激光发射系统光束指向检测方法研究

为测量激光发射系统发射激光的指向误差,针对靶板法检测过程复杂和折返镜法检测危险性大、光谱波段适用范围小的缺陷,提出了一种发射激光指向的检测方法,设计了一个发射激光指向的检测装置,介绍了检测装置的结构组成及工作原理,并对发射激光的指向误差进行了实测,得指向误差为4.3",分析了检测装置的主要误差源,得该检测装置的测量误差为1.7",外场试验表明,激光发射系统光束方向检测方法简便、快捷,测量精度满足外场使用要求,可以在工程上得到推广应用。     

架空线路激光除异物设备的安全防护研究

本文介绍了几种架空线路激光除异物设备的安全防护措施,包括周界防护、防倾倒保护、安全管控等,在 激光作业时能有效保护人身及设备的安全。     

一种异物清除作业机器人机构的优化设计

针对输电线路的作业环境和异物清除的作业特点,提出一种适用于输电线路异物清除作业的机器人机构优化设计.该机器人机构包括机器人移动本体和作业工具,作业工具包括电热清除工具及电锯清除工具,可实现对输电线路上的可燃性和可切割性异物的清除作业.建立机器人的运动学模型,仿真分析电锯清除作业和电热清除作业的过程,对机器人样机系统进行...     

无人机高压输电线路异物清除装置

针对高压输电线路上各种可燃异物的清理问题,研制了一种无人机高压输电线路异物清除装置,即利用六旋翼无人机携带喷火装置,采用燃烧的方法清除异物。使用该装置的工作人员无需靠近输电线路,通过远程遥控即可在带电情况下快速清除塑料薄膜、风筝线等异物,既可保障工作人员的生命安全,又为企业节省大量的人力物力。     

无线电能传输系统异物检测技术研究综述

近几年,无线电能传输技术发展迅猛,使用过程中安全性要求越来越高.由于其结构上存在耦合气隙,在工作时不可避免地会介入异物.金属异物及生物体异物的介入使系统偏离正常工作点甚至引发安全事故,因此异物检测(FOD)技术受到广泛关注.该文首先系统地阐述当前国内外无线电能传输系统异物检测技术的相关标准,并进一步指出当前检测标准存在...     

无人机搭载高能射线装置清除输电线路异物研究

目前,清除输电线路异物的传统方法及工具均存在诸多弊端。从无人机角度出发,提出一种新的清除异物方式,采用无人机挂载高能射线装置清除导线异物。从装置的设计构思、操作方式及应用效果方面对清除输电线路异物的作业方法进行讨论。     

大输液中可见微小异物实时检测系统设计

设计了一套基于机器视觉技术的全自动灯检系统,以实现大输液中可见异物的在线实时自动检测。为了有效地解决在线高速实时检测这个关键性问题,将制约系统实时性的弱小目标识别过程分离出来,交由高速DSP芯片进行专门处理。通过理论分析和试验测试证明,设计的基于TMS320C6416DSP的图像处理平台能够很好地满足大输液异物检测系统对处理速度和精度的要求。研制的全自动灯检系统已经在某公司的大输液生产线上试验运行。试验表明,该系统对粒径大于50微米微小异物的识别准确率和速度均高于熟练的灯检工。     

烟叶异物检测系统的设计及应用

烟叶生产过程中非烟异物检测非常重要.介绍了目前几种主要的异物检测手段,并针对这些检测手段存在 的不足,设计一种近红外多波长异物检测系统.对１３种异物的多次检测结果表明,该系统能够有效检测出烟叶中的 异物,具有灵敏度高、速度快及成本低等优点.     

基于工业物联网的激光除异物装置安全管控技术

随着激光除异物技术应用的日益广泛,激光除异物装置安全管控的重要性更加凸显.首先详细介绍工作场界保护技术与防倾覆技术在激光除异物装置中的应用,然后基于物联网技术和GPRS通信技术,在详细介绍激光除异物装置网络架构及通信协议的基础上,提出基于物联网的远程控制技术的即时定位-远程控制模块.针对所提出的控制模块,开发激光除异物...     

激光清障技术在电网中的应用现状与发展

电能是现代社会最重要的动力源,而附着于输电线路上的各类障碍,如异物、覆冰、树障等对输电线路与电网的安全稳定运行造成了巨大威胁。传统的清障方法存在各自的缺点,有的存在安全隐患,有的耗能较高,且大多需要停电处理。激光有着能量高,准直性好等优点,可用于远距离无接触地击落异物或融化覆冰,因此激光清障技术近年来受到越来越多的关注。本文总结了国内激光清障技术在电网中的应用与研究成果,阐述了目前使用激光清除覆冰、异物、树障等不同类型障碍的原理以及优缺点;介绍了常用于清障的几种激光器的特点;分析了激光波长、激光功率、光斑直径等常见参数对于清障效率的影响;总结了激光辐照可能对导线以及绝缘子等电力设备的影响。分析了光功率密度与辐照时间的安全阈值问题;展望了未来激光清障技术的几种可能的发展方向。     

基于数据增强的太阳能电池片缺陷检测

针对太阳能电池片缺陷数据量匮乏造成的网络过拟合和模型性能不达标的问题,提出基于深度卷积对抗生成网络和图像随机拼接的真假数据融合算法,将训练数据量提升了800倍;同时对网络模型进行轻量化优化,减少模型训练参数。实验结果表明,经过真假数据融合扩充数据集后训练的模型测试精度相比原始训练集和传统数据增强算法分别提升了近30%和17%;轻量化处理后的模型参数减少为之前的1/2,对每张图片的测试时间由57 ms缩短到22 ms。研究证明,真假数据融合算法能够有效的缓解训练数据不足造成网络过拟合问题;轻量化优化模型在保证精度的同时,压缩模型大小,加快测试速度。     

基于数据增强的太阳能电池片缺陷检测

针对太阳能电池片缺陷数据量匮乏造成的网络过拟合和模型性能不达标的问题,提出基于深度卷积对抗生成网络和图像随机拼接的真假数据融合算法,将训练数据量提升了800倍;同时对网络模型进行轻量化优化,减少模型训练参数。实验结果表明,经过真假数据融合扩充数据集后训练的模型测试精度相比原始训练集和传统数据增强算法分别提升了近30%和17%;轻量化处理后的模型参数减少为之前的1/2,对每张图片的测试时间由57 ms缩短到22 ms。研究证明,真假数据融合算法能够有效的缓解训练数据不足造成网络过拟合问题;轻量化优化模型在保证精度的同时,压缩模型大小,加快测试速度。     

太阳能光伏电池缺陷检测

太阳能是一种极具吸引力的替代电力能源,太阳能光伏电池是太阳能发电系统的基础。太阳能光伏电池中的各类缺陷严重影响光伏电池的光电转化效率和使用寿命。为有效地检测出这些缺陷,提出了一种基于块数据删除模型的缺陷检测方法。首先,对太阳能光伏电池图像进行傅里叶变换去除母线并调节亮度和对比度,然后将图像分块,通过块数据删除模型找出去除母线后的图像中所有的异常块,并将这些异常块全部剔除,利用余下的图像块通过非线性回归模型重建图像的背景。最后,用待检图像与得到的背景图像作差以突出缺陷区域,达到缺陷检测的目的。实验结果表明,所提出的方法能够有效地检测出太阳能光伏电池中多种类型的缺陷,如隐裂、断栅和碎片等。用该方法对313幅太阳能光伏电池图像进行实验,其中158幅无缺陷图像均未检测出缺陷,而另外155幅含有隐裂、断栅等缺陷的图像,仅有5幅出现误检,缺陷检测率达96.77%。     

基于改进 YOLOv5 的太阳能电池板缺陷检测算法

为提高太阳能电池板缺陷的检测精确,提出了一种改进的 YOLOv5 网络,对太阳能电池板常见的划痕、叉隐、黑斑、黑 边以及无电等5类主要缺陷进行检测和分类。首先,使用改进后的 ODConv 模块对主干提取网络中的普通卷积模块进行替 换,减少网络模型的参数量;其次,将 C3 模块中的Bottleneck 结构替换成包含 ParNet 模块的Res2Net 以增加感受野,从而提 升了探测物体缺陷的能力和检测精确;最后,在预测网络前引入自适应特征融合结构,以融合不同特征图的位置与类别信息, 增强特征表达并提高模型的鲁棒性。对自建的数据集进行训练、验证以及测试,实验结果表明,改进后的模型能够成功识别 和定位5类常见缺陷。与原 YOLOv5 算法相比,在保持原网络高效性的同时,平均检测精确提升了6.2%。     

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。     

PSO_SVM算法在太阳能电池板裂缝缺陷检测研究

针对太阳能电池板在生产过程中出现的裂缝问题,在太阳能电池板缺陷数据集有限的条件下,提出应用粒子群算法(particle swarm optimization, PSO)优化支持向量机(support vector machines, SVM)的太阳能电池板裂缝缺陷检测算法。首先,为减少图像采集过程中由电致发光(electroluminescence, EL)检测产生的光照分布不均影响,对太阳能电池板组件图像进行Retinex增强处理;其次,在频域上利用Gabor变换对图像进行纹理特征提取,以获取裂缝特征;最后,将各个太阳能电池板组件的纹理特征经主成分分析法(principal component analysis, PCA)降维后输入到PSO_SVM系统中进行分类识别。应用该方法对600幅太阳能电池板EL图像进行实验,仅有1幅出现误检,分类识别准确率为99.33%。将该算法与决策树分类、极限学习机、卷积神经网络及SVM算法进行对比实验,PSO_SVM获得最高识别准确率。     

PSO_SVM算法在太阳能电池板裂缝缺陷检测研究

针对太阳能电池板在生产过程中出现的裂缝问题,在太阳能电池板缺陷数据集有限的条件下,提出应用粒子群算法(particle swarm optimization,PSO)优化支持向量机(support vector machines,SVM)的太阳能电池板裂缝缺陷检测算法。首先,为减少图像采集过程中由电致发光(electroluminescence,EL)检测产生的光照分布不均影响,对太阳能电池板组件图像进行Retinex增强处理;其次,在频域上利用Gabor变换对图像进行纹理特征提取,以获取裂缝特征;最后,将各个太阳能电池板组件的纹理特征经主成分分析法(principal component analysis,PCA)降维后输入到PSOSVM系统中进行分类识别。应用该方法对600幅太阳能电池板EL图像进行实验,仅有1幅出现误检,分类识别准确率为99.33%。将该算法与决策树分类、极限学习机、卷积神经网络及SVM算法进行对比实验,PSOSVM获得最高识别准确率。     

基于改进轻量化U-Net模型的光伏电池EL图像缺陷检测

基于实际工程检测现场神经网络结构庞大、参数量巨大、环境复杂,硬件设备性能差等原因导致缺陷的实时检测速率慢、精度低的问题,本研究结合MobileNet中的深度可分离卷积配合ECA注意力机制模块的轻量化思想,以及U-Net网络的特征提取模型提出了一种基于改进U-Net网络模型的光伏电池板缺陷检测方法。同时,根据光伏电池缺陷的特点,选择适合的激活函数以及对交叉熵损失函数进行了改进。实验结果表明,改进的U-Net算法较原算法不仅将参数量减少了36%,而且对裂纹、黑斑等缺陷的检测精度达到了97.05%,相对传统网络具有较好的光伏电池表面缺陷分割效果。     

基于 FAMGAN 的轮胎 X 光图像缺陷检测

针对气泡缺陷特征和图像背景像素差异较小、检测困难的问题,以Skip-GANomaly为基础框架,提出了融合注意力机制生成对抗网络(FAMGAN),首先,生成器中编码器和解码器之间的跳连层由注意力特征融合模块(AFF)和注意力机制模块(CBAM)构成,提高了对目标特征的关注、减少了图像特征丢失;然后,在判别器中加入联合上采样模块(JPU),提高了模型检测图像缺陷的速度。最后,将本文提出的FAMGAN网络与近几年经典的生成对抗网络在自制的轮胎缺陷数据集上进行训练、测试和评估。实验结果表明,本文提出的网络对轮胎气泡缺陷检测的精度达到0.837,相比于Skip-GANomaly网络提高了近30%。     

基于改进YOLOv4算法的PCB缺陷检测

现有PCB（印刷电路板）缺陷检测方法,多采用参考法进行检测,对图片配准要求高,不仅耗时且定位误差大。YOLOv4速度快,精度高,但应用在PCB检测上存在着漏检的情况,对小目标检测效果不佳,现提出了一种基于改进YOLOv4算法的PCB缺陷检测方法。首先,以CSPDarknet53为主干网络,采用单特征层结构,避免了数据不均衡带来的先验框分配问题。然后,将网络中的五次卷积改进为CSP结构的残差单元,进一步提高特征提取能力。最后,采取K-means++对先验框重新进行聚类,提高模型训练效果。实验部分采取北京大学发布的PCB数据集进行训练,结果表明,改进后的算法mAP（平均精度均值）达到98.71%,在精度上优于其它常见的目标检测算法。