PE管道的近场微波成像及缺陷定量表征

为有效对聚乙烯（PE）管道内部缺陷进行检测,采用微波无损检测技术对PE管道进行检测及缺陷定量。针对PE管道缺陷图像的提取,提出了一种基于主成分分析（PCA）杂波抑制成像增强方法。针对已增强图像,使用阈值分割技术提取缺陷特征。实验结果表明,所提方法能有效对PE管道进行成像并对缺陷进行凸显,其成像质量优于未进行杂波抑制的图像,与理论值进行对比,缺陷定位的平均相对误差为2.38 mm,缺陷面积相对误差为13.25%。     

基于改进U Net模型的焊缝特征提取

针对基于激光视觉自动焊接过程中,出现焊缝特征占比失衡,焊接偏移的问题,提出一种改进U Net模型,在U Net网络模型的基础上融合可学习的调整器模块,在编码块中接入特征增强模块,减少了弧光干扰,提升了焊缝特征提取的精度。以管道自动焊接机器人作为图像采集平台,设计了网络训练模型,同时辅以数据增强防止网络过拟合,实验结果表明,改进型U Net算法的像素分割准确率(acc)、平均交并比(mIou)、平均像素精确度(mpa)分别为9934%、8936%、9562%,与传统阈值分割算法、FCN算法、U Net算法、PSPNet算法相比,本文的精度指标最优,在强弧光干扰环境下能准确提取出焊缝特征,具有抗噪能力强,识别准确率高的优点。     

基于涡流脉冲热成像的角焊缝表面裂纹检测北大核心CSCD

角焊缝裂纹是焊接结构中常见的缺陷之一,由于其所处位置特殊而常出现漏检、错检等情况。本文采用涡流脉冲热成像技术对T形角焊缝裂纹进行了研究,并提出了一种包含表面裂纹热图像前、后处理及定量检测的检验方法。首先,采用L形铁氧体磁芯对角焊缝缺陷试件进行检测,然后基于独立成分分析算法(ICA)对整个图像序列进行前处理,并提出了一种改进区域生长算法用于提取缺陷特征,最后利用所提出的检测方法对缺陷进行了定量检测和误差分析。实验结果表明,所提出的检测方法可以实现对焊缝表面裂纹的检测,抑制不均匀加热和边缘效应,改善图像分割中的欠分割和过分割现象,且检测出的缺陷长度和宽度相对误差仅为0.4%和14%。     

基于专家系统的压力容器胶片焊缝缺陷识别技术研究

针对压力容器无损检测中胶片焊缝的缺陷识别,根据缺陷图像的特征,采用图像预处理、图像分割算法,专家系统等方法,提出了一种胶片焊缝缺陷的识别方法,并在MATLAB下实现。介绍了专家系统的基本原理、结构、建立方法和识别策略,根据焊缝缺陷特征,从不同层次进行识别。通过不断的试验来完善胶片缺陷专家系统库,进一步提高缺陷识别率。     

基于超像素和DTCWT的火焰检测

结合超像素和双树复小波变换(DTCWT)给出了一种基于图像的火焰检测算法。该算法使用简单线性迭代聚类(SLIC)方法对图像进行超像素分割,并采用RGB-HSV混合颜色空间对超像素进行处理,分割出疑似火焰区域;然后利用DTCWT对疑似火焰区域图像进行多尺度多方向分解,分别对高低频系数提取HOG特征和圆形度特征;最后通过特征融合,并使用交叉网络搜查法的SVM实现火焰的识别。大量实验结果表明该算法火焰识别的精度较高。     

基于X射线焊缝图像缺陷特征提取的研究

本文针对X射线焊缝图像的复杂性,提出了准确快速的提取焊缝区域和缺陷的方法。由于检测到的X射线图像具有对比度不高、光照不均、缺陷边缘模糊、图像噪声多、存在较大的背景起伏等缺点,首先对含有缺陷的焊缝图像进行一系列的图像预处理;然后采用自适应阈值分割算法来提取焊缝缺陷区域,为缺陷特征测量做准备工作;最后,在图像本身所包含的几何特征、灰度特征、结构信息、颜色信息等特征中,对缺陷图像进行几何特征的测量,以便对缺陷类型进行分类。结果表明,该方法能较准确地提取射线图像的焊接缺陷,并能较准确的获取该缺陷的几何和代数特征,具有良好的适应性和实用性。     

基于深度学习的焊缝缺陷X射线图像分类方法

针对工业领域中的焊缝缺陷分类难题,文中提出一种基于深度学习的分类方法,该方法借助图像分割技术形成专用的焊缝缺陷数据集,通过在数据集上的训练,使深度网络自动提取出缺陷特征并根据学到的特征对新分割出的缺陷区域进行分类,进而达到焊缝图像缺陷自动分类的目标。实验结果表明,该方法能够以96%的精度应用于目标场景。     

动态背景下运动车辆的检测与跟踪研究

为实现对车载设备视频图像中车辆的识别和跟踪,针对图像中的运动目标和动态背景,提出了一种基于特征学习的目标检测和超像素跟踪算法.该算法首先对训练图像进行HOG特征提取,并利用AdaBoost算法得到强分类器.利用强分类器对采集的图像进行车辆检测,从而确定搜索区域.结合对搜索区域的超像素分割结果,采用均值漂移聚类算法实现车辆识别与跟踪.实验结果表明,该算法可以很好地实现视频序列中的车辆识别,提高了目标跟踪的实时性.     

基于特征空间的无监督换向器表面缺陷检测

为了实现换向器表面缺陷自动检测,针对实际缺陷样本数量少、标注成本高等问题,设计一种基于特征空间的无监督换向器表面缺陷检测方法.利用预训练的EfficientNet网络提高对于特征的提取能力;同时提出一种平衡利用不同深度特征信息建立异常图的方法,加强对于缺陷轮廓的识别精度;通过对每个像素分别建立高斯分布,实现像素级缺陷分割.实验表明,提出的方法对缺陷样本的识别精度达到98.7％,对缺陷区域的分割精度达到98.0％,具有较好的缺陷检测能力,在工业应用上具有研究价值和实践意义.     

超像素优化Snake模型的乳腺X线图像胸肌分割

提出基于超像素优化Snake模型的乳腺X线图 像胸肌 分割方法。首先采用融合灰度和纹理特征的超像素分割算法将图像分割为多个具有准确边界 、同质的 超像素区域;再根据胸肌的解剖学特征和灰度特征将超像素分类,识别胸肌区域,完成胸肌 的粗分割; 最后使用超像素分类结果优化Snake模型初始轮廓,通过Snake模型演化实现胸肌的细分割 。实验结果表明,本文方法对不同大小、形状和亮 度的胸肌 能够准确地逼近到目标边界,并具有较强的抗噪性和鲁棒性;与其他胸肌分割算法相比,本 文算法准确性较高,稳定性较好。     

融入频域特征的航天复合材料缺陷智能检测北大核心CSCD

针对传统人力无损检测识别方式存在的准确度与可靠性不足,且处理缺陷种类单一的问题,本文提出了一种融入频域特征的航天复合材料缺陷检测算法。首先,为了提高缺陷图像的特征提取效果,在特征提取骨干网络中添加图像的频域输入信息;其次,为了提高缺陷的可视化效果和检测精度,提出信息专注模块,并在面具R-CNN(mask region-based convolutional neural network, Mask R-CNN)的基础上,改进分割掩模损失函数;最后,结合级联R-CNN(cascade region-based convolutional neural network, Cascade R-CNN)结构,形成了新的实例分割网络。此外,在航天复合材料缺陷X射线图像数据集中对提出的实例分割网络进行了实验验证,模型检测的平均准确度达到了95.3%,与Mask R-CNN、级联面具R-CNN(cascade mask region-based convolutional neural network, Cascade Mask R-CNN)等实例分割算法相比,取得了更为优良的效果。该研究成果已应用于实际工业生产中几种常见航天复合材料缺陷的智能检测。     

焊缝表面缺陷的涡流红外热成像检测

焊缝对金属结构的完整性起关键作用,而焊缝表面气孔缺陷是威胁金属结构整体性的缺陷之一。文中将涡流热成像技术与漏磁相结合,实现对人工模拟焊缝表面气孔缺陷的快速检测与全面描述。通过采用数值模拟方法分析了检测区域电磁场分布和温度分布,验证该方法可在检测区域形成相对均匀的电磁场。利用涡流热成像实验平台对不同直径与深度表面气孔缺陷进行实验检测,分析缺陷大小对温度的影响。同时与ICA图像处理算法相结合,减小焊缝边缘效应的影响,进一步增强原始图像中缺陷特征。结果表明：该方法对尺寸较小的气孔缺陷具有较高的灵敏度,可以显著提高焊缝缺陷检测能力,且相对于气孔缺陷深度,缺陷直径对于表面温度影响较大,可利用温度曲线1阶导数峰值更清楚识别不同大小的缺陷。     

基于OTSU和区域生长的电厂管道缺陷检测与分割

针对电厂高温管道红外图像背景复杂、干扰较多的特点,结合电厂巡检机器人系统对图像处理算法的需求,提出了基于改进二维最大类间方差法(OTSU)和区域生长法的电厂高温管道缺陷定位与分割方法.将红外图像灰度化后,通过改进二维OTSU进行预分割,提取出管道区域;基于管道区域灰度直方图,结合邻域灰度均值,实现多种子点的自动检测与定...     

基于深度残差UNet网络的电气设备红外图像分割方法

红外图像处理是实现电气故障诊断的有效手段,而电气设备分割是故障检测的关键环节。针对复杂背景下红外图像电气设备分割难问题,本文采用深度残差网络与UNet网络相结合,深度残差网络替代VGG16对UNet网络进行特征提取和编码,构建深度残差系列Res-Unet网络实现对电气设备的分割。以电流互感器和断路器两种电气设备红外图像分割为例测试Res-Unet网络分割效果,并与传统的UNet网络和Deeplabv3+网络进行对比。通过对数量为876的样本进行测试,实验结果表明,Res18-UNet能够准确地分割电气设备,对电流互感器和断路器的分割准确率超93%,平均交并比大于89%,且分割准确性优于UNet及Deeplabv3+网络模型,为实现电气故障智能诊断奠定基础。     

基于小波能量系数和神经网络的管道缺陷识别

利用基于小波能量系数的BP神经网络方法对管道焊缝和管道凹槽进行分类识别。建立了导波检测系统,采集了管道凹槽缺陷和焊缝的多组检测信号样本,从信号样本中提取出小波能量系数,并将小波能量系数应用于BP神经网络的训练与识别。结果表明,该方法对管道缺陷的识别准确率较高,且识别效果稳定,在随机抽取信号样本进行的5次试验中,对焊缝和凹槽的最低识别准确率分别为92%和98%,最高识别准确率均为100%。     

基于深度学习的路面缺陷自动检测系统北大核心CSCD

路面缺陷自动检测对公路养护和路况等级评估具有重要意义。为此,使用YOLOv5x结合透视变换和图像分割设计了路面缺陷检测系统。首先,为证明系统可行性采集并制作了多类型路面缺陷数据集(pavement defect dataset,PDD)。然后,使用SSD(single shot multibox detector)、Faster R-CNN、YOLOv5x(you only look once v5x)和YOLOX 4种模型对PDD进行训练检测。经过训练,4种模型的mAP(mean average precision)均超过了77%,其中YOLOv5x的结果最优,mAP达到了91%,同时证明创建的数据集PDD有效。最后,使用YOLOv5x作为系统主要检测方法结合透视变换、图像分割和骨架提取获取缺陷的长度、宽度和面积等信息,进而计算路面状况指数(pavement condition index,PCI)得到路面破损等级,以及相应的维修建议,提高了路面缺陷检测的实用性。