基于灰度-梯度共生矩阵的车轮踏面缺陷聚类分析北大核心CSCD

车轮作为列车走行部的关键部件之一,其踏面产生缺陷后会直接影响到列车的运行安全。为了能够在检测时准确识别车轮踏面缺陷不同类型,提出一种基于灰度-梯度共生矩阵的纹理特征提取方法,对踏面图像的灰度和梯度特征分析之后,根据灰度-梯度共生矩阵提取踏面图像纹理特征矢量,再结合K-均值(K-means)聚类优化算法对踏面缺陷特征量进行聚类,从而将踏面缺陷类型进行分类,并将分类结果用可视化数据显示。实验结果表明,采用上述所提方法,对车轮踏面缺陷不同类型的分类识别精度达96%以上。     

采用激光声磁技术检测钢轨踏面缺陷

钢轨踏面与车轮之间的滚动接触疲劳形成的大量表面缺陷严重危害着铁路行车安全,传统的无损检测(NDT)方法已不能适应铁路快速发展的需要。根据激光声磁技术的基本原理和钢轨踏面缺陷检测的特点,研究了钢轨踏面缺陷检测的激光声磁检测技术。通过对比激光声磁技术与压电超声检测钢轨踏面横向裂纹缺陷的实验,表明本文方法能准确的检测和定位踏面横向裂纹。通过小波阈值去噪技术对激光声磁信号进行处理,在保留了原始信号的各种特征的同时大大提高了信噪比(SNR),更有利于缺陷的识别和特征的提取。分析了提离效应对激光声磁信号的影响,获得了提离距离与接收信号幅值变化曲线图。实验结果表明,本文方法无需耦合剂、对钢轨表面状况要求低,可实现钢轨踏面缺陷的非接触、快速和准确的检测。     

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。     

采用激光声磁技术检测钢轨踏面缺陷

钢轨踏面与车轮之间的滚动接触疲劳形成的大量表 面缺陷严重危害着铁路行车安全,传统的无 损检测(NDT)方法已不能适应铁路快速发展的需要。根据激光声磁技术的基本原理和钢轨踏 面缺陷检测的特点, 研究了钢轨踏面缺陷检测的激光声磁检测技术。通过对比激光声磁技术与压电超声 检测钢轨踏面横向 裂纹缺陷的实验,表明本文方法能准确的检测和定位踏面横向裂纹。通过小波阈值去噪技术 对激光声磁信号 进行处理,在保留了原始信号的各种特征的同时大大提高了信噪比(SNR) ,更有利于缺陷的识别和特征的提取。 分析了提离效应对激光声磁信号的影响,获得了提离距离与接收信号幅值变化曲线 图。实验结果 表明,本文方法无需耦合剂、对钢轨表面状况要求低,可实现钢轨踏面缺陷的非接触、快速 和准确的检测。     

列车车轮踏面擦伤动态检测系统研究

列车车轮踏面擦伤在列车行进中带来额外的冲击荷载,严重影响列车与轨道设施的安全与使用寿命。在综合分析了国内外常用车轮踏面擦伤动态检测系统原理的基础上,介绍了基于激光器-PSD位置传感器方式的光学式踏面擦伤检测方法,并设计了相关的检测系统,同时利用Matlab对实验相关数据进行低通滤波、荷载值转换、阈值比较等处理,得到了车轮擦伤的情况。     

铁路货车车轮踏面剥离、擦伤、圆周磨耗故障原因分析及改进建议

在郑州上行站修车间对临修车辆验收时,发现铁路货车车辆车轮踏面剥离、擦伤、圆周磨耗踏面故障所占比例较高,给行车安全带来了隐患,同时增加了车辆检修成本和周转时间,影响了铁路正常运输秩序。为降低车轮踏面故障的发生率,提高车辆运行品质;本人进行了为期两个月对故障进行了统计,对故障产生的原因进行了分析,并提出相应的改进建议。     

基于图像的轮对踏面轮廓测量方法

轮对作为动车运行的重要部件,如果出现故障,将引发不可预想的后果,因此如何实时地、有效地、精确地检测车轮在列车众多安全问题中显得尤其重要。文中在使用非接触式检测车轮,通过CCD采集系统获得原始的轮对踏面曲线的基础上,通过图像降噪处理、曲线提取和曲线拼接一系列方法,实现获取车轮踏面完整轮廓。文中在曲线提取和拼接的算法部分,通过对比已有的方案和方法,提出了适合轮对踏面轮廓的改进算法并通过实验进行分析和验证。通过实验证明,文中提出的车轮踏面轮廓测量方法易于实现、适用范围广。     

数码相机在列车车轮外形磨损检测中的应用

介绍了一种利用数码相机获取图像并采用数字图像处理技术实现对列车车轮轮缘踏面磨损进行自动检测的新方法。针对自动检测过程中投影图像的获得和轮廓曲线的提取这两个重要环节阐述了数码相机在列车车轮外形磨损检测中使用的可行性和提取清晰边缘曲线的处理方法,最后给出了用该种数字图像处理技术对轮缘踏面磨损进行自动检测所获得的实验结果。     

基于智能型面分析的抛光表面缺陷检测研究

工件的表面质量对零件可靠性、质量和使用寿命的影响至关重要。尽管各种基于计算机视觉的目标检测框架已经被广泛应用于工业表面缺陷检测场景，但由于面型的影响以及缺陷之间的混叠性，超精加工工件表面缺陷检测仍然具有挑战性。因此，提出了一种频率嵌入双分支参数预测网络来预测滤波参数，滤除掉型面信息从而使得缺陷特征更加显著。基于智能型面分析的预处理后，提出了一种基于级联区域神经网络感受野增强缺陷检测网络，将可变形卷积间隔地替换到高效网络的卷积模块中，有效地提高了主干网络特征提取的能力，然后重新选择特征图组成新的特征金字塔网络以提高效率，进一步提高网络性能。此外，还构建了具有滤波参数标注信息的滤波参数数据集UPP-CLS和具有缺陷类别及位置的缺陷检测数据集UPP-DET。模型在UPP-CLS上达到了85.36%的准确性，相较于现有网络提升3～5个百分点；在UPP-DET上达到了0.862的平均精度，相较于现有网络提升5.3%～7.8%。模型整体性能优于主流网络结构。源代码将在https：//gitee. com/zihaodl/detect＿app上开源。     

基于空谱背景重构的半监督高光谱异常检测

为了充分利用高光谱图像的空间和光谱信息，同时缓解训练样本不足的问题，提出一种融合空谱特征的半监督高光谱异常检测模型。首先使用无监督聚类自动构建空谱背景数据集用于网络的训练。然后构建基于自动编码器和生成对抗网络的空谱双路模型分别用于背景光谱特征的学习和波段信息的重建，空间支路同时使用滤波器增大背景和异常间的差异，两路分别得到光谱异常分数和波段异常值。最后融合空谱特征得到异常检测图。在真实高光谱图像上验证该方法的有效性，实验结果表明，该方法优于传统的异常检测方法，平均检测精度达到99.55%。     

基于改进YOLOv3_Tiny的压敏电阻表面缺陷检测

针对当前目标检测算法网络复杂,对平台设备要 求高;而轻量化网络YOLOv3_Tiny对 压敏电阻表面缺陷的检测精度较低,容易出现漏检错检的情况,提出了基于YOLOv3_Tiny的 改进算法DAYOLOv3_Tiny。DAYOLOv3_Tiny构建了深度可分离卷积块替代标准卷积,使用卷积 操作进行下采样,使检测网络在减少网络参数量的同时增加了特征的提取;并在网络中引入 了通道注意力模块和空间注意力模块,增强了检测网络对重要特征信息的学习。在自制的压 敏电阻表面 缺陷数据集上进行实验,结果表明,DAYOLOv3_Tiny的mAP值为92.23%,较改进前 提升了12.25%;改进后的DAYOLOv3_Tiny模型大小为YOLOv3_Tiny的55.42%,仅18.9 MB。实验 表明,DAYOLOv3_Tiny对压敏电阻表面缺陷的检测精度较高,能够有效改善漏检错检的情况 ,且网络模型较小,对硬件平台要求不高,易于在性能受限的平台部署。     

基于改进YOLOv5的光伏组件缺陷检测

电致发光（EL）检测技术作为太阳电池和组件缺陷检测的重要手段被广泛运用，但是EL检查中的缺陷筛查仍然需要持续完善。为了克服以往研究中可识别缺陷的种类少、无法对缺陷进行定位、模型参数多体积大及检测速度慢的局限性，使用改进的YOLOv5网络对电致发光图片中常见的隐裂、断栅、裂片和黑斑4类主要缺陷进行检测和分类。使用Ghost模块代替YOLOv5骨干提取网络中的普通卷积模块，减少网络模型的参数量；为了保证良好的检测性能，在骨干网络尾端加入Squeeze-and-Excitation(SE)注意力模块，提升算法的目标检测能力；在特征融合网络中引入双向特征金字塔网络（BiFPN）结构，进一步加强网络的特征融合能力。结果表明，所提模型成功地识别和定位了4类常见的缺陷，与YOLOv5算法相比，模型体积减小了21%，在没有GPU加速的情况下，单张图片的检测速度提升了17.4%。     

基于特征金字塔匹配和自监督的表面缺陷检测

针对传统表面缺陷检测无法适应工业复杂背景等问题，提出一种基于特征金字塔匹配和自监督的表面缺陷检测算法。首先，将两个基于通道注意力的残差网络提取的特征构成金字塔，根据网络各层输出的差异找到缺陷。其次，网络预训练的方式上采用了自我引导潜能（BYOL）自监督学习，经过自监督学习的网络可以提取通用特征，并提高缺陷检测方法的泛化性。最后，在遇到模糊图像时，采用基于不同分辨率的蒸馏训练来让学生网络充分学会提取图像的深度特征。对所提算法在3个数据集上进行了测试，实验结果证明，所提方法好于对照组，具有更高的缺陷检测精度。     

特征图知识蒸馏引导的轻量化任意方向SAR舰船目标检测器

基于有向边界框的合成孔径雷达(SAR)舰船目标检测器能输出精准的边界框,但仍存在模型计算复杂度高、推理速度慢、存储消耗大等问题,导致其难以在星载平台上部署。基于此该文提出了结合特征图和检测头分支知识蒸馏的无锚框轻量化旋转检测方法。首先,结合目标的长宽比和方向角信息提出改进高斯核,使生成的热度图能更好地刻画目标形状。然后在检测器预测头部引入前景区域增强分支,使网络更关注前景特征且抑制背景杂波的干扰。在训练轻量化网络时,将像素点间的相似度构建为热度图蒸馏知识。为解决特征蒸馏中正负样本不平衡问题,将前景注意力区域作为掩模引导网络蒸馏与目标相关的特征。另外,该文提出全局语义模块对像素进行上下文信息建模,能够结合背景知识加强目标精确表征。基于HRSID数据集的实验结果表明所提方法在模型参数仅有9.07 M的轻量化条件下,mAP能达到80.71%,且检测帧率满足实时应用需求。      

基于Encoder-Decoder网络的列车轮对激光曲线提取

提出了一种基于Encoder-Decoder网络的列车轮对 激光曲线精确分割的算法。针对列 车轮对激光曲线数据集局部特征丰富、语义信息简单的特点,设计了具有深度较浅、分辨率较 高、细节表现良好的网络。设计的网络很好的利用了密集链接机制和上采样模块,加强了特 征复用以及特征传播,具有较少参数的同时,能多尺度提取上下文语义信息。实验证明,En coder-Decoder网络相比于其他网络在列车轮对激光曲线提取上表现出优异的性能。基于Enc oder-Decoder的网 络在列车轮对激光曲线数据集上交并比、召回率、准确率和F1_score指标 分别达到了86.5%、89.2%、99.9%、85.0%,能够比较精准提取列车轮对激光条纹。同时Enco der-Decoder网络在进行列车轮对激光条纹分割时能在一定程度上改善噪声对条纹提取的影 响。因此在铁路安全方面具有良好的应用前景。     

融合毫米波雷达与机器视觉的雾天车辆检测

车辆检测对于辅助驾驶系统至关重要，由于雾天道路场景严重退化，图像中的车辆信息不明显，导致车辆检测存在漏检、误检的问题。针对上述问题，本文提出了一种融合毫米波雷达和机器视觉的雾天车辆检测方法。首先，采用暗通道去雾算法对图像进行预处理，提高雾天图像中车辆信息的显著性。然后，采用知识蒸馏改进YOLOv5s算法，在YOLOv5s的特征提取网络中引入知识蒸馏，在目标定位和分类阶段计算蒸馏损失，对损失进行反向传播训练小型网络模型，在保证视觉检测准确度的同时提高检测速度。最后，采用基于潜在目标检测区域搜索的距离匹配算法对视觉检测结果和毫米波雷达检测结果进行决策级融合。以检测目标的类型和距离为匹配依据，滤除干扰信息和错误信息，保留毫米波雷达检测和视觉检测融合后的检测置信度较高的目标，从而提高车辆检测的准确率。实验结果表明，该方法在雾天下最高检测准确率达92.8%，召回率达90.7%，能够实现雾天对车辆的检测。     

基于改进YOLOv5的轻量化绝缘子表面缺陷检测

针对无人机检测缺陷绝缘子时,存在目标特征不明显、小目标检测效果差、无法同时满足检测速度和精度的问题,提出一种基于改进YOLOv5的绝缘子缺陷检测算法。首先,针对目标特征不明显的问题,将ConvNeXt网络应用到YOLOv5主干网络中,以加强网络特征提取能力;其次,针对图像中的小目标特征,在主干网络中引入坐标注意力机制,提高对小目标的检测精度;然后,对改进模型进行剪枝操作,剪去模型中冗余的通道,从而减少模型参数量,使模型更加轻量化。实验结果表明：所提算法在绝缘子缺陷数据集IDID上的平均精度均值达到93.84%,较原始算法提升了3.4个百分点;检测速率达到166 frame/s,较原算法速率提升了69.4%,可以满足对输电线路实时检测的要求。     

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。     

基于知识蒸馏KD压力容器焊缝参数特征点提取实时性提升方法

压力容器对接纵焊缝是重要受力部位，对其测量是焊接质量评估的重要环节，从焊缝激光线中提取焊缝参数测量特征点是视觉焊缝测量重要内容。针对深度学习的焊缝图像参数特征点提取网络，其复杂骨干网络在模型部署、模型训练、模型正向传播时间成本而带来检测实时性限制问题，研究基于深度学习的压力容器焊缝图像特征点提取网络、焊缝参数特征点提取的相邻阶段数据融合KD模型的实时性提升方法，并以压力容器焊缝实验对象进行验证。结果表明，知识蒸馏KD训练后学生模型特征点提取精度有明显提升，且部署时间、单张图片提取时间分别减少70.8%、79.7%。     

基于膨胀卷积的多尺度焊缝缺陷检测算法

本文针对焊缝缺陷尺度变化不一导致的检测率效果不理想,提出了一种基于更快地区域卷积神经网络(faster region-based convolutional neural network,Faster R-CNN) 对焊缝缺陷检测的改进算法。算法利用膨胀卷积在不同扩张率下进行特征融合,结 合不同感受野下的卷积核更全面地提取不同尺度的特征信息,来提升目标的检测精度。同时 利用深度可分离卷积,来对模型进行压缩,提高检测速度。实验表明,改进后的网络在保证 运行速度的同时,能够提高检测速度,检测精度可以达到72%。