摘要：针对焊缝缺陷检测信号信息丰富度低、深度网络架构人工依赖性强等问题,开展基于多域多尺度深度特征自适应融合的焊缝缺陷检测研究。构建时域数据集并衍生至实数域与复数域中,丰富检测信号的特征表达;设计多域信息融合模型,充分融合特征域信息;提出面向卷积神经网络多维超参数自寻优的模型优化策略,提高模型的效率和性能。试验表明,所提方法对五类焊缝缺陷识别准确率为96.54%,能够在提升识别准确率同时保持较少的参数量和计算消耗,具有较强的实用性和泛化性。

摘要：综合考虑评价流程中的综合性、自适应性、可靠性等因素,提出基于组合赋权与模型自优化的能力评价方法,以多级评价指标组合赋权结合改进模糊算法构建评价数据集;利用格拉姆角和场空间域转换优化序列样本信息丰富度,将粒子群优化算法、迁移学习与神经网络模型有效结合,通过模型中10个参数自适应全局寻优,构建出适用于小样本、具备自学习能力的P-TMVGG评价模型。通过实例验证了所提方法的有效性,为相关领域构建综合评价、预测、诊断体系及方法设计提供新的思路。