10.3969/j.issn.1007-7324.2024.01.016
基于融合机器学习的管道焊缝缺陷识别方法研究
为提高管道焊缝处不同缺陷类型的自动识别,以开挖后的射线焊缝图像为基础,通过对比池化域和特征图的方差信息,采用方差池化方法对传统卷积神经网络的池化层运算进行修改,随后通过鲸鱼算法实现卷积神经网络(CNN)模型超参数的选取,最终形成融合机器学习模型用于焊缝缺陷的分类,并与其余模型进行了对比验证.结果表明,鲸鱼算法可在较短时间内实现卷积核数量和大小、池化核数量和大小、卷积核激活函数类型、学习率等参数的优选;融合机器学习模型的分类结果中,未熔合和未焊透缺陷的分类准确率最高;该模型在分类准确率、训练时间和稳定性上优于其余CNN模型和支持向量机模型.研究结果可为其余压力容器或压力管道焊缝缺陷的识别提供实际参考,具有较强的通用性和扩展性.
机器学习、管道焊缝、缺陷识别、CNN模型、鲸鱼算法、池化
60
TP273(自动化技术及设备)
2024-02-26(万方平台首次上网日期,不代表论文的发表时间)
共5页
72-76