• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    一種基于PPCNN的金屬激光熔化沉積熔池狀態(tài)識(shí)別方法

    2020-09-10 14:55:31馬琳杰
    內(nèi)燃機(jī)與配件 2020年10期
    關(guān)鍵詞:增材制造卷積神經(jīng)網(wǎng)絡(luò)熔池

    馬琳杰

    摘要:金屬激光熔化沉積質(zhì)量與熔池狀態(tài)具有密切的關(guān)聯(lián),根據(jù)熔池視覺(jué)特征對(duì)加工中的熔池狀態(tài)進(jìn)行識(shí)別,進(jìn)而實(shí)現(xiàn)沉積質(zhì)量的在線預(yù)測(cè)對(duì)金屬激光熔化沉積技術(shù)具有重要意義。為構(gòu)建上述映射關(guān)系,本文提出了一種基于金字塔池化卷積神經(jīng)網(wǎng)絡(luò)的金屬激光熔化沉積熔池狀態(tài)識(shí)別方法。針對(duì)所采集的熔池同軸圖像,建立用于訓(xùn)練和測(cè)試的數(shù)據(jù)集;構(gòu)建了金字塔池化卷積神經(jīng)網(wǎng)絡(luò)(Pyramid pooling convolutional neural networks,PPCNN),并進(jìn)行網(wǎng)絡(luò)關(guān)鍵參數(shù)的研究。結(jié)果表明:第一層卷積核尺寸為5×5,卷積層和金字塔池化模塊含有64+8×3個(gè)卷積核使網(wǎng)絡(luò)在識(shí)別準(zhǔn)確率上達(dá)到最佳。所提方法取得了最高96.80%的識(shí)別準(zhǔn)確率。

    Abstract: The quality of metal laser melting deposition is closely related to the state of the molten pool. Recognizing the state of the molten pool in processing according to the visual characteristics of the molten pool, and thus realizing the online prediction of the deposition quality is of great significance to the metal laser melting deposition technology. In order to construct the above mapping relationship, this paper proposes a method for identifying the molten pool state of metal laser melting deposition based on pyramid pooling convolutional neural network. Based on the collected coaxial images of the molten pool, a data set for training and testing was established; a pyramid pooling convolutional neural network(PPCNN) was constructed, and key network parameters were studied. The results show that the size of the first layer of convolution kernels is 5×5, and the convolutional layer and pyramid pooling module contain 64+8×3 convolution kernels to make the network achieve the best recognition accuracy. The proposed method achieved a maximum recognition accuracy of 96.80%.

    關(guān)鍵詞:增材制造;定向能量沉積;激光熔化沉積;熔池;卷積神經(jīng)網(wǎng)絡(luò);金字塔池化模塊

    Key words: additive manufacturing;directed energy deposition;laser melting deposition;molten pool;convolutional neural network; pyramid pooling module

    0 ?引言

    定向能量沉積(Directed Energy Deposition,DED)是利用聚焦熱能將材料同步熔化沉積的增材制造工藝[1]。該技術(shù)可以在零件的成形過(guò)程中實(shí)現(xiàn)不同材料的融合,使得制備的零件具有任意方向上的材料和功能梯度。其中金屬激光熔化沉積是采用激光束作為聚焦熱能的定向能量沉積技術(shù)。目前,由于金屬激光熔化沉積存在復(fù)雜的多物理場(chǎng)耦合作用,使得加工零件的質(zhì)量可靠性和效果重復(fù)性提升困難,這限制了其規(guī)?;こ袒瘧?yīng)用。

    在線診斷識(shí)別及反饋控制是提高激光熔化沉積技術(shù)質(zhì)量可靠性與效果重復(fù)性的關(guān)鍵手段之一。熔池作為激光熔化沉積加工中的重要物理現(xiàn)象及多場(chǎng)耦合的重要載體,其包含著豐富的物理冶金狀態(tài)信息,可為工藝穩(wěn)定性與零件質(zhì)量的在線診斷識(shí)別及反饋控制提供重要的理論與數(shù)據(jù)支持。因此,針對(duì)熔池形態(tài)監(jiān)測(cè)的研究引起了學(xué)者的廣泛關(guān)注。唐梓玨等[2]采用同軸監(jiān)測(cè)方法,對(duì)四種不同工藝條件下的熔池動(dòng)態(tài)特征進(jìn)行監(jiān)測(cè),揭示熔池關(guān)鍵形狀精度的演化行為,并建立新的熔池形狀精度模型。HOFMAN等[3]同樣采用同軸監(jiān)測(cè)方法對(duì)熔池寬度進(jìn)行監(jiān)測(cè),結(jié)果表明熔池寬度影響沉積層的稀釋率和硬度的穩(wěn)定性。劉新鋒等[4]利用CCD相機(jī)拍攝完整的熔池圖像,通過(guò)提取熔池的長(zhǎng)度、寬度、面積等特征作為神經(jīng)網(wǎng)絡(luò)的輸入,建立預(yù)測(cè)熔池背面熔寬變化的網(wǎng)絡(luò)模型。上述研究雖然已對(duì)熔池特征與最終加工質(zhì)量間的關(guān)聯(lián)關(guān)系展開(kāi)了研究,并實(shí)現(xiàn)了基于特定熔池特征的在線診斷識(shí)別,但對(duì)于可反映激光熔化沉積熔化—熔融—凝固全過(guò)程的熔池而言,依然有大量的過(guò)程特征信息沒(méi)能很好的進(jìn)行利用,這阻礙了基于熔池的激光熔化沉積質(zhì)量在線診斷識(shí)別與反饋控制技術(shù)的應(yīng)用。

    深度學(xué)習(xí)(Deep Learning,DL)算法能夠自動(dòng)創(chuàng)建特征提取器與分類器,其識(shí)別分類能力隨著提供新的訓(xùn)練數(shù)據(jù)而改進(jìn)和發(fā)展。卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural networks,CNN)可以直接對(duì)圖像進(jìn)行處理,使直接對(duì)熔池圖像進(jìn)行特征提取成為可能。與傳統(tǒng)方法相比,CNN的顯著優(yōu)點(diǎn)是利用深層次的網(wǎng)絡(luò)結(jié)構(gòu)從圖像中自動(dòng)提取出更加抽象的特征,而不是依賴于專家知識(shí)手動(dòng)提取。同時(shí),CNN具有局部感知和權(quán)值共享的特點(diǎn)[5],減少了網(wǎng)絡(luò)參數(shù)的數(shù)量,從而減少了訓(xùn)練的時(shí)間。上述優(yōu)點(diǎn)使其應(yīng)用范圍也更加廣泛[6-8]。但Zhang等[9]將原始圖像輸入到CNN取得的平均準(zhǔn)確率只有92.8%,原因是原始圖像含有噪聲或CNN在傳遞過(guò)程中信息丟失,導(dǎo)致沒(méi)有取得更高的準(zhǔn)確率。因?yàn)樵诮饘偌す馊刍练e中,受多物理場(chǎng)耦合、監(jiān)測(cè)光路污染與加工環(huán)境變化等因素的影響,熔池特征往往復(fù)雜多變,這對(duì)CNN性能提出了更高的要求。

    為了充分利用金屬激光熔化沉過(guò)程熔池圖像的在線信息并抑制熔池信息在深度神經(jīng)網(wǎng)絡(luò)傳遞過(guò)程中的損失,本文提出了一種基于金字塔池化模塊的卷積神經(jīng)網(wǎng)絡(luò)熔池狀態(tài)識(shí)別方法,并結(jié)合在懲罰函數(shù)中添加L2范數(shù)正則項(xiàng)來(lái)提高模型的泛化能力,實(shí)現(xiàn)了熔池狀態(tài)的精確識(shí)別。通過(guò)本研究為激光熔化沉積質(zhì)量的反饋控制提供了重要的數(shù)據(jù)支持。

    1 ?試驗(yàn)材料、設(shè)備及方案設(shè)計(jì)

    試驗(yàn)采用了由六軸機(jī)器人(KR30HA,Germany)、半導(dǎo)體激光器(LDF 4000-100 VGP,Germany)、激光頭(YC52,Precitec KG,Gaggenau,Germany)和送粉器(RC-PF-01B-2,Raycham Ltd,Nanjing,China)組成的激光熔化沉積系統(tǒng),實(shí)驗(yàn)設(shè)備如圖1所示。熔池圖像采集系統(tǒng)由同軸工業(yè)相機(jī)、計(jì)算機(jī)組成。其中,同軸工業(yè)相機(jī)可采集632×508像素的圖像,采集幀率最高可達(dá)500fps,所采集的熔池圖像為單通道灰度圖像,采集后傳輸?shù)接?jì)算機(jī)中進(jìn)行保存。試驗(yàn)過(guò)程中的保護(hù)氣和載粉氣均為純度 99.999%的氬氣,送粉量為9.15g/min,載氣流量為600L/h,保護(hù)氣流量為900L/h。試驗(yàn)所用材料為316L基體和316L粉末,粉末的粒徑為45~150μm。

    本文所采用的316L基板尺寸為60mm×40mm×8mm。通過(guò)改變激光功率(500W、600W、700W、800W、900W、1000W、1100W、1200W)和掃描速度(1mm/s、3mm/s、5mm/s、7mm/s、9mm/s、11mm/s、13mm/s、15mm/s、17mm/s、19mm/s),在80組參數(shù)的組合下,利用單道掃描,獲取熔池的灰度圖像。由于在沉積起始處熔池不穩(wěn)定,此時(shí)拍攝的熔池圖像不具有代表性,因此需選擇1s后處于激光熔化沉積穩(wěn)定狀態(tài)時(shí)的熔池圖像作為最終的數(shù)據(jù)集。

    2 ?數(shù)據(jù)集生成

    參照前期研究成果[2]的單道單層沉積試驗(yàn),本文將沉積狀態(tài)分為4類,其對(duì)應(yīng)圖像特征分別如下:①熔池的幾何輪廓為倒梯形,此時(shí)沉積層潤(rùn)濕角過(guò)高(接近或大于90°),冶金結(jié)合不良,沉積狀態(tài)為過(guò)度熔融;②熔池的幾何輪廓為近圓形,此時(shí)沉積層潤(rùn)濕角遠(yuǎn)小于90°,冶金結(jié)合正常,沉積狀態(tài)為正常熔融;③熔池的幾何輪廓為不規(guī)則形狀,此時(shí)沉積層潤(rùn)濕角正常,但冶金結(jié)合不良,沉積狀態(tài)為不完全熔融;④當(dāng)無(wú)法形成穩(wěn)定的熔池和沉積層,沉積狀態(tài)為不連續(xù)熔融。之后以閾值分割和邊緣檢測(cè)算法獲得熔池初步輪廓,并根據(jù)熔池初步輪廓的外接矩形a*b,截?。╝+10)*(b+10)矩形范圍作為ROI(Region of Interest)區(qū)域。圖2顯示了4類單道的表面質(zhì)量及對(duì)應(yīng)的熔池ROI圖像。每個(gè)沉積狀態(tài)下數(shù)據(jù)的詳細(xì)介紹如表1所示。最后將熔池圖像統(tǒng)一壓縮為32×32像素作為模型的輸入。因?yàn)镃NN是一種有監(jiān)督的訓(xùn)練方式,需要對(duì)每張圖像建立標(biāo)簽,該標(biāo)簽代表熔池圖像對(duì)應(yīng)的沉積狀態(tài)。

    3 ?PPCNN模型

    PPCNN(Pyramid pooling convolutional neural networks,PPCNN)即金字塔池化卷積神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)的高層特征有助于類別識(shí)別,但連接全連接層的池化層會(huì)丟失大部分提取的高層特征,從而影響識(shí)別準(zhǔn)確率。而金字塔池化模塊[10]融合了不同尺度的特征,提高了獲取全局信息的能力,有效的減少了高層特征的信息丟失問(wèn)題。因此,本文將金字塔池化模塊與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合,構(gòu)建了PPCNN模型,模型結(jié)構(gòu)及參數(shù)如圖3所示。

    本文的金字塔池化模塊融合了三種不同尺度的金字塔池化特征,分別為1×1,2×2,4×4,如圖3中的金字塔池化模塊。其中紅色表示全局池,對(duì)整個(gè)特征圖進(jìn)行池化操作。以下金字塔等級(jí)將特征圖分割為不同的子區(qū)域,對(duì)特征圖進(jìn)行不同位置的池化操作,不同金字塔等級(jí)池化操作會(huì)產(chǎn)生不同大小的特征圖。金字塔池化操作后采用1×1卷積確定每種尺度所生成的特征圖數(shù)量,之后采用雙線性差值擴(kuò)展到與C5相同的尺寸,最終將金字塔池化模塊生成的三種不同尺度的特征圖與C5特征圖進(jìn)行融合,從而聚合高層特征,減少信息的丟失,提升整體的識(shí)別準(zhǔn)確率。

    卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程分為前向傳播和反向傳播,在前向傳播過(guò)程中,輸入數(shù)據(jù)經(jīng)過(guò)多層卷積層和池化層進(jìn)行特征提取,經(jīng)全連接層,輸入分類器進(jìn)行數(shù)據(jù)的分類識(shí)別。在反向傳播過(guò)程中,依據(jù)損失函數(shù),通過(guò)反向傳播從后往前更新網(wǎng)絡(luò)的權(quán)重和偏置參數(shù),以達(dá)到最優(yōu)的網(wǎng)絡(luò)參數(shù),最終實(shí)現(xiàn)最優(yōu)的網(wǎng)絡(luò)模型[11]。為了防止模型的過(guò)擬合,提高網(wǎng)絡(luò)模型的泛化能力,本文采用添加L2范數(shù)作為懲罰項(xiàng)的交叉熵?fù)p失函數(shù),則改進(jìn)后的懲罰函數(shù)為:

    4 ?PPCCN熔池狀態(tài)識(shí)別

    4.1 PPCNN關(guān)鍵參數(shù)影響分析

    CNN的網(wǎng)絡(luò)參數(shù)對(duì)整體的識(shí)別結(jié)果有較大的影響。例如,卷積核尺寸、全連接層數(shù)量等。通過(guò)對(duì)上述兩個(gè)參數(shù)進(jìn)行研究,確定最適合識(shí)別四種沉積狀態(tài)的網(wǎng)絡(luò)參數(shù)。第一層卷積核作用于輸入圖像,其卷積核的尺寸直接決定首次感受野的大小,對(duì)初次特征提取至關(guān)重要。因此,研究第一層卷積核尺寸從3×3-11×11的變化過(guò)程中,識(shí)別準(zhǔn)確率的變化趨勢(shì)如圖4所示。從曲線中可以看出,當(dāng)卷積核尺寸為5×5時(shí),網(wǎng)絡(luò)對(duì)熔池狀態(tài)的識(shí)別率最高。這是由于3×3的尺寸較小,不能有效的提取熔池圖像的特征,而由于輸入圖像只有32×32,過(guò)大的卷積核尺寸不能合適的提取熔池圖像的特征,反而會(huì)增加網(wǎng)絡(luò)訓(xùn)練的時(shí)間。

    由于最后一層卷積層卷積核和金字塔池化模塊卷積核數(shù)量即融合后卷積核總數(shù)共同決定了全連接層輸入的大小,而全連接層中的特征直接決定識(shí)別準(zhǔn)確率,因此研究融合后卷積核總數(shù)對(duì)識(shí)別效果的影響。由于金字塔池化模塊融合了三種不同金字塔尺度下的特征,再與前一層卷積層進(jìn)行最終融合,故要確定四層卷積核數(shù)量,以使網(wǎng)絡(luò)達(dá)到最優(yōu)的識(shí)別率。本文采取了6組不同數(shù)量的卷積核進(jìn)行訓(xùn)練,分別為32+8×3,32+16×3,32+32×3,64+8×3,64+16×3,64+32×3,其中32+8×3表示金字塔池化模塊的前一層卷積層有32個(gè)卷積核,金字塔池化模塊每種尺度下有8個(gè)卷積核,故四層卷積核總數(shù)為56,其他參數(shù)的含義與之相同。訓(xùn)練得到融合后卷積核總數(shù)與識(shí)別準(zhǔn)確率的變化趨勢(shì)如圖5所示。從圖5中可以看出,當(dāng)卷積核總數(shù)為88時(shí),準(zhǔn)確率最高為96.80%。當(dāng)前一層卷積層卷積核數(shù)量為32時(shí),整體準(zhǔn)確率低于前一層卷積層卷積核數(shù)量為64的準(zhǔn)確率。說(shuō)明當(dāng)最后一層卷積層中卷積核數(shù)量較少時(shí),不能充分對(duì)熔池圖像特征進(jìn)行提取,導(dǎo)致融合后效果不佳。當(dāng)最后一層卷積層卷積核數(shù)量為64時(shí),隨著卷積核數(shù)量的增加,識(shí)別準(zhǔn)確率下降。說(shuō)明全連接層參數(shù)過(guò)多,可能導(dǎo)致過(guò)擬合現(xiàn)象,從而影響對(duì)測(cè)試數(shù)據(jù)的識(shí)別。

    因此,通過(guò)對(duì)第一層卷積核尺寸和融合后卷積核總數(shù)的研究,最終確定第一層卷積核尺寸為5×5,融合后卷積核總數(shù)為88(64+8×3)時(shí),網(wǎng)絡(luò)的識(shí)別精度最高。

    4.2 準(zhǔn)確率對(duì)比分析

    為了對(duì)比論證所提方法的優(yōu)勢(shì),選擇不添加L2懲罰項(xiàng)的PPCNN、標(biāo)準(zhǔn)CNN進(jìn)行對(duì)比。不添加L2懲罰項(xiàng)的PPCNN也采用圖3的網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù),標(biāo)準(zhǔn)CNN的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)與圖3相比,將金字塔池化模塊替換為步幅為2,濾波器為2×2的最大池化層,且只有兩層全連接層,第一層全連接層具有1024個(gè)節(jié)點(diǎn),第二層全連接層的節(jié)點(diǎn)數(shù)為200,其他網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)與圖3保持一致。同時(shí)為了突出所提方法相對(duì)于SAE和傳統(tǒng)方法的優(yōu)勢(shì),將熔池ROI像素灰度值范圍從0到255分為25個(gè)區(qū)間,將不同區(qū)間中的像素?cái)?shù)提取為熔池特征分別輸入SAE、SVM和傳統(tǒng)淺層神經(jīng)網(wǎng)絡(luò)BPNN進(jìn)行對(duì)比。具體實(shí)驗(yàn)方法介紹如表2所示。

    本文每種方法共進(jìn)行4組相同條件的試驗(yàn),選擇梯度下降算法對(duì)網(wǎng)絡(luò)執(zhí)行350次優(yōu)化迭代后,每種方法的4組實(shí)驗(yàn)的準(zhǔn)確性如表3所示。

    從表3可以得到,采用CNN的方法的準(zhǔn)確識(shí)別率明顯高于SAE和傳統(tǒng)分類方法。采用所提方法(L2-PPCNN)四次識(shí)別準(zhǔn)確率分別為:96.25%,95.90%,96.40%以及96.10%,平均準(zhǔn)確率為96.16%,高于不添加L2懲罰項(xiàng)的PPCNN的95.41%。說(shuō)明懲罰函數(shù)中添加L2范數(shù)正則項(xiàng),提高了模型的泛化能力和識(shí)別準(zhǔn)確率。而標(biāo)準(zhǔn)CNN由于沒(méi)有采用金字塔池化模塊,其平均準(zhǔn)確率為93.41%,相比于所提方法,其識(shí)別準(zhǔn)確率下降了2%。說(shuō)明金字塔池化模塊融合的不同尺度的特征提高獲取全局信息的能力,從而有效減少高層特征的信息丟失,提升了識(shí)別準(zhǔn)確率。熔池特征+SAE的平均準(zhǔn)確率只有75.40%,這表明CNN提取熔池特征的能力比手動(dòng)+SAE提取特征的效果更好。熔池特征+SVM和熔池特征+BPNN的平均準(zhǔn)確率都低于55%,說(shuō)明傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在信息豐富的熔池圖像中已經(jīng)無(wú)法獲得較高的識(shí)別率。以上結(jié)果可以得出,所提方法識(shí)別準(zhǔn)確率最高,表明從熔池圖像中提取的特征信息更全面。說(shuō)明所提方法提高了獲取全局信息的能力,有效減少高層特征的信息丟失,同時(shí)還提升了模型的泛化能力。即本文提出的方法更適用于金屬激光熔化沉積中熔池狀態(tài)的識(shí)別。

    5 ?結(jié)論

    本文研究了一種金字塔池化卷積神經(jīng)網(wǎng)絡(luò)的金屬激光熔化沉積熔池狀態(tài)識(shí)別方法。構(gòu)建了金字塔池化卷積神經(jīng)網(wǎng)絡(luò),從而融合了不同尺度的特征,提高了獲取全局信息的能力,提升了識(shí)別準(zhǔn)確率,從而有效的減少高層特征的信息丟失問(wèn)題。同時(shí)在懲罰函數(shù)中添加L2懲罰項(xiàng)用于正則化處理,提高了模型的泛化能力。分析了網(wǎng)絡(luò)中兩個(gè)重要參數(shù)對(duì)于識(shí)別準(zhǔn)確率的影響。研究表明:第一層卷積核尺寸為5×5,卷積層和金字塔池化模塊含有64+8×3個(gè)卷積核使網(wǎng)絡(luò)在識(shí)別準(zhǔn)確率上達(dá)到最佳。相比于其他方法,在4組平行實(shí)驗(yàn)中,所提方法最高識(shí)別準(zhǔn)確性達(dá)到96.80%。同時(shí)該方法也為激光熔化沉積質(zhì)量的反饋控制提供了重要支持。

    參考文獻(xiàn):

    [1]全國(guó)增材制造標(biāo)準(zhǔn)化技術(shù)委員會(huì).GB/T 35351-2017,增材制造術(shù)語(yǔ)[S].北京:中國(guó)標(biāo)準(zhǔn)出版社,2017.

    [2]唐梓玨,劉偉嵬,顏昭睿,等.基于熔池動(dòng)態(tài)特征的金屬激光熔化沉積形狀精度演化行為研究[J].機(jī)械工程學(xué)報(bào),2019,55(15):39-47.

    [3]Hofman J T, Pathiraj B, DIJK V J, et al. A camera based feedback control strategy for the laser cladding process[J]. Journal of Materials Processing Technology. 2012, 212(11): 2455-2462.

    [4]劉新鋒,高進(jìn)強(qiáng),姜錫瑞,等.連續(xù)電流TIG焊熔池圖像的低成本自動(dòng)化檢測(cè)[J].焊接學(xué)報(bào),2001(06):25-28.

    [5]李彥冬,郝宗波,雷航.卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J].計(jì)算機(jī)應(yīng)用,2016,36(09):2508-2515.

    [6]Wang F T, Deng G, Ma L J, et al. Convolutional Neural Network Based on Spiral Arrangement of Features and Its Application in Bearing Fault Diagnosis[J]. IEEE Access. 2019, 7: 64092-64100.

    [7]Jiao J, Zhao M, Lin J, et al. A multivariate encoder information based convolutional neural network for intelligent fault diagnosis of planetary gearboxes[J]. Knowledge-Based Systems. 2018, 160: 237-250.

    [8]李海超,劉景風(fēng),謝吉兵,等.基于卷積神經(jīng)網(wǎng)絡(luò)的GTAW熔透預(yù)測(cè)[J].機(jī)械工程學(xué)報(bào),2019,55(17):22-28.

    [9]Zhang Y, Hong G S, Ye D, et al. Extraction and evaluation of melt pool, plume and spatter information for powder-bed fusion AM process monitoring[J]. Materials & Design. 2018, 156: 458-469.

    [10]Zhao H S, Shi J P, Qi X J, et al. Pyramid Scene Parsing Network[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), July 21-26, 2017, Honolulu, HI, USA:IEEE, 17355193.

    [11]李恒,張氫,秦仙蓉,等.基于短時(shí)傅里葉變換和卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷方法[J].振動(dòng)與沖擊,2018,37(19):124-131.

    猜你喜歡
    增材制造卷積神經(jīng)網(wǎng)絡(luò)熔池
    基于凝膠注模的金屬件分段增材制造工藝研究
    展望“增材制造”
    立體光固化成型法在3D打印中的應(yīng)用及前景
    大觀(2016年11期)2017-02-04 03:09:20
    基于深度卷積神經(jīng)網(wǎng)絡(luò)的物體識(shí)別算法
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    基于深度卷積網(wǎng)絡(luò)的人臉年齡分析算法與實(shí)現(xiàn)
    軟件工程(2016年8期)2016-10-25 15:47:34
    基于卷積神經(jīng)網(wǎng)絡(luò)的樹(shù)葉識(shí)別的算法的研究
    電弧焊熔池表征與熔透狀態(tài)映射研究
    焊接(2016年10期)2016-02-27 13:05:32
    一種基于頻域變換的熔池運(yùn)動(dòng)模糊圖像恢復(fù)算法
    焊接(2015年11期)2015-07-18 11:12:46
    MIG焊接熔池形成與凝固過(guò)程數(shù)值模擬
    焊接(2015年9期)2015-07-18 11:03:51
    国产老妇女一区| 日韩中文字幕欧美一区二区| 免费看a级黄色片| 丰满人妻一区二区三区视频av | 久久九九热精品免费| 午夜激情福利司机影院| 国产av麻豆久久久久久久| 日韩欧美在线乱码| 日本一本二区三区精品| 亚洲aⅴ乱码一区二区在线播放| 18禁美女被吸乳视频| 精品免费久久久久久久清纯| 国产精品精品国产色婷婷| 制服丝袜大香蕉在线| 观看美女的网站| 黄色视频,在线免费观看| 亚洲性夜色夜夜综合| 国产黄色小视频在线观看| 日本a在线网址| 天美传媒精品一区二区| 桃红色精品国产亚洲av| 国产在线精品亚洲第一网站| 亚洲中文字幕一区二区三区有码在线看| 亚洲人与动物交配视频| 18+在线观看网站| 国产精品综合久久久久久久免费| 少妇的逼好多水| 青草久久国产| 精品一区二区三区av网在线观看| 女同久久另类99精品国产91| 在线免费观看的www视频| 久久久久久久精品吃奶| 在线播放国产精品三级| 一区二区三区激情视频| 欧美黑人欧美精品刺激| 男人的好看免费观看在线视频| 欧美极品一区二区三区四区| h日本视频在线播放| 日韩 欧美 亚洲 中文字幕| 制服丝袜大香蕉在线| 桃色一区二区三区在线观看| 一本综合久久免费| 免费看a级黄色片| 最近视频中文字幕2019在线8| 国产麻豆成人av免费视频| 日日夜夜操网爽| 老汉色∧v一级毛片| 99热只有精品国产| 日韩亚洲欧美综合| 成人欧美大片| 好男人电影高清在线观看| 床上黄色一级片| 亚洲国产色片| netflix在线观看网站| 久久欧美精品欧美久久欧美| 国产一区二区三区在线臀色熟女| 97超级碰碰碰精品色视频在线观看| 在线国产一区二区在线| 日韩成人在线观看一区二区三区| 日日干狠狠操夜夜爽| 91麻豆av在线| 一级黄色大片毛片| 亚洲18禁久久av| 欧美成狂野欧美在线观看| 国产综合懂色| 在线观看av片永久免费下载| 俄罗斯特黄特色一大片| 色综合欧美亚洲国产小说| 在线十欧美十亚洲十日本专区| 国产男靠女视频免费网站| 偷拍熟女少妇极品色| 夜夜夜夜夜久久久久| 91九色精品人成在线观看| 最好的美女福利视频网| 69av精品久久久久久| 熟女少妇亚洲综合色aaa.| 一本综合久久免费| ponron亚洲| 午夜免费激情av| 成人国产综合亚洲| 国产黄片美女视频| 波野结衣二区三区在线 | 亚洲乱码一区二区免费版| 国产不卡一卡二| 国产私拍福利视频在线观看| 一个人免费在线观看的高清视频| 日韩av在线大香蕉| tocl精华| 欧美成人免费av一区二区三区| 欧美精品啪啪一区二区三区| 美女高潮喷水抽搐中文字幕| 一进一出抽搐动态| 少妇熟女aⅴ在线视频| 国产一区二区在线观看日韩 | 久久精品国产综合久久久| 亚洲自拍偷在线| 日本a在线网址| 欧洲精品卡2卡3卡4卡5卡区| 欧美乱色亚洲激情| 日韩欧美国产一区二区入口| 搡老妇女老女人老熟妇| 美女 人体艺术 gogo| 看片在线看免费视频| 日韩精品青青久久久久久| 中文字幕熟女人妻在线| 熟女少妇亚洲综合色aaa.| 又紧又爽又黄一区二区| 少妇的逼好多水| 一级黄片播放器| 又黄又粗又硬又大视频| 丰满的人妻完整版| 一级作爱视频免费观看| 久久精品亚洲精品国产色婷小说| 热99在线观看视频| 欧美色视频一区免费| 亚洲av中文字字幕乱码综合| 在线视频色国产色| 成人午夜高清在线视频| 在线免费观看不下载黄p国产 | 一区二区三区激情视频| 在线观看av片永久免费下载| 美女免费视频网站| 色综合亚洲欧美另类图片| 哪里可以看免费的av片| 搡老妇女老女人老熟妇| 在线观看免费午夜福利视频| 成年女人毛片免费观看观看9| 国产aⅴ精品一区二区三区波| 99久久99久久久精品蜜桃| 女同久久另类99精品国产91| 嫩草影院精品99| 婷婷丁香在线五月| 动漫黄色视频在线观看| 99国产综合亚洲精品| 老司机福利观看| 在线观看66精品国产| 美女高潮喷水抽搐中文字幕| 一进一出抽搐动态| 白带黄色成豆腐渣| 亚洲内射少妇av| 日本撒尿小便嘘嘘汇集6| 少妇熟女aⅴ在线视频| 丰满的人妻完整版| 中文字幕精品亚洲无线码一区| 无限看片的www在线观看| 国内揄拍国产精品人妻在线| 禁无遮挡网站| 香蕉久久夜色| 香蕉av资源在线| 最近在线观看免费完整版| 色综合婷婷激情| 啦啦啦免费观看视频1| www.www免费av| 一级毛片女人18水好多| 18禁黄网站禁片免费观看直播| 母亲3免费完整高清在线观看| 观看免费一级毛片| 久久国产乱子伦精品免费另类| 老鸭窝网址在线观看| 亚洲在线自拍视频| 亚洲国产精品999在线| 在线观看午夜福利视频| 亚洲国产日韩欧美精品在线观看 | 狂野欧美白嫩少妇大欣赏| 999久久久精品免费观看国产| 国内精品久久久久久久电影| 精品人妻一区二区三区麻豆 | 在线观看舔阴道视频| 成人av一区二区三区在线看| 国产伦精品一区二区三区视频9 | e午夜精品久久久久久久| 亚洲在线自拍视频| 内射极品少妇av片p| 国产av在哪里看| 最近最新中文字幕大全免费视频| 成人欧美大片| 久久精品国产亚洲av香蕉五月| 一本一本综合久久| 亚洲一区二区三区不卡视频| www.色视频.com| 亚洲人与动物交配视频| 成年版毛片免费区| 国产三级黄色录像| 黄色丝袜av网址大全| 欧美一区二区精品小视频在线| 在线观看美女被高潮喷水网站 | 天堂av国产一区二区熟女人妻| 午夜福利18| 一本久久中文字幕| 亚洲成av人片在线播放无| 久久精品国产亚洲av香蕉五月| 精品熟女少妇八av免费久了| 国语自产精品视频在线第100页| 国产欧美日韩精品亚洲av| 欧美3d第一页| 12—13女人毛片做爰片一| а√天堂www在线а√下载| 国产 一区 欧美 日韩| 日韩精品青青久久久久久| 国产精品久久久久久人妻精品电影| 国产精品一区二区免费欧美| 在线视频色国产色| 黄色片一级片一级黄色片| 国产精品一区二区三区四区免费观看 | 九九热线精品视视频播放| 国产精品久久电影中文字幕| 亚洲真实伦在线观看| 夜夜爽天天搞| 在线播放无遮挡| 精品国产美女av久久久久小说| 美女 人体艺术 gogo| 变态另类成人亚洲欧美熟女| 国产精品女同一区二区软件 | 国产精品久久电影中文字幕| 午夜免费成人在线视频| tocl精华| 又紧又爽又黄一区二区| 国产乱人伦免费视频| 在线免费观看的www视频| 亚洲一区高清亚洲精品| 人妻夜夜爽99麻豆av| 亚洲欧美一区二区三区黑人| 老鸭窝网址在线观看| 亚洲av成人不卡在线观看播放网| 99热只有精品国产| 最近最新免费中文字幕在线| 日本在线视频免费播放| 小说图片视频综合网站| 3wmmmm亚洲av在线观看| 亚洲欧美一区二区三区黑人| 免费在线观看亚洲国产| 精品久久久久久久人妻蜜臀av| 国产一区二区三区视频了| 久久久久久久久大av| 色精品久久人妻99蜜桃| 日韩欧美在线二视频| 国产精品国产高清国产av| 亚洲真实伦在线观看| 深爱激情五月婷婷| 脱女人内裤的视频| 国产精品久久久人人做人人爽| 三级毛片av免费| 精品不卡国产一区二区三区| 69人妻影院| 日日夜夜操网爽| 久久亚洲精品不卡| 国产单亲对白刺激| 国产三级中文精品| 久9热在线精品视频| 网址你懂的国产日韩在线| 久久久久久国产a免费观看| 日韩欧美在线二视频| 女人高潮潮喷娇喘18禁视频| 日韩有码中文字幕| 亚洲精品在线美女| 18美女黄网站色大片免费观看| 在线观看舔阴道视频| 99精品欧美一区二区三区四区| 亚洲欧美精品综合久久99| 日本免费一区二区三区高清不卡| 午夜福利视频1000在线观看| 国产黄片美女视频| 狠狠狠狠99中文字幕| 丁香六月欧美| 天堂动漫精品| 一本精品99久久精品77| av欧美777| 亚洲成a人片在线一区二区| 国产精品久久久久久久电影 | 最近在线观看免费完整版| 亚洲aⅴ乱码一区二区在线播放| 精品午夜福利视频在线观看一区| 国产午夜精品论理片| 日本五十路高清| 免费大片18禁| 国产v大片淫在线免费观看| 免费看光身美女| av欧美777| 性色avwww在线观看| 可以在线观看毛片的网站| 嫩草影视91久久| 久久久精品欧美日韩精品| 免费看日本二区| 在线十欧美十亚洲十日本专区| 国产精品久久久久久精品电影| 18美女黄网站色大片免费观看| xxx96com| 久久精品人妻少妇| av在线天堂中文字幕| 欧美丝袜亚洲另类 | 亚洲专区中文字幕在线| 麻豆成人午夜福利视频| 国产极品精品免费视频能看的| 日本 欧美在线| 欧美日韩国产亚洲二区| 天天添夜夜摸| 亚洲成av人片在线播放无| АⅤ资源中文在线天堂| 国产在视频线在精品| 3wmmmm亚洲av在线观看| 精品午夜福利视频在线观看一区| 久久人人精品亚洲av| 婷婷精品国产亚洲av在线| 亚洲最大成人手机在线| 一个人看的www免费观看视频| 精品免费久久久久久久清纯| 国产探花极品一区二区| 国产黄色小视频在线观看| 亚洲国产欧美网| 麻豆国产97在线/欧美| 久久国产精品人妻蜜桃| 亚洲自拍偷在线| 性色avwww在线观看| 欧美另类亚洲清纯唯美| 国产主播在线观看一区二区| 女人十人毛片免费观看3o分钟| 亚洲久久久久久中文字幕| 国产精品99久久99久久久不卡| 在线免费观看的www视频| 国产亚洲av嫩草精品影院| 99久久精品一区二区三区| 亚洲成人中文字幕在线播放| 男女视频在线观看网站免费| 亚洲在线自拍视频| 日本免费一区二区三区高清不卡| 叶爱在线成人免费视频播放| 特大巨黑吊av在线直播| 欧美区成人在线视频| 丰满乱子伦码专区| 老司机午夜福利在线观看视频| 午夜两性在线视频| or卡值多少钱| 国产高清videossex| 又粗又爽又猛毛片免费看| 国产欧美日韩一区二区精品| 99久久久亚洲精品蜜臀av| 青草久久国产| 亚洲成人久久性| 久久久色成人| 老熟妇仑乱视频hdxx| 亚洲欧美日韩高清专用| 12—13女人毛片做爰片一| 国产精品嫩草影院av在线观看 | 欧美色欧美亚洲另类二区| 麻豆久久精品国产亚洲av| 美女cb高潮喷水在线观看| 99视频精品全部免费 在线| 免费人成视频x8x8入口观看| 欧美日韩精品网址| 日本 欧美在线| 老司机在亚洲福利影院| 国模一区二区三区四区视频| 在线天堂最新版资源| 日韩高清综合在线| 久久香蕉精品热| 日韩欧美精品免费久久 | 久久欧美精品欧美久久欧美| 琪琪午夜伦伦电影理论片6080| 亚洲国产色片| 欧美3d第一页| 国产成人av激情在线播放| 亚洲真实伦在线观看| 午夜老司机福利剧场| netflix在线观看网站| 九九久久精品国产亚洲av麻豆| 少妇人妻精品综合一区二区 | 国产真实乱freesex| 成人国产综合亚洲| 亚洲国产欧美人成| 精品99又大又爽又粗少妇毛片 | 天堂av国产一区二区熟女人妻| 亚洲精品粉嫩美女一区| 亚洲国产欧美网| 天天添夜夜摸| 日本熟妇午夜| 老鸭窝网址在线观看| h日本视频在线播放| 嫩草影院入口| 动漫黄色视频在线观看| 欧美日韩福利视频一区二区| 欧美+亚洲+日韩+国产| 国产成人av激情在线播放| 中文字幕人妻熟人妻熟丝袜美 | 成年人黄色毛片网站| 免费av观看视频| 九九热线精品视视频播放| 日韩欧美在线乱码| 亚洲av一区综合| 少妇熟女aⅴ在线视频| 99国产精品一区二区蜜桃av| 日本成人三级电影网站| 好男人在线观看高清免费视频| 我的老师免费观看完整版| 99精品久久久久人妻精品| 午夜福利高清视频| 日本撒尿小便嘘嘘汇集6| 久久人人精品亚洲av| 欧美一级毛片孕妇| 久久婷婷人人爽人人干人人爱| 亚洲第一电影网av| 天堂动漫精品| 日韩欧美在线乱码| 69人妻影院| 网址你懂的国产日韩在线| 欧美成人一区二区免费高清观看| 精品国产超薄肉色丝袜足j| tocl精华| 亚洲精品在线观看二区| 老司机福利观看| 男女做爰动态图高潮gif福利片| 天堂影院成人在线观看| 变态另类丝袜制服| 午夜日韩欧美国产| 精品免费久久久久久久清纯| av天堂中文字幕网| 一本一本综合久久| 97碰自拍视频| 精品午夜福利视频在线观看一区| 国产欧美日韩一区二区三| 99热这里只有是精品50| 色综合站精品国产| 内射极品少妇av片p| 国产黄色小视频在线观看| 一级毛片高清免费大全| 美女高潮喷水抽搐中文字幕| 51国产日韩欧美| 麻豆国产97在线/欧美| 悠悠久久av| 岛国在线免费视频观看| 麻豆一二三区av精品| 香蕉av资源在线| 午夜福利成人在线免费观看| 精品人妻1区二区| 亚洲国产色片| 精品国产超薄肉色丝袜足j| 男插女下体视频免费在线播放| 日韩中文字幕欧美一区二区| 亚洲成人精品中文字幕电影| 国产精品美女特级片免费视频播放器| 亚洲中文字幕日韩| 最近最新免费中文字幕在线| 欧美精品啪啪一区二区三区| 天天添夜夜摸| 亚洲av中文字字幕乱码综合| 日本精品一区二区三区蜜桃| 日韩欧美在线二视频| 一a级毛片在线观看| 国产v大片淫在线免费观看| 久久99热这里只有精品18| 男女那种视频在线观看| 精品久久久久久久毛片微露脸| 在线观看舔阴道视频| 成人午夜高清在线视频| 亚洲精品在线美女| 国产日本99.免费观看| 一区二区三区国产精品乱码| 俄罗斯特黄特色一大片| 国产乱人伦免费视频| 久久九九热精品免费| 日韩精品青青久久久久久| 国产v大片淫在线免费观看| 丰满的人妻完整版| 真人做人爱边吃奶动态| 亚洲欧美一区二区三区黑人| 精品不卡国产一区二区三区| 国产麻豆成人av免费视频| 美女大奶头视频| 精品人妻一区二区三区麻豆 | av片东京热男人的天堂| 久久婷婷人人爽人人干人人爱| 午夜精品一区二区三区免费看| 久久久久久大精品| 老熟妇乱子伦视频在线观看| 欧美成狂野欧美在线观看| 亚洲精品在线观看二区| 蜜桃久久精品国产亚洲av| 亚洲熟妇中文字幕五十中出| 一本综合久久免费| www.www免费av| 国产乱人视频| 色av中文字幕| 老汉色av国产亚洲站长工具| 欧美绝顶高潮抽搐喷水| 国产精华一区二区三区| 人人妻,人人澡人人爽秒播| 欧美成人免费av一区二区三区| 精品乱码久久久久久99久播| 91在线观看av| 成人无遮挡网站| 日本免费一区二区三区高清不卡| 91麻豆av在线| 免费高清视频大片| 国产探花极品一区二区| 亚洲最大成人手机在线| 日韩欧美精品v在线| 国产高清videossex| 欧美一区二区国产精品久久精品| 国产毛片a区久久久久| 国产精华一区二区三区| 日本与韩国留学比较| 精品久久久久久久久久久久久| 有码 亚洲区| 在线十欧美十亚洲十日本专区| 免费观看的影片在线观看| 午夜福利在线在线| 黄色丝袜av网址大全| 久久精品综合一区二区三区| 亚洲色图av天堂| 成人av在线播放网站| 亚洲精品成人久久久久久| 亚洲av成人精品一区久久| 乱人视频在线观看| 免费av不卡在线播放| 黄色片一级片一级黄色片| 男女下面进入的视频免费午夜| 欧美一级a爱片免费观看看| 亚洲av一区综合| 亚洲国产高清在线一区二区三| 国产视频内射| 国产91精品成人一区二区三区| 看黄色毛片网站| 嫩草影院入口| 日韩精品青青久久久久久| 国产久久久一区二区三区| 久久久久久久午夜电影| 国产精品98久久久久久宅男小说| 国产精品美女特级片免费视频播放器| 国产精品香港三级国产av潘金莲| 日日夜夜操网爽| 欧美zozozo另类| 99久久久亚洲精品蜜臀av| 亚洲av不卡在线观看| 哪里可以看免费的av片| 国产精品一区二区三区四区免费观看 | 久久久久免费精品人妻一区二区| 俺也久久电影网| 国产野战对白在线观看| 久久久久久久亚洲中文字幕 | 色综合欧美亚洲国产小说| 老汉色av国产亚洲站长工具| 国产毛片a区久久久久| 欧美日韩福利视频一区二区| 搡女人真爽免费视频火全软件 | 亚洲精品美女久久久久99蜜臀| 国产精品亚洲美女久久久| 美女cb高潮喷水在线观看| 久久国产乱子伦精品免费另类| 亚洲人成网站高清观看| 国产伦人伦偷精品视频| 国产免费一级a男人的天堂| 人妻久久中文字幕网| 麻豆国产97在线/欧美| 精品福利观看| 很黄的视频免费| 国产97色在线日韩免费| 深夜精品福利| 国产精品乱码一区二三区的特点| 麻豆成人午夜福利视频| 亚洲片人在线观看| 在线国产一区二区在线| 一本久久中文字幕| 国产真实伦视频高清在线观看 | 亚洲国产精品久久男人天堂| 露出奶头的视频| 中文亚洲av片在线观看爽| 美女高潮的动态| 天堂动漫精品| 婷婷亚洲欧美| 亚洲人成伊人成综合网2020| 美女黄网站色视频| 伊人久久精品亚洲午夜| 熟女人妻精品中文字幕| 免费av毛片视频| av天堂中文字幕网| 老司机午夜十八禁免费视频| 美女高潮喷水抽搐中文字幕| 又黄又爽又免费观看的视频| 三级毛片av免费| 色吧在线观看| 亚洲最大成人中文| 亚洲人与动物交配视频| 国产私拍福利视频在线观看| 搞女人的毛片| 可以在线观看的亚洲视频| 99久久精品热视频| 91九色精品人成在线观看| 男人和女人高潮做爰伦理| av欧美777| 亚洲国产日韩欧美精品在线观看 | 久久欧美精品欧美久久欧美| 国产高清三级在线| 欧美激情在线99| 久久精品人妻少妇| 最近最新中文字幕大全电影3| 69人妻影院| 欧美+亚洲+日韩+国产| 久久人妻av系列| 女人十人毛片免费观看3o分钟| 国产三级中文精品| 国产在线精品亚洲第一网站| 久久久久久久精品吃奶| 午夜福利在线在线| 久久久精品大字幕| 国产精品 国内视频| 午夜福利18| 日日摸夜夜添夜夜添小说| 最后的刺客免费高清国语| 18禁黄网站禁片免费观看直播| 看黄色毛片网站| 欧美成狂野欧美在线观看| 国产高清激情床上av| 香蕉久久夜色| 欧美日韩一级在线毛片| 精品国产美女av久久久久小说| 免费看光身美女|