基于迁移学习的塑件外观缺陷柔性检测方法

卷积神经网络大数据与尺寸标注少、大数据与强计算之间的矛盾限制了塑件外观检测自动化的发展,迁移学习方法通过共享网络结构、特征参数等方法,可以在样本数量较少的情况下快速训练新的模型,有效缓解上述矛盾。考虑塑件外观缺陷种类繁多,但外观缺陷特征基本一致,基于此,提出了共享模型中低维特征参数的柔性外观缺陷检测方法,该方法首先通过卷积神经网络提取外观缺陷的抽象特征,训练一个目标检测模型,在需要检测类似缺陷时,将该模型最后一层重新初始化后作为预训练模型,获得识别该缺陷特征的经验知识,最后通过少量样本对重新初始化后的模型进行微调,快速训练得到一个新的检测模型。     

电弧焊熔透ICA-BP神经网络识别模型

以氩弧焊熔透状态识别为研究对象,研究一种基于ICA (Imperialist Competitive Algorithm) 的BP(Back Propagation)神经网络识别模型方法. 首先利用ICA全局搜索不易陷入局部极值及搜索速度快的特点对神经网络权值和阈值初始化,再用BP算法对神经网络进行训练. 通过摄取焊接过程中的熔池图像,提取熔池面积、熔宽以及熔池质心位置作为神经网络预测模型的输入量,分析熔池图像三个特征与焊缝熔透状态的映射关系,最终建立熔透状态预测模型. 结果表明,采用ICA-BP神经网络能够有效地预测焊缝的熔透状态.     

基于神经网络的磁瓦表面缺陷检测识别

目的针对传统算法提取磁瓦表面缺陷的局限性,以及通过人为选择缺陷特征进而判断缺陷种类的方法精度不足等问题,结合改进的UNet模型和一个分类神经网络提出一种磁瓦缺陷检测识别算法。方法改进的UNet模型用于提取缺陷,而分类神经网络则用于对所提取的缺陷区域进行分类识别。为了提高模型的分类精度,使用空洞卷积对UNet模型部分卷积层和池化层进行替代,以减少多次池化带来的细节丢失的问题,同时,增加多次跳跃连接,使UNet模型能够融合更多的卷积特征。结果经实验验证表明,改进UNet模型对缺陷区域的预测精度可达到93%。根据预测结果使用分类神经网络对缺陷进行分类,经实验验证,分类的精度可达94%,满足工业要求。结论改进的UNet模型对磁瓦缺陷提取精度有所提高,分类神经网络的缺陷分类精度较高。结合改进的UNet模型和分类神经网络能同时并有效地实现缺陷提取和分类识别,为磁瓦质量检测和性能评估打下基础。     

基于多特征融合与GA-BP模型的滚动轴承故障识别

针对滚动轴承故障识别问题,基于遗传算法(GA)和BP神经网络等技术,提出一种GA-BP神经网络模型。该模型以训练数据的输出误差作为目标函数,利用遗传算法对BP神经网络的初始权值和阈值进行优化选择。将经验模态分解能量比和时域特征相结合的特征向量作为BP神经网络的输入,对滚动轴承不同工况下的故障进行识别。滚动轴承故障诊断的实例表明:该模型较传统BP神经网络模型具有更好的收敛精度、收敛速度和识别率。     

基于空时模型的航空管路卡箍故障诊断研究

针对航空液压管路卡箍振动信号受强噪声干扰,导致航空卡箍故障难以精准识别的问题,提出一种空时模型的航空卡箍故障诊断新方法。建立空间特征提取模型,对航空卡箍的故障特征进行局部融合。在空间模型中引入GRU模块,提取航空卡箍故障信号中的全局特征。结果表明：设计的空时故障诊断模型可实现航空卡箍故障的精准识别。与目前所用的深度卷积神经网络模型、门控循环单元神经网络模型、循环神经网络模型、支持向量机和误差反向传播神经网络模型等5种先进的故障诊断方法进行对比分析,所提方法对航空卡箍故障识别具有优越性。     

基于麻雀搜索算法优化双隐含层BP神经网络的张力减径钢管壁厚预测

针对传统BP神经网络在张力减径过程中进行壁厚预测过程时存在误差偏高、稳定性不强、随机初始化权值阈值等缺点,采用麻雀搜索算法对传统BP神经网络的阈值与权值进行全局寻优,以提高BP神经网络在张力减径中壁厚参数预测的准确性和稳定性。同时,以某工厂采集的张力减径过程中的壁厚数据为样本集,采用SSA-BP神经网络进行学习与训练,将得到的结果与传统BP神经网络、GA-BP神经网络的预测结果对比。结果表明,SSA-BP神经网络对张力减径过程中壁厚参数的预测具有较高的准确性与稳定性,其在准确度相较于传统BP神经网络模型提升了58.1%,相较于GA-BP神经网络模型提升了17.5%。     

基于前馈神经网络的储油罐底板焊缝表面缺陷检测方法

为了有效解决储油罐底板焊缝缺陷检测过程中存在速度慢、检测结果不准确等问题，提出一种基于前馈神经网络的储油罐底板焊缝表面缺陷检测方法。分析相机捕获的储油罐底板焊缝图像各像素之间的相关性和椒盐噪声特点，通过支持向量机(SVM)分类器识别图像中的噪声，重构图像，完成去噪处理。通过基于泛化的增量式二维主成分分析的特征提取方法(GI2DPCA)提取储油罐底板焊缝图像的特征，引入前馈神经网络，构建基于前馈神经网络的储油罐底板焊缝表面缺陷检测模型，将提取到的特征输入到模型完成缺陷检测。试验测试结果表明，所提方法能以较短的时间和较高的检测精度完成缺陷检测。     

电弧焊熔池表征与熔透状态映射研究

针对电弧焊熔池图像特点,试验研究通过熔池特征映射熔透状态的方法。在焊接过程中由摄像机实时摄取熔池图像,并通过图像处理得到熔池的轮廓,而后提取熔池面积、熔宽以及熔池图像质心到熔池图像底部的距离等三个特征量,用这三个特征作为BP(Back Propagation)神经网络的输入参数,从而建立熔透识别模型。通过改变BP神经网络的隐含层神经元个数及训练函数获得不同的模型,分析比较各个模型对熔透的识别效果,并把识别效果最好的模型作为最终的焊缝熔透状态识别模型。试验结果表明,将Levenberg-Marquardt算法作为BP神经网络模型的训练算法能更加准确预测焊缝熔透状态。     

基于BP神经网络的钢丝绳电涡流无损定量检测技术

钢丝绳在建筑、旅游、运输等行业中已得到了广泛应用,由其断丝、磨损等缺陷所引起的安全隐患备受人们关注。采用双探头低频透射式钢丝绳电涡流无损检测方案,选取感应信号相对于激励信号的峰-峰值差和相位差作为特征量,采用数字式峰-峰值算法和占空比原理计算信号特征量。应用BP神经网络对钢丝绳缺陷进行自动识别,以钢丝绳型号及其缺陷特征量为网络输入,以是否存在断丝及断丝数量为网络输出,通过离线训练方法获取神经网络辨识模型。对实验数据进行识别,结果表明BP神经网络能对断丝缺陷及其数量进行有效的定性及定量识别。     

基于BP神经网络的外圆磨削颤振在线识别和监测方法

为提高机床磨削加工过程中对颤振现象识别的能力,提出一种基于BP(back?propagation)神经网络模型的颤振识别方法。通过对加工过程中传感器采集到的高频声发射信号以及振动信号相关特征值的提取,获得关于颤振的多特征参数样本库,并用其对BP神经网络模型进行学习和训练,建立BP神经网络在线识别颤振的算法模型,实现对机床加工过程中是否发生颤振的在线监测和识别。试验结果表明:这种基于BP神经网络模型的颤振识别测试结果与磨削加工试验中的磨削颤振现象结果相符合。该方法能够有效地识别磨削加工过程中的颤振,并起到在线监测识别的作用。      

基于机器视觉与Faster-RCNN的Delta机器人工件识别检测

针对传统并联机器人在工作环境中存在抓取不精确、定位与分类识别效率低下的问题,提出一种基于机器视觉与Faster-RCNN神经网络的工件识别检测技术。采用Delta机器人实验平台采集图像,进行图像的预处理操作并将其添加至网络训练集。通过Python3.7-torch1.7搭建深度学习中的Faster R-CNN卷积神经网络,作为基本框架训练工件图像数据集。最后将训练后的卷积神经网络得到的工件检测结果与原实验工件识别系统对比。结果表明：改进后的识别平均精确度比原有识别系统有所提高,反应时间缩短,并且能识别不同类型的工件。     

基于神经网络的铝合金裂纹缺陷识别

将人工神经网络方法应用于铝合金工件裂纹缺陷识别,以克服传统人工识别的局限性,从而提高裂纹缺陷识别的准确率。通过设计并搭建水浸超声检测系统,获得超声检测缺陷的波形数据,并对收集到的缺陷波形数据进行特征提取,从中筛选出有用的特征信息,经过小波去噪处理后作为特征信号输入概率神经网络,并进行网络训练,实现对不同裂纹尺寸的智能识别。实验结果表明:该方法可提高对裂纹缺陷尺寸识别的准确率和检测效率,具有较好的应用前景。     

基于LM算法的宽板V型自由弯曲参数的实时识别

在弯曲成形智能化控制过程的4个要素中，材料性能参数的实时识别占有极其重要的地位。为提高实时识别的精度和效率，根据宽板V型自由弯曲成形的特点，建立了宽板V型自由弯曲成形智能化控制过程材料性能参数实时识别的LM神经网络模型。训练结果表明，与改进的BP网络模型比较，LM网络模型的收敛精度和收敛速度均有明显的提高，为实现弯曲成形过程的智能化控制奠定了基础。     

基于组合矩和随机森林的转子轴心轨迹识别

针对大型旋转机械难以获得大量故障样本和不变矩识别率低的问题,提出基于组合矩和随机森林模型的转子轴心轨迹识别方法。采用实测的轴心轨迹作为样本,采用Sobel算子提取轴心轨迹的轮廓,基于轮廓的形状几何特征和不变矩构造组合矩。将不变矩和组合矩作为随机森林模型的输入进行分类,证明了组合矩的分类准确率最高。对随机森林、支持向量机和BP神经网络的分类效果进行了对比,结果表明：随机森林的分类准确率要高于支持向量机和BP神经网络,并且识别时间较短,是诊断旋转机械故障的一种新方法     

基于群体智能算法的排球高鲁棒性目标识别研究

基于小波变换和人工神经网络的目标识别是图像处理的一个重要研究方向。但是,此类方法采用的梯度下降规则容易产生局部极小值。为了解决该问题,提出了一种基于群体智能算法的高鲁棒性目标识别算法,可有效应用于各种图像识别任务,如排球目标识别等。首先对图像进行预处理并变换成HSV空间进行背景分割,并通过小波不变矩对图像进行特征提取。然后采用新兴的群智能算法-狼群算法,对基于小波神经网络的目标图像识别进行优化,以便提升全局收敛性和鲁棒性。仿真实验结果显示:相比原有的方法,提出优化方法具有更高的识别精度和稳定性。     

基于小波包神经网络的轴承故障识别模型

针对传统故障特征提取过程复杂、诊断方案单一且准确性差等问题,提出了基于多阈值小波包和深度置信网络(DBN)的轴承故障识别方案。本文作者采用最优小波基函数和软硬阈值结合方法对原始振动信号进行三层分解降噪处理,得到8个从低频到高频段的信号成分,对其进行组合重构作为神经网络的输入样本;通过DBN在数据处理上的特征重构优势,建立了DBNBP神经网络的轴承故障识别模型,确定模型的各类参数。经多次实验,探究不同样本输入对模型识别率的影响,并与传统的浅层神经网络识别模型做对比分析,结果表明:经训练的DBNBP轴承故障识别模型可从原始数据、小波包分解信号实现轴承故障信号的准确特征学习和分类,结合识别率和诊断时间考虑,经小波包分解信号输入具有更优的诊断效率。     

基于PSO-SVM的FPC焊盘表面缺陷检测研究

针对柔性线路板(FPC)焊盘表面的缺陷检测,建立了一种利用粒子群算法(PSO)进行参数寻优的PSO-SVM分类识别模型。首先通过OTSU法将焊盘从原始图像中分割出来,然后对其5种表面缺陷从形状、灰度、纹理三个方面提取了14维特征,接着用粒子群算法方法对支持向量机的参数优化以获得较高的识别准确率,最后对缺陷样本进行分类识别,并将其与GS-SVM和BP神经网络分类性能进行对比。实验证明了该方法可以对焊盘缺陷进行准确的分类识别。     

基于边缘夹角附加损失函数的熔池形貌检测方法

针对弧焊增材制造过程中传统的熔池检测方法依赖经验参数、准确率低、识别时间较长的问题,提出了一种基于边缘夹角附加损失函数的熔池形貌检测方法,实现对熔池快速而精准的检测和识别. 首先,通过特征金字塔网络融合多种特征在多个尺度上表征熔池,摆脱对经验参数的依赖;其次,使用PointRend神经网络模块,基于细粒度特征及粗预测掩码对采样点优化,减少熔池目标检测及识别所需时间;再次,研究了边缘夹角附加损失函数,在角度空间上最大化分类间隔,使网络提取到的特征具有更强的可分性,进而改善模型识别的精度;最后,利用实际熔池监测数据进行试验测试. 结果表明,该方法识别精度高,精度达97.85%,当存在熔滴覆盖干扰时,也可以实现精确检测与识别;对比熔池的检测宽度和实测宽度,绝对误差在0.36 mm以内,试验结果验证了该方法的有效性和可靠性.     

小波变换和神经网络在漏磁缺陷信号识别中的应用

利用小波变换和RBF（Radius Basis Function）神经网络技术对漏磁检测系统中的缺陷信号进行分类。重点设计了试验系统，采集了四种缺陷信号，首先应用小波变换提取信号特征值，然后利用RBF神经网络训练，采用模糊聚类算法寻找基函数的中心，使缺陷的定性分类获得了很高的准确率。试验获得了较好的缺陷分类效果。