基于深度学习的气泡水平尺自动矫正系统研究

针对气泡水平尺大角度偏斜工件的自动矫正问题,对深度学习目标检测领域的模型进行了研究,设计了一种基于深度学习的自动矫正方案。在不同光照条件的气泡工件图片样本集上,采用k-means聚类方法,分析了不同anchor box数量对YOLO检测性能的影响,对比了YOLO与SSD两种模型的检测准确率和平均IOU;同时结合概率霍夫变换与最小二乘法,设计了两种气泡工件参考线边缘拟合方法,并对比了两种拟合方法计算工件偏斜角度的准确度;针对应用场景,采用Client/Server网络结构,服务端接收客户端采集的图像并将计算结果返回,客户端控制电机对偏斜工件进行了自动矫正。研究结果表明:该方案能对气泡大角度偏斜的工件进行检测,相比现有方案矫正的效率更高。     

联合损失监督的高频工件深度学习识别算法

针对高频工件种类多、类间相似度较高造成的识别准确率低的问题,提出一种联合损失监督的深度学习识别算法。搭建基于卷积神经网络的图像特征向量编码模型,采用角度余量损失替换SoftMax损失,以减小工件类内特征之间的距离,完成同类工件的鲁棒性表示;引入隔离损失以增大异类工件特征之间的距离,实现异类工件的良好性区分。实验结果表明：该方法相较于传统的图像识别方法,识别准确率更高;相较于单一的角度余量和隔离损失,识别准确率分别提高了3.97%和13.88%。     

基于全卷积神经网络的工件表面检测的研究

近年来,深度学习的快速发展引起了机器视觉在工业领域的兴起,相较于传统物理测量检测方法,基于深度神经网络的检测算法有高效率、无损耗的特点。为快速检测流水线上工件产品表面形貌的优劣,本文提出了一种基于全卷积神经网络的检测方法,实现了工件表面优劣的实时检测算法,能端对端的输出检测结果。相较于传统人工检测提升了检测效率及准确率,实验数据表明,利用全卷积神经网络所设计的检测算法,识别精度高达98%,识别速率相较于人工提升了5倍,有较强的实际意义。     

基于Inception-SSD算法的零件识别

针对传统目标检测方法不能兼顾目标识别精度和检测实时性,且在实际生产复杂工况下识别效果不佳的问题,提出一种基于Inception-SSD框架的零件深度学习识别方法。首先,提出了融合Inception预测结构的SSD优化框架Inception-SSD,将Inception网络结构引入到SSD网络额外层中,并使用批量标准化模块(BN)和残差结构连接,从而捕获更多目标信息而又不会增加网络复杂性,以提高检测准确率而又不影响其检测速度,并增加算法鲁棒性;然后提出在原损失函数基础上增加排斥损失项以改进损失函数,同时采用一种基于加权算法的非极大值抑制方法,克服模型表达能力不足的缺点。最后,将改进前后SSD算法在自制零件数据集上进行训练和测试,实验结果表明:本文方法在实际生产过程复杂情况下检测准确率达到97.8%,相比原SSD算法提升11.7%,检测速率41 frame/s。在提高检测精度同时还保证了实时性,能够满足实际生产环境零件检测需求。     

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。     

基于改进卷积神经网络的燃气调压器故障识别研究

针对传统故障识别方法不仅过分依赖专家经验对故障特征进行提取且识别准确率不高的问题,在深度学习理论基础上,提出了一种将一维卷积神经网络与SVM分类器相结合的改进深度卷积神经网络,实现调压器“端到端”的故障识别。首先,介绍了传统卷积神经网络结构;其次,将改进后的一维卷积神经网络与SVM相结合,提出了基于1-MsCNN-SVM算法的调压器故障识别模型,并对模型的组成部分进行了介绍;然后,通过对比实验确定了模型的卷积核长度和卷积层组数;最后,为验证模型的有效性,基于燃气调压器故障数据集,开展了燃气调压器故障识别研究。研究结果表明,改进后的1-MsCNN-SVM算法故障识别准确率高达99.20%,模型具有较好的分类准确率。     

高速轨道超声成像伤损检测及其参数学习方法

针对高速轨道伤损检测问题,提出一种基于0°、37°、70°超声探头探伤的检测方法。该方法基于B型图像显示分析了各伤损的颜色、面积、倾斜角度、长度、质心坐标等特征,并根据其伤损特征的内在逻辑关系设计了检测算法。此外,由于超声成像过程受多种不确定因素的影响,同类伤损的图像特征常出现较大差异而影响检测准确率,为了提高算法检测的准确率,提出一种参数学习方法,该方法可实时调整检测参数的阈值。首先,基于建立的检测算法模型提取伤损判定过程的检测参数;其次,结合伤损的关键检测参数,以相同特征约束下的同区域轮廓其类别特征间隔最大化为准则,基于支持向量机建立了一种检测和学习相结合的学习模型,并基于该模型对参数阈值进行优化调整。实验结果分析表明,采用所提方法,其轨道伤损检测准确率可达97.5%;并对初检中检测率较低的伤损进行学习再检测,其准确率得到了明显提高,从而验证了所提方法的有效性。     

基于COMSOL的超声相控阵无损检测算法与仿真技术研究

基于超声相控阵无损检测技术原理,运用延时法则研究了超声相控阵偏转和聚焦算法,在COMSOL软件中建立了多阵元超声相控阵无损检测仿真模型,对碳钢工件内部的缺陷形态进行了不同角度的扫查,揭示了声束在缺陷碳钢工件中的传播规律,获得了不同阵元的超声脉冲回波图;在此基础上,提出了基于脉冲回波的缺陷重构算法,对工件中的缺陷形态进行了重构;最后,开展了超声相控阵无损检测实验,对仿真模型以及缺陷重构算法进行了验证。研究结果为工件缺陷的超声相控阵检测及重构提供了一种有效的建模仿真技术方法。     

基于深度学习模型融合的铸件缺陷自动检测

针对目前铸件缺陷检测漏检率高的问题,提出一种基于深度学习模型融合的铸件缺陷检测方法。 首先对 Faster RCNN 网络进行改进,利用特征金字塔结构改进特征提取网络模块,实现多尺度的特征融合,完成铸件缺陷的特征提取;然后,基于 ROI Align 对网络中的 ROI 池化层进行改进,将 IOU 分数引入 NMS 算法判定过程;再将改进后的网络与 Cascade RCNN 以及 YOLOv3 进行融合;最后进行实验研究,验证了融合模型能够有效降低铸件缺陷的漏检率。 实验结果表明,将感兴趣区域池化 改进后,在 Faster RCNN 模型中的缺陷召回率提升了 1. 73% ,在本文网络模型中的缺陷召回率提升了 4. 08% ;采用模型融合的 方法在不考虑分类准确度的情况下,整个模型的缺陷识别率达到 95. 71% ,与单个模型相比,在保证铸件缺陷检测准确率的同 时,提高了缺陷检测的召回率,满足了工业应用的要求。     

融合卷积块注意力模块和Siamese神经网络的人脸识别算法

针对传统人脸识别方法识别性能较差,基于深度学习的方法在非限制条件下识别较为困难,人脸特征区分性弱,识别精度容易受到姿势、表情等方面影响的问题,提出了一种引入卷积块注意力模块的孪生神经网络模型结构。该结构是基于孪生神经网络（Siamese neural network）的基础框架进行改进的,在框架中引入改进的VGG11＿BN模型进行特征提取。该模型是在VGG11结构的基础上引入批归一化（Batch Normalization,BN）技术,在原模型结构的基础上,提出引入CBAM混合注意力机制的特征提取网络;最后,针对目前亚洲人的人脸识别训练较少的情况,采用更加符合亚洲人脸特征的CASIA-FaceV5数据集进行识别训练。实验结果表明：本文算法在人脸识别方面的准确率达到了96.67%,并且在CAS-PEAL-R1人脸数据集上比SRGES,VGG11+siamese算法的准确率分别提升6.05%,6.7%。该算法可以在多因素影响下更好地进行人脸识别验证,具有良好的稳定性。