基于超声相控线阵的缺陷全聚焦三维成像

在无损检测领域,缺陷三维成像能够还原材料内部缺陷的空间信息,与传统的二维成像相比有着明显的优势。目前实现超声相控阵缺陷三维成像主要依靠面阵探头,而这些设备往往十分复杂和昂贵。通过采取适当的数据采集方法和后处理成像算法,超声相控线阵系统能够实现低成本、高效率的三维超声检测成像。采用断层扫描和全矩阵捕捉的方法获取成像数据;再利用全聚焦成像算法绘制高分辨率的断层图像;根据这些图像在三维空间中真实的位置关系,插值还原出缺陷的三维图像。此外,针对全聚焦成像算法计算量大的问题,提出了一种加速算法。实验表明,这种检测方法能够快速得到目标空间区域的高质量三维图像,准确体现缺陷的空间分布情况,相比于借助B扫查图像和C扫查图像材料内部缺陷的方法,具有更强的直观性。     

基于超分辨注意力机制改进的GIS内部细微缺陷X-DR图像检测方法

为了解决气体绝缘开关设备内部细微缺陷X-DR成像重影雾化、纹理不清晰、易造成误诊断等问题,提出一种基于超分辨率注意力机制改进的气体绝缘开关(gas insulated switchgear,GIS)内部细微缺陷X-DR图像检测算法.该方法以高效亚像素卷积神经网络为框架,引入双层计算机注意力机制SE模块,构成新颖的SE-ESPCN超分辨率网络.通过对GIS设备X-DR图像通道重要程度进行评判,赋予图像卷积层不同的权重,以增强图像故障细节的成像效果.实验结果表明:SE模块与亚像素卷积神经网络的融合,不仅保障了GIS设备故障区域成像的实时性,而且算法输出的高分辨率X-DR图像缺陷细节清晰可见,便于观察,提高了工作人员对缺陷检测的效率与准确性,为实际工程中GIS设备X-DR成像系统改良提供了一定的参考.     

光伏电池电致发光偏振图像融合与缺陷检测

针对电致发光图像边缘模糊、纹理不清晰造成光伏电池缺陷难以定量化评估问题,提出一种基于电致发光偏振图像融合的晶硅光伏电池缺陷检测方法。首先,在分析晶硅光伏电池结构的基础上给出电致发光偏振成像的基本原理。然后,利用拉普拉斯金字塔对获取的红外光强图像与偏振度图像进行分解、引导滤波对高频细节成分进行增强,通过区域能量最大、区域能量加权平均规则对高低频部分进行融合。最后搭建短波红外偏振检测平台开展晶硅光伏电池缺陷检测实验。结果表明,偏振成像可以凸显光伏电池缺陷图像的轮廓边缘和纹理细节,融合图像 中光伏电池缺陷特征更加突出,信息熵、标准差等客观评价指标显著提高,验证了方法的有效性。     

风机叶片内部缺陷日光激励动态热成像方法研究

针对在役风力发电机组叶片内部缺陷类型难以区分的问题,本文提出了基于自然日光激励的动态热成像检测理论与方法,并进行有限元仿真模拟与试件实验研析了自然日光激励下风机叶片不同内部缺陷的动态热成像规律。首先,建立风机叶片切片的有限元传热仿真模型,通过数值计算揭示脱粘、积水两类典型内部缺陷在日光激励热传导物理场下热特征的变化规律;其次,对叶片切片进行同质加工,并利用无人机搭载热成像载荷搭建了日光激励热成像检测平台;最后,在自然日光激励条件下进行全天不同时段下的日光激励热成像实验。仿真和实验结果表明,风机叶片内部脱粘、积水两类典型缺陷在日光激励下将导致表面温度场呈现不同的变化趋势,脱粘缺陷会导致风机叶片表面对应区域出现高温异常到低温异常的动态演化,积水则相反,上述规律将为在役风机叶片的智能运维提供新的方法论。     

电磁层析成像技术在刹车盘缺陷检测中的应用

针对列车刹车盘缺陷检测的实际需求,提出采用电磁层析成像技术(electromagnetic tomography,EMT)对刹车盘进行缺陷检测,检测得到的数据经过图像重建后对缺陷的位置、形状和大小等分布信息进行显示。根据列车刹车盘的结构特点,设计平板型传感器线圈阵列,通过电磁场仿真软件对不同缺陷的刹车盘模型进行仿真,并使用不同算法进行缺陷成像。通过评价指标对比了不同算法的图像重建质量,仿真结果验证了电磁层析成像技术用于列车刹车盘缺陷检测的可行性;搭建了刹车盘缺陷检测的EMT实验系统,对刹车盘缺陷进行数据采集与成像实验。实验结果表明,电磁层析成像技术在高速列车刹车盘缺陷检测中具有很好的应用前景。     

红外图像多点非均匀校正方法与实时实现

非制冷焦平面阵列(UFPA)在成像过程中必须进行非均匀校正.传统的两点校正方法计算简单,容易实现,但有明显缺陷.实验表明,基于曲线的多点校正方法更能反映红外探测器的热响应性能,对环境温度的适应能力也得到增强,但计算复杂度增加.本文分析了两点校正方法在适应大范围环境和目标温度变化方面的缺陷,采用了基于FPGA的流水线设计技术,实时实现了基于二次曲线的红外图像的非均匀校正,并提出了环境温度变化的修正方案,在保证实时成像基础上,使图像质量得到明显改善.     

应用红外成像技术检测电气设备热缺陷的探讨

红外成像技术是一种诊断电气设备和线路热缺陷的先进测试技术,对及时发现、处理、预防重大事故的发生起到了举足轻重的作用,对保障电气设备安全运行和推进检修制度改革也具有一定作用.对红外成像原理、电气设备常见热缺陷进行了介绍,探讨了电气设备红外诊断的方法,并以实例说明了红外热像技术在检测电气设备热缺陷中的应用,旨在提高对电气设备热缺陷判定和定性的准确性,最终实现设备状态预知维修,为电网的安全运行奠定技术基础.     

基于线阵InGaAs相机的光伏电池板光致发光成像系统研究

现有光伏电池板缺陷检测多采用电致发光激励以及面阵相机检测等方法,存在操作复杂、效率低等问题,为此开展基于线阵InGaAs相机的光伏电池板光致发光成像系统研究。首先,设计线阵InGaAs相机硬件框架与逻辑框架,以FPGA驱动线阵InGaAs相机完成数据采集与图像显示。通过固定模式噪声去除算法与直方图双向均衡算法,去除了缺陷图像中固定模式噪声,同时提升了图像的对比度和清晰度。最后通过搭建整体成像系统,通过光致发光成像对不同种类的光伏电池板的多种缺陷进行成像实验,检测精度达到0.2 mm/pixel。实验结果表明该系统可以完成对单晶硅与多晶硅光伏电池板中隐裂、黑斑、坏片、混档和脏污等缺陷的检测。     

铝合金挤压棒材X射线是探伤及粗晶形成机制研究

以铝合金挤压棒材为研究对象,研究了铝合金挤压棒材晶粒变化机制,讨论了X射线实时成像图像的判定方法。结果表明,铝合金棒材在X射线实时成像时形成的可移动的斑点是由嵌件本身晶粒大小差异引起的二次衍射成像而非缺陷;如果嵌件本身存在缺陷,那么在实时成像时缺陷的位置不随样品的移动而发生随意漂移。     

红外测温技术在GIS故障诊断中的应用

随着GIS设备应用日益广泛,其缺陷种类和数量随之增加,很多缺陷均能通过热分布状态反映出来。基于红外测温及热图像分析技术,文中介绍了GIS设备的两种热缺陷机理及表现形式,提出了相应的诊断依据,并通过实例分析了GIS设备内部和外部热缺陷的图像特征,总结出缺陷原因,对现场检测工作中如何区分缺陷类型及查找故障原因提供有效参考,从而为进一步提高设备状态检测水平,深化状态检修工作提供有力的技术支持。     

基于深度学习的杆塔接地网断点诊断方法研究

在使用电磁感应方法诊断杆塔接地网断点的过程中,针对人工诊断引起的误差问题,提出了一种基于一维卷积神经网络(one dimensional-eonvolutional neural network,1D-CNN)的诊断模型,诊断模型以接地网正上方的一维磁场数据为输入,通过深度神经网络输出断点故障的数量和位置.首先通过实验验证了电磁感应方法在杆塔接地网断点诊断问题中的有效性,然后建立了磁场断点故障数据集,之后进行了1D-CNN诊断模型的训练.在诊断准确度验证实验中,1D-CNN诊断模型在40个故障磁场样本上达到了97.50％的诊断准确率,表现出了良好的泛化性;诊断效果对比实验表明,1D-CNN诊断模型的AUC值达0.951,在3次随机训练中对各类故障的平均识别率达到了92.08％,在15次训练中的平均测试集精度达到了94.30％,平均每代训练时间0.8750 s,在各项指标上较DNN、RNN均有明显优势.     

基于特征融合的风机叶片表面缺陷检测模型

针对风机叶片表面缺陷检测识别率低、且易受光照影响的特点。提出一种基于卷积神经网络特征融合局部二值模式特征及核极限学习机的风机叶片表面缺陷检测方法。利用引入注意力机制的卷积神经网络提取图像深层次信息,然后提取描述图像浅层纹理信息的局部二值模式特征,采用主成分分析方法降低局部二值模式特征维度;将两种从不同层面描述图像的互补特征串行融合。用改进的麻雀搜索算法优化核极限学习机参数,利用融合的特征训练模型,得到最优模型进行缺陷识别。通过实验,在自建数据集训练后的分类准确率达到了97.5%,kappa系数达到95.1。相比利用单一特征检测,分类准确率有明显的提高。经风电场实际验证,本模型的平均分类准确率为96.3%,Kappa系数为94.5,漏报率明显降低。     

基于二维卷积神经网络的BLDCM驱动系统故障检测方法

针对无刷直流电机驱动系统功率开关管故障诊断存在由于特征提取效果差而导致识别准确率低等问题,提出一种基于二维卷积神经网络2D-CNN(two-dimensional convolution neural network)自适应特征提取的故障检测方法,避免人工提取特征的复杂性及不确定性.以相电流作为故障敏感信号进行FFT预...     

基于多域信息融合的脑电情感识别研究

脑电信号识别方法较少将空间、时间和频率信息相融合,为了充分挖掘脑电信号包含的丰富信息,本文提出一种多域信息融合的脑电情感识别方法。该方法利用二维卷积神经网络和一维卷积神经网络相结合的并行卷积神经网络(PCNN)模型学习脑电信号的空间、时间和频率特征,来对人类情感状态进行分类。其中,2D-CNN用于挖掘相邻EEG通道间的空间和频率信息,1D-CNN用于挖掘EEG的时间和频率信息。最后,将两个并行卷积模块提取的信息融合进行情感识别。在数据集SEED上的情感三分类实验结果表明,融合空间、时间、频率特征的PCNN整体分类准确率达到了98.04%,与只提取空频信息的2D-CNN和提取时频信息的1D-CNN相比,准确率分别提高了1.97%和0.60%。并于最近的类似工作相比,本文提出的方法对于脑电情感分类具有一定的优越性。     

基于YOLOv5的电力巡检图像缺陷识别研究

针对输电线路巡检中可能出现的裂化、老化、腐蚀、破损等诸多缺陷的情况,为保证输电线路运行的安全和稳定,文中开展了基于YOLOv5的电力巡检图像缺陷识别研究。在YOLOv5算法的基础上,结合电力巡检图像特点,采用CIOU_Loss作为Bounding box的损失函数,使其具有更快、更好的收敛效果;选用DIOU_NMS用于NMS处理,提高对遮挡重叠目标的识别精度;同时,在对数据集进行分类处理后,采用"分别训练、统一推断"的方法,冻结部分网络层权重来训练网络模型。实验结果显示,基于YOLOv5算法模型可以有效地识别电力巡检图像缺陷情况。     

基于数据不平衡下的高速列车小幅蛇行预测方法

高速列车行驶中所产生的蛇行运动会严重影响到列车的行驶安全,所以对蛇行运动进行预测可以做到提前预警。目前对于蛇行运动的研究主要为对蛇行失稳的预测,但列车运行过程中会出现正常到蛇行失稳的小幅蛇行中间状态,对小幅蛇行状态进行预测可以提前对蛇行失稳进行预警。为此,以高速列车转向架横向加速度信号为标准,针对高速列车蛇行运动数据的极端不平衡情形,提出了一种基于1D-CNN和CGAN的非平衡数据的预测方法。该方法首先利用CGAN的对抗性学习机制,通过生成器和鉴别器之间的博弈来优化更新参数。然后,将训练完备的CGAN模型用于生成样本,将增强后的数据送入1D-CNN分类器,并输出预测结果。在高速列车实际运行数据上进行实验,结果表明CGAN可以拟合高速列车蛇行故障运动的数据分布并增强数据集,且基于提出的方法预测精度为97.5%,大幅优于对比方法。因此基于CGAN-1DCNN的小幅蛇行预测方法可以在数据不平衡下对小幅蛇行的预测,实现对蛇行失稳的提前预警。     

基于迁移学习的配电网内部过电压识别方法

数据驱动方式作为解决配电网内部过电压识别的一种方法,因过电压样本数量较少而在实际应用中受到限制。为此,提出了一种基于迁移学习的深度卷积神经网络（D-CNN）配电网内部过电压识别算法。首先,通过仿真和连续小波变换（CWT）的方法构造了6种10 kV配电网内部过电压二维时频图。然后,分别利用Alexnet、Vgg-16、Googlenet、Resnet50等4种网络模型搭建了基于迁移学习的D-CNN网络模型。最后,将二维时频图带入改造后的D-CNN训练。经对实验结果比较分析发现,新搭建的VGG-16网络识别准确率最高且达到了99.07%,实现了在数据稀缺的情况下过电压故障的准确分类。     

基于GloVe模型和注意力机制Bi-LSTM的文本分类方法

为了提高文本分类的准确性,扩展分类任务的多样性,提出一种结合一维卷积神经网络（1D-CNN）和双向长短期记忆网络（Bi-LSTM）的文本分类方法。首先,为了解决近义词、多义词的表征困难,采用GloVe模型表示词特征,充分利用全局信息和共现窗口的优势。然后,利用1D-CNN进行特征提取,以降低分类器或预测模型的输入特征维数。最后,对分类模块Bi-LSTM进行优化,其隐藏层由两个残差块组成,并引入注意力机制进一步改善预测的准确度。在多个公开数据集中进行二元分类和多元主题分类实验。实验结果表明,与其他优秀方法相比,所提方法在准确率、召回率和F1得分方面的性能更优,最高准确度达92.5%,最高F1得分为91.3%。     

基于深度学习的航拍图像绝缘子缺失检测方法研究

为解决目前人工处理分析无人机巡检图像效率低、检测结果受人为因素影响较大的问题,提出了一种图像识别的绝缘子缺失识别方法。首先,对无人机拍摄的图像样本进行了处理,扩充样本集。其次,搭建了绝缘子的检测模型,完成各层网络结构的选择和设计,使用CNN算法实现对绝缘子缺失的检测。随后,构建了绝缘子检测网络,并对各层检测网络参数进行配置。选择实际拍摄的图像作为训练样本进行网络训练。检测结果证实几个指标均在0.95以上,说明算法可准确识别出绝缘子。最后,利用CNN算法对航拍绝缘子进行缺陷检测。绝缘片缺失缺陷的正确识别率为86%。算法可根据检测结果自动显示绝缘子有无缺失缺陷。     

衬胶管道脱粘缺陷超声检测与识别方法研究

针对目前对在役衬胶管道脱粘缺陷缺乏有效检测手段,且检测效率和准确率较低的问题,基于超声脉冲回波法的基本原理,设计了适用于圆柱形衬胶管道超声检测的扫查和探头夹持装置,建立了相应的超声检测试验系统。分析了实际应用中多种干扰因素对超声回波信号的影响,构建了基于一维CNN的超声回波信号二分类模型。通过试验和与传统超声检测缺陷识别方法进行对比,结果表明利用所建立的超声检测系统及一维CNN模型能够在多种干扰因素存在的情况下实现对脱粘缺陷较精确的识别,识别准确率达到96.22%,为在役衬胶管道脱粘缺陷的自动化检测和识别提供了一种有效的方法和手段。