焊接过程产生的图像噪声(例如弧光,飞溅和烟雾)给基于激光视觉传感器的焊接机器人带来了巨大的挑战,可以定位焊接接缝并准确地进行自动焊接。当前,基于深度学习的方法超过了灵活性和鲁棒性的传统方法。但是,它们的重大计算成本导致与自动焊接的实时要求不匹配。在本文中,我们对卷积神经网络(CNN)和变压器的有效混合体系结构(称为动态挤压网络(DSNET))进行实时焊接接缝分段。更准确地说,开发了一个轻巧的分割框架,以充分利用变压器结构的优势,而无需显着增加计算开销。在这方面,旨在提高其功能多样性的高效编码器已被设计并导致了编码性能的大幅改进。此外,我们提出了一个插件轻巧的注意模块,该模块通过利用焊接接缝数据的统计信息并引入线性先验来产生更有效的注意力权重。使用NVIDIA GTX 1050TI对焊缝图像进行广泛的实验表明,与基线方法Transunet相比,我们的方法将参数的数量减少了54倍,将计算复杂性降低了34倍,并将推理速度提高33倍。dsnet可实现较高的准确性(78.01%IOU,87.64%骰子)和速度性能(100 fps),其模型复杂性和计算负担较低。该代码可在https://github.com/hackerschen/dsnet上找到。
此简报中提供的信息仅用于一般信息目的。它不构成美国政府提供任何能力,系统或设备的承诺,并且绝不会使美国政府就同样的任何未来达成任何协议。未经美国政府的明确同意,不得传播提供的信息。
这项工作是由美国能源公司联盟(Alliance for of Contery No.DE-AC36-08GO28308。由美国能源部能源效率办公室和可再生能源风能技术办公室和美国电力部电力局提供的资金,以支持电网现代化倡议。此处表达的观点不一定代表美国能源部或美国政府的观点。美国政府保留和出版商,通过接受该文章的出版物,承认美国政府保留了不可限制的,有偿的,不可撤销的,全球范围内的许可,以出版或复制这项工作的已发表形式,或允许其他人这样做,以实现美国政府的目的。
1948 年成立,为 Unitek Corporation 的 Weldmatic 部门。2001 年收购了 BENCHMARK International Inc,该公司是全球领先的密封系统制造商。AMADA MIYACHI AMERICA 70 多年来一直是焊接、标记、切割、密封和粘合系统设计和制造领域的先驱!
由 ASTM 委员会 D-14 粘合剂定义为“材料在初始瞬时弹性或快速变形后,在负载下随时间的尺寸变化”[2]。评估单层屋面膜接缝抗蠕变性的重要性已得到屋面行业的认可。例如,ASTM 屋面委员会 DOS,