценке. В данном исследовании предлагается подход на основе глубокого обучения для классификации дефектов сварных соединений с использованием сверточных нейронных сетей (CNN) с целью автоматизации этого процесса. Использованный набор данных получен из Kaggle и предоставлен Bacioiu и др. Предлагаемый подход на основе CNN предназначен для точной классификации дефектов сварных соединений по изображениям. В исследовании модель обучается на наборе данных о сварке с использованием пяти сверточных слоев, за которыми следуют пять слоев подвыборки и, наконец, три полносвязных слоя. В выходном слое применяется функция активации softmax для отнесения входных данных к одной из шести категорий сварных соединений. Значения метрик по каждому классу, включая точность (precision), полноту (recall) и F1-меру, свидетельствуют о надежности и высокой точности модели.
Key Findings
1
Выходной слой с функцией активации softmax распределяет изображения сварных швов по шести категориям.
2
Поклассовые показатели точности, полноты и F1-меры свидетельствуют о надежности и высокой точности предложенной модели.
3
Автоматизированный подход устраняет субъективность, влияние усталости и временные затраты, связанные с постоянным контролем качества сварки человеком.
4
Архитектура модели включает пять сверточных слоев, пять слоев подвыборки и три полносвязных слоя.
5
В исследовании предложена сверточная нейронная сеть (CNN) для автоматической классификации дефектов TIG-сварки по изображениям.
Research Object
Сварные соединения, выполненные методом сварки вольфрамовым электродом в инертном газе (TIG), представленные изображениями сварных швов
Research Subject
классификация дефектов сварных соединений для автоматизированной оценки качества
Publication Details
Publication Date
2024-03-15
Journal
Publisher
ISSN
Cited by
15
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest