基于深度卷积神经网络的焊缝图像滤波
针对视觉焊缝跟踪中焊缝图像滤波处理的实际需求,提出基于深度卷积神经网络的焊缝图像滤波(WIF-CNN)模型,实现了对焊缝图像中不同类型噪声的有效滤除.所提出的WIF-CNN网络基于VGG网络实现,通过去除VGG网络中的全连接层和池化层,实现了图像端到端的训练;通过引入残差网络结构和BN层,使WIF-CNN网络在保持较高层数的同时,具有较高的准确率和较快的收敛性;按照随机洗牌策略生成训练数据集,提高了 WIF-CNN网络的鲁棒性.结果表明:当分别过滤含有高斯、泊松和椒盐噪声的焊缝图像时,与均值、高斯、中值、NLM和BM3D等滤波算法相比,所提出WIF-CNN网络的滤波效果最好,经过WIF-CNN网络滤波处理后的焊缝图像噪声强度大幅降低,且失真度较小;所构建的WIF-CNN网络可以满足焊缝视觉跟踪中图像滤波处理的要求,有利于后续焊缝图像处理的进行.
深度卷积神经网络、焊缝图像滤波、视觉焊缝跟踪、结构光视觉
52
TG409(焊接、金属切割及金属粘接)
2023-04-21（万方平台首次上网日期，不代表论文的发表时间）
共6页
20-25
