基于深度学习的铸件DR图像缺陷检测

为了对精密铸件DR(digital radiography)图像中的缺陷进行准确分割,提出一种基于深度学习语义分割的铸件DR图像缺陷检测算法。首先在原始U-Net网络模型上设计混合损失函数,以此来缓解类不平衡问题;然后采用AdamW(Adam with weight decay)优化器使模型加速收敛,同时使检测精度得到提升。最后使用PReLu激活函数代替ReLu,提高模型泛化性。实验结果表明,改进的U-Net模型对精密铸件DR图像缺陷能够得到有效分割,检测精度较高,且模型参数量较少,能够在工业现场进行部署。     

基于YOLO深度学习模型的铝型材表面缺陷识别方法

针对铝型材表面缺陷快速准确检测的需求,提出一种基于YOLO深度学习模型的铝型材表面缺陷识别方法.对铝型材数据集进行图像增广,解决原始数据集中图像数量少且缺陷数据不均衡问题.建立基于YOLO的铝型材表面缺陷识别模型,通过增加模型预测尺度,提高对微小缺陷的识别能力.对铝型材缺陷数据集的目标框重新进行聚类分析,改进YOLO算...     

基于深度学习的铸件缺陷检测方法

针对铸件X射线图像获取困难、人工及传统识片方法效率低且漏判率高的问题,文中提出了一种基于深度学习的铸件缺陷检测方法。首先,采用Overlap切图（重叠切图）数据增广方法实现缺陷扩充,并基于简化Mosaic数据增广进一步提升图像的复杂度;然后,基于仅浏览一次（You Only Look Once, YOLO）的理念实现缺陷检测模型构建;最后,提出一种基于边界框抑制的测试图像缺陷检测方法,以子图迭代方式完成测试图像中的缺陷检测。实验结果表明,该方法能够有效实现多种铸件缺陷的自动检测,为铸件缺陷检测提供了基于深度学习的解决方案。     

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...     

应用集成神经网络识别超声检测缺陷

超声检测缺陷识别一直是无损检测领域研究的热点。提出采用小波包分析方法来提取缺陷的故障特征,应用集成神经网络对缺陷进行识别。实验表明,集成神经网络的识别效果明显优于单神经网络,该方法为缺陷模式分类问题的解决提供了一条有效途径。     

基于小波分解的框架结构缺陷识别方法

为了检测出框架结构的缺陷，在小波分解的基础上，通过对脉冲激励下正常和有缺陷的框架结构模型的响应进行分析，以输出信号各频带内能量为元素构造一个特征向量，对照各层缺陷对应的特征向量来确认结构的缺陷位置。最后，实验验证了本文方法的正确性。     

铸件缺陷分析技术讲座：第二讲 分析方法

每个企业都希望所生产的铸件“无缺陷”,因为如第一讲所述,无缺陷铸件生产将在投资上及时地得到最佳的效益。为达到这一目标,就需要花费精力以使每一个生产人员都能自觉地争取作到无缺陷(ZR)。然而,在每道生产工序中.一旦发生了意想不到的情况,排除故障仍是不可缺少的。此时,就必须依靠解决问题的基本技术了。     

基于漏磁内检测的缺陷识别方法

基于漏磁原理的管道内检测信号和管壁缺陷之间存在强非线性关系,导致缺陷(特别是小缺陷)识别和分析困难。针对内检测器漏磁信号中的缺陷识别问题,设计一种新的缺陷识别方法,可以在漏磁内检测数据中精确识别缺陷。该方法包括3个部分:针对普通基值校准算法在多通道数据对齐中精度低的问题,提出一种基值二次校准算法,为后续数据分析提供精确数据源;区别于常规方法中用到的峰谷值等显性特征,提出6种更能反映缺陷信号的本质特征,并设计了相应的特征提取方法,为缺陷识别提供精确的分类依据;设计了基于随机森林的缺陷识别算法,可以在漏磁内检测数据中精确识别各种缺陷。最后,对所提出的方法进行了性能对比分析和试验验证。结果表明:所设计的缺陷识别方法准确率为99.59%,其中对小缺陷的识别灵敏度为98.66%,证明所提出的缺陷识别方法可有效地完成目标缺陷的识别。     

基于深度学习的输电线路杆塔鸟窝识别方法研究

为实现输电线路杆塔中鸟窝的快速准确检测,提出一种基于Retina Net深度学习模型的鸟窝识别方法,利用ResNet-50进行前期特征提取,通过FPN网络对前期标准特征进行加强,构建特征金字塔影像,以满足不同尺度大小的鸟窝目标检测,然后在特征金字塔的基础上构建了一个分类子网和回归子网,分别用于识别鸟窝和回归鸟窝的具体位置。通过与经典目标检测方法进行详细对比分析,利用F1-Score精度指标和检测速度指标对检测效果进行了量化分析,实验结果表明,所采用的鸟窝检测模型F1-Score指标可达0.932,优于其他三种经典方法,并能充分应对拍摄角度、遮挡等各种复杂场景问题。     

基于小样本的集成学习研究

为了提高集成学习在小数据量的有标记样本问题中的性能,结合半监督学习和选择性集成学习,提出了一种基于半监督回归的选择性集成算法SSRES.一方面,充分利用大量的未标记样本来辅助有标记样本的学习;另一方面,使用选择性集成学习进一步提高学习系统的泛化能力.实验结果表明,SSRES算法能够利用未标记样本和选择性集成技术提高学习器的性能.     

基于特征实体模型上的截面轮廓自动特征识别方法

复杂零件特征实体上的相交特征自动识别问题，仍是CAD／CAPP领域未解决的难点。本文提出了基于特征实体模型上的截面轮廓造型自动特征识别方法，并制定了一系列各类特征的合理识别规则和识别算法。这种方法探索了一条实现自动特征识别的新途径，实现了对复杂箱体类零件的加工加工特征自动识别与信息自动提取，从而实现了CAD／CAPP系统的信息自动传递。     

基于剪切波和小波特征融合的金属表面缺陷识别方法

金属表面缺陷具有复杂性和多样性。小波变换能很好地捕捉点奇异性信号,对点缺陷识别效果好;剪切波变换作为一种新的多尺度几何分析方法,对奇异曲线具有最优逼近性能和方向敏感性,因此对方向性的缺陷识别效果好。提出一种基于剪切波和小波特征融合的金属表面缺陷识别方法。对金属表面图像分别进行离散剪切波变换和小波变换,计算各尺度方向子带的平均值和方差值,并组成一高维特征矢量。用核保局投影算法对高维特征矢量进行降维,以去除特征间的冗余,得到低维特征矢量,并输入到支持向量机进行缺陷分类。以高温铸坯、中厚板、精密铝带三种典型金属为例,对从现场采集到的三种典型金属的样本库进行试验,结果表明:高温铸坯、中厚板、精密铝带缺陷样本的识别率分别达到93.95%、98.27%、92.5%。试验结果证明了该方法可有效应用于不同类型金属的表面缺陷识别,具有通用性。     

基于工业CT的铸件缺陷自动识别

传统的C-V方法基于两个灰度级的缺陷图像目标识别,难以满足多灰度级的缺陷图像目标识别的要求。为了克服这一缺点,通过划分区域和多次运用C-V方法,设计了基于C-V方法的多灰度级缺陷图像目标识别程序。实验结果表明,与传统的C-V方法相比,改进的C-V方法能够识别多灰度级缺陷图像目标,说明了改进的C-V方法的可行性。     

一种基于LLE特征融合的故障识别方法

针对传统的故障识别中未能充分利用特征信息的问题,提出一种基于局部线性嵌入(LLE)特征融合的故障识别方法,通过初步提取信号时域和时频域的特征获得原始特征集,利用LLE算法对原始特征集进行二次特征提取,进一步融合两组特征集并使用KNN算法进行故障识别。仿真信号数据分析与实际故障分析证明了所提方法对故障样本识别的可行性和有效性。     

基于图像深度学习的零件加工特征信息提取方法

针对各类基于模型定义(MBD)的零件模型加工特征的信息集成问题,提出一种多层次提取架构的加工特征全息信息提取方法.通过对零件的结构特点进行分析,以具有制造语义且无法拆分的最简化特征实现加工特征的分类;在阐述提取策略的基础上,构建了基于深度学习图像识别技术的加工特征分类器;依据MBD模型信息标注的特点快速定位、抽取加工特...     

版图分类法在带钢表面缺陷识别中的应用研究

针对现有带钢表面缺陷模式识别分类器所用算法的不足,提出了一种新型的分类算法——版图法。该算法结构简单,在时间消耗较少的情况下,具有更高的识别精度和更好的适应性。类别众多、形态复杂、类别边界交叠的带钢表面缺陷图像分类实验所得结果令人满意。     

浅层卷积神经网络融合Transformer的金属缺陷图像识别方法

针对金属缺陷识别领域中传统深度学习方法存在参数量多、计算量大的问题,提出了一种浅层卷积神经网络融合Transformer模型的金属缺陷识别方法。利用浅层卷积神经网络学习图像局部信息与位置信息,通过Transformer学习图像全局信息,同时引入通道注意力模块SE关注重要特征通道,实现缺陷图像识别。通过引入公开缺陷数据集验证该方法的有效性,同时利用自建缺陷超声数据集验证所提方法的通用性。实验结果表明,在中小规模数据集上,该方法通用性较强,能够对金属缺陷图像进行有效识别。     

基于最近最远距离保持投影算法的发动机失火状态识别

目前的局部保持投影算法(Locality and preserving projections, LPP)只考虑样本点的近邻矩阵,但是对于那些处于与该样本点距离最远处的样本特性并没有做出研究,这些最远处的样本同样具有描述数据结构信息的功能。为了更好地保留数据结构信息,在考虑样本的近邻点分布的同时分析其最远处的样本点分布,即同时考虑样本的“近邻矩阵”和“最远矩阵”,通过二者结合实现数据维数的约简,由此提出基于最近最远距离的保持投影算法(Nearest and farthest distance preserving projections, NFDPP)。将该算法运用于发动机失火状态的仿真数据及实际测试中,通过与主成分分析(Principal component analysis, PCA)、LPP、邻域保持嵌入(Neighborhood preserving embedding, NPE)、线性判别分析(Linear discriminant analysis, LDA)等算法的对比,得出NFDPP算法能够得到更低的识别错误率曲线,证明所提出的NFDPP算法能够有效地识别发动机失火故障状态。     

基于模糊子集理论的无损检测缺陷模式识别

在无损检测信号处理和特征构造的基础上,运用模糊子集理论,建立了缺陷模糊识别的数学模型;针对无损检测信号的特征,构造了相应的隶属函数;地此方法实现,并以胶接结构典型缺陷的超声波检测与识别为例,给出了一些实验结果。