卷积神经网络在CO2焊接熔池状态识别中的应用

本文主要探讨了利用卷积神经网络（CNN）进行CO_2焊接熔池图像状态识别的方法，旨在通过分析熔池图像来判断焊接过程的状态，提高焊接质量和工艺控制的准确性。 在焊接领域，焊接熔池的状态是评估焊接工艺质量和可靠性的重要指标。传统的研究方法通常依赖于人工提取熔池的特征参数，并采用BP神经网络或其他改进的神经网络进行状态识别。然而，这种方法存在主观性，且易受样本量不足导致的过拟合问题影响。 文章提出了一种名为CNN-M的卷积神经网络模型，它直接采用简单的预处理熔池图像作为输入，避免了人工特征提取的不稳定性。CNN-M采用了ReLU激活函数，这种函数在训练神经网络时可以有效地解决梯度消失问题，提升模型学习的能力。同时，应用随机Dropout技术来减少过拟合，它在训练过程中随机关闭一部分神经元，使得模型在多个不同的子网络上进行学习，增强了泛化能力。最后，结合支持向量机（SVM）分类器，提高了状态识别的准确性。 实验结果显示，与基于人工特征的BP神经网络相比，CNN-M在识别率和速度上都表现出优越的性能。这表明CNN-M具有良好的泛化能力，能够适应焊接过程中的实时监控需求，对于提升焊接过程自动化和智能化水平有着积极的意义。 关键词：焊接熔池，卷积神经网络，状态识别，深度学习，机器人焊接 中图分类号：TG409 文章指出，尽管已有研究利用神经网络预测焊接熔池特征和焊缝质量，但CNN-M的引入为这一领域的研究带来了新的突破。未来的研究可能将进一步优化网络结构，探索更高效的特征学习策略，以及在更大规模的实际焊接场景中验证和应用该方法。