基于激光图像的轮对踏面磨耗动态测量

为了实现铁路货车轮对踏面磨耗动态测量,建立了基于激光图像的踏面磨耗检测系统。对该系统中踏面磨耗动态测量方法进行了研究。首先,采用基于量子粒子群优化算法的二维最大相关准则法进行图像分割。然后,采用基于形态学的细化算法和爬虫跟踪法组合的方法提取中心线。接着,采用基于多项式的空间坐标变换算法和双线性插值算法组合的方法对畸变的曲线进行校正。最后,采用曲线匹配技术匹配标准曲线和磨耗曲线。实验结果表明:系统对踏面磨耗的测量误差小于0.2 mm,检测时间2.1 s,满足车辆段修现场使用要求。     

基于双网络的钢材表面缺陷检测方法

针对传统算法检测钢材表面缺陷（如开裂、斑块、划痕等）精准度较低的问题,提出一种基于分割与分类的两段式深度学习网络。该网络是专为表面缺陷的检测、分割以及分类而设计的。第一阶段利用YOLOv5算法对钢材表面的缺陷进行定位、分割;第二阶段使用EfficientNet网络对钢材表面的六种缺陷类型进行分类。实验结果表明,相较于传统的YOLOv5算法,该方法的平均精准度提高了16%,适合用于钢材表面缺陷检测。     

光电测量的新能源汽车车轮踏面缺陷检测方法

新能源汽车的出现满足环保可持续发展的社会需求,新能源汽车车轮踏面缺陷检测能够提高新能源汽车运行安全水平.提出基于光电测量的新能源汽车车轮踏面缺陷检测方法,采用基于光电测量的新能源汽车车轮踏面检测方法,获取新能源汽车车轮踏面轮廓特征衍射图后;利用基于踏面轮廓特征衍射图的缺陷检测方法,检测新能源汽车车轮踏面轮廓特征衍射图中...     

基于YOLOv3的汽车涂胶缺陷方法研究

为了提高汽车涂胶缺陷的检测精确率、保证速度与质量,提出基于Yolov3的汽车涂胶缺陷检测方法.该方法结合迁移学习算法解决涂胶缺陷数据集少的问题、并针对本文数据集进行K-M重新聚类产生适应本文数据集的anchor box、最后增加网络预测尺度,解决yolov3对小目标检测性能较差问题.改进Yolov3算法在测试集上的平均...     

基于深度学习的SAR目标检测方法

高分辨率合成孔径雷达（Synthetic Aperture Radar,SAR）图像中不同目标的尺寸区别较大,这使得小目标的特征不明显,为目标检测带来了极大的挑战。针对这一问题,提出了SAR YOLO 960算法。该算法首先改进了图像输入大小的限制,将输入图像提升到960×960像素;进而改善了YOLOv3(You Only Look Once v3)网络的整体结构,修改并添加了卷积层和残差层,整体采用64倍降采样,使其速度大大提升;最后,根据SAR图像目标的特点,改进了损失函数,从而得到了SAR YOLO 960算法。在手工制作的高分辨率SAR图像数据集中的目标检测结果表明,相对于当前主流的检测算法,该算法性能显著提高;检测速度达32.8帧/秒,准确率达95.7%,召回率达94.5%。     

基于改进YOLOv5的磁瓦表面缺陷检测方法研究

磁瓦的表面缺陷检测是生产环节的重要部分。针对传统的磁瓦表面目标缺陷检测存在精度低下、速度缓慢、小目标检测难度大等问题,首先采用YOLOv5s作为基础的网络,用改进后的CombinedE ffi cientNetV2网络来代替原YOLOv5中的CSPDarknet网络,让网络更加轻量化的同时检测速度有所提高。其次,将Ciou损失函数替换成性能更好的Focal-Eiou损失函数,提高对磁瓦表面的缺陷提取校正能力。最后,在网络中结合改进后的双Shu ffl eAttention注意力机制,并将激活函数替换成GeLU,让网络能关注到重要位置。通过多次训练网络,与FastRCNN、YOLOv3、SSD、原YOLOv5算法进行对比,P和mAP有不同程度的提升。结果表明,相较于原YOLOv5,改进后的算法mAP提高了3.9%,P提高了4%,FPS达到了41.3帧/s,能满足磁瓦生产线中的缺陷检测需求。     

采用激光声磁技术检测钢轨踏面缺陷

钢轨踏面与车轮之间的滚动接触疲劳形成的大量表面缺陷严重危害着铁路行车安全,传统的无损检测(NDT)方法已不能适应铁路快速发展的需要。根据激光声磁技术的基本原理和钢轨踏面缺陷检测的特点,研究了钢轨踏面缺陷检测的激光声磁检测技术。通过对比激光声磁技术与压电超声检测钢轨踏面横向裂纹缺陷的实验,表明本文方法能准确的检测和定位踏面横向裂纹。通过小波阈值去噪技术对激光声磁信号进行处理,在保留了原始信号的各种特征的同时大大提高了信噪比(SNR),更有利于缺陷的识别和特征的提取。分析了提离效应对激光声磁信号的影响,获得了提离距离与接收信号幅值变化曲线图。实验结果表明,本文方法无需耦合剂、对钢轨表面状况要求低,可实现钢轨踏面缺陷的非接触、快速和准确的检测。     

采用激光声磁技术检测钢轨踏面缺陷

钢轨踏面与车轮之间的滚动接触疲劳形成的大量表 面缺陷严重危害着铁路行车安全,传统的无 损检测(NDT)方法已不能适应铁路快速发展的需要。根据激光声磁技术的基本原理和钢轨踏 面缺陷检测的特点, 研究了钢轨踏面缺陷检测的激光声磁检测技术。通过对比激光声磁技术与压电超声 检测钢轨踏面横向 裂纹缺陷的实验,表明本文方法能准确的检测和定位踏面横向裂纹。通过小波阈值去噪技术 对激光声磁信号 进行处理,在保留了原始信号的各种特征的同时大大提高了信噪比(SNR) ,更有利于缺陷的识别和特征的提取。 分析了提离效应对激光声磁信号的影响,获得了提离距离与接收信号幅值变化曲线 图。实验结果 表明,本文方法无需耦合剂、对钢轨表面状况要求低,可实现钢轨踏面缺陷的非接触、快速 和准确的检测。     

基于光纤传导的钢轨踏面缺陷激光声磁检测

针对较容易产生缺陷的钢轨 踏面检测要求,建立了基于光纤传导技术的钢轨踏面裂纹缺陷激光声磁检测(EMAT)系统。 系统通过光纤传导 脉冲激光照射到钢轨踏面激发出超声表面波,表面波在传播过程中遇到钢轨踏面缺陷时发 生模式转换成 横波,再使用电磁超声技术接收超声转换成横波信号。通过本文系统对钢轨试样不同位置 进行扫查,能精 确检测出钢轨踏面裂纹缺陷。实验结果表明,本文系统具有非接触、结构灵活和灵敏度高 等优点,可实现钢轨踏面裂纹缺陷的有效检测。     

基于深度学习的红外舰船目标识别

本文采用深度学习技术中的YOLOv3(You Only Look Once Version 3)目标识别算法对红外成像仪从海面采集的红外图像中舰船进行识别。红外成像仪采集图像的频率高达50帧/s,为了能减少网络计算时间,本文借鉴YOLOv3的一些思想,采用全卷积结构和LeakReLU激活函数重新设计一个轻量化的基础网络,以此加快检测速度。输出层根据采集回来的红外图像的特点采用Softmax算法回归,在提高检测速度的同时,也兼顾了检测精度。     

基于粗糙度测量和颜色距离的织物缺陷检测方法

针对周期性纹理背景影响织物缺陷检测效果的问题,提出了一种基于粗糙度测量和颜色距离的织物缺陷检测方法。该方法先将待检测图像由RGB颜色空间转换到HSV颜色空间,并分别对三通道进行同态滤波处理,以提升缺陷与背景之间的对比度;利用粗糙度测量对织物图像进行分类,并将同一类别的织物图像分成大小相同且互不重叠的图像分块,分别估计各个图像分块与其八邻域图像分块的颜色距离,从而实现对缺陷的粗定位;最后对粗定位图像分块进行显著性和二值化处理,有效减少了周期性纹理背景对检测结果的影响。实验结果表明:与近期4种方法相比,本文方法对周期性纹理织物图像表现出了较好的检测效果,检测准确率更高。     

基于轻量级注意机制的人脸检测算法

提出一个新的基于轻量级注意力机制的网络框架。在YOLOv3主干网络的基础上,使用深度卷积和点卷积代替标准卷积设计特征提取网络,加快模型的训练,提高检测的速度,然后引入注意力机制模块进行模型速度和精度的权衡,最后通过增加多尺度提取更多网络层的特征信息,同时使用K-means++聚类算法进一步优化网络参数。实验结果表明,该方法可以显著提高人脸检测模型的性能,在Wider Face数据集上可以达到94.08%的准确率和83.97%的召回率,且平均检测时间只需0.022 s,相比原始YOLOv3算法提高了4.45倍。     

基于SSD的实时轻量级无人机检测算法

针对当前无人机检测算法普遍不能做到快速准确检测的问题,提出了一种基于SSD的改进实时轻量级无人机检测算法--TSSD。首先,针对SSD算法的骨干网络权重参数量大的问题,改进得到一种轻量级的骨干网络。其次,针对SSD只利用多层特征图进行多尺度预测,而特征之间的联系没有被很好地融合利用,加入了一种特征增强模块来提高检测能力。在自建无人机数据集中进行的实验结果表明,提出的算法检测速度达到125f/s,远高于原始SSD的检测速度,且准确率比原始SSD也有所提升。     

线路板缺陷的图像检测方法

为提高线路板缺陷的自动检测能力,结合图像处理技术,提出了线路板缺陷的图像检测方法。该方法首先对Gerber文件解析,获取标准线路板图像;其次利用定位孔检测实现标准线路板图像与待检测图像的配准;然后结合形态学滤波,完成线路板缺陷区域定位;最后根据常见缺陷的特征,综合采用面积法、连通域法和缺陷边缘邻域法,实现了常见缺陷类型的自动识别。通过对真实线路板图像仿真缺陷的检测实验,其结果证明了该方法的有效性。     

基于图像处理的挤出胎面尺寸控制应用

由于目前轮胎胎面挤出机控制系统多以挤出压力反馈控制为主,无法直接反映挤出胎面尺寸,致使一定量挤出胎面尺寸不合格。针对一情况,提出了一种基于图像处理的模糊神经控制方法,利用边缘改进阈值算法分割挤出胎面图像,提取出尺寸数据,数据经由模糊神经网络分析,决策出适宜的挤出机螺杆转速,并反馈给挤出机,仿真实验表明,根据挤出胎面尺寸,模糊神经能较好地进行螺杆转速控制。该控制方法能有效提取挤出胎面尺寸数据,并具有较好的控制效果。     

基于改进U-Net卷积神经网络的钢轨表面损伤检测方法

基于卷积神经网络的深度学习方法对钢轨表面损伤的自动化检测起到非常重要的推动作用,因此提出一种基于卷积神经网络的钢轨表面损伤检测方法.首先,在经典U-Net的收缩路径和扩展路径之间增加一个分支网络,可以辅助U-Net输出理想的分割图.然后,将Type-I RSDDs高速铁路轨道数据集作为检测样本,使用数据增强的手段扩增检...     

雾霾环境下基于PLATE-YOLO的车牌检测方法

针对目前车牌识别领域中,雾霾环境下车牌检测准确率低的问题,本文提出一种基于深度学习的抗雾霾车牌检测方法,该方法能够检测民用车牌和机场民航车辆车牌。该方法首先利用一种基于卷积神经网络的去雾算法对车牌图片进行去雾预处理,然后将处理过的无雾霾图片送入PLATE-YOLO网络中检测车牌的位置。该PLATE-YOLO网络是本文针对车牌检测的特点,对YOLOv3网络做了修改后得到的适用于车牌检测的网络。主要改进点有两处:第一,提出了一种基于层次聚类算法的锚盒(Anchor Box)个数和初始簇中心的计算方法;第二,针对车牌目标较大的特点,对网络的多尺度特征融合做了优化。优化后的PLATE-YOLO网络更适合于车牌检测,且提高了检测速度。实验证明,PLATE-YOLO网络检测车牌的速度较YOLOv3提高了5 FPS;在雾霾环境下,经去雾预处理的PLATE-YOLO车牌检测方法比未经去雾处理的车牌检测方法准确率提高了9.2%。     

分形理论在目标检测中的应用

对分形理论在雷达目标检测领域中应用的相关研究进行整理与总结,以传统雷达目标检测方法中存在的不足为切入点,按照分形模型由简单到复杂的顺序,从常规雷达目标检测与图像(SAR图像)目标检测2个方面介绍了分形理论在目标检测领域的发展,并对分形理论在目标检测领域的研究前景进行展望。     

基于自注意力深度网络的图像超分辨率重建方法

针对现有图像超分辨重建方法难以充分重建图像的细节信息且易出现重建的图像缺乏层次的问题,提出一种基于自注意力深度网络的图像超分辨重建方法。以深度神经网络为基础,通过提取低分辨率图像特征,建立低分辨率图像特征到高分辨率图像特征的非线性映射,重建高分辨率图像。在进行非线性映射时,引入自注意力机制,获取图像中全部像素间的依赖关系,利用图像的全局特征指导图像重建,增强图像层次。在训练深度神经网络时,使用图像像素级损失和感知损失作为损失函数,以强化网络对图像细节信息的重建能力。在3类数据集上的对比测试结果表明,所提方法能够提升图像超分辨重建结果的细节信息,且重建图像的视觉效果更好。