Algoritmo leve baseado em CNN para reconhecimento de defeitos de soldagem

Resumo A soldagem é um processo crítico em numerosos cenários de produção industrial. Para garantir a produção segura, os defeitos que ocorrem durante a soldagem devem ser identificados de forma oportuna e eficaz. O aprendizado profundo tem sido amplamente utilizado na identificação de defeitos de soldagem devido às suas poderosas capacidades de extração de características, mas em ambientes com recursos computacionais limitados, grandes modelos de aprendizado profundo são difíceis de implantar. Assim, um modelo leve para o reconhecimento de defeitos de soldagem deve ser desenvolvido, mantendo alta precisão sob recursos computacionais limitados. Nesse sentido, propomos um modelo de reconhecimento de defeitos de soldagem chamado LSRSNet, baseado em uma arquitetura leve. Especificamente, com base no modelo SqueezeNet, nosso modelo utiliza a convolução deformável linear leve para simplificar o modelo e melhorar a precisão do reconhecimento. Além disso, um mecanismo de atenção squeeze-and-excitation é integrado ao módulo Fire do SqueezeNet original para aprimorar a capacidade de expressão das características, e uma estrutura residual é construída para prevenir a degradação da rede profunda e melhorar a capacidade de aprendizado de características complexas. Resultados experimentais mostram que, em comparação com o modelo original, a precisão do LSRSNet melhorado em um conjunto de dados de defeitos de soldagem aumenta em 9,5%, com notavelmente menos parâmetros do que o modelo original. Oferecemos um novo algoritmo para o reconhecimento de defeitos de soldagem e acreditamos que o LSRSNet pode ser implantado para testes industriais.