绝了！利用CGAN解决焊接机器人的焊缝跟踪与图像修复难题

主要观点总结

本文提出了一种基于条件生成对抗网络（CGAN）的焊接图像修复方法，用于解决激光视觉焊缝跟踪中的强噪声干扰问题。构建了焊接图像修复网络，并定义了网络训练的损失函数。为了获得高质量的训练样本，采用了基于峰值旁瓣比（PSR）准则的样本拒绝方法。通过离线跟踪测试和实际焊接对比实验，验证了该方法在增强焊缝跟踪模型的鲁棒性和稳定性，提高焊接精度方面的优势。该方法对于工业焊接生产具有重要意义。

关键观点总结

文章预览

来源 导 读 激光焊接要求焊件装配精度高，且要求光束在工件上的位置不能有显著偏移。这是因为激光聚焦后光斑尺寸小，焊缝窄，为加填充金属材料。若工件装配精度或光束定位精度达不到要求，很容易造成焊接缺陷。为了增强焊缝跟踪模型的鲁棒性，提高焊接精度，本文提出了一种基于条件生成对抗网络（CGAN）的焊接图像修复方法。 在 基于激光视觉的焊缝跟踪过程中，焊缝的定位精度在很大程度上取决于实时采集的焊接图像训练样本的质量。 然而，焊接过程中强电弧、飞溅和其他噪声的干扰严重污染了训练图像，这可能导致跟踪模型漂移并导致跟踪失败。 为了增强焊缝跟踪模型的鲁棒性，提高焊接精度，提出了一种基于条件生成对抗网络（CGAN）的焊接图像修复方法。 我们构建了一个焊接图像修复网络，并定义了网络训练的损失函数。 通 ………………………………