Нейросетевые алгоритмы и технологии машинного зрения для систем управления сварочными процессами тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук До Минь Чиеу

• До Минь Чиеу
• кандидат наук
• 2023

Оглавление диссертации кандидат наук До Минь Чиеу

СПИСОК СОКРАЩЕНИЙ

ВВЕДЕНИЕ

ГЛАВА 1. ОБЗОР ТЕХНОЛОГИЙ ИНТЕЛЛЕКТУАЛЬНОЙ СВАРКИ

1.1. Современные тенденции развития технологий интеллектуальной сварки

1.2. Базовая структура интеллектуального сварочного робота для дуговой сварки

1.3. Обзор применения типов датчиков в задачах извлечения разделки стыка и отслеживания сварного шва для интеллектуального сварочного робота

1.4. Обзор алгоритмов управления с использованием искусственного интеллекта и компьютерного зрения в интеллектуальных сварочных роботах

Выводы по главе

ГЛАВА 2. ИССЛЕДОВАНИЕ И ПРИМЕНЕНИЕ ДАТЧИКОВ ЛАЗЕРНОГО ЗРЕНИЯ В ЗАДАЧЕ ГЕОМЕТРИЧЕСКОЙ АДАПТАЦИИ СИСТЕМЫ УПРАВЛЕНИЯ СВАРОЧНЫМ ОБОРУДОВАНИЕМ

2.1. Принцип работы датчика лазерного зрения в процессе сварки

2.2. Алгоритмы обработки данных о конфигурации геометрии сварного шва, полученных от датчика лазерного зрения

2.3. Алгоритм выделения характерных точек стыка

2.4. Моделирование геометрии стыка с У-образной разделкой

2.5. Создание адаптивного алгоритма управления параметрами сварочного процесса на основе данных конфигурации лазера и нейронной сети

2.6. Идентификация модели процесса сварки с помощью сети РБФ

2.7. Построение адаптивного регулятора с эталонной моделью на основе сети РБФ .. 82 Выводы по главе

Стр.

ГЛАВА 3. РАЗРАБОТКА АЛГОРИТМА УПРАВЛЕНИЯ ОТСЛЕЖИВАНИЯ СВАРНОГО ШВА НА ОСНОВЕ ФИЛЬТРА КАЛМАНА И НЕЙРОННОЙ СЕТИ

3.1. Применение фильтра Калмана для решения задачи отслеживания сварного шва

3.2. Математическая модель задачи отслеживания сварного шва с использованием датчиков лазерного зрения и алгоритмов обработки изображений

3.3. Алгоритм оценки траектории центра сварного шва с использованием адаптивного фильтра Калмана

3.4. Структура нейронной сети для компенсации ошибки в оценке положения

с использованием адаптивного фильтра Калмана

Выводы по главе

ГЛАВА 4. ИССЛЕДОВАНИЕ СТРУКТУРЫ СВЕРТОЧНОЙ НЕЙРОННОЙ СЕТИ ДЛЯ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ СВАРНЫХ ШВОВ, И КЛАССИФИКАЦИИ ДЕФЕКТОВ СВАРНЫХ ШВОВ

4.1. Обзор сетей глубокого обучения для семантической сегментации изображений

4.2. Сетевые модели глубокого обучения, используемых для классификации дефектов сварных швов

4.3. Применение свёрточной нейронной сети для сегментации изображений сварных швов

4.4. Построение структуры свёрточной нейронной сети для классификации дефектов сварных швов

4.5. Анализ экспериментальных результатов классификации дефектов сварных швов

Выводы по главе

ОБЩИЕ ВЫ1ВОДЫ И ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

СПИСОК СОКРАЩЕНИЙ

ИСР интеллектуальный сварочный робот

АЦП аналого-цифровой преобразователь

HDMI (англ. high definition multimedia interface, интерфейс для мультимедиа высокой чёткости)

GTAW (англ. gas tungsten arc welding, автоматическая сварка в защитных

газах неплавящимся вольфрамовым электродом)

GMAW (англ. gas metal arc welding)

БПФ быстрое преобразование фурье

PSD proportional-sum-derivative

РТК робототехнический комплекс

MIG metal inert gas

MAG metal active gas

TIG tungsten inert gas

ПЛК программируемый логический контроллер

ROI (англ. region of interest, область интереса)

НСОР нейронная сеть с алгоритмом обратного распространения ошибки

РБФ (англ. radial basis function, радиально-базисная функция)

ANFIS (англ. adaptive network based fuzzy inference system, адаптивная нейро-

нечеткая система вывода)

ПЗС (англ. charge-coupled device, прибор с зарядовой связью)

НСМП нейронной сети многослойного перцептрона

ОИ (англ. ground truth, объективная истина или достоверные данные)

АСПП (англ. atrous spatial pyramid pooling, объединение пространственных пирамид)

ReLU (англ. rectified linear unit, усечённое линейное преобразование)

ПС полносверточная сеть

ПКС полносверточная классификационная сеть

Р-СНС региональные свёрточные нейронные сети

СПСП (англ. pyramid scene parsing network, сеть парсинга сцены пирамиды)

ПСС (англ. fully connected layer, полностью связанный слой)

ОСЕ (англ. residual convolutional unit, остаточная сверточная единица)

РНС рекуррентные нейронные сети

ГСС (англ. generative adversarial network, генеративно-состязательная сеть)

МАК (англ. active contour model, модель активного контура)

ИНС искусственные нейронные сети

ГНС глубинная нейронная сеть

ГСНС глубокая свёрточная нейронная сеть

УСП (англ. conditional random fields, условные случайные поля)

МСП марковские случайные поля

ПУСП полносвязные условные случайные поля

КЗС Красный, Зелёный, Синий

МРТ (англ. magnetic resonance imaging, магнитно-резонансная томография)

ДКП (англ. long short-term memory, долгая краткосрочная память)

МОВ (англ. reverse attention mechanisms, механизм обратного внимания)

НК (англ. non-destructive testing, неразрушающий контроль)

ДТ (англ. destructive testing, деструктивное тестирование)

МОВ (англ. support vector machine, метод опорных векторов)

МГК (англ. principal component analysis, метод главных компонент)

Введение диссертации (часть автореферата) на тему «Нейросетевые алгоритмы и технологии машинного зрения для систем управления сварочными процессами»

ВВЕДЕНИЕ

Актуальность работы. В последнее время с развитием робототехники, связанной с промышленной автоматизацией, интеллектуальные сварочные роботы (ИСР) широко используются в различных областях для повышения качества соединений деталей в механических системах. Роботы для дуговой сварки с защитным газом чаще всего используются в судостроении, автомобилестроении, промышленных машинах и особенно в горнодобывающей и нефтеперерабатывающей промышленности с трубопроводами. Однако качество управления все еще ограничено, что сильно влияет на структуру, форму и качество сварного шва.

Перспективным направлением является улучшение качества управления интеллектуальной сварочной роботизированной системой с простой структурой и высокой степенью автоматизации, адаптирующейся к опасным средам, в которой используется недорогая система визуальных датчиков. В настоящее время для повышения качества управления интеллектуальной роботизированной системой дуговой сварки с защитным газом в опасных средах необходимо решить следующие актуальные научно-технические задачи:

- исследование, выбор и установка на манипулятор сварочного робота соответствующей системы визуальных датчиков для получения сигнала изображения поверхности шва. На этой основе построены модели сегментации изображений поверхности сварного шва и алгоритмы для определения характеристик сварного шва;

- исследование для построения алгоритма управления, который адаптируется к изменению конфигурации геометрии сварного шва;

- исследование по повышению качества контроля отслеживания сварного

шва;

- исследование классификационных моделей типовых дефектов поверхности сварных швов.

При решении задачи обработки измерений в системах управления роботами используется фильтр Калмана. Однако выбор модели и априорных статистических характеристик фильтра Калмана осуществляется эмпирически и представляет собой сложную проблему.

В последние десятилетия сочетание моделей искусственного интеллекта и алгоритмов обработки изображений компьютерного зрения стало популярным в интеллектуальных системах управления сварочными роботами. Такие системы управления обладают способностью адаптации к возмущениям, изменениям внешней среды и условиям работы. Искусственные нейронные сети, благодаря своим способностям к самоорганизации и обучению, рассматриваются как перспективные средства для разработки интеллектуальных систем управления сварочными роботами и представлены в работах следующих авторов: Chen S.B., Liu Y., Гладков Э.А. и др.

Большой вклад в исследования и создание алгортмов обработки информации сварочных роботов, представленных в диссертационной работе внес к.т.н., доцент Гаврилов А.И.

Использование моделей глубокого обучения с возможностью вычисления и обработки большого количества информации является перспективным направлением исследований в области интеллектуального управления сварочными роботами. Модели глубокого обучения широко используются в приложениях для распознавания объектов изображений, сегментации изображений и классификации изображений. Однако качество входных параметров извлекается из алгоритмов компьютерного зрения; выбор структуры, параметров слоёв, алгоритмы обновления весовых коэффициентов для построения модели искусственного интеллекта в системе управления сварочным роботом являются очень важными факторами, влияющими на общее качество системы.

Таким образом, разработка алгоритмов обработки информации на основе технологий машинного зрения в системах управления сварочными процессами является актуальным направлением исследований.

Целью работы является разработка и исследование алгоритмов обработки информации с использованием нейросетевых моделей и машинного зрения для систем автоматического управления сварочным оборудованием.

Задачи исследования. Для достижения поставленной цели в диссертации решаются следующие задачи:

1. Построение алгоритма для определения геометрии многослойного шва с У-образной разделкой с помощью датчиков лазерного зрения и его применение в задаче адаптивного управления на основе нейронной сети, для процесса дуговой сварки;

2. Исследование по повышению качества управления слежением за сварными швами с использованием адаптивного фильтра Калмана и искусственных нейронных сетей;

3. Исследование и построение структуры модели глубокого обучения для распознавания и сегментации сварных швов на основе набора данных изображений поверхности сварного шва;

4. Исследование структуры свёрточной нейронной сети (СНС) и её применение в задаче классификации дефектов поверхности сварных швов.

Объект исследования. Основным объектом исследования диссертации является система управления процессом дуговой сварки защитным газом с У-образной разделкой на трубопроводе, в которой используется лазерный датчик зрения РФ627 для извлечения конфигурации сварного шва.

Предметом исследования являются методы экспериментального планирования, статистическая обработка данных конфигурации геометрии сварного шва, используемых при анализе и разработке алгоритмов управления, адаптированных к моделям нейронных сетей, алгоритмы повышения качества контроля отслеживания сварных швов на основе комбинации фильтра Калмана и нейронной сети; набор данных изображения поверхности сварного шва используется в моделях сегментации для определения сварных швов и моделей классификации дефектов сварных швов на основе методов глубокого обучения.

Методы исследования. Использовны методы обработки изображений; теория искусственных нейронных сетей, автоматического управления; теория моделей глубокого

обучения; методы математического анализа, методы математического моделирования и программные пакеты MATLAB и Visual Studio C ++.

Научная новизна диссертационной работы заключается в следующем:

1. Разработан адаптивный алгоритм управления с эталонной моделью, осуществляющий подстройку к изменению геометрических параметров разделки стыка с ломаной разделкой кромок. Алгоритм отличается от аналогов процедурой адаптации посредством использования эталонной модели, описывающей цель управления, и возможностью точной идентификации нелинейных характеристик нейронной сетью. Адаптивный регулятор с эталонной моделью и нейросетевой моделью после обучения обладает высокой устойчивостью к воздействию технологических шумов при сварке;

2. Разработан адаптивный фильтр Калмана, использующий нейронную сеть типа многослойного персептрона (НСМП). В отличие от аналогов фильтр позволяет получить нерасходящиеся оценки в условиях цветного шума за счет построения модели с помощью НСМП. Алгоритм способен повысить точность оценивания в среднем на 6-8% по сравнению с прототипом;

3. Разработана модель сети глубокого обучения на основе модификации модели deeplabv3plus + Resnet50 для сегментации изображений поверхности сварного шва со способностью извлечения информации о высокоуровневых признаках. Модель после обучения имеет точность 99,2%, время сегментации для каждого изображения в среднем составляет 0,2 с;

4. Разработана модель свёрточной нейронной сети (СНС). Время классификации для каждого изображения в среднем составляет 0,49 секунды, точность 99,55%. Модель использована в задаче проверки качества сварного шва для классификации дефектов поверхности сварного шва.

Практическая значимость результатов исследования.

1. Метод выделения конфигурации разделки стыка и метод геометрической адаптации позволяют синтезировать непрерывные операции управления процессом сварки трубопровода с целью обеспечения требуемого качества сварного шва в условиях воздействия шума.

2. Многослойная модель нейронной сети и адаптивный фильтр Калмана улучшают способность управления отслеживанием сварного шва, повышая уровень автоматизации сварки труб.

3. Модели сегментации и классификации, разработанные с помощью СНС и глубокого обучения, можно напрямую применять для управления сварочным процессом и для контроля качества сварных швов.

Результаты диссертационной работы использованы в научно-учебном центре «Сварка и контроль» при МГТУ им. Н.Э. Баумана в алгоритмическом обеспечении макета сварочного робота, в Академии технологии, г. Ханой, СРВ, а также в учебном процессе кафедры систем автоматического управления МГТУ им. Н.Э. Баумана в лекционном курсе «Управление в технических системах».

Достоверность и обоснованность научного содержания и полученных результатов гарантируются правильным использованием методов, математических алгоритмов, прозрачностью данных, полученных в результате эксперимента по сварочному процессу, и данных обработки изображений.

Основные положения диссертационной работы, выносимые на защиту.

1. Алгоритм определения параметров геометрии стыкового соединения с У-образной разделкой для процесса сварки трубопровода и адаптивный регулятор с эталонной моделью на основе нейронной сети, для настройки параметров процесса сварки;

2. Алгоритм, объединяющий фильтр Калмана и искусственную нейронную сеть для повышения точности отслеживания сварных швов;

3. Модель сегментации изображения сварного шва на основе модифицированной модели глубокого обучения, основанной на модели deeplabv3plus + Resnet50;

4. Модель для классификации дефектов поверхности сварного шва на основе свёрточной нейронной сети.

Апробация работы. Основные результаты диссертационной работы докладывались и обсуждались на международной конференции молодых ученых России в области электротехники и электронной техники (Москва, 2021), а также

на научном семинаре кафедры систем автоматического управления МГТУ им. Н.Э. Баумана.

Личный вклад. Разработан алгоритм обработки измерений, сочетающий методы компьютерного зрения, обеспечивающий повышение точности набора данных геометрических параметров разделки стыка при дуговой сварке на трубопроводах. Разработан адаптивный алгоритм управления с эталонной моделью, осуществляющий подстройку к изменению геометрических параметров разделки стыка с ломаной разделкой кромок. Разработан адаптивный фильтр Калмана, снабженный нейронной сетью типа многослойного персептрона для повышения качества компенсации погрешности управления отслеживанием сварного шва при наличии цветного шума. Разработана модель глубокого обучения для сегментации изображений поверхности сварного шва. Разработана модель СНС для классификации дефектов поверхности сварного шва.

Публикации. По теме диссертации опубликовано 9 научных работ, из них 06 статьи в Перечне рецензируемых научных изданий - ВАК РФ и 02 статья в Перечне международных научных изданий в системе Web Science или Scopus, объемом 5,8 п.л./ 2,1 п.л.

Структура и объём работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы из 236 наименований. Текст диссертации изложен на 193 страницах, содержит 127 рисунков и 12 таблицы.

Во введении представлены актуальность направления исследования для формирования цели работы и исследовательских задач диссертации, объект исследования, предмет исследования, методы исследования, научная новизна, практическая значимость результатов исследования, достоверность и обоснованность, основные положения диссертационной работы, выносимые на защиту, апробация работы, публикации, структура и объем работы.

В первой главе представлен обзор истории, тенденций развития и технологии применения в интеллектуальных системах сварочных роботах. Исследование и аналитический обзор различных методов и алгоритмов, применяемых в типах датчиков для извлечения конфигурации сварного шва в

системах сварочных роботов. Обзорное исследование сочетания искусственного интеллекта и компьютерного зрения для синтеза алгоритмов управления операциями сварочного процесса, включая управление отслеживанием сварного шва и контроль качества сварки. Определены задачи классификации дефектов поверхности шва.

Во второй главе представлены принцип работы датчика лазерного зрения, методы предварительной обработки изображений для удаления некоторых форм шума из наборов данных поверхности сварных швов, полученных датчиком лазерного зрения. Алгоритм построения сварных швов и выделения характерных точек стыка для моделирования геометрии сварных швов с У-образной разделкой. Построение адаптивного алгоритма управления параметрами сварочного процесса на основе данных конфигурации сварного шва и искусственной нейронной сети.

В третьей главе представлен аналитический обзор применения фильтра Калмана для оценки положения движения объектов в двухмерном пространстве. Построение математической модели задачи управления отслежения за сварным швом с использованием датчиков лазерного зрения и алгоритмов обработки изображений. Фильтр Калмана используется для оценки траектории центра сварного шва, уменьшая ошибку отслеживания сварного шва. Модель искусственной нейронной сети используется для компенсации ошибки отслеживания сварного шва при оценке положения центра фильтром Калмана.

В четвертой главе приведено обзорное исследование структуры и характеристик моделей глубокого обучения, используемых в задаче сегментации изображений, применения моделей СНС и машинного обучения для классификации типов дефектов поверхноси сварных швов. Построение структуры глубокого обучения на основе улучшеной модели deeplabv3plus + Resnet50 для сегментации изображения поверхности сварного шва и оценки преимуществ модели по сравнению с некоторыми популярными моделями сегментации на основе метрических параметров. Построение сетевой структуры СНС для классификации типов дефектов поверхности сварных швов.

В заключении представлены основные результаты, достигнутые по диссертационной работе.

ГЛАВА 1. ОБЗОР ТЕХНОЛОГИЙ ИНТЕЛЛЕКТУАЛЬНОЙ СВАРКИ

1.1. Современные тенденции развития технологий интеллектуальной сварки

Сварка - это навык, используемый для изготовления, конструирования и ремонта металлических предметов. Самые ранние свидетельства использования сварки восходят к бронзовому веку. Англичанин Эдмунд Дэви открыл ацетилен в 1836 году, и вскоре ацетилен стал использоваться в сварочной промышленности. В 1890-х годах одним из самых популярных методов сварки была угольная дуга. Примерно в то же время американский Чарльз Л. Коффин получил патент США на дуговую сварку металлическим электродом. Н.Г. Славянов из России использовал тот же принцип для литья металлов в формы. Металлический электрод с покрытием был впервые представлен в 1900 году Штроменгером. Отец робототехники Джордж Девол создал первых промышленных роботов в 1954 году. Первый промышленный робот-сварщик, представленный в 1962 году и впервые использованный General Motors, был изобретен Деволом и Энгельбергером. В условиях развития науки и технологий сварочный процесс играет важную роль в современных производственных линиях, оборонной промышленности, авиакосмической отрасли, судостроении, транспорте, строительстве и т. д. После десятилетий эволюции многие сварочные операции с использованием ручных инструментов были заменены автоматизированными сварочными системами с использованием промышленных роботов [1, 10, 20]. Некоторые сварочные операции, которые могут выполняться роботами: дуговая сварка; контактная сварка; сварка металлов в инертном газе (MIG); сварка вольфрамовым электродом в среде инертного газа (TIG); точечная сварка; лазерная сварка; плазменная сварка. В настоящее время существует множество типов роботов, обычно используемых в различных сварочных технологиях (Рис. 1.1): KUKA (KR CYBERTECH Pack, KR QUANTEC prime, ready2_spot и т.д.); FANUC (ARC Mate 120iD/35, M-800iA/60, R-2000iC/165F и т.д.); Panasonic (TAWERS S-AWP, LAPRISS, LA-1800G3 и т.д.);

Yaskawa motoman (AR1440, AR3120, MC2000II и т.д.); CLOOS (QRC 320, QRC 350, QRH360 H и т.д.); OTC DAIHEN (FD-V6L, FD-B4LS, FD-V8L и т.д.).

Рис. 1.1. Популярные виды сварочных роботов

а) - серия KUKA; б) - серия FANUC; в) - серия Panasonic; г) - серия Yaskawa motoman; д) - серия CLOOS; е) - серия ОТС DAIHEN [37] Человек в этой традиционной сварочной системе выполняет все информационные задачи, включая считывание, анализ, принятие решений, операцию, управление, познание и обучение. Этот процесс является очень трудоемким и предъявляет высокие требования к человеку по контролю эффективности и качества процесса, в то время как возможности человека для выполнения сложных рабочих задач могут быть ограничены. В недавнем прошлом полуавтоматическая и полностью автоматизированная роботизированная сварка широко применялась в производстве для устранения человеческих недостатков. Развитие сварки прошло четыре стадии. На первой стадии сварка выполнялась вручную с ограниченной эффективностью и консистенцией. На второй стадии применялась автоматизация с робототехниками, но этот процесс было трудно моделировать и контролировать. На третьей стадии автоматизация сварки была упрощена с помощью роботов «обучение и воспроизведение», но она выполнялась в автономном режиме и имела ограниченную способность реагировать на

возмущения и колебания. На четвертой стадии интеллект применяется к сварочным системам для более активного мониторинга и контроля динамики и качества сварки. Исследователи применили различные интеллектуальные методы для повышения эффективности, стабильности, качества и условий работы сварщика при разработке сварочных систем [37, 38, 128, 129, 178].

В целом, интеллектуальная сварочная система является современной системой, которой имеет высокие целевые уровни производительности, качества, гибкости, функциональной и операционной точности, а также экономической эффективности. Интеллектуальная сварка объединяет цифровые технологии, компьютерные сети и искусственный интеллект (ИИ) для замены или улучшения сенсорных способностей человека (зрения, слуха, осязания). Она также сочетает в себе опытные знания (состояние ванны расплава, звук дуги, внешний вид сварного шва) и знания для оптимизации процесса сварки. Сегодняшнее производство интеллектуальных сварочных систем отличается от концепции интеллектуального производства 1980-х годов тем, что оно основано на «больших данных», собранных о производственных процессах и условиях эксплуатации. Эти данные получены от различных датчиков, размещенных на устройствах, которые можно использовать для различных приложений.

Алгоритмы мониторинга и управления образуют основу для интеллектуальной оценки сварочных процессов. Эти алгоритмы часто основываются на статистических процедурах и процедурах обработки сигналов для контроля качества сварки и управления процессом [3, 47, 60, 78, 79, 90, 169].

Аналоговые, цифровые датчики и датчики изображения интегрированы в сварочную систему для сбора информации о параметрах сварки (ток, напряжение, скорость перемещения, длину электрода и диаметр электрода и т.д.). Сенсорные технологии важны для моделирования и управления процессом сварки и может включать датчики для получения акустических, силовых, визуальных сигналов, сигналов напряжения и тока. В последние годы разработаны экспериментальные системы с объединением мультисенсоров [29, 42, 43, 70, 228, 229] для получения

более точной информации о процессе, тем самым описывая процесс более полно, точно, эффективно и надежно, чем можно получить с помощью одного датчик.

В лабораторных или промышленных применениях в сварочных процессах всегда присутствует фоновый шум, который влияет на показания датчиков. Шум увеличивает погрешность данных и может серьезно повлиять на результаты вторичной обработки. Следовательно, обработка сигнала должна использована для фильтрации шума в сигнале. Такие методы, как усиление, фильтрация и статистические методы, удаляют компоненты помех из данных сигнала, чтобы сигнал был как можно ближе к реальным параметрам сварки. Методы обработки сигналов классифицированы по типу данных и методам обработки [8, 19, 211].

Сигналы параметров силы, расстояния, энергии или других физических явлений, полученные в процессе сварки, обрабатываемы в цифровом виде статистическими методами и методами фильтрации. Методы статистической обработки включают вычисление среднеквадратичной ошибки (MSE), среднеквадратичной ошибки (ЯМЗЕ), отношения сигнал / шум и пикового

отношения сигнала к шуму (PSNR) для выделения характеристик сигнала [144, 187, 230].

Сигналы зрения сварки, полученные с помощью ПЗС-камер или рентгеновских камер, могут давать изображения положения и формы, а также содержать данные об интенсивности цвета или градации серого [78]. Статистические меры, такие как дисперсия, среднеквадратичная ошибка и т. д., традиционно использованы для обработки данных сигнала изображения с целью удаления шума [192]. Кроме того, для удаления шума из сигналов изображения сварочной системы применёны различные фильтры, включая вейвлет-преобразование [37], БПФ и алгоритм Баума - Велша [189], алгоритм сглаживания [134], фильтры Калмана [50] и фильтр Габора [166]. Для параметров, вычисляемых по данным изображения и цифрового сигнала, использованы гибридные методы (сочетание статистических методов и методов фильтрации). Эти гибридные методы могут включать улучшение изображения, регуляризацию, вычитание, упрощение и сегментацию [57, 176, 236].

Извлечение и выбор признаков при сварке очень важны для уменьшения размера образов признаков и выбора наилучшего подмножества признаков или их комбинации для анализа или прогнозирования. Каждый сварочный процесс имеет основные признаки, извлеченные различными методами [92, 105, 169, 184, 209, 228, 230], чтобы найти отличительные особенности. Например, сигналы напряжения, тока и звука при дуговой сварке могут указывать на прерывание дуги, в то время как визуальные сигналы могут характеризовать размер и форму сварочной ванны.

Модели роботов, процессов и систем для интеллектуальных сварочных систем обычно развиваются на основе теоретических и аналитических исследований, эмпирических моделей или численных моделей [39]. Эти модели классифицируются на описания геометрии сварного шва, характеристические параметры и динамические модели сварочного процесса [188]. Для интеллектуальных систем сварки требуются модели, которые могут прогнозировать состояния и условия сварки. Важными вопросами для сварочных моделей являются входное тепло и поведение материала, которые напрямую связаны с качеством сварки [188, 190]. Эмпирические модели, также называемые моделями черного ящика, математически описывают условия сварки на основе физических наблюдений и могут лучше описывать взаимосвязи в системе, но могут иметь большие ошибки при экстраполяции за пределы диапазона наблюдения. Аналитические модели, также называемые моделями белого ящика, анализируют физическую или химическую динамику сварочных систем с помощью теоретических уравнений, разработанных на основе законов термодинамики и движения.

Создание практических теоретических моделей может быть трудным в сложных системах с вариациями и неопределенностью. Поэтому инструменты искусственного интеллекта, разработанные в последние годы, нашли применение в сварочных процессах. Интеллектуальные модели, основанные на знаниях, объединяют аналитические модели с экспертными системами, искусственными нейронными сетями, нечеткими моделями и машинным обучением. В последнее время интеллектуальные модели, управляемые большими данными, предоставляют альтернативные методы для поддержания и улучшения точности и стабильности моделей [23].

Состояние сварки обычно контролируется по дефектам зазоров, идентификации дефектов поверхности, тепловым и технологическим условиям, отслеживанию сварного шва и т. д. Обнаружение и классификация дефектов сварных швов гарантирует высокое качество сварных швов. Типы дефектов сварного шва включают непровар, неплавление, подрезы, шлаковые включения, флюсовые включения, прожог, трещины, коробление, разбрызгивание и т.д. [8, 14, 44, 49, 87, 191, 227].

Для сварки предложены различные схемы управления, включая управление положением, усилием, крутящим моментом, температурой, мощностью, напряжением и током. Например, при дуговой сварке управляющие параметры обычно включают ток, напряжение и скорость подачи [156]. При лазерной и контактной точечной сварке мощность и ток лазера являются наиболее распространенными управляющими параметрами [150]. При сварке трением с перемешиванием общие параметры управления включают силу, крутящий момент и температуру [142]. При сварке используются как разомкнутый, так и замкнутый контур управления. Однако методы управления с разомкнутым контуром, как правило, неэффективны из-за неопределенных, нелинейных, изменяющихся во времени параметров, наблюдаемых в сварочной системе. ПИД-регулятор на сегодняшний день является наиболее распространенным алгоритмом управления при сварке. В процессе сварки также используются другие алгоритмы управления, включая PSD- регулятор, адаптивное управление, управление с нечеткой логикой, управление нейронной сетью, управление в скользящем режиме, управление обучением и интеллектуальное управление [17]. Адаптивное управление [5, 9], как метод управления в реальном времени, обычно используется для онлайновой оптимизации параметров на основе оценки степени адаптации геометрии шва и параметров сварочного процесса. К системам управления сваркой были применены различные подходы искусственного интеллекта, включая нейронные сети, байесовскую вероятность, нечеткую логику, машинное обучение, экспертную систему и генетические алгоритмы [38]. Методы управления машинным обучением привлекают внимание своей надежностью и точностью [12, 77].

Список литературы диссертационного исследования кандидат наук До Минь Чиеу, 2023 год

СПИСОК ЛИТЕРАТУРЫ

1. Булгаков А.Г., Воробьев В.А. Промышленные роботы. Кинематика, динамика, контроль и управление. М.: Изд. Солон-пресс, 2011. 482 с.

2. Визильтер Ю.В., Желтов С.Ю., Князев В.А., Ходарев А.Н., Моржин А.В. Обработка и анализ цифровых изображений с примерами на LabVIEW и IMAQ Vision. М.: Изд. ДМК Пресс, 2016. 464 с.

3. Волченко В.Н., Гурвич А.К., Майоров А.Н., Кашуба Л.А., Макаров Э.Л., Хусанов М.Х. Контроль качества сварки. М.: Машиностроение, 1975. 328 с.

4. Гаврилов А.И., До М.Ч., Тун Н.Л. Современные методы отслеживания сварных швов на основе лазерного зрения для роботизированной сварки // Автоматизация. Современные Технологии. 2021. № 10. C. 442 - 449.

5. Гаврилов А.И., Мин М.Т., Ситу А.С., Тхет А. Адаптивная система управления сварочным оборудованием // Инженерный Вестник Дона. 2014. № 2. С. 72 -78.

6. Гладков Э. А., Толокнов Ю. О., Демидов П. С. Профилометрия разделки стыка для решения задач геометрической и технологической адаптации сварочного оборудования при автоматических способах дуговой сварки труб // Наука и Образование. Научное издание МГТУ им. Н.Э. Баумана. 2013. № 9. С. 13 - 28.

7. Гладков Э.А., Бродягин В. Н., Перковский Р.А. Автоматизация сварочных процессов. М.: Изд. МГТУ им. Н.Э. Баумана, 2014. 421 с.

8. Гордеев Д.В. Применение машинного зрения для поиска и обнаружения поверхностных дефектов сварных соединений // Juvenis scientia. 2018. № 3. С. 4-5.

9. Жиров М.В., Макаров В.В., Солдатов В.В. Идентификация и адаптивное управление технологическими процессами с нестационарными параметрами. М.: Изд. МГТУ им. Н.Э. Баумана, 2011. 208 с.

10. Климов А.С., Машнин Н.Е. Роботизированные технологические комплексы и автоматические линии в сварке. М.: Изд. Лань, 2011. 240 с.

11. Назаренко С. Ю. Радиографический метод контроля сварных швов трубопроводов // сборник трудов Всероссийской научно-практической конференции молодых ученых, аспирантов и студентов. Томск. 2018. С. 3740.

12. Никитин С.Р., Аврангшоев М.М. Автоматизированная система прогнозирования технологических параметров для электронно-лучевой сварки // Прикладная математика и информатика: современные исследования в области естественных и технических наук. 2018. С. 214-219.

13. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. Погружение в мир нейронных сетей. М.: Изд. Питер, 2020. 480 с.

14. Овчинников В.В. Дефектация сварных швов и контроль качества сварных соединений. М.: Изд. Академия, 2021. 224 с.

15. Пупков К.А., Егупов Н.Д., Гаврилов А.И. Методы робастного, нейро-нечеткого и адаптивного управления. М.: Изд. МГТУ им. Н.Э. Баумана, 2002. 743 с.

16. Рабинович Е.В., Рубан А.А., Цапенко М.П. Адаптивная кусочно- линейная аппроксимация // Российская академия наук. 1993. С. 32-56.

17. Сас А.В. Системы для управления процессами дуговой сварки с обеспечением инвариантности свойств соединений к неконтролируемым возмущениям: дис.. докт. техн. наук. Волгоград. 2008. 324 с.

18. Селянкин В. В. Компьютерное зрение. Анализ и обработка изображений. М.: Изд. Лань, 2021. 152 с.

19. Сергиенко А. Б. Цифровая обработка сигналов. М.: Изд. Питер, 2002. 603 с.

20. Тимченко В.А., Сухомлин А.А. Роботизация сварочного производства. М.: Изд. Киев «Тэкника», 1988. 176 с.

21. Ткаченко А.А., Кирияков В.Ф. Автоматизированный ультразвуковой контроль сварных труб. М.: Изд. дом «Спектр», 2014. 190 с.

22. Шолохов М. Траекторные задачи при автоматической и роботизированной сварке. М.: Изд. МГТУ им. Н.Э. Баумана, 2015. 168 с.

23. Al-Jarrah O.Y., Yoo P.D., Muhaidat S., Karagiannidis G.K., Taha K. Efficient machine learning for big data: a review // Big Data Res. 2015. Vol. 2. P. 87-93.

24. Badrinarayanan V., Kendall A., Cipolla R. Segnet: A deep convolutional encoderdecoder architecture for image segmentation // IEEE transactions on pattern analysis and machine intelligence. 2017. Vol. 39, no. 12. P. 2481-2495.

25. Bahdanau D., Cho K., Bengio Y. Neural machine translation by jointly learning to align and translate // arXiv preprint arXiv: 1409.0473. 2014.

26. Boaretto N., Centeno T.M. Automated detection of welding defects in pipelines from radiographic images DWDI // NDT&E International. 2017. Vol. 86. P. 7-13.

27. Byeon W., Breuel T.M., Raue F., Liwicki M. Scene labeling with lstm recurrent neural networks // IEEE Conference on Computer Vision and Pattern Recognition. 2015. P. 3547-3555.

28. Chaurasia A., Culurciello E. LinkNet: Exploiting encoder representations for efficient semantic segmentation // IEEE Visual Communications and Image Processing (VCIP). 2017. P. 1-4.

29. Chen B., Chen S. Multi-sensor information fusion in pulsed GTAW based on fuzzy measure and fuzzy integral // Assem Autom. 2010. Vol. 30. P. 276-285.

30. Chen H., Lin T., Chen S. Seam tracking and dynamic process control for high precision arc welding // Robotic Welding, Intelligence and Automation, Springer. 2011. P. 193-201.

31. Chen H., Lv F., Lin T. Closed-Loop Control of Robotic Arc Welding System with Full-penetration Monitoring // J Intell Robot Syst. 2009. Vol. 56, no. 565.

32. Chen L.-C., Papandreou G., Kokkinos I., Murphy K., Yuille A.L. Deeplab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected crfs // IEEE transactions on pattern analysis and machine intelligence. 2017. Vol. 40, no. 4. P. 834-848.

33. Chen L.-C., Papandreou G., Kokkinos I., Murphy K., Yuille A. L. Semantic image segmentation with deep convolutional nets and fully connected crfs // arXiv preprint arXiv:1412.7062. 2014.

34. Chen L.-C., Papandreou G., Schroff F., Adam H. Encoder-decoder with atrous separable convolution for semantic image segmentation // Proceedings of the European conference on computer vision (ECCV). 2018. Vol. 11211. P. 801-818.

3 5. Chen L.-C., Papandreou G., Schroff F., Adam H. Rethinking atrous convolution for semantic image segmentation // arXiv preprint arXiv:1706.05587. 2017.

36. Chen L.-C., Yang Y., Wang J., Xu W., Yuille A.L. Attention to scale: Scale-aware semantic image segmentation // Proceedings of the IEEE conference on computer vision and pattern recognition. 2016. P. 3640-3649.

37. Chen S.B, Lv N. Research evolution on intelligentized technologies for arc welding process // J Manuf Process. 2014. Vol. 16, no. 1. P. 109-122.

38. Chen S.B. On intelligentized welding manufacturing // Robotic welding, intelligence and automation. 2015. Vol. 363. P. 3-34.

39. Chen S-B., Wu J. Intelligentized methodology for arc welding dynamical processes // Springer, 2009.

40. Chen X., Williams B.M., Vallabhaneni S.R., Czanner G., Williams R., Zheng Y., Learning active contour models for medical image segmentation // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019. P. 1162411632.

41. Chen Y., Shi Y., Cui Y. Narrow gap deviation detection in Keyhole TIG welding using image processing method based on Mask-RCNN model // Int J Adv Manuf Technol. 2021. Vol. 112. P. 2015-2025.

42. Chen Y., Su S., Li Q., Yang H. Multi-sensor data fusion for online quality assurance in flash welding // Procedia Manuf. 2019. Vol. 34. P. 857-866.

43. Chen Y.B., Zhao Y.B., Lei Z.L., Li L. Effects of laser induced metal vapour on arc plasma during laser arc double sided welding of 5A06 aluminium alloy // Sci Technol Weld Join. 2012. Vol. 17. P. 69-76.

44. Chen Z., Chen J., Feng Z. Welding penetration prediction with passive vision system // J Manuf Process. 2018. Vol. 36. P. 224-230.

45. Cheng D., Liao R., Fidler S., Urtasun R. Darnet: Deep active ray network for building segmentation // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019. P. 7431-7439.

46. Choi M., Sakthivel R., Chung W.K. Neural network-aided extended Kalman filter for SLAM problem / Proc. IEEE Int. Conf. Robot. Autom. Roma. Italy. 2007. P. 1686-1690.

47. Chu Y., Hu S., Hou W., Wang P., Marin S. Signature analysis for quality monitoring in short-circuit GMAW // Weld J. 2004. Vol. 83. P. 336-343.

48. Cohen L.D. On active contour models and balloons // Image Understanding. 1991. Vol. 53. P. 211-218.

49. Das B., Pal S., Bag S. A combined wavelet packet and Hilbert-Huang transform for defect detection and modelling of weld strength in friction stir welding process // J Manuf Process. 2016. Vol. 22. P. 260-268.

50. Deyong Y., Xiangdong G., Katayama S. Multisensor fusion system for monitoring high-power disk laser welding using support vector machine // IEEE Trans Ind Inform. 2014. Vol. 10. P. 1285-1295.

51. Dhanachandra N., Manglem K., Chanu Y. J. Image segmentation using k-means clustering algorithm and subtractive clustering algorithm // Procedia Computer Science. 2015. Vol. 54. P. 764-771.

52. Ding D. Design of integrated neural network model for weld seam tracking and penetration monitoring // Cluster Comput. 2017. Vol. 20. P. 3345-3355.

53. Ding D. Visual Neural Network Model for Welding Deviation Prediction Based on Weld Pool Centroid // International Journal of Pattern Recognition and Artificial Intelligence. 2018. Vol. 32.

54. Ding H., Jiang X., Shuai B., Liu A.Q., Wang G. Context contrasted feature and gated multi-scale aggregation for scene segmentation // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018. P. 2393-2402.

55. Dinham M., Fang G. Autonomous weld seam identification and localisation using eye-in-hand stereo vision for robotic arc welding // Robot Comput. Integr. Manuf. 2013. Vol. 29. P. 288-301.

56. Du J., Sun M., Hua L., Ge J.S., Gu J.P. Weighted Multi-Sensor Data Fusion Based on Fuzzy Kalman Filter for Seam Tracking of the Welding Robots // Advanced Materials Research. 2012. Vol. 542. P. 800-805.

57. Du R., Xu Y., Hou Z., Shu J., Chen S. Strong noise image processing for vision-based seam tracking in robotic gas metal arc welding // Int J Adv Manuf Technol. 2018. Vol. 101. P. 2135-2149.

58. Dziczkowski L. Elimination of coil lift off from eddy current measurements of conductivity // IEEE Trans. Instrum. Meas. 2013. Vol. 62. P. 3301-3307.

59. Ehsani K., Mottaghi R., Farhadi A. Segan: Segmenting and generating the invisible // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018. P. 6144-6153.

60. Ersoy U., Hu S., Kannatey-Asibu E. Observation of arc start instability and spatter generation in GMAW // Weld J. 2008. Vol. 87. P. 51-56.

61. Fan J., Deng S., Jing F., Zhou C., Yang L., Long T., Tan M. An Initial Point Alignment and Seam-Tracking System for Narrow Weld // IEEE Transactions on Industrial Informatics. 2020. Vol. 16, no. 2. P. 877-886.

62. Fang Z., Xu D., Tan M. Visual seam tracking system for butt weld of thin plate // Int. J. Adv. Manufact. Technol. 2010. Vol. 49. P. 519-526.

63. Feng Y., Chen Z., Wang D., Chen J., Feng Z. DeepWelding: A Deep Learning Enhanced Approach to GTAW Using Multisource Sensing Images // IEEE Transactions on Industrial Informatics. 2020. Vol. 16, no. 1. P. 465-474.

64. Forsyth D., Ponce J. Computer vision: a modern approach // Prentice Hall Professional Technical Reference, 2002.

65. Fu J., Liu J., Tian H., Li Y., Bao Y., Fang Z., Lu H. Dual attention network for scene segmentation // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019. P. 3146-3154.

66. Gao J., Wu C., Liu X., Xia D. Vision-based weld seam tracking in gas metal arc welding // Front. Mater. Sci. China 1. 2007. Vol. 3. P. 268-273.

67. Gao X., Ding D., Bai T., Katayama S. Weld pool image centroid algorithm for seam tracking in arc welding process // IEEE International Workshop on Imaging Systems and Techniques. 2009. P. 385-390.

68. Gao X., Mo L., Xiao Z., Chen X., Katayama S. Seam tracking based on Kalman filtering of micro-gap weld using magneto-optical image // Int J Adv Manuf Technol. 2016. Vol. 83. P. 21-32.

69. Gao X., Na S.-J. Detection of weld position and seam tracking based on Kalman filtering of weld pool images // J. Manuf. Syst. 2005. Vol. 24. P. 1-12.

70. Gao X., Sun Y., You D., Xiao Z., Chen X. Multi-sensor information fusion for monitoring disk laser welding. Int J Adv Manuf Technol. 2016. Vol. 85. P. 11671175.

71. Gao X., You D., Katayama S. Seam Tracking Monitoring Based on Adaptive Kalman Filter Embedded Elman Neural Network During High-Power Fiber Laser Welding // IEEE Transactions on Industrial Electronics. 2012. Vol. 59, no. 11. P. 4315-4325.

72. Gao X., Zhong X., You D., Katayama S. Kalman Filtering Compensated by Radial Basis Function Neural Network for Seam Tracking of Laser Welding // IEEE Transactions on Control Systems Technology. 2013. Vol. 21, no. 5. P. 1916-1923.

73. Ge J., Zhu Z., He D., Chen L. A vision-based algorithm for seam detection in a paw process for large-diameter stainless steel pipes, Int. J. Adv. Manufact. Technol. 2005. Vol. 26, no. 9. P. 1006-1011.

74. Gibson J.D., Koo B., Gray S.D. Filtering of colored noise for speech enhancement and coding // IEEE Transactions on Signal Processing. 1991. Vol. 39, no. 8. P. 17321742.

75. Golodov V.A., Mittseva A.A. Weld Segmentation and Defect Detection in Radiographic Images of Pipe Welds // 2019 International Russian Automation Conference, Sochi. 2019. P. 1-6.

76. Gu W., Xiong Z., Wan W. Autonomous seam acquisition and tracking system for multi-pass welding based on vision sensor // Int. J. Adv. Manufact. Technol. 2013. Vol. 69. P. 451-460.

77. Günther J., Pilarski P.M., Helfrich G., Shen H., Diepold K. Intelligent laser welding through representation, prediction, and control learning: an architecture with deep neural networks and reinforcement learning // Mechatronics. 2016. Vol. 34. P. 111.

78. Guo W., Shao C., Kim T.H., Hu S.J., Jin J., Spicer J.P. Online process monitoring with near-zero misdetection for ultrasonic welding of lithium-ion batteries: an integration of univariate and multivariate methods // J Manuf Syst. 2016. Vol. 38. P. 141-150.

79. Guo W.G., Jin J.J., Hu S.J. Profile monitoring and fault diagnosis via sensor fusion for ultrasonic welding // J Manuf Sci Eng. 2019. Vol. 141.

80. Hatamizadeh A., Hoogi A., Sengupta D., Lu W., Wilcox B., Rubin D., Terzopoulos D. Deep active lesion segmentation // Proc. International Workshop on Machine Learning in Medical Imaging. 2019. Vol. 11861. P. 98-105.

81. Hatamizadeh A., Sengupta D., Terzopoulos D. End-to-End Trainable Deep Active Contour Models for Automated Image Segmentation: Delineating Buildings in Aerial Imagery // Computer Vision - ECCV. 2020. Vol. 12357. P. 730-746.

82. Haug K., Pritschow G. Robust laser-stripe sensor for automated weld-seamtracking in the shipbuilding industry // Proceedings of the 24th Annual Conference of the IEEE. 1998. Vol. 2. P. 1236-1241.

83. He J., Deng Z., Qiao Y. Dynamic multi-scale filters for semantic segmentation // Proceedings of the IEEE International Conference on Computer Vision. 2019. P. 3562-3572.

84. He J., Deng Z., Zhou L., Wang Y., Qiao Y. Adaptive pyramid context network for semantic segmentation // Conference on Computer Vision and Pattern Recognition. 2019. P. 7519-7528.

85. He K., Zhang X., Ren S., Sun J. Spatial pyramid pooling in deep convolutional networks for visual recognition // ECCV. 2014. Vol. 8691. P. 346-361.

86. He Y., Chen Y., Xu Y., Huang Y., Chen S. Autonomous detection of weld seam profiles via a model of saliency-based visual attention for robotic arc welding // J. Intell. Robot. Syst. 2016. Vol. 81. P. 395-406.

87. Hou W., Wei Y., Guo J., Jin Y., Zhu Ca. Automatic detection of welding defects using deep neural network // Journal of physics: conference series. IOP Publishing. 2018. Vol. 933.

88. Hou W., Wei Y., Jin Y., Zhu C. Deep features based on a DCNN model for classifying imbalanced weld flaw types // Measurement. 2019. Vol. 131. P. 482489.

89. Hu R., Rohrbach M., Darrell T. Segmentation from natural language expressions // European Conference on Computer Vision. Springer. 2016. Vol. 9905. P. 108-124.

90. Hu S., Hou W., Du H., Wang P.-C., Menassa R.J. Method for controlling the consistency of an arc welding process by monitoring welding voltage to determine weld droplet detachment // U.S. Patent 8,063,340, 2011.

91. Huang Q., Xia C., Wu C., Li S., Wang Y., Song Y., Kuo C.-C.J. Semantic segmentation with reverse attention // arXiv preprint arXiv:1707.06426. 2017.

92. Huggett D., Liao T., Wahab M., Okeil A. Prediction of friction stir weld quality without and with signal features // Int J Adv Manuf Technol. 2018. Vol. 95. P. 19892003.

93. Hung W.-C., Tsai Y.-H., Liou Y.-T., Lin Y.-Y., Yang M.-H. Adversarial learning for semi-supervised semantic segmentation // arXiv preprint arXiv:1802.07934. 2018.

94. Jeong S.-K., Lee G.-Y., Lee W.-K., Kim S.-B. Development of high speed rotating arc sensor and seam tracking controller for welding robots // Industrial Electronics. Proceedings. ISIE. 2001. Vol. 2. P. 845-850.

95. Jiang H., Zhao Y., Gao J., Zhao W. Weld defect classification based on texture features and principal component analysis // Insight Destruct. Test. Cond. Monit. 2016. Vol. 58. P. 194-200.

96. Jiluan P. Arc sensing system for automatic weld seam tracking-mathematic model // Sci. China Ser. E - Technol. Sci. 44. 2001. P. 251-257.

97. Jordan M.I., Mitchell T.M. Machine learning: trends, perspectives, and prospects // Science. 2015. Vol. 349, Iss. 6245. P. 255-260.

98. Kalman R.E. A New Approach to Linear Filtering and Prediction Problems // ASME. J. Basic Eng. 1960. Vol. 82. P. 35-45.

99. Kendall A., Badrinarayanan V., Cipolla R. Bayesian segnet: Model uncertainty in deep convolutional encoder-decoder architectures for scene understanding // arXiv preprint arXiv:1511.02680. 2015.

100. Khumaidi A., Yuniarno E.M., Purnomo M.H. Welding Defect Classification Based on Convolution Neural Network (CNN) and Gaussian Kernel // 2017 International Seminar on Intelligent Technology and Its Applications. 2017. P. 261-265.

101. Kim C.-H., Choi T.-Y., Suh J., Park K.-T., Lee J.-J., Kang H.-S., Lee M.-Y., Kim S.-R. Sensor guided laser welding robot system // IFAC Proc. 2008. Vol. 41. P. 4324-4329.

102. Kim P., Rhee S., Lee C.H. Automatic teaching of welding robot for free-formed seam using laser vision sensor // Opt. Lasers Eng. 1999. Vol. 31. P. 173-182.

103. Kirillov A., He K., Girshick R., Rother C., Dollar P. Panoptic segmentation // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019. P. 9404-9413.

104. Knaak C., Kolter G., Schulze F., Kröger M., Abels P. Deep learning-based semantic segmentation for in-process monitoring in laser welding applications // SPIE Proceedings. 2019. Vol. 11139.

105. Knaak C., Thombansen U., Abels P., Kröger M. Machine learning as a comparative tool to determine the relevance of signal features in laser welding // Procedia CIRP. 2018. Vol. 74. P. 623-627.

106. Kong M., Chen S. Al alloy weld pool control of welding robot with passive vision // Sensor Review. 2009. Vol. 29, no. 1. P. 28-37.

107. Krahenbuhl P., Koltun V. Efficient inference in fully connected crfs with gaussian edge potentials // Advances in Neural Information Processing Systems. 2011. Vol. 24. P. 109-117.

108. Krizhevsky A., Sutskever I., Hinton G.E. ImageNet classification with deep convolutional neural networks // Adv. Neural Inform. Proc. Syst. 2012. Vol. 25. P. 1097-1105.

109. Kumar G.S., Natarajan U., Ananthan S.S. Vision inspection system for the identification and classification of defects in MIG welding joints // International Journal of Advanced Manufacturing Technology. 2011. Vol. 61. P. 923-933.

110. Le T.H.N., Quach K.G., Luu K., Duong C.N., Savvides M. Reformulating level sets as deep recurrent neural network approach to semantic segmentation // IEEE Transactions on Image Processing. 2018. Vol. 27, no. 5. P. 2393-2407.

111. Lee J.-P., Wu Q.-Q., Park M.-H., Park C.-K., Kim I.-S. A study on optimal algorithms to find joint tracking in GMA welding // Int. J. Eng. Sci. Innov. Technol. 2014. Vol. 3. P. 370-380.

112. Li D., Chen H., Sheng Y., Yang L. Dual-station intelligent welding robot system based on CCD // Measurement Science and Technology. 2019. Vol. 30, no. 4.

113. Li H., Xiong P., An J., Wang L. Pyramid attention network for semantic segmentation // arXiv preprint arXiv:1805.10180. 2018.

114. Li W., Dong M., Lu N., Lou X., Sun P. Simultaneous Robot-World and Hand-Eye Calibration without a Calibration Object // Sensors. 2018. Vol. 18, no. 11.

115. Li X., Li X., Ge S.S., Khyam M.O., Luo C. Automatic Welding Seam Tracking and Identification // IEEE Transactions on Industrial Electronics. 2017. Vol. 64, no. 9. P. 7261-7271.

116. Li X., Zhong Z., Wu J., Yang Y., Lin Z., Liu H. Expectation maximization attention networks for semantic segmentation // Proceedings of the IEEE International Conference on Computer Vision. 2019. P. 9167-9176.

117. Li Y., Xu D., Yan Z., Tan M. Girth seam tracking system based on vision for pipe welding robot // Robotic Welding, Intelligence and Automation, Springer. 2007. P. 391-399.

118. Li Z., Gao X. Visual Technique for Detecting Weld Position Based on Neural Network Technology // Applied Mechanics and Materials. 2014. Vol. 530. P. 209212.

119. Liang X., Shen X., Feng J., Lin L., Yan S. Semantic object parsing with graph lstm // European Conference on Computer Vision. Springer. 2016. Vol. 9905. pp. 125143.

120. Liang X., Zhou H., Xing E. Dynamic-structured semantic propagation network // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018. P. 752-761.

121. Lin D., Ji Y., Lischinski D., Cohen-Or D., Huang H. Multiscale context intertwining for semantic segmentation // Proceedings of the European Conference on Computer Vision (ECCV). 2018. P. 603-619.

122. Lin G., Milan A., Shen C., Reid I. Refinenet: Multi-path refinement networks for high-resolution semantic segmentation // Proceedings of the IEEE conference on computer vision and pattern recognition. 2017. P. 1925-1934.

123. Lin G., Shen C., Hengel A.V.D., Reid I. Efficient piecewise training of deep structured models for semantic segmentation // Proceedings of the IEEE conference on computer vision and pattern recognition. 2016. P. 3194-3203.

124. Lin T., Chen H., Li W., Chen S.B. Intelligent methodology for sensing, modeling, and control of weld penetration in robotic welding system // Industrial Robot: An International Journal. 2009. Vol. 36. P. 585-593.

125. Liu B., Zhang X., Gao Z., Chen L. Weld Defect Images Classification with VGG16-Based Neural Network // Digital TV and Wireless Multimedia Communication. 2018. Vol. 815. P. 215-223.

126. Liu W., Rabinovich A., Berg A. C. Parsenet: Looking wider to see better // arXiv preprint arXiv:1506.04579. 2015.

127. Liu Y., Zhang W., Zhang Y. Dynamic Neuro-Fuzzy-Based Human Intelligence Modeling and Control in GTAW // in IEEE Transactions on Automation Science and Engineering. 2015. Vol. 12, no. 1. P. 324-335.

128. Liu Y. Toward intelligent welding robots: virtualized welding based learning of human welder behaviors // Weld World. 2016. Vol. 60. P. 719-729.

129. Liu Y. Toward welding robot with human knowledge: a remotely-controlled approach // IEEE Trans Autom Sci Eng. 2014. Vol. 12. P. 769-774.

130. Liu Y.K., Zhang Y.M. Model-Based Predictive Control of Weld Penetration in Gas Tungsten Arc Welding // in IEEE Transactions on Control Systems Technology. 2014. Vol. 22, no. 3, P. 955-966.

131. Liu Z., Ukida H., Ramuhalli P., Niel K. Integrated Imaging and Vision Techniques for Industrial Inspection // Springer, London, 2015. 541 p.

132. Long J., Shelhamer E., Darrell T. Fully convolutional networks for semantic segmentation // Proceedings of the IEEE conference on computer vision and pattern recognition. 2015. P. 3431-3440.

133. Lu F., Chen H., Fan C., Chen S. A novel control algorithm for weld pool control // Industrial Robot: An International Journal. 2010. Vol. 37. P. 89-96.

134. Lu X., Gu D., Wang Y., Qu Y., Qin C., Huang F. Feature extraction of welding seam image based on laser vision // IEEE Sens J. 2018. Vol. 18. P. 4715-4724.

135. Luc P., Couprie C., Chintala S., Verbeek J. Semantic segmentation using adversarial networks // arXiv preprint arXiv: 1611.08408. 2016.

136. Luo H., Chen X. Laser visual sensing and process control in robotic arc welding of titanium alloys // Robotic Welding, Intelligence and Automation, Springer. 2004. P. 110-122.

137. M. Kass, A. Witkin, and D. Terzopoulos. Snakes: Active contour models // International journal of computer vision. 1988. Vol. 1, no. 4. P. 321-331.

138. Ma H., Wei S., Lin T., Chen S., Li L. Binocular vision system for both weld pool and root gap in robot welding process // Sensor Review. 2010. Vol. 30. P. 116-123.

139. Ma H., Wei S., Sheng Z., Lin T., Chen S. Robot welding seam tracking method based on passive vision for thin plate closed-gap butt welding // Int. J. Adv. Manufact. Technol. 2010. Vol. 48. P. 945-953.

140. Majurski M., Manescu P., Padi S., Schaub N., Hotaling N., Simon C., Bajcsy P. Cell image segmentation using generative adversarial networks, transfer learning, and augmentations // in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops. 2019. P. 1114-1122.

141. Marco L., Caifeng S., Peter H.N. Hand-Eye Camera Calibration with an Optical Tracking System // In Proceedings of the ICDSC. 2018. no. 18. P. 1-6.

142. Mendes N., Neto P., Loureiro A., Moreira A.P. Machines and control systems for friction stir welding: a review // Mater Des. 2016. Vol. 90. P. 256-265.

143. Milletari F., Navab N., Ahmadi S. V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation // Fourth International Conference on 3D Vision (3DV). 2016. P. 565-571.

144. Mohanasundari L., Chitra N. Feature extraction through chaotic metrics for weld flaw classification. Int J Innov Technol Expl Eng. 2019. Vol. 8. P. 2278-3075.

145. Moon H.-S., Ko S.-H., Kim J.-C. Automatic seam tracking in pipeline welding with narrow groove // Int. J. Adv. Manuf. Technol. 2009. Vol. 41. P. 234-241.

146. Nele L., Sarno E., Keshari A. An image acquisition system for real-time seam tracking // Int. J. Adv. Manufact. Technol. 2013. Vol. 69. P. 2099-2110.

147. Nilsen M., Sikstrom F., Christiansson A.-K., Ancona A. Robust vision-based joint tracking for laser welding of curved closed-square-butt joints // Int. J. Adv. Manuf. Technol. 2019. Vol. 101. P. 1967-1978.

148. Nock R., Nielsen F. Statistical region merging // IEEE Transactions on pattern analysis and machine intelligence. 2004. Vol. 26, no. 11. P. 1452-1458.

149. Noh H., Hong S., Han B. Learning deconvolution network for semantic segmentation // Proceedings of the IEEE international conference on computer vision. 2015. P. 1520-1528.

150. Nong L., Shao C., Kim T.H., Hu S.J. Improving process robustness in ultrasonic metal welding of lithium-ion batteries // J Manuf Syst. 2018. Vol. 48. P. 45-54.

151. Otsu N. A threshold selection method from gray-level histograms // IEEE transactions on systems, man, and cybernetics. 1979. Vol. 9, no. 1. P. 62-66.

152. Papandreou G., Maragos P. Multigrid Geometric Active Contour Models // IEEE Transactions on Image Processing. 2007. Vol. 16, no. 1. P. 229-240.

153. Paszke A., Chaurasia A., Kim S., Culurciello E. Enet: A deep neural network architecture for real-time semantic segmentation // arXiv preprint arXiv:1606.02147. 2016.

154. Patil V., Patil I., Kalaichelvi V., Karthikeyan R. Extraction of Weld Seam in 3D Point Clouds for Real Time Welding Using 5 DOF Robotic Arm // 2019 5th International Conference on Control, Automation and Robotics (ICCAR). 2019. P. 727-733.

155. Pears N., Liu Y., Bunting P. 3D Imaging, Analysis and Applications // Springer, London, 2012. 500 p.

156. Peters S.R., Fulmer B.E. Non-linear adaptive control system and method for welding // U.S. Patent 8,963,045, 2015.

157. Plath N., Toussaint M., Nakajima S. Multi-class image segmentation using conditional random fields and global classification // Proceedings of the 26th Annual International Conference on Machine Learning. 2009. P. 817-824.

158. Primo J. Welding Inspection Qualifications and Testing Procedures // PD Honline Course M415 (8PDH), 2012.

159. Pritschow G., Mueller G., Horber H. Fast and robust image processing for laser stripe-sensors in arc welding automation // Proc. IEEE Int. Symp. Ind. Electron. 2002. Vol. 2. P. 651-656.

160. Quan Y., Bi Q. Tracking and monitoring of 3-dimensions of welding seam and width in fillet welding of corrugated sheet // Int. J. Control Autom. 2015. Vol. 8. P. 337350.

161. Rao S.H., Kalaichelvi V., Karthikeyan R. Real-Time Tracing Of A Weld Line Using Artificial Neural Networks // 17th International Conference on Computer and Information Science (ICIS). 2018. P. 275-280.

162. Riedmiller M., Braun H. A direct adaptive method for faster backpropagation learning: the RPROP algorithm // IEEE International Conference on Neural Networks. 1993. Vol. 1. P. 586-591.

163. Riffo V., Lobel H., Mery D. GDXray: The database of X-ray images for nondestructive testing // Journal of Nondestructive Evaluation. 2015. Vol. 34, no. 42.

164. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // Lecture Notes in Computer Science. 2015. Vol. 9351. P. 234-241.

165. Rui Y., Joseph K., Peng W., YuMing Z. Real-time recognition of arc weld pool using image segmentation network // Journal of Manufacturing Processes. 2021. Vol. 72. P. 159-167.

166. Sassi P., Tripicchio P., Avizzano C.A. A smart monitoring system for automatic welding defect detection // IEEE Trans Ind Electron. 2019. Vol. 66. P. 9641-9650.

167. Schwing A.G., Urtasun R. Fully connected deep structured networks // arXiv preprint arXiv:1503.02351. 2015.

168. Seferbekov S., Iglovikov V., Buslaev A., Shvets A. Feature Pyramid Network for Multi-Class Land Segmentation // IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). 2018. P. 272-2723.

169. Shao C., Paynabar K., Kim T.H., Jin J., Hu S.J., Spicer J.P. Feature selection for manufacturing process monitoring using cross-validation. J Manuf Syst. 2013. Vol. 32. P. 550-555.

170. Shen H., Lin T., Chen S. A Study on Vision-Based Real-Time Seam Tracking in Robotic Arc Welding // Lecture Notes in Control and Information Sciences. 2007. Vol. 362. P. 311-318.

171. Shen H., Lin T., Chen S., Li L. Real-time seam tracking technology of welding robot with visual sensing // J. Intell. Robot. Syst. 2010. Vol. 59. P. 283-298.

172. Singh A., Venkatesan K., Karthikeyan R. Application of Convolutional Neural Network for Classification and Tracking of Weld Seam Shapes for TAL Brabo Manipulator // Materials Today: Proceedings. 2020. Vol. 28.

173. Sizyakin R.A., Voronin V., Gapon N., Zelensky A., Pizurica A. Automatic detection of welding defects using the convolutional neural network // Automated Visual Inspection and Machine Vision III. 2019. Vol. 11061.

174. Song G., Myeong H., Lee K.M. Seednet: Automatic seed generation with deep reinforcement learning for robust interactive segmentation // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018. P. 17601768.

175. Souly N., Spampinato C., Shah M. Semi supervised semantic segmentation using generative adversarial network // Proceedings of the IEEE International Conference on Computer Vision. 2017. P. 5688-5696.

176. Sun H., Ma T., Zhang Z., Wu M., Wang K-W., Sohn H. Robot welding seam tracking system research basing on image identify // Sensors and smart structures technologies for civil, mechanical, and aerospace systems. 2019. Vol. 10970.

177. Tao A., Sapra K., Catanzaro B. Hierarchical multi-scale attention for semantic segmentation // arXiv preprint arXiv:2005.10821. 2020.

178. Tarn T-J., Chen S-B., Zhou C. Robotic welding, intelligence and automation // Springer, 2007.

179. Tsai C-H., Lin W-H. Model and control Pulse GTAW for steel pipes by Real time RBF neural networks // Journal of Materials Processing Technology. 2005.

180. Ushio M., Mao W. Modelling of an arc sensor for dc mig/mag welding in open arc mode: study of improvement of sensitivity and reliability of arc sensors in GMA welding // Weld. Int. 1996. Vol. 10. P. 622-631.

181. Valavanis I., Kosmopoulos D. Multiclass defect detection and classification in weld radiographic images using geometric and texture features // Expert Systems with Applications. 2010. Vol. 37. P. 7606-7614.

182. Visin F., Ciccone M., Romero A., Kastner K., Cho K., Bengio Y., Matteucci M., Courville A. Reseg: A recurrent neural network-based model for semantic segmentation // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops. 2016. P. 41-48.

183. Wang J., Ma Y., Zhang L., Gao R.X., Wu D. Deep learning for smart manufacturing: methods and applications // J Manuf Syst 2018. 2018. Vol. 48. P. 144-156.

184. Wang J., Yu H., Qian Y., Yang R., Chen S. Feature extraction in welding penetration monitoring with arc sound signals // Proc Inst Mech Eng Part B J Eng Manuf. 2011. Vol. 225. P. 1683-1691.

185. Wang L. From intelligence science to intelligent manufacturing // Engineering. 2019. Vol. 5, no. 4. P. 615-618.

186. Wang P., Chen P., Yuan Y., Liu D., Huang Z., Hou X., Cottrell G. Understanding convolution for semantic segmentation // winter conference on applications of computer vision. IEEE. 2018. P. 1451-1460.

187. Wang X., Guan S., Hua L., Wang B., He X. Classification of spot-welded joint strength using ultrasonic signal time-frequency features and PSO-SVM method // Ultrasonics. 2019. Vol. 91. P. 161-169.

188. Wang X. Three-dimensional vision applications in GTAW process modeling and control // Int J Adv Manuf Technol. 2015. Vol. 80. P. 1601-1611.

189. Warinsiriruk F.M.E. Design the feature extraction for real time inspection of welding quality // Tech Inn Man and Eni Sci International Conference. 2018. P. 15.

190. Wu C., Wang L., Ren W., Zhang X. Plasma arc welding: process, sensing, control and modeling // J Manuf Process. 2014. Vol. 16. P. 74-85.

191. Wu D., Chen H., He Y., Song S., Lin T., Chen S. A prediction model for keyhole geometry and acoustic signatures during variable polarity plasma arc welding based on extreme learning machine // Sens Rev. 2016. Vol. 36. P. 257-266.

192. Wu Q-Q., Lee J-P., Park M-H., Park C-K., Kim I-S. A study on development of optimal noise filter algorithm for laser vision system in GMA welding // Procedia Eng. 2014. Vol. 97. P. 819-827.

193. Xia X., Kulis B. W-net: A deep model for fully unsupervised image segmentation // arXiv preprintarXiv:1711.08506. 2017.

194. Xiangdong Gao., Na S.-J. Seam tracking based on estimation of weld position using Kalman filtering // Science and Technology of Welding & Joining. 2005. Vol. 10. P. 103-109.

195. Xiao R., Xu, Y. Hou Z., Chen C., Chen S. An adaptive feature extraction algorithm for multiple typical seam tracking based on vision sensor in robotic arc welding // Sensors and Actuators A: Physical. 2019.

196. Xiao Z. Research on a trilines laser vision sensor for seam tracking in welding // Robotic Welding, Intelligence and Automation, Springer. 2011. P. 139-144.

197. Xu D., Fang Z., Chen H., Yan Z., Tan M. Compact visual control system for aligning and tracking narrow butt seams with CO2 gas-shielded arc welding // Int. J. Adv. Manufact. Technol. 2012. Vol. 62. P. 1157-1167.

198. Xu Y., Fang G., Chen S., Zou J.J., Ye Z. Real-time image processing for visionbased weld seam tracking in robotic GMAW // Int. J. Adv. Manufact. Technol. 2014. Vol. 73. P. 1413-1425.

199. Xu Y., Fang G., Lv N., Chen S., Zou J.J., Computer vision technology for seam tracking in robotic GTAW and GMAW // Robot Comput. Integr. Manuf. 2015. Vol. 32. P. 25-36.

200. Yan M., Zhang K., Liu D., Yang H., Li Z. Autonomous programming and adaptive filling of lap joint based on three-dimensional welding-seam model by laser scanning // Journal of Manufacturing Processes. 2020. Vol. 53. P. 396-405.

201. Yan W., Yi S., Peng L., Hao W. Detection of line weld defects based on multiple thresholds and support vector machine // NDT&E International. 2008. Vol. 41. P. 517-524.

202. Yan Z., Xu D., Li Y., Tan M. A vision-based seam tracking system for submerged arc welding // Robotic Welding, Intelligence and Automation, Springer. 2007. P. 349-357.

203. Yanbiao Z., Weilin Z. Automatic seam detection and tracking system for robots based on laser vision // Mechatronics. 2019. Vol. 63.

204. Yanfeng G., Hua Z., Yanhui Y. Back-stepping and neural network control of a mobile robot for curved weld seam tracking // Procedia Eng. 2011. Vol. 15. P. 3844.

205. Yang L., Li E., Long T., Fan J., Liang Z. A Novel 3-D Path Extraction Method for Arc Welding Robot Based on Stereo Structured Light Sensor // in IEEE Sensors Journal. 2019. Vol. 19, no. 2. P. 763-773.

206. Yang M., Yu K., Zhang C., Li Z., Yang K. Denseaspp for semantic segmentation in street scenes // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018. P. 3684-3692.

207. Yang N., Niu H., Chen L., Mi G. X - ray weld image classification using improved convolutional neural network // 2018 International symposium on mechanics, structures and materials science. 2018. Vol. 1995.

208. Yang S-M., Cho M-H., Lee H-Y., Cho T-D. Weld line detection and process control for welding automation // Measurement Science and Technology. 2007. Vol. 18.

209. Ye Z., Chen H-B., Gu F., Chen S-B. Feature extraction from arc signal for height tracking system of P-MAG welding // Robotic welding, intelligence and automation. Springer. 2015. P. 95-107.

210. Yoo W.-S., Na S.-J. Determination of 3-d weld seams in ship blocks using a laser vision sensor and a neural network // J. Manuf. Syst. 2003. Vol. 22, no. 4. P. 340347.

211. You D.Y., Gao X.D., Katayama S. Review of laser welding monitoring // Sci Technol Weld Join. 2013. Vol. 19. P. 181-201.

212. Yu C., Wang J., Peng C., Gao C., Yu G., Sang N. Bisenet: Bilateral segmentation network for real-time semantic segmentation // European Conference on Computer Vision. 2018. P. 325-341.

213. Yu C., Wang J., Peng C., Gao C., Yu G., Sang N. Learning a discriminative feature network for semantic segmentation // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018. P. 1857-1866.

214. Yu F., Koltun V. Multi-scale context aggregation by dilated convolutions // International Conference on Learning Representations. 2016.

215. Yuan Y., Chen X., Wang J. Object-contextual representations for semantic segmentation // arXiv preprint arXiv: 1909.11065. 2019.

216. Yuan Y., Wang J. Ocnet: Object context network for scene parsing // arXiv preprint arXiv:1809.00916. 2018.

217. Zaeh M.F., Vogl W. Interactive laser-projection for programming industrial robots, Mixed and Augmented Reality // IEEE/ACM International Symposium on IEEE. 2006. P. 125-128.

218. Zaojun F., De X. Vision Based Modeling and Control for Fillet Weld Seam Tracking // the international conference on advanced mechatronics ICAM. 2010. P. 557-562.

219. Zapata J., Vilar R., Ramon R. Performance evaluation of an automatic inspection system of weld defects in radiographic images based on neuro-classifiers // Expert Syst. Appl. 2011. Vol. 38. P. 8812-8824.

220. Zeng J, Cao G-Z, Peng Y-P, Huang S-D. A Weld Joint Type Identification Method for Visual Sensor Based on Image Features and SVM // Sensors. 2020. Vol. 20, no. 2.

221. Zhan R.H., Wan J.W. Neural network-aided adaptive unscented Kalman filter for nonlinear state estimation // IEEE Signal Process. Lett. 2006. Vol. 13, no. 7. P. 445448.

222. Zhang H., Dana K., Shi J., Zhang Z., Wang X., Tyagi A., Agrawal A. Context encoding for semantic segmentation // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018. P. 7151-7160.

223. Zhang H., Nosratinia A., Wells R.O. Image denoising via wavelet-domain spatially adaptive FIR Wiener filtering // IEEE International Conference on Acoustics, Speech, and Signal Processing. Proceedings (Cat. No.00CH37100). 2000. Vol. 4. P. 2179-2182.

224. Zhang H., Song W., Chen Z., Zhu S., Li C., Hao H., Gu J. Weld Seam Detection Method with Rotational Region Proposal Network // 2019 IEEE International Conference on Robotics and Biomimetics (ROBIO). 2019. P. 2152-2156.

225. Zhang R., Tang S., Zhang Y., Li J., Yan S. Scale-adaptive convolutions for scene parsing // Proceedings of the IEEE International Conference on Computer Vision. 2017. P. 2031-2039.

226. Zhang T., Li K., Yang J. Seam tracking control for mobile welding robot based on vision sensor // J. Cent. South Univ. Technol. 2010. Vol. 17. P. 1320-1326.

227. Zhang Y., You D., Gao X., Wang C., Li Y., Gao P.P. Real-time monitoring of highpower disk laser welding statuses based on deep learning framework // J Intell Manuf. 2019. Vol. 31. P. 779-814.

228. Zhang Z., Chen H., Xu Y., Zhong J., Lv N., Chen S. Multisensor-based real-time quality monitoring by means of feature extraction, selection and modeling for Al alloy in arc welding // Mech Syst Signal Process. 2015. Vol. 60. P. 151-165.

229. Zhang Z., Chen S. Real-time seam penetration identification in arc welding based on fusion of sound, voltage and spectrum signals // J Intell Manuf. 2017. Vol. 28. P. 207-218.

230. Zhang Z., Chen X., Chen H., Zhong J., Chen S. Online welding quality monitoring based on feature extraction of arc voltage signal. Int J Adv Manuf Technol. 2013. Vol. 70. P. 1661-1671.

231. Zhao H., Shi J., Qi X., Wang X., Jia J. Pyramid scene parsing network // Proceedings of the IEEE conference on computer vision and pattern recognition. 2017. P. 28812890.

232. Zhao Z., Luo J., Wang Y. Additive seam tracking technology based on laser vision // Int J Adv Manuf Technol. 2021. Vol. 116. P. 197-211.

233. Zhen S., Peng Y., Wang X.Z. Research on adaptive Kalman filteralgorithm based on fuzzy neural network / Proc. IEEE Int. Conf. Inf. Autom. Harbin. China. 2010. P. 1636-1640.

234. Zhu H., Ge W., Liu Z. Deep Learning-Based Classification of Weld Surface Defects // Appl. Sci. 2019. Vol. 9, no. 16.

235. Zhu Z., Gao X., Cao L., Pan D., Cai Y., Zhu Y. Analysis on the adaptive filter based on LMS algorithm // Optik. 2016. Vol. 127. P. 4698-4704.

236. Zou F., Zheng Z., Zhao K., Sun H., Wang K-W., Sohn H. Robot tracking system research basing on optical sensors // Sensors and smart structures technologies for civil, mechanical, and aerospace systems. 2019. Vol. 10970.