基于近场LED点光源光度立体的核电设备表面缺陷三维检测

为提高核电设备表面缺陷检测能力,研究了近场发光二极管（LED）点光源照明条件下的光度立体三维检测方法。该方法采用迭代算法,确定光源发光特性参数,进而实现精确的光照强度估计,并结合光源与被检表面点空间位置的计算方法,实现近场LED点光源照明下被检测面上不同点的光照强度与光线方向的估计。以此为基础设计表面缺陷三维检测系统,并将该系统在表面损伤试样以及实际核电设备上进行实验验证。结果表明,该系统可以获取表面缺陷三维信息,并且对于划伤类缺陷,能够实现比较精确的深度测量。因此,该系统可以有效提高表面缺陷的检测能力。      

模拟示波器波形胶片数字化判读系统的研制

采用基于计算机图像处理技术研制了模拟示波器波形胶片数字化判读系统,该系统能够将波形曲线从复杂背景中提取和识别出来,并保存波形曲线上点的坐标数据.介绍了系统的硬件框架组成、软件模块结构、图像处理的关键算法与技术,并对典型的波形胶片图像实例进行了识别和判读实验.实验结果表明,系统在实际胶片波形判读应用中具有判读精度高、速度快、自动化程度高等优点.     

基于工业CT的工件缺陷识别方法

工业CT是一种有效的工件缺陷识别的方法,代表着无损检测技术的发展方向.首先概述工业CT技术在工件缺陷识别中的应用,并把其他和其他常用方法进行了简单比较;接着从工件缺陷识别的流程入手,对每个步骤都从处理思路和处理方法方面作了阐述;然后对一些在工件缺陷识别方面很有潜力的算法(Level set和Gabor小波)进行了介绍和分析;最后对工业CT在工件缺陷识别方面的应用前景进行了展望.     

一种基于模式识别的放射性核素快速识别方法研究

基于模式识别的方法,应用核辐射数字化测量分析平台,通过综合利用放射性核素的射线信息,选定核素的辐射特征信息,建立核素特征数组库,设计识别方法应用于中、低分辨率探测器的放射性核素识别。在实验中发现在传统中低分辨率谱仪系统对单一核素全能峰未达到统计下限值时,使用快速识别算法的数字系统对3种混合核素的识别率达到90%以上。结果表明此方法明显优于传统算法,有效地提高了放射性核素的快速识别能力。     

离散余弦变换在火焰识别中的应用

通过离散余弦变换提取目标轮廓特征,并结合神经网络方法对火焰进行识别.首先对图像进行分割和轮廓提取,然后通过离散余弦描述子提取具有平移、旋转和尺度不变性的目标轮廓特征,再利用前向传播神经网络自动学习及识别这些特征向量.在保证判断准确率的情况下,算法中用离散余弦变换,与傅立叶变换相比大大降低了计算复杂度.实验表明该算法能够达到较高的识别率,并有效地减少了运算量,提高了识别效率.     

核素识别仪中的自适应变换宽度SNIP算法开发

研究了一种应用于γ散射本底扣除的改进型非线性迭代剥峰算法(Statistics-sensitive Nonlinear Iterative Peak-clipping,SNIP)方法,该方法拟合了峰宽与能量的关系,并通过该关系实时获取峰宽,实现了变换宽度自适应,改善了固定峰宽无法对全谱的散射本底进行准确扣除的缺陷。实验结果表明:本文提出的自适应变换峰宽SNIP算法结构简单,动态效果好,与传统和其他改进的SNIP算法相比,γ能谱的散射本底扣除效果得到了进一步改善,并可以达到优化核素识别的效果,为核素识别方法提供了更多的选择。     

二维直方图阈值法分割工业CT图像的研究

高精度工业CT图像因其包含物体三维信息而被广泛重视。尤其对于某些工件的缺陷检测，可利用图像分割技术进一步识别、突显缺陷，提高检测效率。针对一类工件的缺陷，对其高精度CT图像先后采用了比特窗算法进行预处理和二维直方图阈值法进行分割，突出显示了该类缺陷。该类方法对类似问题有广泛应用。     

基于模糊C-均值的原型模式选择及其在核爆地震识别中的应用

协同模式识别是一种全新的有着抗噪声、抗缺损等诸多优良特性的模式识别方法,但将其用于核爆地震和天然地震的分类时,采用现有的原型模式选择方法识别效果并不理想.本文提出了一种基于模糊C-均值的原型模式选择方法,该方法首先对每一类训练样本采用模糊C-均值聚类的方法聚为c类,然后选取这c类的c个重心或c个聚类中心作为该类的原型模式进行核爆地震的协同模式识别.实验结果表明,同现有的原型模式选择方法相比,该方法使识别率有了较大提高.     

基于频域数据注意力机制的核电厂水泵故障模式识别模型研究

针对核电厂水泵共性的异常振动、转子部件摩擦与磨损等故障模式,利用水泵最容易获取的泵壳加速度信号的频域数据为输入,提出了一种结合卷积神经网络和注意力网络的频域数据注意力机制方法,并建立了核电厂水泵故障模式识别模型。研究结果表明:相对于传统方法,利用频域数据作为输入、基于频域数据注意力网络算法建立的水泵故障模式识别模型输入的数据长度更短,能够有效提升模型训练的效率,该故障模式识别模型在测试集上的故障模式识别准确率达到100%,优于其他基于深度学习算法建立的故障诊断模型,证明了本文提出方法的优势。      

基于扫描核探针技术的大气气溶胶单颗粒物源识别与解析方法研究与应用

将高分辨、高灵敏的扫描核探针(SNM)技术与人工神经网络(ANN)模式识别方法相结合,以单个气溶胶颗粒物化学表征为基础,开展大气气溶胶源识别与解析的新方法研究。摸索出单颗粒气溶胶SNM靶样的制备方法。建立了SNM多站多参量分析模式的数据获取系统和分析条件。用SNM测定了单个大气气溶胶粒子的元素谱特征。基于标准的误差反向传输神经网络算法,建立ANN模式识别系统,直接对单个气溶胶粒子的SNM分析能谱模式进行识别,判别其来源,计算源的贡献率。将建立的方法初步应用于上海市大气PM10源识别与解析研究。结果表明该方法解析能力强,解析结果客观,具有查找未知污染源、解析低浓度污染源的特点。