投影辅助的数字剪切散斑干涉扫描检测技术

数字剪切散斑干涉技术已被广泛应用于复合材料无损检测,但常规检测面积有限,难以完成大尺寸复合材料的缺陷检测。提出了一种投影辅助数字剪切散斑干涉大尺寸复合材料扫描检测方法,该方法基于数字剪切散斑干涉技术并利用辅助投影引入额外表面特征,通过分视场间投影图的单应性矩阵计算分视场间实物图和散斑干涉图的全局匹配和坐标统一,完成了投影图-实物图-干涉图的多视场扫描与匹配拼接,同时在单视场检测引入4f光路及超广角镜头扩大单次检测面积。实验结果表明:此扫描检测系统能够实现缺陷位置、尺寸较精确的测量,位置定位均方根误差为7.0 mm,尺寸测量误差的均方根值为4.9 mm。在1.2 m的工作距离下单次检测面积可达600 mm×500 mm,全局扫描检测面积高达3.5 m×4.0 m。此方法具备抗刚体位移干扰强,缺陷检测灵敏度高的优点,适合大尺寸高性能复合材料无损检测现场使用。     

基于激光剪切散斑干涉评估包覆药柱粘接质量

提出了一种新的模拟包覆药柱界面粘接缺陷的试样制作方式,并通过剪切散斑干涉技术评估包覆药柱的粘接质量,进而讨论该无损检测技术的探伤能力。文章首先介绍了包覆药柱人工缺陷的制作方式,制备了三个脱粘缺陷直径分别在2~4 mm之间的包覆药柱试块；接着简单介绍了剪切散斑干涉的基本原理,搭建了基于迈克尔逊干涉的光路系统,使用真空激励对包覆药柱试块加载；最后使用剪切散斑干涉技术对实际包覆药柱产品进行验证性探伤测试。实验结果表明,剪切散斑干涉技术是评估包覆层粘接质量有效的探伤手段,可检出直径为2 mm左右的人工缺陷,同时可以检测出实际包覆药柱产品的界面脱粘缺陷。本文的研究可为包覆药柱界面脱粘缺陷的制作以及该类型缺陷的检测提供技术支撑。     

基于剪切散斑干涉无损探伤的缺陷深度测量北大核心CSCD

基于激光剪切散斑干涉技术构建了无损检测系统,通过对铝合金平板钻圆形盲孔覆橡胶层的方式制备了设有不同尺寸和深度的内部缺陷的复合材料粘接试件,利用施加负压激励研究了不同负压值下试件内部缺陷所在表面的散斑条纹和离面位移情况,并结合有限元计算验证了检测系统有效性。结果表明:相同缺陷深度和负压值下,缺陷尺寸越大,散斑条纹级数越多、离面位移越大;相同缺陷尺寸和负压值下,缺陷深度越深,散斑条纹级数越小、离面位移越小。在利用该剪切散斑干涉无损检测系统准确获取内部缺陷的形状、位置和尺寸等信息的基础上,进一步基于弹性薄板理论推导了缺陷深度。缺陷深度测量精度随缺陷尺寸增大而提高,同时随深度增大而降低,直径为20 mm深度小于1 mm的圆形缺陷深度测量误差值小于10%。本文研究为复合材料粘接结构内部缺陷的深度检测提供了有效途径。     

基于YOLOv4的铜带表面缺陷识别研究

本文提出一种基于YOLOv4铜板带材表面缺陷检测模型,针对铜金属板带材生产过 程中产生的表面缺陷形式多样、位置随机而导致难以快速定位和识别的问题,采用大数据驱 动的深度学习策略,以铜带表面缺陷图像为训练样本,对YOLOv4目标检测模型进行训练, 实验结果表明,改进的模型识别铜带表面缺陷的全类别平均精度均值(mean average precision,mAP)为93.37%,高于原始YOLOv4模型的全类别平均精度91.46%,检测速度达到49 帧/秒,与双阶段的检测模型更快地R-CNN (faster region-based convolutional neural network,Faster R-CNN)相比,在保证检测精度的同时提升检测速度,能 够满足在线检测需要,适合完成铜带工业生产过程中缺陷检测任务。     

蜂窝夹层结构粘接质量电子散斑检测研究

蜂窝夹层结构粘接质量电子散斑无损检测,是利用电子散斑干涉技术,采用实时干涉法获得被检蜂窝夹层结构受热或压力载荷后的形变场条纹分布．受检的蜂窝夹层结构件蒙皮与夹芯之间的粘接缺陷,在适当的载荷力作用下,其表面位移场发生畸变,所对应的干涉条纹因其形状、间距和取向不同于周围粘接完好的干涉条纹的特征条纹,作为粘接缺陷的判据． 电子散斑干涉技术适用于检查碳环氧复合材料蒙皮厚度不大于 １．２ ｍｍ、铝蜂窝芯格边长不小于 ３ ｍｍ的蜂窝夹层结构粘接缺陷,可检测最小脱粘尺寸不大于直径 １５ ｍｍ．也适用于检查铝蒙皮厚度…     

基于剪切散斑干涉的薄壁金属粘接质量评估

薄壁金属粘接结构是国防工业中常见的结构类型,其界面粘接质量无损评价一直是国内外研究的热点和重点。本文基于数字剪切散斑干涉技术,利用四步相移法构建了剪切散斑干涉测量系统,详细分析了铝蒙皮粘接铝合金平板试件上不同粘接质量区域在负压载荷下的剪切散斑干涉条纹和离面位移场。实验结果发现粘接质量高低可通过剪切散斑干涉条纹图疏密程度表征。干涉条纹随着粘接质量增强逐渐稀疏,在局部弱粘情况下会出现类似脱粘状态的条纹分布。此外,本文利用Cohesive单元模拟胶粘层,计算分析了铝蒙皮粘接试件有限元模型在负压加载下离面位移场。数值结果与光测实验结果相吻合,验证了利用剪切散斑干涉技术评价薄壁金属界面粘接质量的可行性。     

基于雷达传感器和改进深度学习的无人机目标检测方法

针对当前无人机目标检测技术精确度低、受环境影响大的缺点,依托运动相机与激光雷达设备,提出了基于改进深度学习的无人机目标检测方法：在深度图像网络架构的基础上,引入残差网络提升算法精度,利用MobileNet加速深度学习的过程,从而利用改进的RetinaNet算法实现无人机精确目标识别与定位;针对点云数据无法通过二维投影准确计算距离的问题,提出通过直方图网络精确估计检测目标的视觉距离。实验结果表明,在不同的复杂环境条件下,与Faster R-CNN相比,所提方法检测精度更高、使用场景更广、运算速度更快,平均精度比Faster R-CNN算法高出1.5%。     

基于改进Faster R-CNN的隐形眼镜表面缺陷检测算法

针对传统图像处理算法在检测隐形眼镜表面缺陷时存在精度低、耗时长、算法鲁棒性差、漏检多等问题,提出一种基于改进Faster R-CNN的隐形眼镜表面缺陷检测算法。首先,对比了3种特征提取网络的性能,选取ResNet50作为骨干网络;然后,引入特征金字塔网络（FPN）,通过融合多层次的特征信息,提高Faster R-CNN的多尺度检测能力;最后,基于构建的隐形眼镜表面缺陷数据集,使用K-means++算法改进锚框的尺度和数量。实验结果表明：改进后的Faster RCNN算法在测试集上的平均精度均值（mAP）达到了86.95%,相比于改进前的Faster R-CNN算法,提高了9.45个百分点,可以有效地检测出气泡、车削亮点、划痕、模具亮点等多种隐形眼镜典型缺陷。     

基于改进YOLOv5的PCB小目标缺陷检测研究

面对印刷电路板(print circuit board,PCB)小型化、多层化、高集成化的趋势,针对目前PCB缺陷检测方法存在漏检、特征提取困难、误检率高以及检测性能差等问题,本文提出了基于改进YOLOv5算法的PCB小目标缺陷检测方法。该方法先针对PCB小目标缺陷特点采用DBSCAN(density-based spatial clustering of applications with noise) +二分K-means聚类算法以找到更适合的锚框;然后对YOLOv5的特征提取层、特征融合层以及特征检测层进行改进,增强关键信息的提取,加强深层信息与浅层信息的融合;从而减少PCB缺陷的误检率、漏检率,以提高网络的检测性能;最后在公开PCB数据集上进行相关对比实验。结果表明,改进后模型的平均精度(mAP)为99.5%,检测速度为0.016 s。相比于Faster R-CNN、YOLOv3、YOLOv4网络模型,检测精度分别提升了17.8%、9.7%、5.3%,检测速度分别提升了0.846 s、0.120 s、0.011 s,满足PCB缺陷在实际工业生产现场的高精度、高速度检测要求。     

基于改进YOLOv3的瞳孔屈光度检测方法

针对瞳孔区域屈光度识别准确率低、检测效率低等问题,本文提出一种基于改进YOLOv3深度神经网络的瞳孔图像检测算法。首先构建用于提取瞳孔主特征的二分类检测网络YOLOv3-base,强化对瞳孔特征的学习能力。然后通过迁移学习,将训练模型参数迁移至YOLOv3-DPDC（Deep Pupil Diopter Classify）,降低样本数据分布不均衡造成的模型训练困难以及检测性能差的难题,最后采用Fine-tuning调参快速训练YOLOv3多分类网络,实现了对瞳孔屈光度快速检测。通过采集的1200张红外瞳孔图像进行实验测试,结果表明本文算法屈光度检测准确率达91.6%,检测速度可达45 fps,优于使用Faster R-CNN进行屈光度检测的方法。     

基于深度学习的燃气PE管道焊缝缺陷检测

为了解决人工与传统数字图像处理方法进行燃气PE管道焊缝缺陷识别时面临的效率低、漏检率高、评片效果不佳等问题，提出了基于深度学习算法的燃气PE管道焊缝缺陷智能检测方法，实现从输入燃气PE管道焊缝DR检测图像到输出缺陷种类及其测量值的精细化测量。首先，在宏观区域层面采用YOLOv5网络预提取缺陷区域，减少与缺陷相似的非目标区域的干扰，并设计了融合坐标注意力机制(CA)与加权双向特征金字塔网络(BiFPN)的CA-BiFPN模块，以提高对小目标缺陷检测能力，其最终的缺陷识别定位平均精确度为95.1%。然后，在微观边界层面采用语义分割算法Deeplabv3+,实现像素级别的缺陷分割，缺陷分割平均像素准确率为91.25%、平均交并比值为85.52%。最后，在几何特征层面采用最小外接矩形法计算其实际尺寸大小，其平均相对误差为5.47%。结果表明该检测方法可实现燃气PE管缺陷高效率、高精度、智能化检测。     

对海雷达多维图像特征融合智能检测方法

海面目标检测是雷达信号处理中的重要内容,在军事、民用领域内都有重要应用价值。在海面目标雷达信号处理中,海杂波的存在对检测算法的性能有很大影响,传统的雷达信号处理方法多基于统计理论,对于复杂环境条件和多样的目标特性检测性能下降明显。近年来深度学习技术发展迅速,为可靠的海面目标的检测方法提供了技术支持。本文对近年来目标检测算法、深度学习方法的发展进行总结,从雷达信号数据结构和维度出发,采用深度学习理论,分别提出了基于二维图像、三维视频雷达信号、多维雷达信号多通道融合的智能处理框架,并以导航雷达图像海上目标智能检测为例,提出一种Precise ROI?Faster R?CNN雷达图像检测算法,通过构建的导航雷达数据集训练和测试,相比经典恒虚警检测和Faster R?CNN检测方法有更高的检测精确度和更好的泛化能力,从而为对海雷达智能导航和目标检测提供了有效的技术途径。     

基于目标检测网络的轮对踏面缺陷检测方法

针对传统图像处理算法难以快速、准确识别轮对踏面缺陷的问题,提出一种采用双深度神经网络对轮对踏面缺陷进行检测的算法。该双网络分为踏面提取网络与缺陷识别网络。根据踏面为大目标的特点,分析与测试SSD网络,并用该网络提取轮对图像中的踏面区域。为提高踏面缺陷识别效率,在提取出踏面图像后,针对踏面缺陷属于中、小目标的特点,对YOLOv3网络结构进行优化得到M-YOLOv3。实验测试表明:提取踏面区域时,SSD算法的精度均值(AP)最高,达99.8%;识别踏面缺陷时,M-YOLOv3的AP达89.9%,相较于原始YOLOv3,单张图像计算耗时减少7.1%,同时AP仅有0.6%的损耗。结果表明,所提算法具有较高的检测准确率。     

基于改进YOLOv3算法的带钢表面缺陷检测

针对热轧带钢表面缺陷检测中存在的检测速度慢、检测精度低等问题,提出了一种改进的YOLOv3算法模型.使用加权K-means聚类算法来优化确定先验框参数,提高先验框（priors anchor）与特征图层（feature map）的匹配度;同时,调整YOLOv3算法的网络结构,融合浅层特征与深层特征,形成新的大尺度检测图层,提高网络对带钢表面缺陷的检测精度.实验结果表明,改进后的YOLOv3算法在NEU-DET数据集上平均精度均值达到了80%,较原有的YOLOv3算法提高了11%;同时检测速度保持在50fps,优于目前其它深度学习带钢表面缺陷检测算法.     

基于改进VGG网络的单体热电池X光图像无损检测方法研究

为解决单体热电池生产中出现的安装错误、人工检测耗时耗力的问题,提出一个结合迁移学习和卷积 神 经网络(convolutional neural network,CNN) 的单体热电池缺陷检测模型。首先,对数据集图像进行裁剪、加噪等预处理,以VGG16(visual geometry group 16) 网络作为 模型的骨干架构,在瓶颈层后增添选择性核(selective kernel,SK) 卷积;然后,增添全局平均池化(global average pooling,GAP) 层, 增加Dropout层及添加 L2 正则化等微调操作,得到单体热电池缺陷检测模型Q-VGGNet;最后,在大型公开数据集ImageNet上进 行预训练学习,将获得的权重参数迁移到单体热电池图像识别模型Q-VGGNet上。测试实验表明:6种 网络模型对数据集缺陷图像的总体识别准确率分别达到了98.39%、94.44%、97.27%、96.34%、93.71%、 95.61%,Q-VGGNet网 络模型 对合格图像和 漏装负极、极耳断裂、漏装集流片3种缺陷图像 识别准确率 分别达到了99.6%,95.9%,99.6%和98.4%。检测结果表明:该方法能够更准确、快速地检测热电池缺陷, 拥有良好的缺陷诊断能力,较传统方法提高近3%,为人工检测单体热电池缺陷提供了良好的解决途径。     

基于深度学习的探地雷达二维剖面图像结构特征检测方法

该文针对探地雷达(GPR) 2维剖面图像中目标特征提取困难及其识别精度较低等问题,采用深度学习方法来提取2维剖面图像中目标的特征双曲线。根据GPR工作的物理机制,设计了一种级联结构的卷积神经网络(CNN),先检测并去除回波数据中的直达波干扰信号,再利用CNN得到B扫描(B-SCAN)图像的特征图,并对特征信号进行分类识别以提取目标的特征双曲线。同时,为处理各种干扰信号影响目标特征双曲线结构完整性的问题,提出了一种基于方向引导的特征数据补全方法,提高了目标特征双曲线识别的准确率。与方向梯度直方图(HOG)算法、单级式目标检测(YOLOV3)算法和更快速的区域卷积神经网络(Faster RCNN)算法相比,在综合评价指标F上该文方法的检测结果是最优的。     

基于Faster R-CNN的保偏光纤偏振轴检测方法研究

针对基于端面成像的偏振轴检测方法光照鲁棒性不强、无法同时检测多根保偏光纤偏振轴的问题,提出一种基于Faster R-CNN的检测方法.训练Faster R-CNN神经网络模型,通过参数调优增强了应力区识别的鲁棒性,采用基于Zernike矩算法对应力区边缘点进行亚像素级定位以提高测量精度,分析了测量精度与误差的关系.仿真与实验表明,该方法的测量精度达到±0.1°,在增强光照鲁棒性的同时实现了对多根保偏光纤偏振轴的检测.