近日，我院机电工程系青年教师薛博策在铝合金焊接熔透监测领域取得相关进展，研究成果《基于特定任务预训练和半监督学习增强的深度迁移学习的铝合金GTAW焊熔透视觉监测》（Visual monitoring of weld penetration in aluminum alloy GTAW based on deep transfer learning enhanced by task-specific pre-training and semi-supervised learning）发表于《Journal of Manufacturing Processes》期刊。该期刊是工程制造领域的国际顶级期刊，2023年影响因子为6.1（SCI一区Top）。论文第一作者为青年教师薛博策，通讯作者为薛博策和清华大学都东教授，机电工程系张彦振教授和青年教师李润声亦在论文中做出贡献，中国石油大学（华东）为第一署名单位。该研究得到国家自然科学基金、“泰山学者”青年专家计划、山东省优秀青年基金以及中央高校基本科研业务费专项资金的联合资助。
论文首页
合适的熔透对确保焊接质量十分重要，目前视觉传感结合深度学习是常用的熔透监测方法，且为减少对样本量的要求，深度学习中常使用迁移学习技术。迁移学习需要对模型进行预训练，然而现有的大规模公开数据集并不适合熔透监测这一特定任务的预训练。
方法流程
针对以上问题，本研究提出了一种特定任务预训练和半监督学习增强的深度迁移学习方法，用于进行铝合金GTAW焊的熔透视觉监测。首先将结构光光条投影于熔池表面，捕获反映熔池表面三维信息的图像，接下来通过构建光条关键点定位任务，对深度学习模型进行特定任务预训练，并在预训练中使用半监督学习减少对标注样本量的要求，最后对模型进行微调，进行焊缝背面宽度预测，以实现熔透监测。结果显示，通过使用半监督学习，预训练中仅需40个标注样本就可超过全监督学习使用200个标注样本的效果，且与使用ImageNet数据集进行预训练相比，使用特定任务预训练时焊缝背面宽度的预测误差缩小了29.9%。
论文链接：https://doi.org/10.1016/j.jmapro.2024.11.102
