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。     

检测天然气中H2S气体浓度的光子带隙光纤传感器

为消除光源不稳定、光电器件的热零点漂移以及零 点漂移对测量准确度的影响,基于差分吸收检测法,设计一种检测天然气中H₂S气体浓度 的高稳定性、高灵敏度的光子带隙传感器。为提高系统响应,采 用4段串联的空芯光子晶体光纤(HC-PBF)作为气体传感探头。对不同组分浓度 的H₂S和CO₂气体进行了检测,结果表明,系统响应时间为53s, 测量灵敏度可达2×10－6 mol/L。     

近红外光谱吸收法检测油气田中H2S体积分数

基于四川地区油气田高含硫现象,提出一种新型系统利用红外光谱吸收测量法检测H2S气体体积分数,有效解决传统气体检测技术中的杂质气体干扰和传感器中毒的问题。设计了一种新型气室,增强了气体对光的吸收,并有效降低了环境温度、灰尘、震动等因素对检测的影响。由于使用LED作为光源,降低了使用中的成本,使该系统的实际应用成为可能。实验结果表明：该系统的测量灵敏度可达10×10^-6,误差始终控制在2％以内,具有很高的稳定性。     

粗糙表面固态耦合超声检测研究

固态耦合超声检测时两固体粗糙表面接触界面处的超声波不完全耦合,为提升该界面处超声检测的耦合效果,需深入研究其耦合特性。以粗糙表面的弹簧接触模型为基础,结合粗糙表面接触理论推导出固态耦合超声检测的耦合界面理论模型。根据实际情况以及材料参数分析,得到表征界面耦合效果的平均声反射系数与接触载荷以及接触表面当量粗糙度的关系,并与T模型的计算结果进行对比。在不同当量表面粗糙度和不同接触载荷下分别测得接触界面的平均声反射系数,并对比了不同当量表面粗糙度下界面声耦合效果达到最佳时接触载荷的理论值和实验值,计算得最大相对误差为13.04%,表明实验结果与所提出的理论模型结果基本吻合。所建立的固态耦合超声检测界面理论模型形式简洁,实用性强,并可通过针对性地控制相关参数来改善耦合效果。     

光谱吸收硫化氢气体浓度传感器

提出一种基于红外吸收光谱测量法检测硫化氢气体浓度的方法。分析了硫化氢气体近红外光谱吸收特性,为消除光源不稳定及光电器件的热零点漂移、零点漂移对测量准确度的影响,基于差分吸收检测法设计了硫化氢气体浓度传感器,对硫化氢气体浓度检测进行了实验研究,实验表明该传感器的测量灵敏度可达10-5(10ppm)。     

改进穿线法与HOG+SVM法结合的数码管图像读数研究

针对传统投影分割方法在提取单个数码管数字图像时过于依赖图像二值化及图像倾斜校正效果的问题,采用一种基于轮廓提取和轮廓排序相结合的数码管图像分割方法,实验证明该方法相比投影分割法在对数字区域的分割成功率上提高了13.5％;针对传统穿线法对数码管数字1识别度较低和机器学习算法运行用时较长的问题,提出一种基于六段数码管特征的改进穿线法与HOG+SVM方法相结合的数码管数字识别方法,该方法对数码管数字的识别准确率比传统穿线法提高了约4.5％,且平均运行时间仅为HOG+SVM方法的1/5.实验结果证明了这种方法在进行数码管读数时的可靠性和优越性.     

基于融合度量策略的小样本金属缺陷识别研究

针对目前金属表面缺陷分类，数据稀缺且标注步骤繁琐昂贵的问题，将小样本度量学习引入金属表面缺陷分类中，提出了一种小样本分布度量网络模型FDM-FSL:用信息更加丰富的细节描述子来表征图像特征，并通过空间注意力机制筛选获得更具判别力的描述子信息，最后引入融合KL散度和EMD距离的图像到类的度量方式以考虑查询集和支持集类别的分布一致性。实验结果表明，提出的网络模型在小样本数据集MiniImageNet上拥有更加优良的度量能力，5类5样本下平均识别精度相较经典的RelationNet、CovaMNet、DN4算法识别准确率提高了6.34%、5.78%、1.25%。在金属缺陷数据集NEU-DET上5类5样本平均识别准确率分别提高了2.87%、3.34%、2.5%。     

海底管道缺陷在线智能检测机器人

分析了用MFL法检测管道缺陷时缺陷漏磁信号分辨率的特征,设计计算机控制的管道漏磁场分布测试系统检测、分析管道内漏磁场,优化设计用于小管径、厚管壁海底管道(ф273×12.7)缺陷检测的磁铁节,在此基础上设计制造了海底管道缺陷在线智能检测机器人,实验验证了机器人对人工模拟缺陷的检测能力.