原创文章 | 融合图像与频域特征激光切割挂渣量化预测
原创文章 | 融合图像与频域特征激光切割挂渣量化预测
摘要: 为实现激光切割熔渣附着精准量化与工艺优化, 本研究探索一种基于图像与频域特征的卷积神经网络(CNN)预测方法。构建包含 2160 张 1 mm 厚 304 不锈钢切割端面图像数据集。基于该数据集, 采用高斯模糊、自适应阈值及形态学闭运算等图像处理算法, 精确提取了挂渣的面积、高度及周长, 将它们作为量化特征。为评估不同特征预测潜力, 采用 RGB 图像及其经二值化处理小波包分解(WPD)频域图像作为输入, 并系统对比了 VGG16、ResNet50 和 DenseNet121 三种 CNN 架构回归性能。结果表明, 在 RGB 图像输入路径下, VGG16 网络对挂渣面积和高度预测最为精准, 其平均绝对误差(MAE)分别达到 0.019 mm2 和 0.044 mm。而对于更能反映动态过程状态的轮廓周长特征, WPD 频域输入路径的预测效果显著提升, MAE 降至 0.094 mm, 归一化平均误差(nMAE)为 5.25%, 且其预测值与真实值间拟合斜率与决定系数 R2 分别为 0.83 与 0.86, 呈现强线性关系。本研究证实, VGG16 网络在熔渣特征预测中具备良好适用性, 且 WPD 频域特征能更有效地捕捉激光切割过程瞬态信息, 所提出方法可作为工艺智能评估与闭环优化的可靠量化工具。