基于深度学习的金属材料表面缺陷检测综述

表面缺陷检测是产品质量检测的关键环节,近年来随着深度学习技术的迅速发展,金属材料表面缺陷检测技术大幅提升。对近几年基于深度学习的金属材料表面缺陷检测方法进行了梳理和分析,并从监督方法、无监督方法以及弱监督方法 3个方面对比论述了近年来的研究现状及应用效果。最后系统总结了金属材料表面缺陷检测中的关键问题及解决方法。结合工业需求,对表面缺陷检测的进一步发展进行了思考与展望。     

基于分布适配层和软标签学习的齿轮故障诊断

基于卷积神经网络的齿轮智能识别算法能有效地识别齿轮故障,但卷积神经网络需要大量的已标注训练数据,制约了卷积神经网络在齿轮故障诊断上的应用。针对该问题,提出了基于分布适配层和软标签学习的齿轮故障诊断方法。采用卷积神经网络提取特征和软标签;通过分布适配层提取分布差异,软标签学习生成软标签损失;以分布差异、软标签损失与分类损失生成的联合损失为目标函数,训练模型并进行目标域故障诊断。采用齿轮振动信号验证了提出方法,结果表明,提出方法能准确有效地分类齿轮故障数据。     

基于深度学习和迁移学习的液压泵健康评估方法

对液压泵建立健康评估模型需要大量训练数据,然而由于其工作条件随时间的地点变化,使得获取特定条件下的数据比较困难。为了在目标数据不足的条件下对液压泵建立健康评估模型,提出了一种深度学习和迁移学习的液压泵健康评估方法。首先,通过卷积神经网络的方法对已有大量历史条件下液压泵振动的频域信号建立预测模型,再用迁移学习的思想在少量目标液压泵数据上对深度学习模型进行微调。实验结果表明,该方法可以有效地提高预测准确率。     

基于深度学习的航空发动机齿轮故障诊断

传统的机械故障诊断方法需要将采集的故障波信号进行信号处理,再结合神经网络进行特征提取与分类,不仅流程复杂、耗费时间,而且识别准确率不高。针对此问题,采用一维卷积神经网络（one dimensional convolutional neural network,简称1D?CNN）对试验获取的某航空发动机的齿轮故障振动数据进行特征提取与分类,建立齿轮故障一维卷积神经网络模型,对航空发动机轴承进行故障诊断。试验与分析结果表明：采用该神经网络模型对齿轮进行分类,其准确率可达80%,相较于采用传统的前馈神经网络63.9%的识别准确率,提高了15.07%;与采用支持向量机（support vector machine ,简称SVM）对故障进行分类识别相比,该方法准确率提高了15.89%。本方法能够直接将波形振动信号作为输入,通过卷积、池化等一系列操作,输出最后的分类结果,简化了传统方法先进行信号处理再通过机器学习诊断的步骤,为航空发动机故障诊断提供一种可行方法。     

基于深度学习的无人驾驶技术研究

本文首先介绍了无人驾驶汽车的内涵,并对全球的无人驾驶在近几年的发展历史以及研究现状进行了阐述;其次分析我国无人驾驶汽车技术发展面临的主要问题,并提出一定的解决方案;同时分析了深度学习在无人驾驶领域的应用,最后对无人驾驶领域方面的未来做出预测。     

基于深度学习的多物体抓取检测技术研究

针对非结构化的抓取场景,提出一种并列式架构的卷积神经网络检测模型。该模型使用单物体抓取数据集训练,可以对多物体进行抓取检测。基于机器人操作系统（Robot Operating System,ROS）平台进行抓取仿真试验,验证抓取检测结果的有效性。试验结果表明,该方法针对密集多物体的仿真抓取成功率达到80.8%。     

基于迁移学习和微调的起重机类型识别策略

起重机具有诸多类型,不同类型的起重机具有不同的分析或保养方法,因此对起重机类型进行识别意义重大。针对深度卷积神经网络中存在的数据需求量大、训练时间长、计算成本高等问题,提出一种基于迁移学习和微调的起重机类型识别策略。通过搭建不包含分类层的预训练InceptionV3模型并连接自定义的分类层,利用迁移学习和微调技术,训练出适用于起重机类型识别任务的卷积神经网络。实验结果表明,相较于从头搭建并训练深度卷积神经网络,利用迁移学习和微调方法对预训练模型进行训练可得到较高的识别准确率,并且训练速度更快,训练时间显著缩短。验证集和测试集的识别准确率分别为98.24%和97.67%。     

基于深度学习与子域适配的齿轮故障诊断

针对生产实际中标注故障数据不足的问题,提出了基于深度学习与子域适配的齿轮故障诊断方法。首先构建域共享的一维卷积神经网络,从故障数据中提取可迁移特征;然后采用多核局部最大均值差异来测量可迁移特征相关子域的分布差异,并将测得的分布差异加入目标函数中训练;最后将训练完成的模型用于目标域健康状态的识别。实验结果表明,所提方法能在无标签目标域数据的情况下得到较高的准确率。     

一种基于深度学习理论的齿轮系统故障诊断方法

分别建立了基于快速傅里叶变换和深度置信网络的FFT-DBN模型、基于小波变换和深度卷积神经网络的WT-CNN模型以及基于希尔伯特-黄变换和深度卷积神经网络的HHT-CNN模型,通过将3种深度学习模型有机融合,进一步构建了基于深度学习理论的齿轮系统故障诊断综合评判模型。通过搭建功率封闭齿轮系统振动测试试验台,加工不同故障模式的测试齿轮副并提取其振动加速度信号作为样本,将基于深度学习理论的综合评判模型的故障识别效果与其他模型进行了对比。结果表明,基于深度学习理论的综合评判模型能够有效地辨识出多种齿轮故障;与其他模型相比,基于深度学习理论的综合评判模型的故障识别准确度更高。     

基于深度学习算法的尿素泵体用铝型材表面瑕疵检测

尿素泵为机动车尾气后处理系统的核心设备,泵体材料一般为铝型材,在铝型材生产过程中,受工艺等因素的影响会产生各种瑕疵,影响铝型材的质量。传统人工检测,质检的效率和准确率难以满足生产需要。本文将深度学习算法引入到缺陷检测中,结合迁移学习原理,使用小批量数据集,利用改进的YOLO模型进行训练,预测铝型材表面瑕疵。试验结果显示,尽管在小批量训练的条件下,验证集mAP值为87.43%,仍取得了98.2%的准确率,比拟人工检测的准确率,并可以快速、准确的定位缺陷部位。此技术有望革新现有质检流程,自动完成质检任务,保证产品的质量;另外,基于深度学习算法表面缺陷检测方法,鲁棒性好,具有一定的普适性,可以推广到相关的其他应用领域。     

基于三维深度卷积神经网络的车间生产行为识别

传统的依赖视频监控的人员行为管理方式费时且易产生疏漏,难以适用复杂的生产制造环境,为了实现更加有效的人员行为管理,针对生产车间工作人员行为识别与智能监控问题,提出一种基于人体骨架信息的生产行为识别方法。基于三维深度视觉传感器采集人体骨架关节位置数据,用标准化重构方法对骨架关节数据进行归一化处理,合成人体行为的时空特征RGB图像。在此基础上构建深度卷积神经网络模型,进行时空域的生产行为识别。最后通过CUDA GPU加速环境下面向MSR-Action3D数据集和自建验证数据集NJUST3D进行实验验证,说明所提方法具有较高的准确率和实用价值。     

基于深度融合策略的转子轴心轨迹识别研究

针对以人工特征为输入的旋转机械故障的传统智能识别方法的精度较低及深度学习方法对数据量依赖性强的问题,鉴于Hu不变矩具有伸缩、平移及旋转不变性的特点及无监督深度学习模型在小样本数据特征提取方面的优势,提出了一种融合Hu不变矩及深度卷积自动编码特征的故障诊断模型（deep convolutional auto?encoder fault diagnosis model,简称DCAE?FDM）。首先,采用有效奇异值法对原始振动信号进行提纯,得到提纯的轴心轨迹集,并按一定比例划分为训练集和测试集,分别计算出它们的Hu不变矩特征;其次,利用所构造的DCAE?FDM模型对轴心轨迹进行自适应特征提取,得到深度自动编码特征;然后,将Hu不变矩与深度自动编码特征进行融合,并将训练集的融合特征作为输入对BP神经网络进行训练;最后,采用测试集的融合特征对训练好的模型进行测试。试验结果表明,所提方法的识别效果明显优于深度学习方法及传统识别方法,所提方法的平均准确率达98.5%,比次优模型高出约6个百分点。     

表面硬化齿轮剥落损伤试验研究与强度计算

本文通过对30对4种不同渗碳层深度的滚轮进行模拟齿面剥落损伤试验研究，从疲劳的观点出发，考虑应力幅和应力循环特性以及接触应力场与材料强度场的合理匹配，进一步澄清了导致疲劳剥落的应力，并根据常用材料表面硬化处理后的硬度与强度及有关强度极限之间的近似关系，导出防止表面硬化齿轮剥落损伤的强度条件式。     

基于深度学习的分布式光纤损伤识别方法

航空航天复合材料结构服役环境恶劣,为保证结构安全运行需要发展结构健康监测技术,基于背向瑞利散射的分布式光纤传感器因其便于埋入、抗干扰能力强等优点被广泛应用于结构健康监测领域。如何从复杂的光纤数据中识别结构损伤是健康监测的研究难点之一,基于此问题提出一种用于损伤识别的深度学习方法,采用一维卷积神经网络对复合材料层合板中的脱粘和裂纹损伤进行识别。为了验证方法的可靠性,设置预制损伤的酚醛树脂层合板的悬臂加载试验,其埋入的分布式光纤传感器很好地监测到了损伤区域的应变变化特征,采用试验数据对网络结构进行参数调整,最终确定卷积核大小和卷积层数目。试验结果表明,训练后的一维卷积神经网络能够从复杂的应变曲线中识别出损伤特征,并对损伤特征进行准确定位。在目前的研究中,该方法能够准确识别3 cm2的脱粘损伤和20 mm长的裂纹损伤,同时定位精度小于4 mm。     

基于卷积神经网络的分心驾驶行为识别

针对分心驾驶行为识别,提出基于ResNet18的多标签分心驾驶行为识别方法和基于迁移学习的多分类分心驾驶行为识别方法.首先基于ResNet18模型连接多个全连接层,对多种行为进行多标签识别;然后利用迁移学习,提出基于改进的ResNet34模型进行多分类识别.实验结果表明:文章提出的改进算法对分心驾驶行为识别的准确率最高...     

基于深度学习的传感器优化布置方法

针对传感器优化布置(optimal sensor placement,简称OSP)问题,提出了一种新的使用深度神经网络的解决方案,并以简化的桥梁形状的桁架结构中的振动测试传感器优化为例进行了验证。首先,选择一种传统的传感器优化布置方法,对自动化生成的大量不同的桁架结构分别进行传感器优化布置计算,将所得优化布置结果在进行数据预处理后构建出深度学习方法所需要的训练集与验证集;其次,使用Python语言和深度学习框架TensorFlow设计实现与本研究问题适配的深度神经网络模型并训练;然后,随机生成了新的桁架结构参数;最后,将深度神经网络输出的传感器布置结果和传统方法的计算结果进行了比较,验证了本研究方法的有效性以及在速度上、可移植性与可扩展性方面的性能优势。     

基于深度卷积神经网络的γ光子图像分类识别研究

通过对正电子探测成像技术获得的γ光子图像进行分类识别,有利于后续有针对性地快速获取图像所包含的有效信息。在MatConvNet上利用迁移学习的方法搭建深度卷积神经网络,通过对其参数的调整进一步提高网络分类识别的性能。为了验证网络性能,设计了10组不同形状的管材模型,利用仿真得到的扫描时间为1s的γ光子图像样本集对网络进行训练后,将其应用于扫描时间为0.1 s的γ光子图像样本进行分类识别,发现分类准确率在图像质量偏差、扫描时间为0.1 s的γ光子图像样本上仍然达到了94.72%。可见所搭建的深度卷积神经网络对γ光子图像具有很好的分类识别性能。     

利用单传感器数据基于GAF-CNN的结构损伤识别

为了减少损伤识别所需传感器数量,降低监测系统造价及海量数据的处理成本,提出了基于单传感器数据结合格拉姆角场（Gramian angular field, 简称GAF）和卷积神经网络（convolutional neural networks,简称CNN）的结构损伤识别方法。采用GAF理论将原始振动信号分别转换为格拉姆角和场（Gramian angular summation field,简称GASF）和格拉姆角差场（Gramian angular difference field,简称GADF）二维图像,以转换后的GASF和GADF两类图像数据集为输入,基于LeNet-5结构下的浅层卷积神经网络模型,训练最优二维CNN模型用于结构损伤识别。以国际桥梁维护和安全协会提出的结构健康监测基准模型结构及一榀钢框架结构为例,研究振动信号转化为二维图像算法、卷积神经网络模型参数、传感器布置位置及测量噪声对识别结果的影响。结果表明：所提算法仅需单个传感器数据即可实现损伤识别的目的,数值模拟及模型试验的损伤识别准确率均为100%,单条样本测试时间为8.5ms左右,满足结构健康监测在线损伤识别的需求,且受传感器布置位置和噪声程度影响较小;GADF图较GASF图收敛效率更高,震荡幅度更小,受局部最优值影响较小,在样本数量规模一致的状态下,更易训练生成最优二维CNN模型。     

基于深度学习的导波特征提取及其激光超声检测

针对激光超声检测中波场的三维数据处理计算量大且损伤特征提取难的问题,提出了一种基于深度学习模型的导波波场分析方法.首先,以VGG-Net网络为框架,建立了基于VGG11(A-LRN)的残差网络模型,用于挖掘时间-空间波场数据中的导波特征;其次,以局部波数特征为物理机理,采用导波传播的解析式生成训练样本,解决了深度学习大数据获取的问题,获得了波场特征提取的神经网络模型;最后,以激光超声系统在含损伤结构中的实验数据作为测试样本,验证了所提出的网络模型能够提取表征损伤的导波特征,实现了结构的损伤成像,其损伤成像精度均在67%以上,损伤形貌的可视化效果好。