Application of Deep Learning-Based Multi-Scale Feature Fusion in the Visual System of Precision Welding Robots
Notice bibliographique
Résumé
In high-end equipment manufacturing and aerospace industries, the quality of precision welding directly affects product reliability.However, the welding process is often challenged by complex lighting variations, metal spatter, torch occlusion, and multi-scale defect characteristics, which pose significant difficulties for defect detection in robotic visual systems in terms of both accuracy and real-time performance.Traditional handcrafted feature methods and early deep learning models suffer from insufficient utilization of multiscale features and inadequate fusion of contextual semantics, resulting in high missed detection rates of small defects and failures in occluded scenarios.Existing single-scale feature networks tend to overlook low-level detail information, and conventional feature fusion methods fail to fully exploit cross-resolution feature complementarity.In addition, fixed anchor box schemes lead to high localization errors, and the lack of online compensation mechanisms for dynamic occlusions hinders detection performance in realworld applications.To address these challenges, this paper proposes a real-time welding defect detection method based on multi-resolution feature fusion tailored for the visual system of precision welding robots.The research encompasses six key aspects: data acquisition, optimization of the detection network, backbone network enhancement, multilayer feature fusion, adaptive anchor box adjustment, and occlusion-aware stereo vision measurement.By constructing a diverse multi-condition dataset, introducing cross-layer attention mechanisms, and designing an adaptive feature fusion strategy along with a spatiotemporal joint compensation model, the proposed method effectively overcomes the limitations of single-scale feature dependence.Experimental results demonstrate significantly improved detection accuracy for multi-scale defects under complex conditions and enhanced adaptability in dynamic scenes.The outcomes of this study offer a reusable technical framework for industrial visual inspection and provide meaningful contributions toward the intelligent development of precision welding.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».