Классификация сварных швов на основе машинного обучения для мониторинга качества

Сварочная промышленность играет фундаментальную роль в производстве. Обеспечение качества сварных швов 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 инертном газе (TIG), может быть трудоемким и занимать значительное время. Современный подход достаточно прост: оператор непрерывно контролирует процесс. Однако этот подход имеет ряд ограничений. Решения оператора могут быть субъективными, а усталость способна влиять на результаты наблюдений, приводя к неточностям оценки. В рамках данного исследования предлагается подход глубокого обучения для классификации дефектов сварных швов с использованием сверточных нейронных сетей (CNN) с целью автоматизации процесса. Используемый набор данных получен с платформы Kaggle и предоставлен Bacioiu и соавторами. Предлагаемый подход на основе CNN предназначен для точной классификации дефектов сварных швов по изображениям. В исследовании модель обучается на наборе данных о сварных соединениях и включает пять сверточных слоев, за которыми следуют пять слоев подвыборки и, наконец, три полносвязных слоя. В выходном слое используется функция активации softmax для распределения входных данных по шести категориям сварных швов. Значения метрик по каждому классу, таких как точность (precision), полнота (recall) и F1-мера, свидетельствуют о надежности и высокой точности модели.