热轧带钢表面缺陷自动判定系统及其应用

带钢表面缺陷形成机理复杂、发生频次高,对成品质量的影响大,是最重要、最难控制的质量指标之一。针对当前卷积神经网络模型存在系统消耗大、处理时间长、无有效特征输出,以及热轧带钢表面缺陷数据量庞大、伪缺陷众多,不能及时、准确地判断其表面缺陷的问题,基于卷积神经网络深度学习技术,开发了一种带钢表面缺陷自动判定系统。介绍了该系统中在线采集模块、多通道结合分析模块、典型特征提取模块、缺陷严重性细化分类模块、缺陷自动评审模块的功能,缺陷分类准确率约90%,可以实现热轧带钢表面缺陷的快速、准确分类及自动判定。     

基于不变矩的带钢数字图像的缺陷检测算法

针对带钢数字图像特点设计了一种表面缺陷检测算法,能够基本解决带钢有无缺陷的初检工作。它从Hu不变矩的平移、旋转、比例不变性切入,结合二阶矩的物理特性,并考虑到无缺陷图像灰度过渡平缓,置乱前后不变矩差较小;而有缺陷图像的缺陷部分被破坏,其置乱前后不变矩差相对较大,据此设计并实现此算法。通过试验证实,该算法能够快速判别出有缺陷的带钢图像,使初检和缺陷类型识别能够实现并行处理,对提高带钢缺陷检测系统的整体效率具有重要意义。     

带钢表面缺陷计算机视觉在线检测系统的设计

介绍一种带钢表面缺陷计算机视觉在线检测系统。系统采用DSP(数字信号处理器)和FPGA(现场可编程逻辑门阵列)相结合的技术，实现对钢板内气泡、夹杂物、结疤、划伤和压痕等缺陷的自动识别和检测。模块化的设计方法使系统在硬件和软件上有足够的可扩展能力。     

基于机器识别的带钢表面缺陷检测研究

针对传统带钢表面缺陷检测技术落后、效率不高及小目标识别能力不足等问题,提出一种改进的YOLOv5s-Tiny目标检测模型,在保持模型较小计算量的同时提升检测速度和识别精度。通过将主干网络GSP-Darknet53替换为轻量级GhostNet网络,减少模型参数的数量,提高推理速度。在主干网络加入CBAM注意力机制,通过通道注意力机制和空间注意力机制对特征信息进行融合增强,提高小目标检测精度,并将损失函数GIoU改进为EIoU,提高检测框定位能力。最后将改善后的训练模型格式转换后安装到手机安卓端验证优化的有效性。结果表明：在东北大学数据集中,改进后模型检测精度提高1.5%的同时,召回率提升了1.5%,参数量减少12.3%;安卓端检测速度约为120 ms,完成带钢缺陷的实时检测。     

表面检测缺陷图谱的特征分析

表面检测能探测到材料表面或近表面人眼所不能察觉到的缺陷,是常规无损检测的一个重要组成部分。在收集了大量带有各种特征表面缺陷的航空零件的基础上,阐述利用荧光渗透、着色、磁粉等表面检测技术,选择最佳工艺规范,检测出工件表面缺陷的基本原理,并将其制成图谱。对实际应用有较好的参考意义。     

表面开口缺陷深度与漏磁场的关系

由磁偶极子理论证明,表面开口缺陷引起的漏磁场H正比于(d/2-kδ),其中d是缺陷深度,而δ是取决于工件和缺陷横截面的形状与尺寸的一较小长度,k是一个系数,它取决于缺陷侧壁上的磁荷分水岭。从而可以得出结论,当d很小时,H与d间近似为线性关系;而d增大时,它们之间则呈非线性关系。     

针对钢材表面小目标缺陷实时检测

钢材表面缺陷检测任务中,YOLO将目标检测转换为对位置信息的回归问题,实现高帧率实时检测,但对小目标缺陷定位精度有所欠缺。针对该问题,以YOLOv5s架构为基础,首先,在模型输入端设定动态尺度训练范式,提高小目标缺陷训练精度;其次,设计STD-CA模块利用图像转换技术,避免下采样过程中分辨率的降低,导致小目标缺陷特征信息的丢失,并引导特征提取能力,降低无关背景特征关注度,进一步提高模型小目标缺陷检测精度。结果表明,在NEU-DET数据集中,改进后模型在保证检测速度保持在54 frame/s的同时,平均精度均值达到86.6%,较YOLOv5s提高17.6%,对小目标缺陷定位更加准确,目前优于其他深度学习钢材实时检测模型。     

基于深度学习的铝合金轮毂铸件图像缺陷检测

基于传统X射线图像的铝合金轮毂铸件缺陷检测方法存在人工检测效率低、误检率高、检测精度较差等问题,提出一种基于深度学习的铝合金轮毂铸件图像缺陷检测方法。通过引入直方图均衡化方法,实现533组铝合金铸件X射线图像缺陷特征增强;同时基于Mosaic数据增广策略随机生成含有多尺度不同缺陷类型的新图像数据,提升图像的复杂度;修改了YOLOv5主干网络,引入SENet注意力机制模块对输入特征图的重要通道进行特征提取增强。结果表明,该方法对铸件缺陷平均检测精度(mAP)达到了99.6%,对比YOLOv3、YOLOv4以及YOLOv5主流算法,平均检测精度分别提升了9%、5.1%、4.2%。相较于原网络模型,常见的4种类型(气孔、缩松、裂纹、夹杂)铸件缺陷平均检测精度提升了10.83%。该方法具有更好的泛化能力,可实现铸件多类型缺陷的自动检测,能够满足工业实际需求。     

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。     

预防带钢表面缺陷的冷轧重卷机组优化设计

分析了冷轧重卷机组生产中带钢表面容易出现的典型缺陷特征及其成因,提出了在机组设计和设备设计方面应该采取的多种针对性的优化措施.     

深度学习在焊接领域的应用研究现状

随着以深度神经网络为代表的深度学习模型取得突破性快速发展,同时得益于更强大的计算机、更大的数据集和能够训练更深网络的技术,深度学习在智能焊接等智能制造领域取得了大量应用。概述了深度学习技术在焊接过程控制、焊缝缺陷检测等方面的研究进展,当前的研究表明深度学习方法能够提高焊接过程实时控制精度和焊接缺陷的识别准确率。     

H68铜合金带材表面缺陷成因分析

针对半连续铸造的H68铜合金带材锭坯热轧时出现表面缺陷,通过分析缺陷的形貌、相及合金成分、组织及晶粒、夹杂及杂质元素,认为导致缺陷的主要原因是铸造产牛皮下气孔,热轧时氧化,无法通过压力加工焊合,造成应力集中,形成表面缺陷;次要原因是铸造的夹杂和杂质元素热轧时暴露,由于和基体的变形不协调,形成裂纹.并发现,微裂纹既可能不连续扩展(Z字形扩展),也可能连续扩展.     

盒形件智能化拉深过程中材料性能参数的识别

智能化拉深过程中材料性能参数实时识别是关键技术之一。盒形件拉深难以用精确的力学模型来描述,文章引入基于LM算法的神经网络模型对材料参数进行识别,并仔细研究了在盒形件拉深过程中的适用性。针对盒形件提出了拉深初期采用恒定压边识别的方案,并采用平均值和去除奇异数据的方法大幅度地减小了识别误差,在该文的样本数据范围内,4种材料性能参数的最大识别误差在2%以内,为实现整个拉深成形过程的智能化控制奠定了基础。     

疵点记忆式安全过带功能在可逆式板带轧机生产中的应用

采用疵点记忆式安全过带控制方法成功地解决了带材有疵点区通过轧制变形区时必须限速的问题。自动控制系统具有多道次疵点区自动向下道次传递、相邻疵点区间隔较近时的自动合并、在疵点到来前提前减速保证以限定速度通过疵点区等功能,在实际生产中取得了较好的效果。     

冷轧带钢连退机组周期性压印缺陷快速控制技术

针对冷轧带钢连退机组周期性压印缺陷问题,介绍了一种快速控制技术.该技术以机器视觉为基础,通过有效构建数据库、并手动增加限制规则,对初期压印缺、中期压印缺陷、严重压印缺陷的识别率达到97.5％,分类准确率达95.8％.同时,还介绍了一种辊径排查控制方法,其可快速确定发生压印缺陷的炉辊并进行快速处理,周期性压印缺陷的排查及...     

基于有限元的汽车外覆盖件面畸变分析

利用有限元及曲率分析技术研究汽车门外板件回弹后造成的表面畸变问题。首先基于商业软件Pamstamp进行门外板成形分析和回弹分析。其次截取回弹后的门外板门把手处网格的截面线,计算截面线各点曲率。依据曲率分析结果,可显示出门外板面畸变位于曲率变化较大区域,与实际零件的面畸变区域对比,仿真结果能较好的吻合。最后讨论了工艺参数对表面畸变的影响及变化规律。     

残余应力测试法在分析薄板起拱缺陷中的应用

某公司在生产某钢号薄板(厚度大于0.35mm)时容易产生起拱现象,而导致产品报废。为了找出产生此缺陷的原因,通过应力释放法中的钻孔法对薄板表面的残余应力进行测试,结果发现薄板加工过程中的某工序使薄板表面产生较大的残余应力而且其分布也不均匀,这是导致薄板最终产生缺陷的主要原因。     

BP神经网络在焊缝位置识别中的应用

研究了一种焊缝位置识别新方法,在一定工艺条件下,使用视觉传感器采集焊接熔池图像,选取图像中熔池前端部分进行处理,先对其进行中值滤波与灰度变换,在此基础上,获取每一幅熔池图像的质心值、质心位移、质心速度及电弧与焊缝的偏差值作为训练样本数据.以质心值、质心位移和质心速度为输入量,以偏差值为输出量,利用BP神经网络建立其数学模型,最后对该模型进行检验.检验结果表明,该模型能够较准确地描述熔池图像质心与焊缝偏差之间的关系,为进一步实现精确的焊缝跟踪提供了理论和试验依据.     

BP神经网络在正交实验样本互预测中的应用

以磷酸盐石墨铸型作为研究对象，用2组不同的正交实验方案结果作为样本集，用BP神经网络对这2个样本进行了互预测，结果表明：对样本集进行恰当的预处理，包含信息量大的样本集能够对包含信息量小的样本集以极高的精度进行预测，而包含信息量小的样本集不能对包含信息量大的样本集进行预测。这给科研人员提供了新的实验设计     

模糊神经网络在塑件注射成型多缺陷智能诊断中的应用研究

针对塑件注射成型多缺陷成因求解的模糊性与不确定性,考虑到神经网络在获取多维特征向量与对应输出向量之间非线性映射关系方面的优势,以及模糊技术在处理不精确信息方面的强大能力,提出将模糊理论和神经网络相结合,对塑件多缺陷成因进行判断、推理,并详细阐述了模糊神经网络用于塑件多缺陷诊断的整个过程。基于上述理论及Visual Prolog开发平台,开发了塑件注射成型多缺陷诊断智能系统,并进行了实例验证。结果表明,此系统具备较好的塑件多缺陷诊断能力以及一定的推广应用前景。