基于多任務(wù)結(jié)構(gòu)網(wǎng)絡(luò)的冷金屬過渡焊熔滴輪廓定位與提取

管森，邢彥鋒，張小兵，曹菊勇

(上海工程技術(shù)大學(xué)機(jī)械與汽車工程學(xué)院，上海 201620)

0 前言

冷金屬過渡焊(Cold Metal Transfer，CMT)是在MIG/MAG焊接基礎(chǔ)上改進(jìn)的一種新型焊接工藝。它創(chuàng)新了一種自動(dòng)送絲功能，即在焊接過程中發(fā)生短路過渡時(shí)，數(shù)字系統(tǒng)控制減小電流，并同時(shí)控制焊絲進(jìn)行機(jī)械回縮行為，在不借助電磁力的情況下實(shí)現(xiàn)熔滴向熔池的過渡[1]，解決了傳統(tǒng)短路過渡中液橋斷裂時(shí)局部電流過高引起的熔滴迸濺問題，保證了焊接過程的穩(wěn)定性，因此廣泛應(yīng)用在各種精密儀器焊接和薄板焊接中。

由于CMT熔滴過渡具有熱輸入低、無飛濺轉(zhuǎn)移等優(yōu)點(diǎn)，迄今為止，針對(duì)CMT中熔滴行為分析的研究絡(luò)繹不絕。趙文勇等[2]建立了二維CMT電弧增材制造熱-流場(chǎng)模型，對(duì)CMT熔滴過渡過程熔滴和熔池的相互作用進(jìn)行了模擬分析。FENG等[3]采用熔滴過渡視覺傳感系統(tǒng)和電流電壓波形傳感系統(tǒng)相結(jié)合的方法，探索了CMT熔滴傳遞過程的變化和送絲行為的控制特性，分析了CMT低熱量輸入和無飛濺焊接產(chǎn)生的原因。ZHOU等[4]分析了CMT在單周期、單熔滴轉(zhuǎn)移的限制下焊接參數(shù)和熔滴特性之間的相關(guān)性，得出熔滴沉積質(zhì)量與CMT的輸出能量呈線性關(guān)系的結(jié)論，并可通過調(diào)整CMT焊接參數(shù)精準(zhǔn)控制熔滴過渡量。

然而，以上研究主要集中于探索熔滴過渡和焊接參數(shù)之間的相關(guān)性，忽視了熔滴過渡過程所表達(dá)的圖像信息。隨著智能制造不斷受到重視，機(jī)器視覺作為一項(xiàng)有效的工具被應(yīng)用在智能焊接中，有助于人們更深刻地認(rèn)識(shí)焊接過程，更好地理解和把控CMT焊接質(zhì)量。PLANCKAERT等[5]提出了一種主動(dòng)輪廓算法，實(shí)現(xiàn)從短路過渡的圖像序列中提取得到熔滴的轉(zhuǎn)移量。WANG[6]設(shè)計(jì)了一種簡(jiǎn)易的激光背光熔滴轉(zhuǎn)移監(jiān)測(cè)系統(tǒng)，利用雙閾值法結(jié)合斜率插值運(yùn)算對(duì)拍攝圖像的顏色分布直方圖進(jìn)行運(yùn)算，實(shí)現(xiàn)了對(duì)熔滴圖像的魯棒分割，從而達(dá)到對(duì)熔滴轉(zhuǎn)移過程的在線監(jiān)測(cè)。但是由于光度的影響，單純的閾值法不能適應(yīng)復(fù)雜的焊接環(huán)境。針對(duì)閾值法的改進(jìn)，ZHAI等[7]提出了一種提取熔滴邊緣和區(qū)域的獨(dú)立圖像算法。WANG、ZHANG[8]基于光度變化，設(shè)計(jì)了一套圖像處理算法，實(shí)現(xiàn)了定位熔滴位置并自動(dòng)計(jì)算熔滴大小。雖然熔滴位置的定位可以達(dá)到足夠的精度，但是對(duì)于熔滴尺寸大小的計(jì)算精度仍需改進(jìn)。由此可見，目前熔滴檢測(cè)算法仍具有一定的限制性，且需要繁雜的操作流程，不利于研究者直接使用。因此，設(shè)計(jì)一個(gè)高精度自動(dòng)化模型實(shí)現(xiàn)對(duì)熔滴過渡的全程監(jiān)控，并實(shí)時(shí)提取熔滴的相關(guān)數(shù)據(jù)仍需要繼續(xù)探究。

針對(duì)CMT熔滴圖像拍攝中由于噪點(diǎn)、弧光影響、畫面色域相近等影響對(duì)圖像分割產(chǎn)生的邊界識(shí)別問題，本文作者設(shè)計(jì)一個(gè)多任務(wù)結(jié)構(gòu)網(wǎng)絡(luò)自動(dòng)提取出精細(xì)化掩碼，從而達(dá)到分割出精確熔滴輪廓的目的，并配合定位網(wǎng)絡(luò)，數(shù)據(jù)化CMT送絲行為下的熔滴變化情況。

1 實(shí)驗(yàn)裝置與圖像采集系統(tǒng)

1.1 實(shí)驗(yàn)裝置

圖1所示為CMT焊接系統(tǒng)的平臺(tái)裝置示意。該系統(tǒng)主要由CMT焊機(jī)(Fronius FK 4000-R FC)、圖像采集系統(tǒng)、電弧電壓傳感系統(tǒng)和KUKA機(jī)器人組成。該實(shí)驗(yàn)使用母材為4 mm厚的AA6061-T6基板和直徑為1.2 mm的ER4043焊絲。

焊接前，先對(duì)母材表面打磨去除氧化膜，之后使用75%濃度的乙醇溶液進(jìn)行清洗。焊接速度設(shè)定為0.5 m/min，預(yù)設(shè)送絲速度為4 m/min。Fronius焊機(jī)根據(jù)預(yù)設(shè)參數(shù)自動(dòng)匹配最佳電流和電壓分別為69 A和12.0 V。焊接過程采用流速為20 L/min的純氬氣保護(hù)熔池。焊絲觸點(diǎn)和工件之間的距離設(shè)定為20 mm。焊接平臺(tái)上設(shè)定了焊接輔助工具，使得母材能夠完全定位和夾緊，以抑制焊接過程中的變形，獲得良好的焊縫外觀。

1.2 圖像采集系統(tǒng)

高速攝像機(jī)(Revealer X213)使用808 nm的濾光片和808 nm的激光光源，放置在距離焊道20 cm處，調(diào)節(jié)光圈大小后，設(shè)定速度為2 000幀/s來捕捉熔滴轉(zhuǎn)移過程。圖2所示為截取的一個(gè)脈沖周期下的熔滴轉(zhuǎn)移示意和拍攝圖像。

圖2 熔滴轉(zhuǎn)移過程示意

2 網(wǎng)絡(luò)概述

多任務(wù)結(jié)構(gòu)網(wǎng)絡(luò)的設(shè)計(jì)旨在針對(duì)熔滴形狀特性自動(dòng)搜索定位，進(jìn)而生成無需手工標(biāo)注的掩碼，并聯(lián)合初步分割的前景圖最終實(shí)現(xiàn)對(duì)熔滴前景的精準(zhǔn)分割。網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，對(duì)于輸入的熔滴原始圖像，通過R-Net進(jìn)行熔滴定位并配合掩模行為生成初始掩碼。定位圖像和初始掩碼經(jīng)過多任務(wù)自編碼結(jié)構(gòu)后生成精細(xì)化掩碼和初步的前景分割圖，并通過二次精細(xì)化單元后生成最終的熔滴前景圖。整個(gè)網(wǎng)絡(luò)從輸入到輸出采用端到端的形式進(jìn)行訓(xùn)練，并采用跳躍結(jié)構(gòu)融合多層信息，實(shí)現(xiàn)信息的最大化保留，保證所提取的熔滴前景的準(zhǔn)確性。

圖3 多任務(wù)結(jié)構(gòu)網(wǎng)絡(luò)概述

2.1 定位網(wǎng)絡(luò)選取

R-Net利用錨框?qū)θ鄣挝恢眠M(jìn)行定位并提取感興趣區(qū)域(Region of Interest，ROI)，舍棄掉大量冗余的背景信息，保證熔滴區(qū)域的突出顯示，并自動(dòng)生成初始掩碼。由于拍攝圖像中屬于熔滴的正樣本部分很少，導(dǎo)致正負(fù)樣本分布極其不平衡，經(jīng)典One-Stage系列算法會(huì)生成大量冗余的錨框，加大計(jì)算機(jī)內(nèi)存消耗并造成精度的缺失[9-10]。而經(jīng)典Two-Stage系列算法雖然提取效果好，但處理時(shí)間過長(zhǎng)，會(huì)消耗過多的時(shí)間成本[11-12]。因此，文中選取了精度和速度相對(duì)可靠的 RetinaNet[13]，它提出的損失函數(shù)(Focal Loss)可以解決正負(fù)樣本不平衡的問題，且網(wǎng)絡(luò)中包含的特征金字塔網(wǎng)絡(luò)(Feature Pyramid Network，F(xiàn)PN)架構(gòu)可以共享圖像高維與低維之間的信息，使圖片信息結(jié)構(gòu)更加豐富。之后，在R-Net生成的錨框中點(diǎn)坐標(biāo)處根據(jù)熔滴形態(tài)設(shè)置任意的小于熔滴輪廓面積的掩碼進(jìn)行前景標(biāo)記，檢測(cè)框內(nèi)剩余部分均設(shè)定為未知區(qū)域。為了加快掩碼的制作速度，依據(jù)熔滴過渡軌跡的限制性，手動(dòng)縮小了錨框的索引范圍。

2.2 多任務(wù)自編碼結(jié)構(gòu)

上述操作雖然通過錨框檢測(cè)提取出ROI，但此時(shí)生成的掩碼用于前景分割仍然是粗糙的。將此時(shí)的掩碼直接放入單任務(wù)分割網(wǎng)絡(luò)[14]后，將會(huì)在熔滴輪廓處提取出不完整的區(qū)域像素塊，這對(duì)于熔滴生成精細(xì)的邊緣輪廓的目標(biāo)來說不夠理想，同時(shí)也說明單任務(wù)分割結(jié)構(gòu)會(huì)受到預(yù)訓(xùn)練階段圖像色域分布的影響。受到SDS[15]的影響，設(shè)立了多任務(wù)學(xué)習(xí)的方式，將掩碼分割和前景分割分為2個(gè)任務(wù)進(jìn)行單獨(dú)訓(xùn)練。

此外，不同精細(xì)程度的掩碼會(huì)直接對(duì)前景分割結(jié)果造成影響，其主要集中在熔滴過渡到熔池的邊緣處部分和高速攝像機(jī)拍攝圖像的背光位置，此處圖像受到光度影響導(dǎo)致輪廓表現(xiàn)較為平滑，前背景色域相似。因此掩碼分割階段需要對(duì)熔滴的邊緣結(jié)構(gòu)有更多的語義理解。此外，為了使掩碼解碼器能夠?qū)-Net提取的粗糙掩碼有較大的包容性，以滿足R-Net目標(biāo)檢測(cè)產(chǎn)生的誤差，選擇了和R-Net前端一樣的ResNet-50[16]作為特征提取器，之后分別為2個(gè)任務(wù)分別設(shè)立掩碼解碼器和前景解碼器，并采用跳躍連接以共享深層的結(jié)構(gòu)類語義信息和掩碼解碼器，而前景分割主要是依賴顏色傳播等低維特征，所以將淺層的顏色像素信息和前景解碼器共享，由此來提升各自任務(wù)的訓(xùn)練精度。為了提升訓(xùn)練速度，解碼器階段的上采樣層選用無需學(xué)習(xí)的反池化層和批量標(biāo)準(zhǔn)化后的5×5卷積層。最終掩碼解碼器以交叉熵?fù)p失擬合輸出三通道分類的精細(xì)化掩碼，前景解碼器輸出單通道的初始前景分割圖。初始前景分割圖和精細(xì)化掩碼將傳播到下一階段進(jìn)行細(xì)化邊緣以滿足要求。

2.3 精細(xì)化單元

模仿單任務(wù)分割網(wǎng)絡(luò)設(shè)立了一個(gè)精細(xì)化單元對(duì)初始前景輪廓進(jìn)行進(jìn)一步的處理。如圖3所示，該單元由2個(gè)殘差單元[16]和1個(gè)卷積層構(gòu)成，殘差單元將精細(xì)化掩碼、初始的前景分割圖、定位圖像三者同時(shí)輸入并進(jìn)行特征提取，卷積層負(fù)責(zé)對(duì)特征信息再次整合提取。與單任務(wù)分割網(wǎng)絡(luò)不同的是，作者設(shè)立了重復(fù)的結(jié)構(gòu)，并在2個(gè)卷積層之間設(shè)置跳躍結(jié)構(gòu)，使得參數(shù)共享，增加邊緣細(xì)化的程度。

2.4 損失函數(shù)

多任務(wù)學(xué)習(xí)的目標(biāo)旨在通過一個(gè)模型解決多個(gè)任務(wù)，減少對(duì)內(nèi)存的消耗，通過共享彼此之間的學(xué)習(xí)參數(shù)使得模型具有更少的參數(shù)復(fù)雜度，獲得更大的魯棒性，呈現(xiàn)出更高的性能。因此所搭建模型的損失將由各任務(wù)之間的聯(lián)合損失決定。

掩碼自編碼器從形式上可看做是分類問題，是對(duì)原始掩碼中未知區(qū)域再次劃分前景、未知區(qū)域、背景的三分類問題。而前景自編碼部分可看做是只輸出前景的單一通道的回歸問題。因此使用交叉熵?fù)p失函數(shù)作為掩碼解碼器的分類損失函數(shù)，使用L1范數(shù)作為前景解碼器過程的損失函數(shù)。形式如下所示：

Lall=γLT(Tp,Tg)+(1-γ)Lα({Tp,αp},αg)+

μLF,γ∈[0,1]

式中：γ、μ都代表權(quán)重參數(shù)；LF代表RetinaNet自帶的Focal Loss。實(shí)驗(yàn)中，為了能夠在多任務(wù)自編碼結(jié)構(gòu)階段提高對(duì)掩碼解碼器的精細(xì)程度，以在后續(xù)階段獲得更好的前景分割圖，所以此階段通過提高γ值來增加模型對(duì)掩碼解碼器損失函數(shù)的注意力程度。在二次精細(xì)化單元階段通過減少γ值來增加模型對(duì)前景分割的注意力程度。μ保持一個(gè)較小的值來提供一定的約束性，文中設(shè)定為0.01。此外，為了避免最優(yōu)化參數(shù)探索過程的繁瑣性，在訓(xùn)練期間通過反向傳播進(jìn)行動(dòng)態(tài)調(diào)試。

3 調(diào)試階段

3.1 數(shù)據(jù)集獲取

由于目前沒有公開的熔滴數(shù)據(jù)集，因此使用實(shí)驗(yàn)采集的CMT熔滴短路過渡圖像，但由于其規(guī)模較小，且彼此存在大量相似的特征，造成數(shù)據(jù)集的可使用率較低，無法滿足模型訓(xùn)練的要求，容易導(dǎo)致所構(gòu)建模型的過擬合。為了解決標(biāo)注數(shù)據(jù)集缺乏和獲取大量已標(biāo)注數(shù)據(jù)集的矛盾，使用遷移學(xué)習(xí)的方法，對(duì)模型的各模塊進(jìn)行預(yù)訓(xùn)練，待收斂后，對(duì)相應(yīng)部分進(jìn)行初始化并以端到端的方式對(duì)整個(gè)模型進(jìn)行微調(diào)。

首先，由于R-Net的作用是對(duì)熔滴進(jìn)行定位并提取ROI，因此使用COCO的80分類數(shù)據(jù)集對(duì)它進(jìn)行預(yù)訓(xùn)練，損失函數(shù)采用R-Net獨(dú)有的Focal Loss[17]。對(duì)于多任務(wù)自編碼結(jié)構(gòu)階段的預(yù)訓(xùn)練，首先使用了alphamatting.com數(shù)據(jù)集[18]，它包括27個(gè)訓(xùn)練圖像和8個(gè)測(cè)試圖像，尤其是含有3種不同質(zhì)量的掩碼，可滿足模型不同階段掩碼的使用要求。其次使用Composition-1K 數(shù)據(jù)集[14]，它包括493個(gè)前景對(duì)象，與100張COCO背景圖像合成得到足夠的訓(xùn)練圖像，將實(shí)際標(biāo)注圖像進(jìn)行不同倍數(shù)的形態(tài)學(xué)操作生成不同樣式的掩碼以滿足訓(xùn)練要求。

3.2 評(píng)估指標(biāo)

使用常用的3個(gè)圖像評(píng)估指標(biāo)反映最終熔滴前景提取的質(zhì)量，分別為均方誤差(Mean Squared Errors，MSE)、絕對(duì)誤差(Sum of Absolute Differences，SAD)、梯度誤差(Gradient Errors，Grad)。此外，所有指標(biāo)都只應(yīng)用在未知區(qū)域內(nèi)，并按像素值進(jìn)行平均。

3.3 訓(xùn)練細(xì)節(jié)

在預(yù)訓(xùn)練階段，按照網(wǎng)絡(luò)排列的順序?qū)Ω鱾€(gè)模塊進(jìn)行更新。首先更新R-Net，由于所使用的R-Net是基于ResNet-50的RetinaNet，因此遵從原文設(shè)定的參數(shù)在COCO2017數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練。待模型收斂后進(jìn)行多任務(wù)自編碼結(jié)構(gòu)階段的更新，初始學(xué)習(xí)率設(shè)定為0.000 1。使用Adam優(yōu)化器對(duì)模型進(jìn)行優(yōu)化，學(xué)習(xí)動(dòng)量和權(quán)重衰減分別設(shè)置為0.9和0.000 1。設(shè)定批次大小為16，迭代次數(shù)為120。預(yù)訓(xùn)練階段中掩碼數(shù)據(jù)集的獲取由真實(shí)標(biāo)注前景通過不同程度的形態(tài)學(xué)操作生成，并以未知區(qū)域的像素為中心，沿著320像素×320像素到640像素×640 像素隨機(jī)剪裁方形塊后調(diào)整大小為320像素×320像素來增加采樣的多樣性。所有預(yù)訓(xùn)練圖像都經(jīng)過數(shù)據(jù)增強(qiáng)通道，包括隨機(jī)翻轉(zhuǎn)、旋轉(zhuǎn)、隨機(jī)裁剪、變形、縮放等幾何變化豐富樣本的分布以適應(yīng)模型更多的變化。待此階段收斂后，進(jìn)行最后精細(xì)化單元的更新，將全分辨率的定位圖像和上一階段的輸出一起放入，進(jìn)行二次遞歸，并設(shè)置跳躍連接，保證細(xì)節(jié)的保留和銳化。之后進(jìn)行實(shí)驗(yàn)數(shù)據(jù)端到端的訓(xùn)練，使用各模塊預(yù)先訓(xùn)練好的參數(shù)初始化模型相關(guān)層數(shù)。在正式訓(xùn)練階段，將實(shí)驗(yàn)所采集的1 000張CMT熔滴短路過渡圖像進(jìn)行LabelImg標(biāo)注后，按照合理的數(shù)據(jù)集劃分通過數(shù)據(jù)增強(qiáng)通道后重置圖片大小為320像素×320像素放入R-Net進(jìn)行訓(xùn)練，基礎(chǔ)學(xué)習(xí)率增加到0.005，其他訓(xùn)練參數(shù)和原網(wǎng)絡(luò)保持相同。之后將手工提取熔滴精確的前景圖作為真實(shí)標(biāo)注圖，結(jié)合上階段提取出的熔滴初步掩碼放入多任務(wù)自編碼結(jié)構(gòu)進(jìn)行訓(xùn)練，此階段設(shè)定初始學(xué)習(xí)率為0.001，權(quán)重衰減設(shè)為0.000 5，批次大小設(shè)為20，迭代次數(shù)設(shè)為50，其他訓(xùn)練參數(shù)和原網(wǎng)絡(luò)保持相同。需要強(qiáng)調(diào)的是，每個(gè)迭代的訓(xùn)練數(shù)據(jù)都是隨機(jī)劃分的。端到端階段使用Python3.7在PyTorch 2.0平臺(tái)上訓(xùn)練，使用兩塊并行的Nvidia 2080Ti GPU進(jìn)行運(yùn)算。

4 結(jié)果和討論

4.1 R-Net定位效果

由于R-Net所提取ROI的質(zhì)量會(huì)直接影響初步掩碼的質(zhì)量，需要對(duì)選取的RetinaNet進(jìn)行性能驗(yàn)證。圖4是模型隨著迭代次數(shù)的增加，損失函數(shù)的變化趨勢(shì)?？芍旱_(dá)到36次后，模型開始收斂，最終模型檢測(cè)精度達(dá)到97.31%。記錄每個(gè)檢測(cè)框的寬高像素信息，保存為熔滴的形狀系數(shù)(熔滴的形狀系數(shù)Q=W/H，其中W為熔滴寬度，H為熔滴高度)。圖5所示為隨機(jī)選取的4副熔滴識(shí)別效果，可以觀察到模型對(duì)于熔滴圖像存在多個(gè)檢測(cè)目標(biāo)，取置信度最高的檢測(cè)框作為最終的熔滴目標(biāo)。

圖4 RetinaNet損失函數(shù)

圖5 RetinaNet檢測(cè)效果示意

4.2 不同模型性能對(duì)比

為了體現(xiàn)文中所設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)的高效性，進(jìn)一步測(cè)試模型的性能和精度，選取主流掩碼網(wǎng)絡(luò)模型，如Deep Image Matting(DIM)、Deep CNN[19](DCNN)和文中模型進(jìn)行對(duì)比。由于以上網(wǎng)絡(luò)訓(xùn)練需要用戶交互形成的掩碼進(jìn)行傳入，為了使比較結(jié)果更加公正，均采取和文中模型相同的辦法，將原圖傳入R-Net生成的初步掩碼后再傳入其他模型進(jìn)行訓(xùn)練。評(píng)價(jià)指標(biāo)如表1所示。

表1 在熔滴數(shù)據(jù)集上的評(píng)價(jià)指標(biāo)

由表1可知：文中設(shè)計(jì)模型最終擬合精度可達(dá)98.8%，且應(yīng)用在熔滴擬合問題中，絕對(duì)誤差和梯度誤差明顯優(yōu)于主流模型的表現(xiàn)。為對(duì)比不同模型的表現(xiàn)效果，選取了周期內(nèi)部分代表性的圖像進(jìn)行展示。由圖6可知：文中模型相比于DIM和DCNN能夠更好地?cái)M合熔滴輪廓，DCNN的熔滴前景輪廓提取具有較大的顏色黏結(jié)塊，這說明相比于DCNN中采用的卷積運(yùn)算，自編碼結(jié)構(gòu)確實(shí)能對(duì)圖像結(jié)構(gòu)有更多的理解，不會(huì)受到顏色分布的影響。而相比于DIM，由于掩碼的相對(duì)粗糙性，單任務(wù)自編碼結(jié)構(gòu)表現(xiàn)稍顯不足，對(duì)于細(xì)節(jié)部分的輪廓結(jié)構(gòu)處仍然會(huì)有一些疏漏，且銳化程度不夠，這也說明多任務(wù)結(jié)構(gòu)設(shè)計(jì)的必要性。

圖6 不同模型的熔滴檢測(cè)效果

5 模型應(yīng)用

截取單個(gè)完整焊接周期內(nèi)的熔滴過渡圖像放入模型中，提取熔滴的形狀系數(shù)和前景輪廓大小，以焊絲的像素值作為參考將坐標(biāo)轉(zhuǎn)換為實(shí)際坐標(biāo)系下的數(shù)值，得到熔滴短路過渡過程中的熔滴面積和形狀系數(shù)的變化，如圖7所示。

圖7 熔滴面積和形狀系數(shù)變化

由圖7可以得出CMT熔滴過渡具有如下特點(diǎn)：0～27 ms時(shí)間段內(nèi)，CMT處于燃弧階段，此時(shí)熔滴質(zhì)量快速增加，當(dāng)?shù)竭_(dá)一定閾值后，電流恢復(fù)基值，熔滴質(zhì)量開始緩慢增加，CMT進(jìn)行送絲，由于重力和速度的影響，熔滴在焊絲端部會(huì)進(jìn)行反復(fù)震蕩，導(dǎo)致形狀系數(shù)變化較大。當(dāng)過渡時(shí)長(zhǎng)達(dá)到55 ms時(shí)，熔滴接觸到熔池發(fā)生短路過渡，熔滴加速進(jìn)入熔池，此過程形狀系數(shù)變化較小，證實(shí)了CMT金屬過渡的穩(wěn)定性。這是由于此過程電流較小，減少了過渡時(shí)產(chǎn)生的電阻熱，是CMT區(qū)別于其他焊接形式的重要特點(diǎn)。在過渡時(shí)長(zhǎng)達(dá)到66 ms時(shí)，焊絲進(jìn)行抽絲行為，從熔池中扯出部分金屬液體，導(dǎo)致熔滴質(zhì)量增加，此時(shí)液相橋形成，在Marangoni力的影響下，金屬液體開始穩(wěn)定返回熔池中。在83 ms時(shí)，液相橋斷裂，熔滴形狀系數(shù)恢復(fù)初始大小，殘余熔滴量和上一周期殘余量接近。

6 結(jié)束語

(1)文中根據(jù)CMT短路過渡中的熔滴形貌特性設(shè)計(jì)了一個(gè)多任務(wù)結(jié)構(gòu)網(wǎng)絡(luò)，解決了熔滴圖像由于噪點(diǎn)、弧光影響、拍攝角度不好等所導(dǎo)致的邊界識(shí)別問題，可以自動(dòng)化定位熔滴位置并提取出其輪廓形狀和大小，實(shí)現(xiàn)對(duì)CMT熔滴過渡過程的數(shù)據(jù)化把控。

(2)所設(shè)計(jì)的網(wǎng)絡(luò)根據(jù)R-Net確定熔滴位置，定位精度可達(dá)97.31%，并能自動(dòng)生成精確掩碼，這是區(qū)別于其他主流掩碼分割網(wǎng)絡(luò)的關(guān)鍵部分，從而提高最終的輪廓提取精度，使得輪廓擬合精度可達(dá)到98.8%。

(3)根據(jù)需求自主設(shè)定的損失函數(shù)能夠有效提高模型檢測(cè)精度，且能在不同階段調(diào)整損失函數(shù)的權(quán)重，提高對(duì)單個(gè)模塊的注意力程度。將文中所設(shè)計(jì)模型與DIM及DCNN性能進(jìn)行對(duì)比，綜合性能上文中所設(shè)計(jì)的模型在檢測(cè)準(zhǔn)確度方面較高。

(4)以圖表顯示熔滴短路過渡過程中的熔滴面積和形狀系數(shù)的變化關(guān)系，對(duì)CMT熔滴過程進(jìn)行了定量的分析。