基于改进YOLOv3算法的连铸坯表面缺陷检测

针对连铸坯表面缺陷检测中存在的检测速度慢,检测精度低等问题,提出了一种改进的YOLOv3算法模型。使用轻量级网络MobileNetv2替换为YOLOv3的Darknet-53特征提取网络,优化网络结构,减小参数;使用Mate-ACON激活函数替换Leaky-ReLU函数,自适应的选择激活神经元;最后引入CIoU损失函数代替IoU边界框回归损失,提高模型定位的准确性,加速模型收敛。在连铸坯表面缺陷识别任务中,改进后的算法检测精度指标mAP达到96.96%,检测速度达到97 fps,满足实时性要求;模型训练得到的权重大小仅29 M,占用内存更低,能够满足连铸坯表面检测任务。     

基于改进YOLOv4的移动机器人障碍物检测北大核心

为满足移动机器人障碍物检测精度与实时性的需求,解决识别网络复杂度高、体积大的问题,提出一种基于改进YOLOv4的移动机器人障碍物检测识别方法。首先,使用MobileNetv3代替原主干特征提取网络,同时使用深度可分离卷积块代替加强特征提取网络中的普通卷积块;其次,使用CDIoU提高对障碍物区域的检测能力;最后,基于移动机器人平台进行障碍物检测实验。实验结果表明,改进的模型可以达到90.2的mAP和42.04的FPS,与其他目标检测模型相比,参数量减少了40%,检测速度得到了大幅度的提升,所提障碍物检测算法具有检测精度高、检测速度快的优点,可以满足移动机器人障碍物检测的实时性和准确性要求。     

基于改进YOLOv5算法的带钢表面缺陷检测北大核心

针对当前带钢在表面缺陷检测过程中存在检测算法精度有待提高等问题,提出了一种基于改进YOLOv5算法的带钢表面缺陷检测模型。首先,在检测端构建新的检测层,提高网络对不同尺寸目标的检测;其次,在主干网络结构中引入注意力模块,进一步加强网络提取特征的能力;然后,通过BiFPN_Add来增强深浅层特征信息的融合;最后,构建新的CNeB模块来取代各检测层对应的C3模块,进而增强网络对特征的提取。实验结果表明,改进后的算法在NEU-DET数据集上均值平均精度达到了80.9%,较原有的算法提升了4.5%,同时检测速度与原模型保持基本不变,性能优于目前其他主流的检测方法。     

基于改进YOLOv5算法的钢管焊缝缺陷检测

针对X光图像下钢管焊缝缺陷对比度弱﹑缺陷尺寸大小不一﹑同类缺陷形状变化大等因素导致的缺陷检测率不高的问题,提出一种改进YOLOv5的焊缝缺陷检测算法。首先,对X光图像进行去模糊处理,获得较清晰的焊缝图像;其次,在YOLOv5的主干网络中引入动态区域感知卷积代替标准卷积,保证参数不增加的情况下,增强特征提取能力;进一步针对YOLOv5中CSP特征金字塔融合准则过于简单的问题,采用了一种高效的特征融合机制以增强特征表达能力;最后,在检测头部分引入可学习权重参数,实现检测头中的特征自适应融合。实验结果表明,与传统YOLOv5算法相比,虽然检测速度从32.2 fps降到27.5 fps,但是检测的mAP提高了3.3%,达到94.6%,初步满足实际生产中钢管焊缝缺陷自动检测需求。     

基于改进YOLOv5的焊接件表面缺陷检测

为提高工业环境下焊接件表面缺陷检测精度与检测效率,提出一种改进YOLOv5目标检测模型的焊接件表面缺陷检测算法。首先,改进主干网络中的C3模块,包括引入ConvMixer混合卷积结构及Mish激活函数,并增加Shuffle Attention注意力机制,实现在提高检测精度的同时降低模型复杂度;其次,针对NWD Loss存在的不足加以改进,使其关注更多边界框几何信息;最后,将Neck中的所有标准卷积层更换为GSConv卷积层从而进一步提升网络性能。实验结果表明,改进后网络的mAP达到91.3%,与原始网络相比,提高了4.8%,并且参数量与计算量分别减少21.4%和8.9%,检测帧率达到142.9 f/s。改进模型在提高检测精度的同时降低了结构复杂度,满足工业生产中对于焊接件表面缺陷检测要求。     

基于YOLOv5的换向器表面缺陷检测算法研究

在零部件制造和使用过程中,可能会在零部件表面出现缺损现象,而零部件在反复使用过程中其微小缺陷可能扩大甚至使损坏零部件,进而导致零部件所在系统发生故障。以工业用典型零部件换向器为研究对象,提出了基于深度学习算法的零部件缺陷检测方法。研究中,基于KolektorSDD数据集,首先采用Mosaic数据增强方法对换向器缺陷数据集中的数据进行旋转、裁剪等处理,对数据集进行扩充,构建数据集。其次,将构建的数据集划分为训练集和测试集。采用构建的训练数据集,搭建深度学习框架并采用YOLOv5卷积神经网络训练模型,建立换向器表面缺陷识别模型。最后,采用构建的识别模型对测试集中的数据进行测试。结果表明,训练模型性能评价指标平均精确率均值(mAP)及正样本召回率(Recall)均高达95%以上,采用深度学习中YOLOv5目标检测算法对换向器表面缺陷的检测精度可高达90%。     

基于改进YOLOv3的安全帽佩戴检测算法

针对复杂工业场景下安全帽佩戴检测存在检测精度低、误检率和漏检率高以及检测速度慢等问题,提出一种改进YOLOv3的识别精度高、检测速度快的安全帽佩戴检测算法。对传统YOLOv3主干网络进行裁剪改进,使检测速度得到明显提升;引入空间金字塔池化模块使局部特征和全局特征更有效地融合;将损失函数改进为CIoU以提升目标预测框与真实目标框的拟合效果;扩充第四特征融合尺度用于小目标检测以提高小目标的识别精度。结果表明：在复杂工业环境下,改进后的YOLOv3安全帽佩戴检测的平均检测精度提高了2.37%,且检测速度提升了2.7倍,同时降低了安全帽佩戴检测的漏检率以及误检率。     

基于改进轻量型YOLOv5的太阳能电池板缺陷检测

为解决太阳能电池板缺陷类型和尺度多样、小目标难以检测的难题,同时平衡各类缺陷的检测精度和速度,提出了一种改进轻量型YOLOv5的太阳能电池板缺陷检测方法。首先将网络模型部分卷积块替换为改进后的MobileOne Block模块,减少了模型参数量,提高模型检测速度;同时将主干网络的最后一层替换为SepViT Block,增强模型对全局信息的提取;然后设计了融合SimAM注意力机制的ASFF自适应特征融合模块,在改进多尺度特征提取的同时减轻模型的重量;最后增加P2检测层,提高小目标的检测效率,给模型带来持续的性能提升。实验结果表明,改进算法与原YOLOv5模型对比,参数量压缩了23.47%,检测速度达到了103 F/S,更好地实现嵌入式使用;检测精度达到了96.2%,比最新的YOLOv7-tiny提高了5.3%,证明了其优势。     

基于改进YOLOv3算法的堆叠工件检测

针对传统物体检测算法识别堆叠工件存在准确率低以及漏检的问题,提出一种基于改进YOLOv3算法的堆叠工件检测方法。首先,引入Inception结构增强特征检测网络的特征提取能力,提高堆叠工件检测的准确率;其次,引用增强型特征金字塔结构(enhanced feature pyramid network, EFPN),提高模型多尺度特征融合能力,改善算法漏检率高的问题;最后,利用K-means聚类融合交并比损失函数(intersection over union, IOU)重新确定工件锚框,解决YOLOv3网络预设锚框尺寸不适合现有工件的问题。实验结果表明,改进算法均值平均精确度(mean average precision, mAP)达到92.89%,相较于原始YOLOv3算法提高了5.32%,F1值为0.95,召回率为93.33%,精确率为97.65%,满足堆叠工件检测的指标要求。     

改进YOLOv5的钢材表面缺陷检测网络轻量化研究

在YOLOv5模型的基础上设计了一种改进的轻量化网络,能够快速准确地实现钢材表面缺陷检测。首先,使用基于梯度路径设计的ELAN结构,通过提高网络的学习能力来提高检测精度;其次,引入深度可分离卷积和Ghostv2模块减少模型体积和参数量;最后,利用SIOU边界框损失函数训练模型,使模型能够快速收敛并且精确回归。在NEU-DET上的实验结果表明,改进后的模型mAP值提升到77.0%,相较于原模型提高了5.3%,模型体积减少了42.1%,参数量减少了43.4%,检测速度也快了0.4 ms,实现了模型轻量化效果和检测精度的平衡,为后续在硬件终端上部署提供了一种可行方案。     

冲压件检测点选点原则探讨

介绍了对冲压件手工检测点选点原则的分析探讨,总结出合理、高效的选点原则,可有效地控制零件质量,避免因检测点设置不当导致零件质量控制不佳产生的问题。可为从事汽车零件冲压工艺规划及质量控制的工程技术人员提供参考。     

新型模具制取变强度制件及其力学性能研究

设计出利用感应加热方式形成变强度制件的热冲压新型分区模具,进行了热-流-固耦合场的理论分析,建立了热-力耦合有限元模型,得到了板料在热冲压过程中温度和维氏硬度的分布。仿真结果表明,当模具感应加热端温度升至400℃时,加热端的冷却速度为13.6℃·s~(-1),冷却速度决定了板料不同温区的微观组织和维氏硬度。利用该模具进行了热冲压实验,对不同温区的微观组织和维氏硬度进行检测。结果表明:该模具可冲压不同高温区(低强度)形状的制件。制件高温区已经基本转化为贝氏体组织,过渡区转化为马氏体、贝氏体和铁素体多相混合组织,低温区转化为板条状马氏体组织。设计出的新型分区模具可以获得变强度制件,为成形复杂变强度零件和工艺参数的优化提供了依据。     

轧制差厚板在汽车冲压件上的应用

轧制差厚板作为新兴的汽车白车身轻量化技术,与传统高强钢、激光拼焊板相比,具有轻量化效果好、成本低的特点。本文以汽车白车身左前纵梁内板为载体,进行了轧制差厚板原材料、冲压件模具的开发,并进行了白车身匹配、整车碰撞、质保路试等应用试验,实现了轧制差厚板的规模化生产,并且搭载整车实现了大批量应用。阐述了轧制差厚板在汽车白车身上的应用范围,提出了轧制差厚板冲压件模具的开发要点,并提出了轧制差厚板的整车搭载验证关注点,为轧制差厚板技术在国内自主车型上的应用积累了经验。     

汽车冲压件在模具中的定位方式

介绍了汽车冲压件冲模设计及制造过程中的几种特殊定位方式,通过分析各个定位方式的工作原理及结构特点,对其使用范围进行了阐述,帮助模具设计及制造人员快速选用合适的定位方式,以保证模具能够高品质、高效率地生产汽车冲压件。     

基于CATIA的汽车冲模标准件库开发

对基于CATIA软件的汽车冲模标准件库的实现方案进行了研究,提出了一种运用知识工程模块,把标准件的参数化模型导入Catalog模板来建立标准件库的方法,并以凹模镶套零件为例,阐述了汽车冲模标准件库的建立过程。实际应用表明:标准件库可以解决标准件的重复造型问题,提高了工作效率。     

基于激光散斑的蜂窝复合材料缺陷检测

通过基于激光散斑检测技术的缺陷信息提取方法,可快速判断缺陷的位置及大小。基于散斑干涉原理,对图像降噪进行了研究分析,试验结果表明,通过傅里叶滤波、图像线性趋势处理、灰度处理、分步解包等图像综合处理技术可有效提取散斑干涉信息,缺陷信号比较清晰。针对该研究结果,对飞机雷达罩进行检测时,运用图像综合处理技术获得缺陷的相关信息,验证了采用该方法提取层压结构和纸蜂窝结构缺陷信息的可行性,有效提高了激光散斑检测的工作效率和可靠性。     

网络化冲模标准件库的建立与应用

应用CATIA V5软件进行冲模标准件的三维实体建模,采用SQL Sever 2000作为后台数据库,利用ASP动态网页技术和脚本语言以及SQL语言开发了服务器端应用程序和客户端页面以及网络化的冲模标准件库系统,实现了标准件信息的网络共享。     

基于正交试验的畚斗冲压成形工艺参数优化

针对曲面冲压件畚斗冲压成形过程中易起皱和拉裂的问题,采用弹塑性有限元法,利用Dynaform模拟分析,对畚斗成形过程及影响成形质量的5个主要工艺参数进行模拟和正交试验优化,获得了最佳工艺参数组合,最后利用试验对数值模拟结果验证。结果表明,优化结果与试验结果吻合较好,对冲压工艺设计有指导意义。     

基于ABAQUS曲底槽型件热冲压成形模拟分析

在超高强度钢板热冲压成形工艺中,能准确预测板料的温度场与模具的受力状况,对工艺制定与模具的优化具有重要意义。通过ABAQUS模拟软件建立塑性体热力耦合有限元模型,对热冲压过程进行模拟仿真,分析板料与模具的温度场以及模具所受的作用力。研究结果表明:板料转移时间控制在10 s内较好;在成形过程中,制件法兰与侧壁部分温度分布均匀且基本一致,制件法兰与侧壁部分的温度低于制件底部部分的温度;为保证模具强度,凸模圆角处及底部、凹模入口圆角处及底部的冷却水道直径及密度应较小,并且应适当增大水道与底部表面的距离。     

正多边形盒零件冲压成形凸缘变形区的应力分布计算

首先给出正多边形盒零件凸缘变形区的应力分布式 ,接着分析了凸缘变形区的应力变化规律 ,并以0Cr18Ni9板材和方盒零件为算例给出了凸缘变形区的应力分布曲线。正多边形盒零件凸缘变形区圆角部分的拉深变形是发生皱曲和破裂之源并向直边部分转移材料 ,使直边部分松弛乃至皱曲。因此 ,对于皱曲通常选择设置压边装置 (压边圈、拉深筋等 )来解决。对于破裂通常选择增大侧壁间圆角半径或多次拉深来解决。正多边形盒零件冲压成形最好采用分区 (分块 )变压边力拉深或分区 (分块 )恒压边力拉深