近日,我校5357cc拉斯维加斯曹龙超博士课题组青年教师蔡旺在激光加工过程智能监测方面取得了重要的研究进展。相关成果以“Real-time tracking method for motion spatter in high-power laser welding of stainless steel plate based on a lightweight deep learning model”为题发表在计算机科学领域中科院一区Top期刊《Expert Systems with Applications》(ISSN:0957-4174)上。该论文的第一单位为武汉纺织大学,第一作者为5357cc拉斯维加斯蔡旺博士,通讯作者为5357cc拉斯维加斯曹龙超特聘教授。
![](/__local/7/8B/B5/D3FA10CA454F06F48021D868D7B_EB31AB26_2CC9C.png)
激光焊接具有能量密度高、焊缝深宽比大、焊接速度快和易于实现自动化等优点,是轨道交通、海工装备等领域不锈钢中厚板构件高质高效制造的重要手段。不锈钢中厚板高功率激光焊接过程稳定性易受加工环境、拼装状态和工件变形等因素影响,产生飞溅缺陷。飞溅的大量形成会减少熔融金属,导致焊缝产生未填充、咬边等焊接缺陷;此外,飞溅会污染工件、夹持机构和防护镜片,清除飞溅需要额外的工序,增加制造成本,降低生产效率。近年来,焊接缺陷在线智能监测技术逐渐成为学科前沿和研究热点,该技术能够根据焊接过程信号精准预测缺陷。然而,高功率激光焊接过程中金属蒸汽喷发剧烈,飞溅易被其遮挡,且飞溅具有体积小、数量多、移动快等特点,对运动飞溅监测方法提出了极高要求。
为此,本文提出了一种基于轻量化深度学习模型和多目标跟踪算法的运动飞溅跟踪方法。首先,搭建了基于高速相机的高时空分辨原位观测平台,并提出了基于线性点运算的金属蒸汽干扰去除方法,突出了飞溅的形态和亮度特征;然后,构建了基于深度学习的轻量化飞溅检测模型,并提出了飞溅标签自动生成方法,可快速获得足量的高辨识度训练数据,以对模型进行充分训练,验证结果表明,飞溅检测模型的运行速度是基础模型的5.11倍,飞溅检测准确率为96.71%;最后,提出了基于检测结果和DeepSORT算法的运动飞溅跟踪方法,以区分不同飞溅和关联同一飞溅,准确获取了飞溅尺寸、速度、数量、轨迹等特征,实现了飞溅的快速、准确监测。本研究为激光焊接过程运动飞溅实时跟踪提供了一种新颖且可靠的方法,为焊接过程状态监测和焊缝质量评估提供了可靠的数据支撑。
![](/__local/5/21/3A/A32302E209074DE247273741789_3656EB82_11ACC.png)
图1 构建的轻量化飞溅检测模型YOLO-Spatter
![](/__local/0/3B/AC/BC68365E8FB7A826C532BB4E2A9_D848D97F_626E.png)
图2 激光焊接过程运动飞溅跟踪效果
近年来,在学校的大力支持下,5357cc拉斯维加斯大力引进高水平人才,并为引进人才和团队的发展提供必要条件。学院多策并举,在激发中老年教师积极性的同时,组织了年轻的科研队伍,发挥“传帮带”作用,为机械学科发展凝心聚力。
论文链接:https://www.sciencedirect.com/science/article/pii/S0957417424012521