基于预分割轮廓的CT图像亚体素表面检测方法

针对基于CT(computed tomography)图像检测分析中的点云提取精度与完整性问题,提出一种基于预分割轮廓的高精度、高完整性的亚体素表面检测方法。首先采用Otsu分割算法提取CT图像的体素级轮廓点集,并以此作为粗定位轮廓自适应地生成用于亚体素表面检测的完备感兴趣区域(region of interest,ROI);然后提出一种基于梯度非极大值抑制的表面体素判定方法,避免了梯度阈值选择难题;最后基于3D Facet模型定位亚体素级表面点位置。实验结果表明,该方法能有效改善传统亚体素检测方法的轮廓丢失、伪边严重等问题,轮廓定位误差小于0.2个体素,同时能够取得3倍以上的计算加速比。     

基于3-D Facet模型的亚体素边缘检测算法研究

在产品的虚拟测量中,需要获得产品内外表面的3D高精度轮廓信息。本文首先介绍了一种直接从CT切片序列获得表面点的方法,通过3DFacet模型计算方向导数并根据沿梯度方向的二阶导数零点获得边缘点的亚体级精确位置。该方法可以检测到法向垂直于切片的表面,并且由于考虑了待检测切片相邻层的信息,与仅考虑单层信息的2D亚像素边缘检测方法相比,它抗噪能力更强、精度更高。其次,本文提出了一种改进方法,通过缩减候选像素的预处理,在很大程度上提高了原始算法的处理速度。最后将改进算法应用到航空发动机叶片仿真模型的检测中,结果表明本算法检测精度可达0.1个像素左右,速度较原始算法提高约10倍。     

基于多尺度卷积神经网络的滚动轴承智能诊断算法

近些年由于深度学习技术的介入,机械故障诊断算法也日新月异。但是现有的方法过于依赖大量数据支撑并缺乏较好的泛化能力。针对目前存在的两个问题,这里提出了一种基于多尺度卷积神经网络的全新算法（MSCNN）。该方法以轴承原始振动时序信号作为输入,为了实现预期效果,这里采取了如下三种解决思路;（1）模型使用具有一定重复率的样本数据,大幅扩充了样本数量;（2）引入多尺度卷积核进行特征提取;（3）模型根据振动信号的固有特征选择卷积核尺寸。MSCNN不仅能在少量数据下得到近乎100%的故障识别精度,还能够在不同数据集交叉中,表现出优秀的泛化性能。     

基于卷积神经网络的磁瓦表面缺陷识别

针对现有的磁瓦表面缺陷识别算法准确率低且泛化能力不足的问题,提出一种基于卷积神经网络的磁瓦表面缺陷识别算法.该算法在轻量级NASNet卷积神经网络的基础上,引入双线性模型增强网络的特征表达力,提高算法识别精度.其次,为了减少模型参数量与计算量,改进NASNet模型结构进行特征降维.同时采用Adam算法作为网络的优化算法...     

工业CT图像圆精确测量

圆形结构特征大量存在于工业CT图像中,有效地检测出圆并获得其参数,在图像测量及逆向工程应用中具有重要的意义。利用基于Facet模型的亚像素边缘检测算法检测图像边缘,利用计算圆存在的概率大小识别边缘图像中的圆,实现工业CT图像中圆的检测和参数测量。研究圆存在概率算法特点,通过构造专用链表数据结构存储计算数据、限制计算时圆心选取范围的方法,改进圆存在概率计算效率低、占用内存大的缺点。使用空间分辨力为2.0lp/mm的电子直线加速器工业CT系统,扫描重建出包含10个圆的800*800像素工业CT图像,首先对图像进行基于Facet模型的亚像素边缘检测,然后进行基于存在概率的圆检测和测量。试验结果表明,改进的圆存在概率算法计算效率明显提高,图像中圆参数测量精度优于0.5%。     

基于小波定位及Facet模型的三维工业CT图像边缘检测

进行三维图像边缘检测时,利用Facet模型能够获得较精确的边缘信息,但耗时较多;而利用小波变换可获得较快的检测速度,但得到的边缘依赖于阈值的大小。综合上述两种方法的特点,提出了一种基于小波定位及Facet模型的三维边缘检测方法。首先,对工业CT三维图像进行三维小波变换,设定较小阈值,得到三维粗边缘,即对图像边缘进行粗定位;然后,针对粗边缘点逐个进行三维Facet拟合,得到实际边缘点,从而完成图像边缘的精确定位。该方法通过小波变换粗定位这一前处理过程减少了Facet拟合的体素点数,加快了Facet模型三维边缘检测的速度。实验结果显示,本文方法不仅能得到与直接Facet模型效果相当的边缘,还能使Facet模型三维边缘检测的速度提高3.51～7.39倍,而且图像边缘越简单加速比越高。实验结果表明,基于小波定位和Facet模型的边缘检测方法可满足工业CT三维图像边缘检测对精度和速度的要求。     

基于组合核函数OSVR算法的起重机减速齿轮箱磨损趋势预测

针对起重机减速齿轮箱的磨损过程具有非线性与时变性,传统磨损趋势预测方法无法有效兼顾预测精度与执行效率的问题,提出了一种基于组合核函数的在线支持向量机回归（online support vector regression,OSVR）预测算法。OSVR的在线学习算法能够适应时间序列的时变性并提高执行效率,同时可利用不同的核函数性能,通过组合模型提高预测精度。采用实际齿轮箱铁谱数据对预测算法进行验证,结果表明,基于组合核函数的OSVR预测算法具有很好的预测精度和适应性,能有效预测起重机齿轮箱的磨损故障,且相比于单一OSVR算法和灰色神经网络组合算法有更高的效率和预测精度。     

基于改进郊狼算法与极限学习机的工业金刚石检测

为了提高工业金刚石的检测效率、保障产品质量，提出一种基于改进郊狼算法与极限学习机的工业金刚石检测方法。将工业金刚石视频图像按照一定时间序列分解为一组较为平稳的、形态单一的二维图像数据；利用深度卷积网络Inception-V3对多视角二维图像数据建立预测模型；在此基础上，以预测结果为输入构建极限学习机模型，并利用反向学习和莱维飞行改进的郊狼算法优化极限学习机输入权值和阈值，提高工业金刚石模型的检测精度。最后将该模型的检测结果与基本极限学习机、差分进化算法、粒子群优化算法和基本郊狼算法优化的极限学习机模型检测结果比较表明，该模型具有良好的检测精度和泛化能力，对于工业金刚石的质量检测具有指导意义。     

快速成型中提高成型精度的曲面分层

传统成型方式只使用平面层造成零件表面精度不高，针对这一问题研究了曲面混合分层切片，并提出了一种检测成型整体精度的方法。自动检测模型中可以曲面打印的部分，使用更加精准的邻域法向均值算法计算偏移曲面，并对原始模型进行处理生成平面基底;针对实际中较为复杂模型，编写了碰撞检测和成型顺序规划算法，可根据实际成型设备的情况生成无碰撞的刀具路径。最后，实测打印多个零件对比，证明曲面打印能够大幅提升表面质量，拥有更低的表面粗糙度和更高的整体精度。     

基于卷积神经网络的带钢表面缺陷检测算法

针对现有带钢表面缺陷检测方法准确率低、特征泛化性不强、参数多、识别速度慢等缺陷,基于卷积神经网络,采用DenseNet网络的密集连接算法解决梯度消失和梯度爆炸问题,堆叠式空洞卷积扩大卷积核感受野,深度可分离卷积减少网络参数量,提出一种用于带钢表面陷检测的深度神经网络模型Ds-DenseNet算法。以NEU带钢表面缺陷数据集为基础缺陷样本,加入正样本,并对其进行数据增强操作,创建AUG-NEU数据集,本算法在AUG-NEU数据集上的测试精度高达99.38%,参数量为117958,仅占DenseNet121和ResNet50参数量的1.7%和0.5%,识别速度高达1.3ms/frame,分别是DenseNet121、ResNet50识别速度的2.3倍和2倍,完全可以满足带钢生产线实时检测的需求。     

结合多分辨率修正曲率配准的层间插值

针对体数据各坐标轴分辨率不一致,导致医学及工业三维图像重建时出现边界台阶状结构、细节断裂或缺失等问题,提出了基于多分辨率修正曲率配准的层间插值方法。该方法采用反投影重建形式增强图像细节,解决配准图像清晰度和对比度弱的问题;利用三次卷积插值构造切片的低分辨率图像以保留图像细微结构,提高配准精度。采取从低分辨率粗配准到高分辨率精细配准的策略减少计算时间,提高计算效率。利用切片图像对应像素间存在对称形变结构的特征,建立了修正曲率模型估计形变场,解决了配准时单向形变不一致的问题。最后,通过离散余弦变换(DCT)的数值解析方案对构建的形变场估计函数进行优化,利用最终形变场数据对切片进行线性插值,计算出层间图像。实验结果表明,提出的算法能够消除现有方法插值图像的边缘模糊现象。与线性插值算法相比,提出方法的均方差(MSD)减小了40%,高于对称曲率模型,且耗时仅为该模型的20%左右,满足应用要求。     

基于快速三维主成分分析的肺CT图像检测

为解决基于二维图像处理的计算机辅助诊疗系统(CAD)仅考虑每幅图像自身包含的信息而忽略不同扫描层之间的联系,以及数据处理过程中的海量计算问题,提出一种新的基于快速三维主成分分析(3D PCA)的有效肺CT病灶检测算法。该算法首先引入高维张量奇异值分解(HOSVD)设计3D PCA;然后以提取出的三维空间特征点为种子点,进行区域增长以获取完整的疑似病灶区域;最后,根据医学图像具体特征,设计了一种HOSVD的简化分解算法。对来自吉林省肿瘤医院的10个典型病例的五百余幅临床CT图像进行了实验,并将实验结果与当前同类算法做了比较。结果表明,检测精确度提高了约10%~21%;另外,快速算法与原算法比较,计算复杂度可降低约1/3。由于快速3D PCA可以挖掘更多存在于不同连续扫描层间的有用信息,更精准提取病灶特征,在一定程度上提高了检测率。     

A light field measurement system through PSF estimation by a morphology-based method

Light field imaging technology can obtain three-dimensional (3D) information of a test surface in a single exposure. Traditional light field reconstruction algorithms not only take a long time to trace back to the original image, but also require the exact parameters of the light field system, such as the position and posture of a microlens array (MLA), which will cause errors in the reconstructed image if these parameters cannot be precisely obtained. This paper proposes a reconstruction algorithm for light field imaging based on the point spread function (PSF), which does not require prior knowledge of the system. The accurate PSF derivation process of a light field system is presented, and modeling and simulation were conducted to obtain the relationship between the spatial distribution characteristics and the PSF of the light field system. A morphology-based method is proposed to analyze the overlapping area of the subimages of light field images to identify the accurate spatial location of the MLA used in the system, which is thereafter used to accurately refocus light field imaging. A light field system is built to verify the algorithm's effectiveness. Experimental results show that the measurement accuracy is increased over 41.0％compared with the traditional method by measuring a step standard. The accuracy of parameters is also improved through a microstructure measurement with a peak-to-valley value of 25.4％and root mean square value of 23.5％improvement. This further validates that the algorithm can effectively improve the refocusing efficiency and the accuracy of the light field imaging results with the superiority of refocusing light field imaging without prior knowledge of the system. The proposed method provides a new solution for fast and accurate 3D measurement based on a light field.     

[成形过程的数据挖掘与深度学习方法]基于机器学习的管材弯曲回弹有效预测与补偿

采用基于优化的误差反向传播(BP)神经网络的机器学习算法建模，提出了考虑材料参数、几何参数等多因素的弯管回弹精确预测和高效控制方法。该方法通过引入非线性惯性权重及遗传算法的杂交算子，改进了粒子群优化(PSO)算法，进而通过改进的PSO算法对BP神经网络进行优化，构建了基于改进的PSO-BP神经网络机器学习回弹预测和补偿模型。以多种规格的铝合金数控弯管构件为对象，将实际生产中不同规格、批次、成形参数下回弹数据作为训练样本，实现了所建机器学习预测模型的应用验证。所建模型获得的预测结果平均相对误差为6.3%，与未优化的BP神经网络等传统模型相比，预测精度最大提高了18.5%，计算时间可从1.5 h缩短至300 s，同时实现了回弹预测与补偿精度以及计算效率的显著提高。     

一种基于CT图像反求技术的实体几何造型方法

基于 CT图像的反求是反求工程中的重要内容 ,由 CT图像反求重建出的表面模型只包含了表面几何信息 ,而实体几何模型具有完备的几何和拓扑信息。针对 CAD造型系统中实体模型的特点 ,本文提出一种基于 CT图像反求技术的实体几何造型方法。应用 CT图像反求技术重建出物体的三维表面模型 ,在重建出的拟合曲面三角片序列的基础上 ,采用半边结构来表达重建的表面模型 ,并将该过程作为本研究所开发的特征造型原型系统 3D-Modeler2 .0中的一种造型方法     

基于锥束CT切片图像的复杂零件三维表面重构

根据锥束CT切片图像的特点，提出了一种面向复杂零件的三维表面重构新方法：首先采用3D亚体素边缘检测算法提取序列切片图像的高精度封闭轮廓，并重构出切片轮廓的拓扑信息，然后采用一种改进的基于截面属性的轮廓分割算法得到若干组局部结构轮廓集，最后对这些轮廓集进行叠加与拼合，形成零件的整个三维表面。实验结果表明，该方法分割轮廓准确，稳定性好，对具有复杂内外结构的零件，可确保其重构结果的拓扑正确性。