基于神经网络的超声导波钢杆缺陷识别

利用基于BP神经网络的缺陷识别算法,从不同实验条件下获得的信号样本中抽取特征量,对钢杆中不同深度和位置的径向裂纹进行了识别。首先,采用频率为235kHz激励轴对称纵向模态导波对钢杆中的径向裂纹进行了检测。实验表明,在235kHz时获得的超声导波信号含较单一的L(0,2)模态,避免了用L(0,1)模态检测小尺寸缺陷时检测能力较弱的问题,又减少了用轴对称纵向高阶模态检测缺陷时模态较多不易分辨缺陷回波的现象。其次,利用算法对钢杆中的径向裂纹进行识别。结果表明,在已有实验样本数下,缺陷识别算法从整体上很好地识别不同深度和位置的裂纹,识别正确率稳定在87%。     

基于BP神经网络的枪弹外观缺陷识别与分类

为实现枪弹外观缺陷自动检测,提出一种基于BP神经网络的枪弹外观缺陷自动识别与分类方法.首先针对枪弹外观缺陷图像特点,从形状、颜色、纹理提取类别差异明显的缺陷特征向量,作为神经网络的输入,以提高分类效果;然后通过经验和实验验证确定神经网络结构及参数,并分析传统BP算法在枪弹外观缺陷分类应用中的不足,通过优化BP算法以提高网络分类性能.实验表明:优化BP算法能够有效分类枪弹外观缺陷测试样本,识别率达到92.1％,与传统BP算法相比,提高了收敛速度,并表现出较好的准确性和鲁棒性,能够更好满足枪弹外观缺陷自动检测要求.     

神经网络在梁体结构缺陷识别中的应用

结构中的缺陷识别对于确保结构的安全使用和维护具有重要意义，本文应用神经网络的梁体结构的缺陷参数的识别进行了研究与计算，并用ＢＰ神经网络具有简支梁的缺陷大小，位置与程度进行了预测，其结果与有限元法和能量法所得计算结果有较好的吻合效果。     

基于BP神经网络的油管螺纹识别

随着油田的开发，油管的使用量逐年增加，同时有大量油管报废。由于所处的条件不同，油管缺陷的出现及缺陷的特征也不尽一致。本文将就油管产生的缺陷的类别进行分类并应用BP神经网络对缺陷进行识别。     

基于信息神经网络的缺陷类别的智能识别

在统计概率基础上建立了信息神经网络,探讨了利用信息神经网络识别缺陷类型的方法,经对一些缺陷图像的识别,取得了满意效果.     

基于卷积神经网络的PCB缺陷图像识别

PCB缺陷图像检测是确保PCB生产质量的重要环节,但传统的人工PCB缺陷检测具有劳动强度大、工作效率低等不足.为此,本文研究了一种基于卷积神经网络的PCB缺陷图像识别方法,建立了包括三种PCB缺陷和无缺陷图像的数据集,基于ResNet101网络模型搭建了PCB缺陷图像识别分类模型.引入迁移学习的方法,基于在大数据集上充...     

基于SVM的滤光片表面缺陷识别方法

针对目前滤光片表面缺陷识别普遍采用人工方式,成本高、无法满足实时性等问题,提出一种基于有向无环图支持向量机(DAG-SVM)的滤光片表面缺陷识别方法。该方法结合滤光片常见缺陷的特点,设计出包含3个结构简单、性能优良的二分类器的滤光片表面缺陷识别方法,克服多分类器算法复杂、难以保证分类正确率的问题。实验结果表明:该方法对滤光片的点缺陷、印子缺陷、划痕缺陷及崩缺陷的识别正确率为100%。     

基于特征评估和概率神经网络的超声焊缝缺陷识别

为了可靠地检出并识别焊缝缺陷,提出了一种基于特征评估和概率神经网络(PNN)的超声自动识别方法.该方法分别采用小波包和经验模式分解法对缺陷信号进行分解,提取原始信号和各分解信号的时域无量纲参数组成联合特征,并计算其评估因子,根据评估因子的大小选取敏感特征作为PNN的输入,从而实现不同焊缝缺陷类型的自动识别.通过对飞机起落架焊缝进行机上原位检测,实验结果表明,上述方法能够从大量的缺陷特征中筛选出敏感特征,克服了人为选择缺陷敏感特征的盲目性,减小了PNN规模,提高了分类准确率和检测效率.该方法在飞机的外场原位测试中具有很好的应用前景.     

不变矩法分类识别带钢表面的缺陷

针对带钢表面缺陷的识别和分类技术,本文采用一种将不变矩与主成分分析法相结合的特征提取方法.首先,对每幅缺陷图像提取22 维不变矩特征向量,满足对图像平移、尺度及旋转变化都不敏感;然后,为了提高分类器的效率,应用主成分分析法对特征向量进行空间降维处理,得到4 维特征向量;最后,将特征向量作为BP神经网络的输入,对网络进行权值和阈值训练,达到缺陷分类的目的.实验结果表明,该方法对带钢表面缺陷的平均正确识别率可达到85%以上.     

基于BP神经网络的线Mura缺陷识别与定位研究

各类显示屏中Mura缺陷的自动识别和定位对提高显示屏幕的产品品质具有重要作用,是当前迫切需要发展的重要技术之一。针对当前手机屏幕Mura缺陷对比度低、缺乏明显边缘等特点,文中提出一种基于图像灰度曲线的Mura缺陷检测方法及其改进方法。改进方法基于均值滤波平滑和降采样原理,通过研究采样线上灰度曲线的波峰与波谷信息,利用BP神经网络构建线Mura缺陷的自动检测和定位算法。结合真实手机屏幕图像验证结果表明,与现有多种Mura缺陷检测方法相比,本文的改进方法能更准确快速地识别手机屏幕中的线Mura缺陷,识别准确率达到98.33%,检测过程无需调节参数,实现了线Mura缺陷的自动检测和定位。     

基于可变形密集卷积神经网络的布匹瑕疵检测

针对传统布匹瑕疵检测方法无法适用于尺度变化大、面积占比小的瑕疵特征,提出一种基于可变形密集卷积神经网络模型。为了关注到图像中距离较远的特征信息,并避免捕获纹理信息,采用可变形卷积来增强特征的语义表达能力。通过在卷积层中设置卷积像素相对于中心像素各自的x,y方向偏移量,并利用反向传播训练偏移量以增加感受野的变形适应性。同时,采用密集连接的方式以保持模型不遗漏边缘瑕疵信息。最后,根据瑕疵类别预测和位置边框回归实现瑕疵的分类和定位检测。实验结果表明:该模型的平均检测精度和单类目标检测精度标准差分别为93.53%,2.5139,相比于其他方法更具有竞争力。     

基于深度神经网络的素色布匹瑕疵检测算法研究

目的为了改进当前布匹检测算法覆盖瑕疵种类不全、瑕疵检测准确率低和定位精度差的问题,提出一种端到端的素色布匹瑕疵检测的实用算法。方法首先通过图像增强扩充样本数量,使用以Resnet50为主干的Cascade-RCNN网络,通过加入可变形卷积、特征融合网络,增加锚框数目的方法实现素色布匹瑕疵检测。结果通过实验对比表明,该算法可实现检测20种布匹瑕疵,检测是否为瑕疵布匹的准确率为97%,瑕疵定位的平均检测精度为65%,每张样本平均时间为80 ms。结论该算法有效提升了布匹瑕疵检测的准确率和精度,检测瑕疵类别更全面,并且可以获取缺陷位置和类别,能够满足工业上的生产需求。     

基于卷积神经网络的印刷品颜色缺陷检测

目的 提取样本图像颜色直方图特征对卷积神经网络进行训练,达到快速、高准确率检测图像颜色缺陷的目的.方法 将标准图像从RGB颜色空间转换至HSV颜色空间,通过改变图像H,S,V三分量值获取训练样本和测试样本;在HSV颜色空间中非均匀量化图像的颜色直方图,得到所有训练样本和测试样本的颜色直方图特征;利用样本图像颜色直方图特征训练卷积神经网络,然后对测试样本进行检测,研究检测的速度、准确率,并将该检测方法与逐像素、超像素、BP神经网络和支持向量机方法进行对比.结果 对于图片尺寸为512×512的彩色图像,卷积神经网络检测单幅图片的平均检测时间约为57.66 ms,训练样本图像为50000张时,卷积神经网络方法对10000张测试样本进行检测的准确率为99.77％.结论 卷积神经网络方法在保证高准确率的前提下大幅提高检测精度,对于印刷品色差缺陷在线检测具有良好的应用价值.     

基于神经网络模型的动载荷识别

依据结构动力学理论推导了在时域中用于神经网络算法的自回归函数，相应建立了具有时延反馈的神经网络动载荷识别模型。阐明了这种网络的基本学习算法和回忆算法。数值仿真和试验件的验证试验表明该神经网络模型用于动载荷识别时具有精度高、无累积误差、抗干扰能力强等优点，并且适用于各种类型的动载荷，尤其对冲击载荷的识别更具有独特的优势。该模型在动标学习过程中要求信息量小，试验成本低，是一种非常值得在工程中推广应用的新型动载荷识别方法。     

基于自回归模型和学习矢量量化神经网络的手指动作识别

手指的力量和动作是反映手指协同运动、评价手部运动机能的重要参数。本文提出了一种以自回归（Auto-regressive,AR）模型和学习矢量量化（Learning Vector Quantization,LVQ）网络相结合的表面肌电信号处理方法。13名受试者参与了目标力量为4N、6N、8N等三个力量等级的指力跟踪实验,对指力信号和前臂指浅屈肌（flex digitorum superficials,FDS）、指伸肌（extensor digitorum,ED）的表面肌电信号进行了同步记录;通过对采集到的肌电信号进行预处理,提取AR系数作为其特征值;然后设计了一个LVQ神经网络,对同等力量水平下食指、中指的动作进行模式分类,分类正确率在80％以上。实验表明,表面肌电信号（surface Eleetromyography,sEMG）与手指动作具有相关性,使用AR结合LVQ的sEMG有较高的识别率。     

基于集成分类器的泡罩包装药品缺陷识别

目的 针对药品生产包装过程中常出现缺陷泡罩包装药品的问题,研究一种基于多特征构建与集成分类器的泡罩包装药品缺陷识别方法.方法 该方法通过集成2个不同的分类器算法分别对药品图像类别进行预测,并采用联合判定函数对2个预测输出值进行联合决策,得到最终分类结果.第1个分类器模型通过将图像转化到HSV颜色空间,分割出泡罩区域和药片区域,进行特征设计,并在提取多项特征参数后构建BP神经网络分类算法给定药品类别预测.第2个分类器模型应用多层卷积神经网络取代传统算法对图像特征进行提取,并输出药品图像类别的预测值.根据2个分类器的性能进行算法集成,构成最终集成分类器.结果 实验结果表明,该集成分类模型对数据集中泡罩包装药品图像进行分类识别测试,准确率达97％以上.结论 集成分类模型不仅提高了单一分类器的识别准确率,也具有更佳的稳定性.该方法取得了卓越的分类效果,具有较高应用性.     

卷积神经网络在印刷品缺陷检测的应用

目的 为了改善传统机器检测印刷产品缺陷存在误费率高的不足。方法 提出以卷积神经网络为控制核心的印刷品缺陷检测系统。设计可在实际检测中应用的卷积神经网络,设计在线印刷质量检测系统的硬件结构。结果 对结构相同而训练次数、学习率不同的卷积神经网络进行了缺陷检测的性能对比,验证了该卷积神经网络在学习率小于0.01时,可以获得较好的识别效果;在学习率大于0.05时,网络不容易收敛。网络训练次数越多,精度越高,相应的训练时间也较长。在满足快速性和精确度的条件下,确定了适应某印刷品的缺陷检验网络训练次数为50,学习率为0.005,此时的识别率为90%。结论 经过实验证明,该检测系统具有良好的缺陷识别能力,缺陷类型的分类准确率较高。该系统具有一定的实用价值。     

应用卷积神经网络的锂电池极片涂布缺陷分类

目的 针对锂电池极片涂布缺陷种类多,传统方法分类检测精度不高,以及人工依赖性强等问题,提出一种基于卷积神经网络的锂电池极片涂布缺陷自动分类算法。方法 首先对网络结构以及模型参数进行优化,接着在网络中加入跳跃连接结构,将空洞卷积提取到的多尺度特征与高层特征进行融合以获取更多缺陷特征,并采用LeakyReLU(Leaky Rectified Linear Unit)激活函数保留图像中的负值特征信息,最后通过构建的数据集训练模型,实现锂电池极片涂布缺陷的准确分类。结果 实验结果表明,当前方法识别准确率能够达到99.34%,平均检测时间为51ms。结论 改进后的方法能够准确分类出锂电池极片18种涂布缺陷,满足工业生产中实时分类检测的要求。     

基于神经网络的贮仓结构参数识别

利用神经网络技术，提出了识别结构物理参数的一种方法。用单元刚度矩阵基本值和模态应变能来选择基本模态，用修正的Latin超立方采样技术和模态准入准则来产生网络的输入数据。贮仓在动载作用下的自振频率和模态作为网络的输入，子矩阵参与系数作为网络的输出，用Levenberg-Marquardt算法训练网络。仿真计算表明，方法是可行的。     

基于人工神经网络智能算法的9310钢本构模型优化

目的 研究9310钢在变形温度为800～1 200℃、应变速率为0.01～50 s^-1和高度压下量为70%条件下的热变形行为,建立预测效果相对较好的9310钢本构模型。方法 使用Gleeble-3800热模拟机对9310钢进行等温恒应变速率热压缩实验,基于热压缩实验数据,分析了应变速率对9310钢流动软化效应的影响,建立了考虑应变补偿的Arrhenius本构模型与支持向量回归(SVR)本构模型,并进行了模型精度分析,之后引入人工神经网络(ANN)智能算法优化了Arrhenius本构模型。结果 与变形温度相比,应变速率对9310钢流动软化效应的影响更为显著。相较于支持向量回归(SVR)本构模型,考虑应变补偿的Arrhenius本构模型精度更高,其相关系数R为0.993 4,平均相对误差(AARE)和均方误差(MSE)分别为0.055 6和89.362,它在预测高应变速率(1、10、50 s^-1)流动应力时出现了较大偏差,经ANN智能算法优化后,相关系数R提高至0.999 1,AARE和MSE分别降至0.019 9和9.998,且绝对误差在±10...