基于轻量化模型的钢轨扣件缺陷检测系统

铁路巡检工作中,嵌入式设备受算力和存储空间的限制,存在使用YOLO V5模型检测钢轨扣件缺陷速度慢、精度较低的问题。通过替换YOLO V5主干卷积网络为MobileNet V3,将网络中的激活函数修改为Mish并融合协同注意力机制,实现模型的轻量化改进。将改进后的模型部署到嵌入式设备Jetson TX2上,使用板载CSI摄像头扫描、拍摄钢轨扣件,并搭载显示屏等设备构成钢轨扣件缺陷检测系统。运行系统,单张扣件图片的检测速度达56.8 ms,准确度在90%以上,并且模型大小仅有9.8 MB,符合占用存储少、检测效果佳的轻量化要求。     

抽油管缺陷检测的多传感器融合技术

将多传感器信息融合技术应用于抽油管缺陷在线检测系统.油管缺陷定量检测的多传感器信息融合模型的建立分别在数据层、特征层和决策层三个融合层次上进行;选取4路传感器信号进行信号直接融合,通过硬件直接形成油管的偏磨信号;建立了基于插值法的偏磨缺陷的定量分析方法,并给出了实测结果.对于坑状缺陷,通过对28路传感器所观测的目标进行统一的特征融合,提取特征向量,利用神经网络的决策模型完成了坑状缺陷的量化分析.     

基于Mask R-CNN算法在轨道扣件缺陷检测中的应用

针对扣件的断裂、缺失和螺母松动等3种主要缺陷引起的扣件转动,对基于Mask R-CNN网络扣件缺陷检测系统开展研究.首先将扣件图片输入到主干特征提取网络Resnet101对图片进行卷积、池化操作,随后构造FPN(Feature Pyramid Networks),经过FPN进行多尺度特征融合后的结果输入到RPN(Reg...     

基于多模型级联的双目视觉铸件缺陷检测方法

为了解决铸件表面缺陷检测以及缺陷位置的三维定位问题,采用双目视觉系统获得图像,依靠三角测量法获得点云数据,基于正态分布变换配准方法实现工件的三维定位。通过多模型级联解决少样本和样本比例失衡情况下的表面缺陷检测,结合无监督模型的编码解码方式,依靠正样本训练获得对缺陷图像进行修复的网络模型,将修复后的图像与原始图像进行差异分析获得缺陷位置;使用MASK-RCNN模型进行监督模型训练,获得一体化检测分割模型,直接定位缺陷位置及类别。此外还将运动机构的物理坐标系、双目成像的工件坐标系以及平面图像的坐标进行换算,得到多个坐标系的转换关系,实现了平面缺陷的位置信息映射到三维工件的空间中。实验表明提出的双目视觉系统在工件成像以及检测方面具有良好的效果。     

基于关键点检测的航空发动机螺栓安装缺陷自动化检测方法

针对航空发动机螺栓存在背景复杂、目标小、且精细特征不明显的问题,本文研究了一种基于关键点检测的航空发动机螺栓安装缺陷的自动化检测方法。首先设计了基于Faster RCNN和改进CPN(AD-CPN)的级联卷积神经网络,实现了图像中螺栓及二维关键点的检测,可判断该螺栓是否脱落、漏装。为进一步检测螺栓的三维安装缺陷,通过欧氏距离选择策略对已检测出的关键点进行双目匹配、筛选以获得检测点对,最后对检测点对三维重构,并计算出螺栓的实际长度,从而判断螺栓是否错装。实验结果表明,相较于CPN,AD-CPN的mAP、AP₅₀、AP₇₅分别提升了2.9%、3.3%、4%;螺栓测量长度的相对平均误差约为3.0%,可见该方法具有较高的缺陷检测准确率,有效保障了航空发动机的安全运行。     

基于机器视觉的表面缺陷检测方法研究进展

基于机器视觉的表面缺陷检测以无接触、无损伤、自动化程度高及安全可靠等突出优点被广泛应用于各种工业场景中,尤其随着深度学习技术的快速发展,视觉缺陷检测有助于提高产品及装备的智能化水平。综述分析了表面缺陷检测的常用方法、通用数据集、检测结果评价指标和现阶段面临的关键问题。首先,将缺陷检测方法分为传统基于图像处理的缺陷检测、基于传统机器学习模型的缺陷检测及基于深度学习的缺陷检测,并对各种方法进一步细分归类和对比分析,总结了每种方法的优缺点和适用场景;然后,对目前常用的缺陷检测结果评价方法做出了描述,进一步探讨了表面缺陷检测应用在实际工业产品检测过程中关键问题——小样本问题,重点剖析了小样本问题的解决方法和无监督学习在解决这类问题上的优势;最后,从提高缺陷检测方法的工业适用性角度展望了下一步研究方向。     

MSA-Net:一种基于多阶段注意力机制的少样本目标检测方法

近年来,样本较少场景下的目标检测引起了广泛的关注。由于少样本提供的信息有限,大部分少样本目标检测模型采用改进的Faster RCNN检测框架进行研究。但由于Faster RCNN框架中潜在的模块矛盾问题,现有的少样本目标检测模型的特征捕捉和分类的能力有待提高。为解决以上问题,以Faster RCNN框架为基础,加入了梯度反传解耦机制,缓解在反向传播过程中,RPN和RCNN的冲突对主干网络的负面影响。为提高目标检测模型的特征捕捉能力,采用元学习框架,并融合基于注意力机制的蒸馏模块和多尺度注意力模块,充分利用查询集和支持集的信息,捕捉更多全局特征信息。大量的实验证明,在随机采样目标数k=1, 2, 3, 5, 10设置下,改进后的模型在Pascal VOC数据集的新类上,分别达到21.8%,34.7%, 40.9%, 44.5%, 51.7%mAP(AP50)。在k=10, 30设置下,改进后的模型在COCO数据集的新类上,分别达到25.1%,27.6%mAP(AP50)。     

基于YOLOv5s的铝型材表观缺陷检测方法

目前,在铝制品的加工生产过程中,缺陷检测环节仍以人眼观测为主,这种传统方式存在检测精度差和检测效率低等缺陷,为此,提出基于YOLOv5s的铝型材表观缺陷检测方法。针对具有9种缺陷的铝型材图像,使用labelimg进行标注,构建了铝型材数据集。基于该数据集,以YOLOv5s、YOLOv5m、YOLOv5l在COCO数据集上训练好的权值作为初始权值,对该3种模型进一步迭代训练,并将最优权重进行测试。对比3种模型的实验结果,决定采用YOLOv5s作为铝型材表观缺陷检测的模型,其测试精确度P、召回率R、均值平均精度mAP分别达到了0.684、0.742、0.692。并基于该模型,采用PyQt5开发了铝型材表观缺陷检测系统,其检测速率可达98Fps左右,可以很好地满足实时性要求,从而为铝型材表观缺陷检测提供了有效的参考方案。     

基于深度学习的铸件缺陷检测方法

针对铸件X射线图像获取困难、人工及传统识片方法效率低且漏判率高的问题,文中提出了一种基于深度学习的铸件缺陷检测方法。首先,采用Overlap切图（重叠切图）数据增广方法实现缺陷扩充,并基于简化Mosaic数据增广进一步提升图像的复杂度;然后,基于仅浏览一次（You Only Look Once, YOLO）的理念实现缺陷检测模型构建;最后,提出一种基于边界框抑制的测试图像缺陷检测方法,以子图迭代方式完成测试图像中的缺陷检测。实验结果表明,该方法能够有效实现多种铸件缺陷的自动检测,为铸件缺陷检测提供了基于深度学习的解决方案。     

铁路信号电缆网络故障在线检测系统设计

实现铁路信号电缆网络在线管理与故障自动诊断，可提高信号电缆的工作可靠性，减少电缆故障的人工排查工作量，提高铁路运营的自动化程度。设计基于同一硬件平台的多种故障检测方法相结合的铁路车站信号电缆网络故障在线检测系统，实现对车站信号电缆网络的实时在线监测和故障自动定位。该系统以DSP＋CPLD模块为核心电路，利用DDS芯片发生任意信号波形，运用新型高速A／D芯片进行采样，通过485总线实现各功能模块之间的通讯。可组成分布式检测网络，利用SSTDR检测技术实现信号电缆的实时在线监测，在线预测电缆低阻故障，再利用TFDR检测技术进行离线故障精确定位和类型判断。     

基于主观贝叶斯推理的多传感器分布式故障检测融合方法

针对复杂数控加工中心故障预测中各传感器检测信息呈现不确定性的问题,提出基于不确定性推理的多传感器分布式检测融合算法。该算法通过利用主观贝叶斯推理,获取局部检测装置的判决规则,并选取合适的局部判决规则送到融合规则中心,将来自不同传感器的观测数据进行综合分析,最后产生全局判决。以复杂立式加工中心为对象建立测试平台,利用多传感器样本获取方法进行机床不同运行状态及运行环境下的故障样本获取试验。试验表明在含有大量不确定性信息的故障诊断系统中,基于主观贝叶斯推理的分布式检测融合算法具有故障信息识别率高、诊断速度快的优点,其诊断错误率明显低于单个传感器的诊断错误率,且诊断错误率要低于串行分布式检测融算法。     

小样本下混合自注意力原型网络的风电齿轮箱故障诊断方法

针对部分风场因有标签故障样本数据稀少而导致风电齿轮箱故障诊断准确率不高的问题,提出了一种小样本下混合自注意力原型网络的故障诊断方法。首先,通过原型网络将振动信号映射到故障特征度量空间;然后采用位置自注意力机制和通道自注意力机制进行矩阵融合构建混合自注意力模块,建立原始振动信号的全局依赖关系,获取更具判别性的特征信息,学习风电齿轮箱各健康状态下的度量原型;最后通过度量分类器进行模式识别,实现小样本条件下风电齿轮箱的故障诊断。实验结果表明,所提出的混合自注意力原型网络故障诊断方法在不同小样本数据集上均能实现风电齿轮箱高精度故障诊断。     

一种轴承故障检测的新方法

针对轴承故障检测中用一般的谱分析法难以实现故障的精确判定的问题,提出一种新的轴承故障检测方法。考虑到复倒谱法对周期性异常振动特征提取的有效性,利用频谱分析结合复倒谱分析对采集的轴承振动信号进行处理,先通过频域分析获取高、中、低频带的均值,再通过复倒谱方法获取异常振动产生的周期性激励信号提取振动信号特征参数,分离出噪声中的“异音”信号,并结合模糊算法,初步实现了轴承故障的智能定位。实验结果表明,该方法是有效的。在积累足够量的样本数后,可望建立相应的专家库,实现轴承故障的快速智能诊断。     

多传感器信息融合的天线促动器故障诊断

促动器作为天线主动面的唯一调整装置,是保障天线反射面精度的关键部件,因此对促动器健康状态的监测至关重要。文中针对单个传感器诊断存在数据维度有限且现有工程数据稀缺的问题,提出了一种连续小波变换与组归一化并行卷积神经网络(Continuous Wavelet Transform-Group Normalization Parallel Convolutional Neural Networks, CWT-GPCNN）的故障诊断方法。首先建立CWT-GPCNN的故障诊断模型,引用组归一化技术加快网络收敛速度并提高诊断精度;然后通过评估超参数对模型性能的影响,确定诊断的最佳模型;最后,采用促动器传动系统实验数据集对所提方法进行验证,实验结果表明所建模型具有较好的泛化能力及多传感器融合的优越性。文中对多传感器融合与单传感器的诊断性能进行了比较,结果证明了多传感器融合诊断的优越性。此外,还对CWT-GPCNN模型与其他3种信息融合模型进行了比较。CWT-GPCNN模型的准确率高达93%,表明它具有良好的诊断性能。     

基于观测器的故障检测与诊断

本文论述了基于观测器的故障检测与诊断技术的研究现状,重点放在最新的成就:自适应观测器,未知输入观测器,以及产生鲁棒性残差的各种方法。还论述了故障诊断的整个过程,最后指出了该方法有待进一步研究的主要问题及其发展趋势。     

基于自适应模糊神经网络推理系统的齿轮箱故障诊断方法

研究利用从机械控制过程中获得的运行参数开发一种齿轮箱监测方法,而非振动与声音的传统测量方法。为了检测齿轮箱状态,采用一种自适应模糊神经推理系统来获取电机电流和控制参数之间的非线性相关性。比较自适应模糊神经推理系统模型产生的预测值和实测值来预测齿轮箱异常状态。试验结果表明,自适应模糊神经推理系统模型能够作为齿轮箱状态监测与故障检测的一种有效工具。     

用机体振动信号诊断旋翼不平衡故障的理论基础

从理论上证明了旋翼不平衡故障空间与桨毂固定坐标系六力素空间存在一对一映射关系;从桨毂固定坐标系六力素空间到多点机体振动频谱幅值空间存在一对一映射关系。由此证明了旋翼不平衡故障空间到多点机体振动频谱空间存在着一对一映射关系,构成了仅用机体振动信号诊断旋翼不平衡故障的理论基础。实验验证了仅用机体振动信号诊断旋翼不平衡故障的可行性。     

基于改进证据理论的多传感器信息融合故障诊断

针对传感器信号不确定会产生冲突证据的问题,提出了一种基于改进证据理论的多传感器信息融合故障诊断方法。提出了基于遗传神经网络的原始证据生成方法,利用遗传算法优化神经网络参数,提高网络训练速度;定义了向量空间和方向相似度,利用分类准则函数区分冲突证据和相似证据,通过可信度修正冲突证据,降低了因不确定性产生的冲突对合成结果的影响。通过齿轮泵故障实验验证了改进方法的有效性,改进方法的诊断正确率明显高于单一传感器的诊断正确率,并通过设置适当的阈值提高了方法的灵活性和适用性。     

重载铁路电化区段信号机械设备故障自动检测方法

为解决重载铁路电化区段信号机械设备故障在检测中存在检测结果误差大、错检与漏检率高等问题，设计了重载铁路电化区段信号机械设备故障自动检测方法。分析重载铁路电化区段信号机械设备的组成，以及机械设备运行的自动化控制过程，确定机械设备故障类型；针对不同故障类型设置故障自动检测判据，利用传感器设备采集实时运行数据，通过滤波和融合后输出初始数据样本，提取信号机械设备实时信号特征，通过计算检测判据相似度，确定信号机械设备故障类型，输出故障自动检测结果。实验结果表明，所提方法综合信号机械设备故障位置、程度等多个方面，使平均检测误差低于1.0,错检率和漏检率均低于1%,提升了重载铁路电化区段信号机械设备故障自动检测的有效性。