融合图像与频域特征激光切割挂渣量化预测
-
摘要: 为实现激光切割熔渣附着精准量化与工艺优化，本研究探索一种基于图像与频域特征的卷积神经网络（CNN）预测方法。构建包含2160张1mm厚304不锈钢切割端面图像数据集。基于该数据集，采用高斯模糊、自适应阈值及形态学闭运算等图像处理算法，精确提取了挂渣的面积、高度及周长作为量化特征。为评估不同特征预测潜力，采用了RGB图像及其经二值化处理小波包分解（WPD）频域图像作为输入，并系统对比了VGG16、ResNet50和DenseNet121三种CNN架构回归性能。结果表明，在RGB图像输入路径下，VGG16网络对挂渣面积和高度预测最为精准，其平均绝对误差（MAE）分别达到0.019 mm²和0.044 mm。而对于更能反映动态过程状态轮廓周长特征，WPD频域输入路径预测效果显著提升，MAE降至0.094 mm，归一化平均误差（nMAE）为5.25%，且其预测值与真实值间拟合斜率与决定系数R²分别为0.83与0.86，呈现强线性关系。本研究证实，VGG16网络在熔渣特征预测中有良好适用性，且WPD频域特征更有效地捕捉激光切割过程的瞬态信息，所提出方法为工艺智能评估与闭环优化提供了可靠量化工具。Abstract: 为实现激光切割熔渣附着精准量化与工艺优化，本研究探索一种基于图像与频域特征的卷积神经网络（CNN）预测方法。构建包含2160张1mm厚304不锈钢切割端面图像数据集。基于该数据集，采用高斯模糊、自适应阈值及形态学闭运算等图像处理算法，精确提取了挂渣的面积、高度及周长作为量化特征。为评估不同特征预测潜力，采用了RGB图像及其经二值化处理小波包分解（WPD）频域图像作为输入，并系统对比了VGG16、ResNet50和DenseNet121三种CNN架构回归性能。结果表明，在RGB图像输入路径下，VGG16网络对挂渣面积和高度预测最为精准，其平均绝对误差（MAE）分别达到0.019 mm²和0.044 mm。而对于更能反映动态过程状态轮廓周长特征，WPD频域输入路径预测效果显著提升，MAE降至0.094 mm，归一化平均误差（nMAE）为5.25%，且其预测值与真实值间拟合斜率与决定系数R²分别为0.83与0.86，呈现强线性关系。本研究证实，VGG16网络在熔渣特征预测中有良好适用性，且WPD频域特征更有效地捕捉激光切割过程的瞬态信息，所提出方法为工艺智能评估与闭环优化提供了可靠量化工具。
-
计量
- 文章访问数: 8
- HTML全文浏览量: 5
- PDF下载量: 0
- 被引次数: 0
下载:
