基于改进YOLOv4算法的零件识别与定位

针对多角度无序零件视觉识别难度大,定位精准性差等亟待解决的问题,提出一种基于改进YOLOv4的零件识别与定位方法。首先,采用AdaBelief(Adaptive"belief"stepsize)优化算法代替原有SGDM(Stochastic gradient descent with Momentum)优化算法,提高收敛速度和识别精度;其次,利用Canny边缘检测和Sklansky算法将原有预测边界框改进为凸包和最小外接矩形框,提高定位精度;最后,在制作的零件数据集上进行零件识别与定位实验。实验结果表明,改进YOLOv4在零件数据集上的测试准确率(Precision)达93.37%,提高了3.47%,F_1(参数α=1时Precision和Recall的加权调和平均)由94.32%提升至96.16%,被检测零件的定位结果从原有预测边界框缩小到可表示零件形状的凸包和最小外接矩形框,以及最小外接矩形框的角点坐标,零件识别精度和定位精准性上均优于原有YOLOv4,满足视觉引导下对零件精准识别与定位的要求。     

基于改进YOLO V5的缺陷识别与定量分析

采用YOLO V5算法对碳纤维复合材料预置夹杂缺陷的识别方法展开研究。为了在提高检测精度的同时保证检测效率,通过添加通道注意力机制、空间注意力机制、使用k-means++重新聚类先验框和优化损失函数等措施改进原算法。利用改进后的网络训练缺陷数据集,每秒处理的图片数量逾12幅,平均精度达到98.8%,召回率为98.1%。与其他算法相比,该算法检测精度和速度都有所提高,可满足实时性和准确性要求。     

基于改进YOLOv5算法的零件表面缺陷检测

针对现代工业生产环境对零件表面缺陷的高效率检测与计算需求,提出了一种基于YOLOv5算法网络的金属零件表面缺陷检测方法。通过引入以CBAM为基础构架的注意力机制,增强目标检测网络对特征图中重要信息的提取效率：针对小目标检测效率不佳的问题,融合了BiFPN网络与可变形卷积策略,提升算法对小目标缺陷的检测精度,降低小尺寸疵病漏检率。采用模型剪枝方法,有效降低了网络中冗余计算量,增强了算法的多种类平台嵌入泛化性,提升网络面向算力资源有限的移动平台时的兼容性。以NEU-DET数据集为例进行训练与测试,结果表明改进后的算法平均均值精度为98.5%,单帧计算速度为12.1 ms,能够实现针对金属工件表面缺陷的高精度、低延迟检测能力。     

基于振动图像特征提取的机械故障诊断与识别

为诊断出机械设备元件的故障表现类型,并针对该类型故障行为进行准确识别,提出基于振动图像故障特征提取的机械故障诊断与识别方法。分析图像数据说明条件,联合相关数据信息参量,求解故障特征集合表达式,实现对机械设备振动图像故障特征的提取与处理;按照故障信号样本熵空间的赋值范围,推导机械设备故障的振幅分解公式,再根据ICA识别系数的计算结果,判断奇异值指标的合理性,实现对振动型机械设备故障的诊断与识别。结果表明,振动图像故障特征提取算法能够准确诊断出机械设备的振动型故障,对于磨损型、过劳型故障行为来说,也能够获得83%以上的准确率。     

基于改进YOLOv5的轴类零件表面缺陷检测算法

针对当前轴件表面缺陷种类繁多、缺陷形态复杂等原因导致的检测精度低,提出了一种改进的YOLOv5的目标轴件表面缺陷检测方法。为解决在日常生产中经常出现轴件表面小目标缺陷被漏检、错检的问题,在原YOLOv5基础上,添加一个新的小目标检测层,并将较浅特征图与深特征图拼接,使得整个网络更加关注小目标缺陷。同时为解决多目标缺陷和不完整轴件检测精度低与漏检,自建数据集中添加多目标缺陷与遮挡处理的轴件图像数据,经对比实验可知,改进的YOLOv5模型的检测性能优于FasterRCNN、SSD、原始YOLOv5三种主流算法模型,测试的平均值精度分别高出7%、9%、4%。证明了该方法对轴件的表面缺陷检测精度更高,且对多目标缺陷与不完整的轴件的检测效果有显著提升。     

后门内板零件二次成形缺陷与改进

工程中通常采用二次成形技术解决汽车覆盖件中难以一次成形的零件,如门内板、纵梁等,这些零件大多比较复杂,且多为内板。以某车型后门内板为例,研究了该零件局部区域在二次成形过程中的变形特征,采用有限元仿真技术,分析了后门内板在轮毂处易产生局部颈缩和局部起皱的原因。基于有限元仿真平台,系统研究了拉延筋阻力对拉深破裂极限的影响规律,提出并分析了修模方案。通过现场调试生产,结合网格应变技术,验证了分析结果的准确性和修模方案的有效性。     

35钢零件内壁缺陷分析及改进

某厂生产的35圆钢在客户加工成零件过程中零件内壁出现通条缺陷,为了分析缺陷形成原因,采用直读光谱仪、数字显微镜、扫描电镜对缺陷试样进行化学成分、金相、缺陷成分等理化性能检测分析。分析结果表明,零件内壁缺陷系由钢连铸生产过程中结晶器内卷渣引起。这些被卷入钢中的保护渣在后续加工成零件的过程中剥落、暴露在表面形成零件内壁通条凹坑缺陷。通过对缺陷零件原始炉号生产过程调查确定结晶器卷渣原因,并采取相应措施有效避免类似缺陷再次发生。     

基于CCTV和缺陷特征提取的城市排水管道结构性缺陷检测

基于管道闭路电视(CCTV)检测系统,提出5种不同的管道结构性缺陷特征提取方法,对缺陷图像进行纹理特征提取,并利用二分类支持向量机(BSVM)对特征提取数据进行一对一投票分类。结果表明,Gabor法提取得到的特征维数远大于GLCM、B＿GLCM、GGCM以及LBP四种方法得到的;B＿GLCM法相比GLCM法,特征提取效率略有提高,但随着分区的减小,提取耗费的时间会逐渐增大;GLCM和B＿GLCM提取方法对裂纹、错口和腐蚀三种缺陷均具有较好的分类效果,分类正确率都在90%以上,其他三种提取方法的分类正确率较低;综合考虑分类准确率和分类效率,建议采用分区大小为3×3的B＿GLCM方法对管道缺陷纹理特征进行提取,以获得最佳的检测结果。     

基于视觉的零件识别和定位

针对装配线上的零件识别和抓取的需要,文章围绕零件图像识别的关键技术,从识别和定位抓取两个方面进行深入研究。文中提出了一种基于多轮廓的零件快速识别方法,从零件的轮廓数、各个轮廓的几何特征和形状特征三个方面,将待测零件图像与零件库中的模板零件图像比较和识别。对于零件的定位,文中提出了根据零件的最小外接矩形进行零件抓取的方法。实验结果表明了方法的可行性,能够应用于零件台上的零件识别与定位。     

基于改进YOLOv5s的复杂装配场景多尺度零件识别

针对当前AR装配引导系统场景感知能力较弱,对复杂装配场景中多尺度零件和遮挡零件识别效果不佳的问题,提出一种基于改进YOLOv5s的复杂装配场景零件检测算法。首先,通过多尺度特征融合,将新增浅层特征图输入到特征融合网络中,提高对小零件的识别效果;其次,在主干网络中增加卷积注意力模块(convolutional block attention module, CBAM)、Transformer编码器模块,提高对于重要特征的捕获能力,抑制冗余特征;最后,采用CIoU作为边界框损失函数,并将传统非极大值抑制(non-maximum suppression, NMS)算法改为DIoU＿NMS,提高零件被遮挡时的识别效果。实验结果表明改进后的YOLOv5s算法识别精度达到96.2%,相比原始算法提高了2.9%,提高了对多尺度零件特别是小零件及零件被遮挡时的检测性能,且满足实时性要求。     

基于改进EWT-SVD的轴承故障特征提取

文章针对轴承早期故障特征的提取,提出了基于改进EWT-SVD的算法。首先,改进的经验小波(EWT)提出了模态分解数量确定的思路,自适应地将预处理信号分解到合适数量的模态分量,通过相关度系数验证了分解模态的信号有效性;其次,通过计算各分量的峭度值确定最优的特征提取模态分量,并通过变阈值奇异值分解(SVD)对模态信号进行去噪;最后,通过对重构特征信号进行Hilbert变换包络处理提取振动信号频率特征。实验证明了文章算法的可行性,同时,算法还具有计算速度快、以数据为主要驱动的特点。     

基于Contourlet和KPCA的焊接缺陷图像特征提取

为了进一步提高焊接缺陷识别的准确度和效率,提出了一种基于Contourlet变换和混沌粒子群优化核主成分分析(kernel principal component analysis,KPCA)的焊接缺陷图像特征提取方法.首先通过Contourlet变换将焊接缺陷图像进行多尺度分解,提取低频分量和特定方向上的高频分量;然后运用混沌粒子群优化后的KPCA分别提取缺陷训练样本和缺陷测试样本的特征;最后根据测试样本特征与训练样本特征之间的欧式距离确定缺陷测试样本的类型.结果表明,与基于核主成分分析特征提取法、基于小波的核主成分分析特征提取法相比,文中方法提取的特征更为完整,识别率更高,运行速度较快.     

基于多特征融合的零件分类与姿态识别

由于待装配的小型断路器零件存在种类繁多且外形复杂多样等特点,给零件的分类和姿态识别等工作带来极大的困难.针对上述问题,在分析了零件自身及其成像特征的基础上,提出了一种融合零件颜色、面积、轮廓及成像等多种特征的分类、姿态识别与抓取点定位方法.该方法首先通过对不同特征参数与其给定阈值进行比较和对同种零件不同姿态下的成像差异...     

基于卷积神经网络与虚拟训练集的零件识别

针对工业环境中零件识别效率低,准确率不高以及难以获取大量训练集的问题,对基于深度学习的零件识别进行了研究,提出一种基于卷积神经网络与虚拟训练集的零件识别方法.首先,通过OpenSceneGraph(OSG)在虚拟场景内渲染大量深度图像训练集;然后,构建了两种不同深度与结构的卷积神经网络模型并使用虚拟深度图像进行训练;最...     

基于线结构光视觉的焊缝类型识别与特征提取

提出一种基于概率神经网络的焊缝类型识别和亚像素级焊缝检测与特征提取算法。先对激光视觉传感器采集的焊接图像进行兴趣区提取、滤波、二值化等预处理操作,再采用概率神经网络识别焊缝类型,采用改进的Steger算法提取激光条纹中心线,并根据不同焊缝类型从Hough变换所得的条纹中心直线中提取出焊缝中心点位置、焊缝宽度等特征信息。实验结果表明,该方法的焊缝类型识别率和特征提取精度较高,具有很好的实用价值。     

基于深度学习的焊缝定位与缺陷识别

针对大型构件缺陷焊缝的自动定位及缺陷识别是实现焊缝打磨、补焊等自动化操作的必要条件.大型构件焊缝及焊缝缺陷图像具有形状多样、灰度分布随机等特点,加大了图像处理的难度.提出一种基于深度学习的焊缝定位及缺陷识别方法,通过深度学习目标检测方法确定焊缝位置并识别焊瘤及不合格缺陷,通过深度学习语义分割方法识别气孔及凹坑缺陷.选取...     

基于PointNet++的焊装夹具零件识别

焊装夹具是汽车白车身焊接生产线中重要的组成部分,有效的管理和归纳焊装夹具零件设计数模能够显著提高设计效率。将原始设计数模离散为点云,利用点云数据和PointNet++深度学习网络探讨了一种焊装夹具零件智能分类方法,并对比各模型的分类精度,选取运行效率和精度最高的单尺度分组(SSG)模型完成焊装夹具零件的分类。训练结果表明,该方法在验证集上的准确率为97.5%,型块、连接块、定位销、销座、支座的验证集类内准确率分别为92.5%、97.5%、100%、97.5%和100%。这些结果表明该方法具有较高的识别精度,能够满足焊装夹具零件分类的精度要求。     

基于改进的残差收缩网络的带钢表面缺陷识别北大核心

为解决传统视觉带钢识别无法自主提取图像特征,准确率会受到图像质量的限制等问题,提出了一种改进的深度残差收缩网络带钢缺陷表面质量缺陷识别方法。首先,利用数据增广的方法:旋转和翻转对数据集进行数据扩充;其次,建立残差收缩网络带钢缺陷识别模型,并且使用LeakyReLU激活函数替换原有的激活函数ReLU;再次,利用Adamax对残差收缩网络进行训练过程优化,减少资源的使用效果以及提高缺陷识别的准确率;最后,通过多次实验,然后取识别准确度的平均值。结果表明,带钢缺陷识别方法的准确度可以达到98.88%,优于传统的SVM、卷积神经网络、残差网络以及改进的残差收缩DRESN-CS。     

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。     

焊缝缺陷图像特征提取的研究

由于焊缝缺陷图像存在噪声多、对比度不高、图像边缘模糊等缺点,从而影响到焊缝缺陷区域特征的提取,不利于焊缝缺陷的分类和识别。文中针对焊缝缺陷图像的复杂性,提出了一种有效提取焊缝缺陷区域特征的方法。首先对焊缝图像进行图像预处理、图像分割、缺陷图像背景去除,提取到焊缝缺陷区域;然后采用8连通区域标记的方法对处理之后的二值化缺陷图像进行标记;最后对每一个标记后的缺陷区域的周长、面积、圆形度等几何参数进行提取。试验结果表明,这种图像处理的方法能较准确地提取出焊缝缺陷图像的特征,具有良好的适应性与实用性。