Toward in-situ flaw detection in laser powder bed fusion additive manufacturing through layerwise imagery and machine learning

Process monitoring in additive manufacturing may allow components to be certified cheaply and rapidly and opens the possibility of healing defects, if detected. Here, neural networks (NNs) and convolutional neural networks (CNNs) are trained to detect flaws in layerwise images of a build, using labeled XCT data as a ground truth. Multiple images were recorded after each layer before and after recoating with various lighting conditions. Classifying networks were given a single image or multiple images of various lighting conditions for training and testing. CNNs demonstrated significantly better performance than NNs across all tasks. Furthermore, CNNs demonstrated improved generalizability, i.e., the ability to generalize to more diverse data than either the training or validation data sets. Specifically, CNNs trained on high-resolution layerwise images from one build showed minimal loss in performance when applied to data from an independent build, whereas the performance of the NNs degraded significantly. CNN accuracy was also demonstrated to be a function of flaw size, suggesting that smaller flaws may be produced by mechanisms that do not alter the surface morphology of the build plate. CNNs demonstrated accuracies of 93.5 % on large (>200 μm) flaws when testing and training on components from the same build and accuracies of 87.3 % when testing on a previously unseen build. Finally, evidence linking the formation of large lack-of-fusion defects to the presence of process ejecta is presented.     

CNN-XGBoost混合模型在音频场景分类中的应用

在拥有海量数据和强大计算能力的人工智能时代,音频场景分类成为了场景理解的重要研究内容之一.针对音频场景分类建模困难和精确率不高的问题,本文提出一种基于卷积神经网络和极端梯度提升算法相结合的系统模型.首先,将预处理后的音频信号转换成梅尔声谱图,然后输入到卷积神经网络中完成抽象特征提取,最后利用极端梯度提升算法进行分类.为了评估模型的有效性,在城市音频场景UrbanSound8K数据集上进行分类性能测试,结果表明,该混合算法模型对音频场景的分类精确率可以达到89%,优于传统的神经网络算法模型,说明该混合模型对音频场景分类问题的有效性.     

基于上下文感知与自适应响应融合的相关滤波跟踪算法

针对当前相关滤波跟踪算法在抗背景干扰、响应融合方式以及模型更新策略上的不足,提出一种基于上下文感知与自适应响应融合的相关滤波跟踪算法.通过引入上下文感知技术,提高算法在背景杂波及遮挡等跟踪场景下的鲁棒性;通过研究HOG特征和颜色直方图特征二者响应图和响应值的特点,提出一种自适应响应融合方法,提升融合响应图的可靠性;在模型更新方面,采用了高置信度模型更新策略来减轻传统模型更新策略中模型污染及跟踪漂移的问题.实验结果表明,本文算法在OTB50数据集上达到了74.7%的跟踪精度,跟踪成功率为54.8%,均优于对比的主流相关滤波跟踪算法,并且在背景杂波、光照变化、遮挡、运动模糊等复杂跟踪场景中具有较好的跟踪精度与鲁棒性.     

一种雷达和摄像机的空间标定方法

多传感器融合技术已经广泛应用在智能汽车环境感知领域中;雷达和摄像机的空间标定是伴随信息实时融合的道路检测技术的基础;结合智能汽车的实际应用,提出了针对激光雷达和摄像机的空间标定方法;通过特制的标定板来获得雷达数据和图像数据,选取激光雷达坐标系作为世界坐标系,通过参数拟合的方法来求取图像坐标系与雷达坐标系的变换关系,进而实现两种传感器的空间配准;该方法只需要标定板就能够完成激光雷达和摄像机的空间标定,标定精度高,实现了多个传感器世界坐标系的统一,避免了后续处理中数据解释的二义性;实验结果表明这种方法简单准确,满足系统要求。     

SVG的3D实现

针对SVG在3D图形的描述与绘制上存在局限性的问题,提出了一种SVG的3D实现方法;详细介绍了SVG的2D坐标系到3D坐标系的转换原理,给出了转换到3D坐标系后的SVG-3D图形的绘制与操控流程,并以在3D场景中绘制一个正立方体和圆球体为例,介绍了在HTML页面中采用JavaScript创建3D场景和绘制与操控这2个图形的实现。     

基于多传感器信息融合技术在灭火机器人系统的设计

提出一种通过多传感器信息融合技术来提高灭火机器人的火焰、距离检测的准确性,设计了由超声波、红外测距模块和数据融合模块组成的测距避障子系统;由红外火焰检测模块、数据融合模块组成的火焰检测子系统,在此基础上,采用自适应加权数据融合算法分别对多传感器检测的距离和火焰信息进行融合,以提高对火源目标判断的准确度;实验结果表明,设计的智能灭火机器人传感器软硬件系统测量相对误差小,能很好的反映火灾现场信息,满足火情探测和灭火需要,具有很强的使用价值。     

基于灰色关联和D-S证据理论的感应电转子故障诊断

针对单一的灰色关联或D-S证据理论在转子故障诊断中存在的不足,将灰色关联和D-S证据理论相融合的决策级信息融合方法应用到感应电机转子故障诊断中;首先用灰色关联对故障进行初步诊断,然后,将灰色关联分析的诊断输出结果作为D-S证据理论的基本概率分配,最后,依据证据组合规则进行合成,得出转子故障的最终诊断结果;实验仿真结果验证了方法在转子故障诊断中的有效性,可以减小诊断的不确定性,提高故障的诊断准确率和诊断精度。     

一种改进的自适应图像颜色迁移算法

颜色迁移是图像处理中一个重要的研究课题,它要解决问题是:基于图像A和图像B,合成一幅新的图像B,使其具有A的颜色和B的形状;提出了一种改进的自适应图像颜色迁移算法,它可以更好地利用图像的局部信息,并在算法中引入了正交化分析,进一步减少了颜色空间各通道间的相关性,实现对图像A和图像B的图像颜色最优的迁移过程。     

彩色CCD比色测温的灰度值融合处理方法研究

设计了基于两个彩色CCD通道的比色测温系统,提出了用于比色测温时彩色CCD的R、G、B亮度(灰度)值融合处理方法,解决了在不同快门下利用两个通道的灰度值进行比色测温计算的问题;黑体炉实验结果表明,与常用的基于面阵CCD的简化比色测温方法相比较,基于两个彩色CCD通道的比色测温方法系统虽稍显复杂,但由于采用了经融合处理后的亮度值进行比色测量计算使得测温精度较高。     

一种基于特征点匹配的图像拼接方法研究

针对图像间因具有旋转及光线强度差异等现象而导致的拼接效果不佳及拼接速度慢的问题,提出一种基于特征点的配准算法;在特征点提取阶段,尺度不变的特征变换方法 (SIFT)具有对图像尺度缩放、旋转、放射变换以及亮度变化保持不变的优点,文章采用了改进的SIFT特征点提取算法;在特征点匹配阶段,采用改进的RANSAC算法对特征点匹配对提纯;最后用加权平均法实现拼接图像的融合;实验证明,该算法有效提高了图像拼接的效率和准确性,拼接精度可以达到亚像素级。