基于深度学习的油封缺陷检测方法研究

在传统的油封缺陷检测中,存在油封表面质量缺陷尺寸小、人工检测效率低、漏检错检率高、成本高等问题,为此,以油封缺陷为研究对象,提出了一种基于深度学习Faster R-CNN框架的多尺度特征融合的改进算法。首先,构建了油封缺陷检测系统,采集了油封缺陷图像,经扩增及标注等预处理后制作了数据集;然后,研究了油封缺陷尺寸较小导致的识别精度低问题,设计了Faster R-CNN网络基于FPN+ResNet50框架进行特征多尺度融合改进的方法;最后,采用了预训练参数送入改进的Faster R-CNN网络模型,并对油封缺陷数据集进行深度训练的方法,进行了油封缺陷的检测实验。研究结果表明：该模型的检测精确度和速度综合性能优于固有的Faster R-CNN网络模型,划痕、毛刺和凹缺的检测精确度分别达到0.96、0.95和0.97,召回率分别达到0.89、0.88和0.91,mAP可达85.5%,高于改进前模型1.4%,识别速度可达16 fps,高于油封生产速度;该检测方法可以满足油封缺陷的检测要求。     

基于Faster R-CNN的工件螺纹孔目标检测（英文）

为了提高螺纹孔目标检测的准确率,结合双相机视觉系统与Hough变换圆检测算法,提出了一种基于Faster R-CNN的螺纹孔目标检测方法。首先建立了由双相机组成的图像获取系统,通过安置在高处的工业相机采集工件整体图像,利用Hough变换圆检测算法初步筛选出工件上的疑似螺纹孔的位置,并驱动第二个工业相机逐个在近处采集经Hough变换检测出的疑似螺纹孔的局部精确图像。然后,在自建的螺纹孔数据集上训练以ResNet50为基础网络的Faster R-CNN目标检测模型。最后,将螺纹孔处局部图像输入训练好的Faster R-CNN目标检测模型进一步识别并进行定位。实验结果表明,该方法能有效地避免螺纹孔小目标检测,相对于单独使用Hough变换方法或者Faster R-CNN目标检测方法检测螺纹孔,具有更高的识别和定位精度。     

基于Faster R-CNN的工件螺纹孔目标检测

为了提高螺纹孔目标检测的准确率,结合双相机视觉系统与Hough变换圆检测算法,提出了一种基于Faster R-CNN的螺纹孔目标检测方法。首先建立了由双相机组成的图像获取系统,通过安置在高处的工业相机采集工件整体图像,利用Hough变换圆检测算法初步筛选出工件上的疑似螺纹孔的位置,并驱动第二个工业相机逐个在近处采集经Hough变换检测出的疑似螺纹孔的局部精确图像。然后,在自建的螺纹孔数据集上训练以ResNet50为基础网络的Faster R-CNN目标检测模型。最后,将螺纹孔处局部图像输入训练好的Faster R-CNN目标检测模型进一步识别并进行定位。实验结果表明,该方法能有效地避免螺纹孔小目标检测,相对于单独使用Hough变换方法或者Faster R-CNN目标检测方法检测螺纹孔,具有更高的识别和定位精度。     

高铁智能化接触网腕臂柔性预配平台设计开发与应用研究

高铁建设接触网施工的要求和规范越来越高，亟需自动化和智能化水平高的智能装备研发和投入使用。本文介绍了腕臂预配施工现状和腕臂零件类型，腕臂柔性预配平台的结构功能、工艺流程和控制系统的软硬件部分进行了详细的设计开发。已交付的两台腕臂柔性预配平台在高铁施工现场投入使用，提升高铁建设配套智能装备的自动化和智能化水平。     

基于LabVIEW和Mask R-CNN的柱塞式制动主缸内槽表面缺陷检测

为了解决传统图像处理方法对于铸铝材料表面缺陷检测通用性不高、准确度低等问题,研究了一种基于Mask R-CNN神经网络的缺陷检测系统。首先,采用自主研发的缺陷检测装置采集柱塞式制动主缸内槽表面图像,对其进行预处理,制作成Microsoft COCO格式数据集;其次,搭建适用于该数据集的Mask R-CNN神经网络结构,并绘制训练过程损失函数与平均精度均值曲线;最后,将检测结果与基于SVM和Faster R-CNN模型的检测结果进行比较,统计了3种神经网络模型的单图检测平均时间和识别率。试验结果表明,在相同样本条件下,该方法的识别率比另外2种方法高,达到了93.6%,能够更精确地检测柱塞式制动主缸内槽的表面缺陷。     

基于YOLO神经网络模型的花生智能精选系统设计

针对目前使用机器视觉方法对花生进行精选存在精度和效率较低的问题，本文通过搭建花生精选流水线，并将基于YOLO-V5的神经网络模型引入视觉检测部分，提高花生表面质量检测的准确率和效率。对训练后的模型，采用多类别测试集进行测试，并与不同神经网络模型进行对比。结果显示，在不考虑缺陷类别的情况下，缺陷检测准确率达到99%。发芽、发霉、白斑等难识别缺陷类别的检测准确率分别达到97.5%、98%、98.5%。与传统检测模型Faster R-CNN、YOLO-V3等传统模型相比，准确率和检测速度也更为优秀。通过现场应用验证了所用算法和整体系统的可用性。     

基于Mask R-CNN的铸件X射线DR图像缺陷检测研究

针对传统的铸件缺陷检测不能对缺陷进行分类分级等问题,提出了一种基于Mask R-CNN的铸件X射线DR图像缺陷检测算法。首先对原始图像进行预处理,采用引导滤波进行图像平滑,平滑图像与原图像进行差分得到差分图像,将差分图像与平滑图像相加运算使图像增强,再利用Labelme进行图像标注,形成训练数据集。送入Mask R-CNN深度学习网络,通过特征提取网络生成建议区域,分类、回归网络生成边界框和掩码,经多次参数调节后得到训练网络模型,最后测试数据集。实验数据结果表明,气泡1～5级的检测率分别为:66.7%,71.4%,77.4%,88.9%,87.5%;疏松1～5级检测率为:62.5%,72.2%,77.1%,83.3%,81.1%。检测结果证明应用Mask R-CNN结合引导滤波增强方法的缺陷检测方法可以较好的实现对铸件X射线DR图像的缺陷检测的分级分类,为工业铸件缺陷检测提供了应用深度学习方法的解决方案。     

高铁接触网腕臂柔性预配生产线实景数字孪生平台设计与开发

针对现有的高铁接触网腕臂柔性预配生产线,首次与数字孪生技术融合,设计开发实景数字孪生平台。本文从平台架构和总体方案、模型的文件格式和导入方法、腕臂柔性预配生产线电气控制系统硬件架构、数据的分类和采集、用Unity 3D建立了实景数字孪生平台、并在现场应用的情况等方面进行了详细介绍。平台的研发和使用,展现了高铁接触网建造配套智能装备的自动化和智能化水平。     

迁移学习在热轧钢带表面缺陷分类中应用研究

为了提高热轧钢带表面缺陷分类的检测准确率和速度,同时鉴于热轧钢带缺陷的数据库规模较小,提出结合参数迁移学习的卷积神经网络模型,来解决少量样本导致网络过拟合和精度低的问题。使用源域的最优参数作为模型的参数初始化,节省训练的周期;构建训练目标域的神经网络模型,使用预训练模型网络中的参数和结构,对目标域进行特征迁移;进行finetune,结合inception-v3结构的全连接层映射到目标域所需要的特征向量维度。实验使用现有热轧钢带表面缺陷数据库中的图片,有6类缺陷。通过对比改进AlexNet模型和结合迁移学习的模型,在测试集的实验平均准确率分别约为96.6%,99.8%,分类效果优于传统视觉分类算法。并且在实验中观察到结合参数迁移学习的损失更小和权重收敛速度更快。     

基于智能化接触网铝腕臂预配平台技术开发研究

腕臂预配是高铁线路建设过程中十分重要的环节,预配工艺、尺寸精度、表面质量等要求十分严格,生产管理、劳动强度、施工标准、生产成本等因素也逐渐显得重要。目前腕臂预配的自动化和智能化水平发展依然不对称,虽然许多施工单位和装备设计单位不断尝试,均是以人工辅助平台和半自动化为主,并没有适应高铁快速发展的需求。中铁建电气化局集团轨道交通器材有限公司经过研发,开发了一条智能化接触网腕臂预配中心。     

基于改进Cascade Faster R-CNN的铝型材表面缺陷识别研究

在铝型材实际生产过程中,由于碰撞、加工温度、压力等原因,可能导致铝型材产生擦花、脏点、喷流等数种表面缺陷,缺陷目标较小,长宽大,传统目标检测算法的准确率较低,严重影响铝型材的美观和质量.在Faster R-CNN网络的基础上,引入了多阶段模型训练方法使部分无缺陷样本生成对抗样本,用ResNeXt105网络代替原始VGG16网络提取图像特征,设计了Cascade Faster R-CNN的网络结构,采用FPN提取多尺度特征图并进行特征图融合.实验结果表明,在2722张图像测试集上,Faster R-CNN模型准确率为62.7％,网络模型测试准确率达到81.4％,提高了18.7％.故相比于其他网络模型,改进后的Cascade Faster R-CNN的模型具有更强的特征提取能力和泛化能力,为类似小目标检测提高了技术参考.     

基于DSSD模型的机械加工件表面缺陷检测研究

针对机械加工件表面缺陷检测问题,对工件表面缺陷种类、缺陷位置进行了研究,对深度学习中的目标检测算法进行了归纳分析,提出了一种基于DSSD模型的机械加工件表面缺陷检测方法。该方法首先利用扫描电子显微镜获取了不同工件、不同位置的表面缺陷图像,建立了工件表面缺陷数据集,并对数据集进行了扩充;然后将DSSD网络模型反卷积模块的网络层数进行了简化,从而降低了计算复杂度;最后利用简化后的DSSD模型完成了对数据集的训练和测试。研究结果表明:DSSD模型的检测效率高于YOLO、Faster R-CNN和SSD这3种模型,能够更准确、快速地检测工件表面缺陷,为实际工业场景下的缺陷检测提供了新的思路。     

基于YOLOv5与迁移学习的目标检测和机械臂抓取位姿估计

针对传统机器学习算法视觉识别准确率低、运行时间缓慢等问题,研究针对家庭场景中机器人做家务的场景,利用RGB图像信息为输入,完成对目标物体的抓取位姿估计。以目标检测模型YOLOv5s为基础,利用其轻便、速度快的优点,结合数据增强以及迁移学习搭建网络架构,搭建家庭场景数据集;将少量训练样本进行数据增强后,利用迁移学习将模型在目标数据集上训练,同时微调参数,将目标物体的定位信息通过坐标变换转换为机械臂的抓取位姿,控制机械臂最终以固定抓取姿态完成抓取任务;最后,通过搭建实验平台,操纵UR5机械臂进行实际抓取实验,验证了算法的有效性。提出的基于目标检测的方法速度快、实时性高、误/漏识别率小于2%,应用在机械臂抓取上可以高效地完成任务。     

面向激光跟踪仪跟踪恢复的合作目标视觉检测

为了实现复杂场景下激光跟踪仪跟踪恢复过程中合作目标靶球的检测,本文研究了基于深度学习的靶球检测方法。首先,分析靶球自身特点、应用环境及它在跟踪恢复过程中的作用,然后根据Faster R-CNN模型原理与跟踪恢复应用需求提出基于超特征与浅层高分辨率特征信息复用的改进方法生成新的融合特征图,并优化区域建议提取参数,协同解决图像中目标多尺度变化与小尺寸导致目标漏检率高的问题;同时提出一种基于强背景干扰的困难样本挖掘方法提高模型对外形颜色等与目标近似的干扰物识别能力,解决模型误检测率高的问题。最后,本文构建了目标靶球数据集并进行了对比训练与测试。测试实验结果表明:本文提出的基于强背景干扰困难样本挖掘方法的改进Faster R-CNN模型在目标多尺度、小尺寸检测,以及对复杂背景中相似干扰物的辨别能力都有提升,最终对测试集的检测精度达到了90.11%,能够满足激光跟踪仪跟踪恢复过程对合作目标靶球的视觉检测精度要求。     

商用车高位引气管进气特性数值仿真与优化

针对商用车高位引气管进气阻力大和预滤尘、水效率低的问题,采用计算流体力学(CFD)的方法,分析了高位引气管的进气特性,发现了影响进气阻力和预滤尘、水的效率的因素.仿真和试验的进气阻力相差0.lkPa左右,验证了仿真模型的准确性.分析阻力流场和速度场可知:高位引气管因旋流扇角度和减振波纹管结构改善了其内部湍流压力和速度梯度的分布,降低了进气阻力,提高了预滤尘、水的效率.据此,优化了高位引气管结构.优化后的模型在出口处进气阻力降低到1.15kPa.有效地改善了高位引气管的进气和预滤尘、水的性能.     

基于Libra R-CNN改进的交通标志检测算法

随着人工智能领域的快速发展,深度学习在无人驾驶领域中的应用逐渐成熟,但是其中交通标志检测任务作为难点问题仍有很大的改进空间。城市道路下的交通标志检测具有环境复杂、小目标多、目标种类多且数量不平衡的特点,针对这些问题,提出基于Libra R-CNN进行改进的方案。Libra R-CNN目标检测网络是基于平衡提出的,能够较好应对目标种类多及数量不平衡问题,在Libra R-CNN网络的锚框提取样本阶段,使用GA-RPN生成锚框,从而在训练期间产生更精确、更多样化的样本,减少背景影响和小目标不好定位的问题,提高检测准确率。该方法通过试验验证了有效性。试验是在MS COCO 2017和交通标志数据集上进行的。改进后的Libra R-CNN的mAP提高了超2.7个百分点。试验结果表明,改进后的网络相比原有的目标检测网络性能有了显著提升。     

基于Cascade R-CNN的车辆目标检测方法

本文针对实际情况中行驶车辆检测时间较长并且识别精度低的问题,提出基于Cascade R-CNN(Cascade Regions with CNN features)车辆目标检测算法,该算法在数据集中端对端的训练表现的不错,并且在BIT-Vehicle数据集上的检测精度AP(Average Precision)达到了95.2%,图像平均单帧检测时间达到0.18s,基本满足了车辆实时检测的需求。研究对比了两种方法在BIT-Vehicle数据集中的车辆检测能力,该方法超越了Faster R-CNN的检测效果。     

基于无监督深度估计的带雾图像生成方法（英文）

基于卷积神经网络的雾霾环境视觉目标检测,通常直接利用无雾条件下清晰的数据集对网络进行训练,网络无法通过训练集获取雾霾图像下目标的特征权重配置,因而检测效果不佳。为了提高雾霾环境下目标检测效果,从数据集构建角度入手,提出了一种在无雾图像上生成带雾图像的方法。首先以KITTI-objection数据集作为原始无雾图像,利用改进的Monodepth无监督深度估计方法生成原始图像的深度图像。然后构造几何先验深度模板,以图像熵为权值与深度图进行融合,并根据大气散射模型,由深度图像得到雾图像。最后,采用基于二阶的Faster-RCNN和基于一阶的YOLOv4两种典型的目标检测架构,对原始数据集、雾数据集、混合数据集进行训练,并对室外自然雾霾场景数据集RESIDE-OTS进行检测。实验结果表明,使用混合数据集训练下的模型检测效果最好,在YOLOv4模型下mAP值提升了5.6%,在Faster R-CNN网络下mAP值提升了5.0%,从而有效提升了雾霾环境下卷积神经网络的目标识别能力。     

基于ANFIS的6R机械臂新逆运动学模型

运算速度和精度是衡量工业机械臂性能的重要指标。为了加快工业机械臂求逆解的速度,针对多数工业机械臂为满足Pieper准则的6R机械臂的情况,提出了一种新逆运动学模型。机械臂腰、肩、肘关节转角由自适应模糊神经系统(ANFIS)求解,腕俯仰、腕摆动、腕旋转关节转角由解析法求解。用此模型得到的解没有姿态误差,但有仅受ANFIS结构影响的位置误差。由实验结果可知选取SΦ1000 mm半球作为训练空间,训练点数为20 000个,隶属函数MF的个数为6时,所得的逆解模型效果最好。结果显示平均位置误差为0.158 mm,选取合适的工作空间后可将其空间内99.9%的点的位置误差控制在0.5 mm内。1 000点逆解计算时间为0.082 s,而传统的解析法所需3s左右,极大的缩短了计算时间。根据以上特性可以将此模型运用于分拣系统这类实时规划系统中,速度快,节省计算资源,且误差在可接受的范围内。     

输电线路智能型液压修补机视觉检测算法研究

为了提高输电线路的供电可靠性,降低输电线路由于运行时间长、外部气候条件恶劣以及电磁环境复杂等造成的导线故障,采用输电线路智能型液压修补机代替人工作业进而降低电网人身风险事故。进行了基于Faster R-CNN的输电线路智能型液压修补机视觉检测算法研究;建立了基于Faster R-CNN的螺栓与导线缺陷检测模型,将训练好的Faster R-CNN导线缺陷检测模型在福建某110 kV输电线路上完成作业实验,证明了所建立的基于Faster R-CNN的输电线路智能型液压修补机视觉检测算法的有效性。