文献类型：期刊文章

作　　者：刘天元[1] 郑杭彬[1] 杨长祺[2] 鲍劲松[1] 汪俊亮[1] 顾俊[3]

LIU Tianyuan;ZHENG Hangbin;YANG Changqi;BAO Jinsong;WANG Junliang;GU Jun(Institute of Intelligent Manufacturing,College of Mechanical Engineering,Donghua University,Shanghai 201600,China;Shanghai Spaceflight Precision Machinery Institute,Shanghai 201600,China;Shanghai Institute of Laser Technology,Shanghai 200235,China)

机构地区：[1]东华大学机械工程学院智能制造研究所,上海201600 [2]上海航天精密机械研究所,上海201600 [3]上海市激光技术研究所,上海200235

出　　处：《航空学报》

基　　金：国家自然科学基金(51905091);中央高校基本科研业务费专项资金-东华大学研究生创新基金(CUSF-DH-D-2020053)。

年　　份：2022

卷　　号：43

期　　号：4

起止页码：444-453

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：激光焊接在航空领域具有广泛的应用场景,基于视觉的激光焊接缺陷识别对于产品质量的提高至关重要。针对当前基于深度学习的激光焊接缺陷识别方法存在可解释性差的问题,提出了一种融合多尺度特征的类激活映射(MSF-CAM)方法。在训练阶段,以VGG16为骨架模型并将监督信息施加于多个尺度以促进模型对多尺度特征的学习。在测试阶段,对输出类别在多个尺度上的激活图进行叠加,并以此作为模型的判断依据。多尺度特征的融入不但增强了模型的可解释性,而且还提高了激光焊接缺陷识别的准确性。试验结果表明:MSF-CAM在测试集上的准确率为98.12%,识别单幅图像耗时8.28ms。此外,MSF-CAM可以从边缘、轮廓这种初级特征的角度对模型的决策依据提供人类更容易理解的解释。

关 键 词：激光焊接 缺陷识别  深度学习  可解释性 多尺度

分 类 号：V261.8]