激光制造中人工智能与机器学习的应用及挑战
1. 激光制造中的图像分类技术
在激光制造领域,图像分类技术对于质量检测和问题诊断至关重要。以下是几种不同的图像分类方法:
- 基于贝叶斯分类的在线质量检查 :有研究构建了基于网络的质量检查系统,采用贝叶斯分类方法。该方法通过USB数码摄像机捕捉图像,能够对熔合缺陷等问题进行原位诊断。利用手动定义的区域数据,构建的贝叶斯模型在将图像分类为好或差时,F1分数达到86.03。
- 基于高速摄像机和CNN的实时图像分类 :为了捕捉激光切割熔化系统的实时图像,研究人员使用高速摄像机,并结合考虑了特征时间信息的卷积神经网络(CNN),能够以99.7%的准确率对过热、不规则、正常和球化等情况进行分类。
- 基于多尺度卷积神经网络的错误分类 :研究人员使用专业标记的图像,通过迁移学习训练AlexNet和多尺度卷积神经网络(MsCNN),MsCNN在错误分类方面表现出色,类别准确率在72.7%至99.7%之间。
- 结合直方图分割的错误分类 :有一种技术将错误分类与基于直方图的问题区域分割相结合,使用CNN能够以98%的平均准确率将图像可靠地分类为超高、不完整、条纹或正常。
2. 人工智能在激光制造中的挑战
人工智能在激光制造中面临着诸多挑战,具体如下表所示:
| 挑战 | 描述 |
| — | — |
| 鲁棒性和可靠性 | 基于人工智能的模型的鲁棒性定义为输入数据发生异常变化后模型输出的一致性。这种变化可能源于恶意攻击、背景噪声
订阅专栏 解锁全文
1087




被折叠的 条评论
为什么被折叠?



