反射式光电法纱线检测中信号影响因素分析

现今纺织业中机器纺织速度越来越快,传统的人眼识别速度已经不能满足纱线缺陷在线检测的需求,因而在纺织业中推进自动化检测变得尤为重要。针对纱线自动化在线检测中纱线疵点信号判别的需要,利用反射式光电检测原理通过搭建检测结构对纱线表面疵点进行采样并对采样样本特征进行分析。通过分析采样样本中疵点不同轴向尺寸、径向尺寸及灰度差异特征对输出产生的影响,为纱线疵点在线检测信号判断提供依据。经分析发现疵点轴向尺寸与采样样本响应时间呈线性关系,疵点径向尺寸及灰度差异与采样样本响应电压峰值呈线性关系。     

集成迁移学习的轴件表面缺陷实时检测

针对轴件表面缺陷分析过程中存在小样本和实时检测效率低的问题,提出一种集成迁移学习的轴件表面缺陷实时检测方法。首先通过相似领域图片的迁移学习,减少对人工大规模标注数据的经验性依赖,采用主成分分析法完成表面缺陷的降维和关键特征向量提取,建立轴件表面缺陷的特征空间,并利用空间位置求解迁移学习的源领域,降低领域间距离度量的复杂度;其次通过训练源领域图片的特征提取器,将特征提取器的网络权值迁移至YOLO V3目标检测模型中,完成相似领域的知识迁移,建立高速生产状态下的轴件表面缺陷实时检测模型。试验表明,该方法在轴件生产现场的实时检测中具有较高的准确度和鲁棒性,集成后的算法模型各类缺陷正检率达97%以上,平均精度均值的方差值缩小近3倍。     

基于度量学习的小样本零器件表面缺陷检测

针对零器件表面缺陷检测时存在缺陷样本少、缺陷目标尺寸大小不一和易发生几何形变等问题,提出一种基于度量学习的小样本零器件表面缺陷检测模型。该模型首先将特征金字塔网络中传统卷积改进为动态卷积,并加上区域建议网络对小样本缺陷进行特征提取和边框定位;然后在大型数据集MS COCO上进行预训练,将训练好的模型结构参数迁移到具有少量缺陷样本的检测中;最后建立基于度量学习的多模态网络结构实现小样本零器件表面缺陷检测。实验表明,所提方法在ImageNet LOC公共数据集上与其他模型相比性能更优,5类5样本下均值平均精度为70.43%;在所建立的零器件表面缺陷数据集上,3类5样本的均值平均精度最高可达35.76%,相比RepMet模型性能最大可多提升近70%。     

基于迁移学习的民航发动机小样本故障诊断

为解决民航发动机故障诊断面临的故障样本不足的问题,提出一种基于深度自动编码器(DAE)迁移学习的小样本故障诊断方法.该方法首先利用大量的正常样本对DAE进行训练,建立发动机状态特征提取模型;然后将该特征提取模型迁移到具有少量数据的发动机故障样本中,并对这些故障样本进行特征提取;最后利用支持向量机(SVM)实现小样本分类.为了使DAE能够学习到更具有代表性的深度特征,利用重构误差评估不同隐藏层神经元节点数下的单个自动编码器(AE)特征提取能力,进而通过单个AE特征提取能力对DAE隐藏层的神经元节点数进行优化.以某航空公司的C FM 56-7B系列发动机的实际飞行历史数据验证了所提故障诊断方法的有效性.     

基于深度学习的多尺寸汽车轮辋焊缝检测与定位系统研究

为了实现汽车轮辋生产装备自动化与智能化,提升汽车轮辋的生产效率,降低人工成本,本文提出了一种基于YOLOv5s算法的多尺寸汽车轮辋焊缝检测与定位系统。首先,由图像采集装置拍摄实际生产中的多尺寸轮辋焊缝图像,构建轮辋焊缝数据集,使用K-means算法重新生成数据集锚定框,提升网络的收敛速度和特征提取能力;其次,引入CBAM(Convolutional Block Attention Module)混合域注意力机制,提高模型对于轮辋焊缝关注度,减少背景干扰;然后,采用EIOU(Efficient Intersection Over Union Loss)边框位置回归损失函数,提高轮辋焊缝识别框的准确率;最后,增加了ASFF(Adaptively Spatial Feature Fusion)自适应特征融合网络,使目标检测模型对多个级别的特征进行空间滤波。实验结果表明,改进后的算法准确率和mAP0.5分别达到了98.4%和99.2%,相比于原YOLOv5s算法分别提高了4.5%和3.7%。训练好的模型采用推理加速框架TensorRT进行加速部署在工控机上,搭配视觉检测软件与工业触摸屏形成交互...     

基于对称差分和特征匹配的纱线运动疵点实时检测

针对纱线高速运动时无法实时准确检测疵点的问题,提出了一种高速纱线的实时疵点检测算法,该算法适用于实时处理大容量图像和高速移动纱线疵点检测.该算法通过将对称差分算法和连通域特征匹配方法相结合,提高了纱线疵点检测准确性,同时缩短了处理时间.首先对图像进行了预处理,再使用对称差算法分解疵点图像并提取了图像疵点特征,然后使用连通域特征匹配方法识别了疵点.改进了传统差分算法无法抗抖动缺点,比较完整地保留了疵点信息,构造了识别能力特别强的特征匹配方法.最后,将该算法疵点检测的准确性和检测速度与现有检测方法进行了对比分析.研究结果表明,该算法在准确性方面优于人工检测及传统差分算法,检测速度相对神经网络和传统差分算法有所提高,该算法能够在实现实时、快速检测疵点的同时保证检测疵点检测的准确性.     

结合深度学习的智能看护机器人目标检测研究

针对智能看护机器人在实际生活中对目标的检测速度慢和精度低的问题,提出了一种采用轻量型卷积神经网络模型对目标进行检测的算法.首先利用MobileNets基础网络对采集到的图像信息进行特征提取,然后利用多尺度特征图检测不同尺度的目标,同时引入抑制类别样本不均衡的焦点损失函数使模型更加侧重于对困难样本的训练.实验结果表明,改进后的网络模型计算量大幅减少,检测速度提高了7倍,对不同光照条件和复杂的背景环境具有鲁棒性,能够满足对目标的检测要求.     

基于改进YOLOv4的柱形锂电池缺陷检测研究

为了实现柱形锂电池缺陷检测的实时性与高精度,提出一种基于改进YOLOv4的柱形锂电池表面缺陷检测算法。将主干网络由CSPDarkNet53替换为轻量化网络Mobile Netv1,使用K-means++算法对锂电池缺陷数据集先验框进行重新聚类,同时构建新的注意力机制ECSA模块关注重要信息。改进后的模型检测精度与检测速度均得到提升。     

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。     

基于改进YOLOv5s的工件识别检测算法

针对机器人在抓取目标工件的过程中由于光线强度变化、图像环境复杂和拍摄设备移动等造成的工件识别精度低的问题,文章提出一种改进YOLOv5s的工件识别检测算法。首先,通过数据增强扩充数据集并进行预处理;其次,使用改进的k-means聚类算法重新生成更有效的预设锚框,缩短收敛路径;然后,在特征融合网络中添加CBAM注意力机制,有效抑制背景信息干扰,提高特征提取速度;此外,将特征融合模块中原有的特征金字塔结构替换成加权双向特征金字塔Bi-FPN结构,实现高效的加权特征融合和双向跨尺度连接,提高网络对不同尺度特征的融合效率;最后,通过采用α-IoU作为边界框回归损失函数,提高模型的定位效果。结果表明,改进后的YOLOv5s算法对工件检测的mAP值提升了6.03%,检测速度提升了13.7 fps,验证了改进算法的有效性。