机械工程学报

作者：刘翰儒, 陈桂映, 许泽林, 彭世通, 郭嘉楠, 刘伟嵬, 王奉涛

单位：1. 汕头大学智能制造技术教育部重点实验室 汕头 515063;2. 中佛罗里达大学机械与航空航天工程系 奥兰多 FL32816 美国;3. 大连理工大学机械工程学院 大连 116024

关键词：熔池状态识别,卷积神经网络,深度学习,注意力机制,结构参数重组化；

基金：广东省基础与应用基础研究基金(2021A1515011989、2023A1515011164)、广东省普通高校创新团队(2020KCXTD012)和国家自然科学基金(52305544、52205110)资助项目。

针对传统卷积神经网络(Convolutional neural networks, CNN)应用于熔池状态识别时，浅层卷积神经网络无法有效提取熔池特征，而深层卷积神经网络又存在参数量大和冗余度高的问题，提出一种轻量化卷积神经网络(SERepVGG-A2)熔池状态识别方法。首先针对原始熔池图片存在大量无用背景区域的问题，对熔池图片进行感兴趣区域(Region of interest，ROI)提取优化了数据集；接着为了保证模型特征提取能力并同时降低模型的复杂度，提出一种结合残差结构、注意力机制和结构参数重组化的轻量化卷积神经网络模型来识别熔池状态。以Ti-10Mo钛合金定向能量沉积过程中的在线熔池图像数据验证所提方法，结果表明所提的轻量化网络模型不仅能够有效地识别熔池状态，而且比传统的CNN方法具有更高的熔池识别效率。

来源：2025年第3期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2025年第3期