朴素贝叶斯与全贝叶斯在DFI的应用比较研究

P2P应用软件检测技术主要是深度包检测法和深度流量检测法.深度包检测法不能检测出加密的和未知的对等网络流应用,深度流量检测方法可以克服深度包检测法这个缺点.将模糊识别领域里比较成熟的贝叶斯分类技术应用到对等网络深度流检测中.结合实际项目,对贝叶斯的两个分类器-朴素贝叶斯和全贝叶斯的算法、训练结果、运行结果进行研究,实验研究表明朴素贝叶斯和全贝叶斯分类器能够快速准确地找到P2P流应用,朴素贝叶斯分类器准确度占据优势,全贝叶斯运行时间占据优势.     

对预拌混凝土进行质量控制和监管的方法

预拌混凝土在21世纪得到了推广使用.然而,目前预拌混凝土生产企业良莠不齐,出现的质量事故随之增多.需要政府、工程参建单位引起高度重视,重点治乱,保证预拌混凝土质量.     

考虑检验误差的Kapur & Wang质量损失改进模型

为了使产品质量特性的量测值与企业生产的实际情况相符合,Kapur&Wang提出了基于质量损失函数的短期内改善产品变异数量的质量模型,但是他们假设没有检验误差是与实际生产制造不相符的.为此,在确定经济规格限的检验错误方面对Kapur＆Wang模型进行改进,提出了求解方法并进行了案例计算.     

SAPMAC法蓝宝石单晶的生长、检测与超声震动加工

分析SAPMAC法生长大尺寸蓝宝石晶体的工艺技术,并对制备的晶体质量进行了检测与分析.研究结果表明:采用SAPMAC法生长的蓝宝石晶体结构完整,FHWM值很小,只有11arcsec;缺陷密度在102/cm2水平,纯度高于99.995%,常温下晶体在3～5μm波段红外透过率高于85%;用超声振动加工技术对大尺寸蓝宝石单晶进行加工,设计了专用金刚石磨削复合刀具,提高了加工效率.     

基于X射线的钢丝绳芯无损探伤系统研究

设计了一种基于X射线的钢丝绳芯无损探伤系统。该系统利用X射线的良好穿透性检测钢丝绳芯输送带中的钢丝绳缺陷,采用光纤将现场采集的图像信息传输到远程上位机中进行分析处理,实现了钢丝绳芯缺陷图像的在线智能识别和分析等功能。原理样机测试结果表明,该系统能够检测出切断、凿穿、接头抽动、撕裂等钢丝绳缺陷,在保证X射线安全工作的前提下,提高了检测效率和准确性。     

基于视频监控的变电站智能巡检系统研究

变电站巡检工作是保证变电站安全稳定运行的关键工作之一,随着视频监控及数据分析技术的发展,利用视频数据分析技术实现变电站巡检的集中化、智能化,成为变电站巡检的趋势。文中首先分析了变电站巡检工作的现状及应用的局限性,然后介绍了基于视频监控的变电站自动巡检系统。系统通过电网统一视频监控平台（ SG-UVP）获取变电站监控视频数据,利用视频对变电站关键设备运行状态的智能识别和判断,实现巡检的集中化、智能化、可视化,同时介绍了相应的建设案例。实践证明该系统对变电站运行维护工作效率提升具有显著的经济与社会效益,具备推广价值。     

机械电器产品检验抽样方法探讨

根据机电产品生产特点,对稳定生产状态下的生产条件进行细分,提出不同生产条件下的生产质量验收抽样方法。     

基于蚁群算法的三峡升船机船厢设备巡视点检路线规划

针对三峡升船机船厢结构复杂,设备巡视路线难以选择的问题,以升船机船厢巡视路线为研究对象,将设备巡视点检路线规划转换为TSP旅行商问题.通过巡视路线无向加权图及点位空间坐标,建立升船机设备巡视点检点位空间结构模型.结合蚁群算法在Matlab软件中分别计算出白班及中班的最佳巡视路线.实验结果表明,基于蚁群算法计算的最佳巡视路线符合三峡升船机设备巡视要求.     

基于自编码和知识蒸馏的表面缺陷检测方法

针对传统的表面缺陷检测方法只能对具有高对比度或低噪声的明显缺陷轮廓进行检测的问题,提出了一种基于自编码和知识蒸馏的表面缺陷检测方法来准确定位和分类从实际工业环境捕获的输入图像中出现的缺陷。首先,设计了一种级联自动编码器（CAE）架构用于分割和定位缺陷,其目的是将输入的原始图像转换为基于CAE的预测蒙版;其次,利用阈值模块对预测结果进行二值化以获得准确的缺陷轮廓;然后,把缺陷区域检测器提取并裁剪出来的缺陷区域视为下一个模块的输入;最后,将CAE分割结果的缺陷区域通过知识蒸馏进行类别分类。实验结果表明,与其他几种表面缺陷检测方法相比,所提出的方法综合性能最好,其缺陷检测平均准确率为97.00%。该方法能够有效地对较小的、边缘不清晰的缺陷进行分割,满足对物品表面缺陷实时分割检测的工程要求。     

Autoencoder-based anomaly detection for surface defect inspection

In this paper, the unsupervised autoencoder learning for automated defect detection in manufacturing is evaluated, where only the defect-free samples are required for the model training. The loss function of a Convolutional Autoencoder (CAE) model only aims at minimizing the reconstruction errors, and makes the representative features widely spread. The proposed CAE in this study incorporates a regularization that improves the feature distribution of defect-free samples within a tight range. It makes the representative feature vectors of all training samples as close as possible to the mean feature vector so that a defect sample in the evaluation stage can generate a distinct distance from the trained center of defect-free samples. The proposed CAE model with regularizations has been tested on a variety of material surfaces, including textural and patterned surfaces in images. The experimental results reveal that the proposed CAE with regularizations significantly outperforms the conventional CAE for defect detection applications in the industry.