用于激光切割系统中基于散粒材料识别的高效边缘兼容 CNN
摘要
准确的材料识别对于激光切割的安全和有效至关重要，误识别可能导致切割质量下降、机器损坏或释放有害烟雾。激光散粒感知最近作为一种低成本和无损的材料分类模态不断出现；然而，先前的工作要么依赖计算昂贵的 backbone 网络，要么仅针对有限的材料子集进行工作。在本研究中，提出一种针对散粒图案的轻量级卷积神经网络 (CNN)，旨在最小化参数而保持高辨识能力。使用包含 59 个材料类别的完整 SensiCut 数据集（涵盖木材、亚克力、复合材料、纺织品、金属和纸基产品），所提出的模型实现了 95.05% 的测试准确率，宏观和加权 F1 分数分别为 0.951。该网络仅包含 34.1k 个可训练参数（约 1.3 MB），比 ResNet-50 小了 70 倍以上，推理速度可达 295 张图像/秒，能够在树莓派和 Jetson 级设备上部署。此外，当材料重新分组为九组和五组实际家族时，召回率均超过 98%，并接近 100%，直接支持激光切割机的功率和速度预设选择。这些结果表明，紧凑且领域特定的 CNN 能为散粒基材料分类超越大型 backbone，推动材料感知、可边缘部署的激光切割系统的可行性。
关键词
引用
@article{arxiv.2512.00179,
title = {Efficient Edge-Compatible CNN for Speckle-Based Material Recognition in Laser Cutting Systems},
author = {Mohamed Abdallah Salem and Nourhan Zein Diab},
journal= {arXiv preprint arXiv:2512.00179},
year = {2025}
}
备注
Copyright 2025 IEEE. This is the author's version of the work that has been Accepted for publication in the Proceedings of the 2025 IEEE The 35th International Conference on Computer Theory and Applications (ICCTA 2025). Final published version will be available on IEEE Xplore