焊接缺陷磁光成像动态检测与识别

为了实现焊接缺陷的自动检测,研究一种交变磁场激励下焊缝表面及亚表面缺陷的磁光成像动态无损检测方法。分析了基于法拉第磁致旋光效应的焊接缺陷磁光成像机理,并结合交变磁场原理推导出励磁变化与动态磁光成像的关系。探索低碳钢板的亚表面焊缝磁光成像特征试验,验证了所提方法可用于检测焊缝亚表面的未熔合缺陷。最后对高强钢焊缝特征的动态磁光图像进行分析,采用主成分分析法和支持向量机(PCA-SVM)模式识别方法建立了焊接缺陷分类模型。试验结果表明,所提方法可以识别高强钢焊件中的焊缝特征(未熔透、裂纹、凹坑和无缺陷),缺陷分类模型的整体识别率达到92.6%,能够实现焊缝表面及亚表面缺陷的自动检测。     

焊接缺陷磁光成像三维轮廓重构识别

对焊件表面及亚表面缺陷进行无损检测是保证焊接产品质量的关键.提出了一种基于法拉第磁致旋光效应的磁光成像焊接缺陷三维重构方法,实现焊接缺陷形状和大小的识别.基于磁光成像原理分析漏磁场磁感应强度与磁光成像的对应关系,以脉冲激光焊接凹坑(3 mm×0.3 mm×0.25 mm)为研究对象,建立焊接凹坑缺陷三维有限元磁场仿真模...     

焊接缺陷磁光成像卷积神经网络识别方法

对焊件表面及亚表面微小焊接缺陷进行检测是保证焊接质量的关键,提出一种基于深层卷积神经网络的磁光成像焊接缺陷检测方法.以法拉第磁致旋光效应为基础,分析磁光成像原理,建立深层卷积网络预测模型,研究不同模型结构参数对训练结果的影响.通过对深度卷积神经网络中间机理分析,研究模型训练过程并自动寻找卷积核最优参数.试验结果表明,第...     

交变/旋转磁场下焊接缺陷磁光成像检测与分类

针对任意角度焊接缺陷难以检测的问题,研究在不同磁场激励下焊接缺陷磁光成像无损检测系统。重点介绍了由U形磁轭产生的交变磁场和平面交叉磁轭产生的旋转磁场激励焊件的机理,比较了交变/旋转磁场激励下不同焊接缺陷的磁光成像效果。基于法拉第旋转效应分析磁光成像特性与磁场强度之间的关系,磁光图像的灰度值可以匹配相应的漏磁场强度。采用主成分分析法提取融合图像列像素灰度特征和通过灰度共生矩阵提取磁光图像纹理特征,建立BP神经网络模型和支持向量机模型识别这些缺陷特征。试验结果表明,在旋转磁场激励下,BP神经网络模型和支持向量机模型的分类精度分别为94.1%和98.6%,相比交变磁场,分类精度分别提高了10.7%和8.5%。旋转磁场激励下的磁光成像克服了定向检测的局限性,能够实现对任意角度焊接缺陷的检测及分类。     

交变磁场下焊接缺陷磁光成像特征分析

研究焊接缺陷磁光成像检测方法,基于法拉第旋转效应,分析交变磁场下焊接缺陷磁光成像特征与漏磁场之间的关系.建立焊接缺陷的三维有限元模型,对不同类型和宽度的焊接缺陷漏磁场分布进行模拟,并在交变磁场激励下对不同焊接缺陷进行磁光成像无损检测试验,通过试验验证了焊接缺陷检测模型的有效性.研究结果表明,漏磁场分布与缺陷的类型和宽度...     

磁光成像漏磁特征在焊接缺陷轮廓重构中的应用

为了实现焊接缺陷的检测与评估,提出将交变磁场激励下磁光成像的漏磁特征应用于焊接缺陷的轮廓重构当中,建立漏磁重构模型,研究焊接缺陷的二维轮廓特征。首先根据交变磁场下的漏磁场的形成机理,讨论漏磁场分量By,Bz两种漏磁信号与缺陷轮廓存在的关系。再利用数值模拟方法获取数据,训练其广义回归神经网络(Generalized Regression Neural Network,GRNN)来确定该模型并说明漏磁场信号可以实现缺陷轮廓重构。最后,将磁光成像漏磁特征的数据应用于模型训练,确定重构的可行性。试验结果表明,应用磁光成像漏磁特征的图像数据与仿真获得的轮廓重构规律一致,能够实现焊接缺陷二维轮廓重构。在一定范围内,缺陷深度越大(不小于0.45mm),重构效果越好。     

损毁字符的磁光成像复原识别

铁磁材料表面压刻、划刻的重要字符被损毁后,无法被正常识别,本文基于滑移感生磁各向异性和磁光效应,提出了一种高分辨率、无损的磁光成像复原方法.论文分析了由铁磁材料塑性变形引起的滑移感生磁各向异性导致的磁场分布变化规律,建立了基于磁光效应的损毁字符复原系统模型,研究了影响磁光成像分辨率的因素,根据建立的系统模型构建了实验系...     

基于磁记忆检测技术的焊接缺陷多参数识别系统

文章采用单一判据在磁记忆检测中容易出现误判和漏判的情况,而综合考虑几种判据则可以提高缺陷判断的准确性。在总结磁记忆技术检测焊接缺陷的多种信号特征基础上,建立了基于神经网络的焊接缺陷多参数识别系统,并对制备的不同类型的焊接缺陷试件进行了识别实验,结果表明该识别系统可对焊接缺陷的位置和类型进行有效识别。     

CNN融合PCA-DT模型的金属缺陷识别研究

针对金属缺陷识别分类,传统机器学习需要人工提取特征,而深度学习需要大量样本的问题,本文针对中小规模缺陷数据集提出了一种基于浅层的卷积神经网络（CNN）和决策树（DT）的金属缺陷分类方法。利用卷积神经网络提取特征,通过决策树分类,实现缺陷分类。引入主成分分析（PCA）方法对特征向量降维,减小过拟合并提升算法识别分类效率。为验证本文方法的通用性,除图像缺陷数据外还引入非图像缺陷数据。实验结果表明,本文方法除了能分类图像缺陷也能分类非图像缺陷,且在识别率等3个评价指标上本文方法优于传统机器学习方法,与深度学习方法持平,但在分类消耗时间上少于深度学习。     

脉冲漏磁检测的三维场特征分析及缺陷分类识别

漏磁检测方法广泛应用于石油、运输及化工等行业中金属的缺陷检测.介绍了漏磁检测原理,采用有限元法建立了三维缺陷脉冲漏磁检测模型,分析了缺陷脉冲漏磁场B_x、B_y和B_z分量的特点.结果表明,与传统漏磁检测系统提取缺陷漏磁场水平分量B_x和法向分量B_z进行缺陷识别相比较,三维缺陷脉冲漏磁场分量的提取将提供更多有关缺陷尺寸、位置等信息,尤其是当外加磁场方向与缺陷主平面近似平行时.最后给出了实验验证,实验结果与仿真分析有较好的一致性,这说明有限元仿真分析对实际脉冲漏磁检测系统的设计有重要的指导意义.     

The fault feature extraction and classification of gear using principal component analysis and kernel principal component analysis based on the wavelet packet transform

The vibration signal of a gear system is selected as the original information of fault diagnosis and the gear system vibration equipment is established. The vibration acceleration signals of the normal gear, gear with tooth root crack fault, gear with pitch crack fault, gear with tooth wear fault and gear with multi-fault (tooth root crack & tooth wear fault) is collected in four kinds of speed conditions such as 300 rpm, 900 rpm, 1200 rpm and 1500 rpm. Using the method of wavelet threshold de-noising to denoise the original signal and decomposing the denoising signal utilizing the wavelet packet transform, then 16 frequency bands of decomposed signal are got. After restructuring the decomposing signal and obtaining the signal energy in each frequency band, the signal energy of the 16 bands is as the shortlisted fault characteristic data. Based on this, using the methods of principal component analysis (short for PCA) and kernel principal component analysis (short for KPCA) to extract the feature from the fault features of shortlisted 16-dimensional data feature, then the effect of reducing dimension analysis are compared. The fault classifications are displayed through the information that got from the first and the second principal component and kernel principal component, and these demonstrate they have a different and good effect of classification. Meanwhile, the article discusses the effect of feature extraction and classification that caused by the kernel function and the different options of its parameters. These provide a new method for a gear system fault feature extraction and classification.     

基于PCA的时间分辨油荧光光谱分析及优化

激光诱导荧光技术可广泛应用于油污染的监测中,然而普通的油荧光光谱技术只能实现油污染监测的粗分类,无法区分原油与燃料油的荧光特征。本文基于主成分分析方法(PCA)的时间分辨油荧光分类方法,实验测量了20种油样本的时间分辨荧光光谱特征,给出了对应的荧光寿命和时间分辨油荧光光谱的时序特征。在此基础上,利用前三个主成分构成的三维特征矢量空间,通过分析不同采集时刻下油样本矢量间相关距离的变化,对油样本的时间分辨荧光光谱进行聚类分析。为了体现油荧光变化的时序性,引入矢量距离的离散度参量,提出基于PCA进行时间分辨油荧光光谱分析的优化方法。实验结果表明,基于时间分辨油荧光光谱识别可实现原油与燃料油的光谱时序特征区分,具备良好的油荧光分类效果。     

融合对比度和分布性的图像显著性区域检测

单独基于对比度的显著性检测方法由于忽略了特征的空间分布,且只在RGB空间或LAB空间下单独进行计算,故实验结果不理想。本文提出了结合RGB和LAB两种特征空间并融合了对比度和分布性的图像显著性区域检测算法。该算法首先提取图像分块在RGB空间和LAB空间下的原始特征并进行组合,在主成分分析（PCA）降维的基础上自动选择有效特征;然后计算图像分块的对比度和分布性,融合对比度特征和分布性特征实现对原始图像的显著性区域提取。实验结果显示,本文算法的平均准确率为0.821 7,平均召回率为0.692 5,综合指标F值达0.787 8。计算的显著性区域的效果比在RGB空间或LAB空间下单独基于对比度的计算方法有明显改善,相比其他检测方法更加准确,符合人眼的观测结果,均匀突出了显著性区域。     

Automatic segmentation,counting, size determination and classification of white blood cells

The counts, the so-called differential counts, and sizes of different types of white blood cells provide invaluable information to evaluate a wide range of important hematic pathologies from infections to leukemia. Today, the diagnosis of diseases can still be achieved mainly by manual techniques. However, this traditional method is very tedious and time-consuming. The accuracy of it depends on the operator’s expertise. There are laser based cytometers used in laboratories. These advanced devices are costly and requires accurate hardware calibration. They also use actual blood samples. Thus there is always a need for a cost effective and robust automated system. The proposed system in this paper automatically counts the white blood cells, determine their sizes accurately and classifies them into five types such as basophil, lymphocyte, neutrophil, monocyte and eosinophil. The aim of the system is to help for diagnosing diseases. In our work, a new and completely automatic counting, segmentation and classification process is developed. The outputs of the system are the number of white blood cells, their sizes and types.     

基于快速三维主成分分析的肺CT图像检测

为解决基于二维图像处理的计算机辅助诊疗系统(CAD)仅考虑每幅图像自身包含的信息而忽略不同扫描层之间的联系,以及数据处理过程中的海量计算问题,提出一种新的基于快速三维主成分分析(3D PCA)的有效肺CT病灶检测算法。该算法首先引入高维张量奇异值分解(HOSVD)设计3D PCA;然后以提取出的三维空间特征点为种子点,进行区域增长以获取完整的疑似病灶区域;最后,根据医学图像具体特征,设计了一种HOSVD的简化分解算法。对来自吉林省肿瘤医院的10个典型病例的五百余幅临床CT图像进行了实验,并将实验结果与当前同类算法做了比较。结果表明,检测精确度提高了约10%~21%;另外,快速算法与原算法比较,计算复杂度可降低约1/3。由于快速3D PCA可以挖掘更多存在于不同连续扫描层间的有用信息,更精准提取病灶特征,在一定程度上提高了检测率。     

基于小波变换、二维主元分析和EBF神经网络的指纹识别方法

指纹识别是模式识别中的一个十分重要课题。结合小波变换(WT)、二维主元分析(2DPCA)和椭球基函数（EBF）特点,本文提出了一种基于WT和2DPCA的EBF神经网络指纹识别方法。首先,利用小波变换将原始图像分解为高频分量和低频分量,并忽略水平高频与垂直高频分量,获得原始图像的基本特征。然后,通过2DPCA算法对该图像进行降维,获取降维特征;最后结合椭球基函数神经网络(Ellipsoidal Basis Function Neural Network, EBFNN)完成指纹识别。本算法将2DPCA优化的特征提取与EBFNN的自适应性相结合,在FVC2000（国际指纹竞赛数据库）上作了测试。并与WT-PNN算法和WT-2DPCA-RBF算法进行比较。实验结果表明,本文提出的算法在平移、旋转及光照变化的指纹数据库上的识别效果优于WT－PNN算法和WT-2DPCA-RBF算法。     

散斑运动模糊复原的直线电机动子位置检测

图像测量技术具有非接触性、抗干扰性等优点被越来越多地应用到双次级永磁直线电机动子位置检测中。针对图像采集过程中所产生的图像模糊问题,提出了一种精确辨识运动模糊参数的方法,实现了直线电机动子位置的精确测量。采用数字散斑图像作为原始拍摄面,通过相机获得包含动子位置信息的序列运动模糊图像。利用奇异值分解对运动模糊图像进行去噪重构预处理,降低噪声对运动模糊参数辨识精度的影响。求取预处理后图像的倒谱图,通过主成分分析找到倒谱图二值化后亮线的主矢量方向即为模糊方向;同时作出倒谱三维图,利用其负峰值中两个最小值坐标求出模糊长度。根据计算的模糊参数值复原模糊散斑图像,再利用图像亚像素测量方法获得动子位置。实验结果表明:本文算法的计算耗时比Radon算法缩短了5倍多,不同位移下的平均绝对误差仅为0.084 7mm,满足直线电机动子位置检测的实时性和高精度要求。