基于熔池图像长程预测的增材余高预测方法技术

本发明专利技术公开了一种基于熔池图像长程预测的增材余高预测方法，其特征在于：针对当前熔池图像，基于深度学习的预测网络Prednet长程预测熔池图像，并将预测结果通过回归网络SERes，提前回归出准确的熔覆层余高增量调控信息。本发明专利技术方法可以提前140ms预测熔池形态的变化并回归余高精度优于0.3mm，为增材过程中的形态在线监测和控制提供必要的基础，通过添加结构相似性函数SSIM和感知损失函数Perceptual Loss作为损失函数来优化prednet生成的预测图像质量，使生成的预测图像更加清晰，预测的结果更接近真实图像。

【技术实现步骤摘要】
基于熔池图像长程预测的增材余高预测方法
本专利技术涉及一种基于熔池图像长程预测的增材余高预测方法，属于人工智能

技术介绍
熔池图像的突出特征是其表面的液态金属流动，它与熔池的细节和结构密切相关，熔池凝固时间短难以保障精准调控。由于温度累积的原因，后一帧的熔池图像将会受前一帧的熔池图像影响，使用视频预测框架来提前预测熔池形态的变化，常用的视频预测网络有ConvLSTM、PredRNN、PredNet、FutureGAN等。ConvLSTM不仅能够得到时序关系，还能够像卷积层一样提取空间特征，但这种结构的缺陷在于层与层之间是独立的，而忽略了顶层单元对底层单元的影响，导致预测图像的失真。
技术实现思路
为了解决上述技术问题，本专利技术公开了一种基于熔池图像长程预测的增材余高预测方法，针对当前熔池图像，基于深度学习的预测网络Prednet长程预测熔池图像，对预测的每一帧图像进行损失函数的计算，所述损失函数评估估计值与真实值之间的差值，并根据这些差值，网络在训练过程中不断调整网络的参数以找到最优模型参数，对所述损失函数添加了本文档来自技高网...

【技术保护点】
1.基于熔池图像长程预测的增材余高预测方法，其特征在于：针对当前熔池图像，基于深度学习的预测网络Prednet长程预测熔池图像，对预测的每一帧图像进行损失函数的计算，所述损失函数评估估计值与真实值之间的差值，并根据这些差值，网络在训练过程中不断调整网络的参数以找到最优模型参数，对所述损失函数添加了结构相似性函数SSIM和感知损失函数Perceptual Loss以优化预测网络Prednet生成的预测图像质量，并将预测结果通过回归网络SERes，提前回归出准确的熔覆层余高增量调控信息。/n

【技术特征摘要】
1.基于熔池图像长程预测的增材余高预测方法，其特征在于：针对当前熔池图像，基于深度学习的预测网络Prednet长程预测熔池图像，对预测的每一帧图像进行损失函数的计算，所述损失函数评估估计值与真实值之间的差值，并根据这些差值，网络在训练过程中不断调整网络的参数以找到最优模型参数，对所述损失函数添加了结构相似性函数SSIM和感知损失函数PerceptualLoss以优化预测网络Prednet生成的预测图像质量，并将预测结果通过回归网络SERes，提前回归出准确的熔覆层余高增量调控信息。


2.根据权利要求1所述的基于熔池图像长程预测的增材余高预测方法，其特征在于：所述预测网络Prednet包括堆叠的四层ConvLSTM单元，每层所述ConvLSTM单元只做局部预测，并将图像预测误差在网络中进行传递。


3.根据权利要求2所述的基于熔池图像长程预测的增材余高预测方法，其特征在于：所述四层ConvLSTM单元包括输入模块Al、循环表征模块Rl、预测模块和误差模块El，通过各层方向传播方式计算误差El和ConvLSTM单元的状态Rl，在时间维度上按照时间顺序更新参数，t时刻网络更新好后，进行t+1时刻...

【专利技术属性】
技术研发人员：赵壮，韩静，张毅，陆骏，
申请(专利权)人：南京知谱光电科技有限公司，
类型：发明
国别省市：江苏;32