基于在线铁谱图像的磨损机理智能辨识

基于状态的维护(Condition based maintenance,CBM)理念为机器健康状态维护提出了实时监测的新挑战。现有研究由于缺乏在线信息获取手段,磨损状态监测逐渐成为CBM的技术瓶颈。基于特征磨粒的磨损机理判断方法已经被广泛应用在离线磨损分析中,但是在线磨损机理的表征依然是一个很大的问题。针对基于在线铁谱图像的磨损机理开展研究。为了在一副在线铁谱图像中获得分离的磨粒图像,研究磨粒在在线铁谱传感器中的沉积机理。研究结果表明,磨粒链是图像中的主要形态,这是由于先前沉积的磨粒产生的局部磁场所致。设计一种依靠自适应调节沉积时间的在线磨粒沉积方法。运用该方法可以在在线铁谱图像中获得分离的磨粒,为特征磨粒的特征辨识提供了便利。参考分析铁谱知识,提取特征磨粒的4种形态学特征(当量尺寸、长径比、形状因子和分形维数)以综合表征4种典型磨损机理,包括正常、切削、疲劳、严重滑动磨损。采用反馈式人工神经网络构建自动磨损机理辨识模型。采用离线铁谱图像样本验证所建模型,结果表明该模型可以识别在线磨粒图像中的特征磨粒。对在线磨损机理表征方法进行了有意义的探索,所得研究成果将为在线磨损状态表征提供可行方法。     

人工关节磨屑的显微单视图深度估计方法研究

传统单视图三维重建方法不能满足人工关节磨屑三维信息提取要求,为提高重建精度,提出一种基于SA-UNet网络的人工关节磨屑显微单视图深度估计方法,实现从单一视图下磨屑三维信息的快速获取。该方法首先构建一个融合自注意力机制的U-Net深度估计网络,然后使用光学显微镜和激光共聚焦显微镜分别收集磨屑的二维图像和深度图,再通过图像语义分割提取目标磨屑区域,消除图像背景的干扰,最后利用透视变换使二维图像和深度图相对应,获得训练样本。采用该方法对TC4材料磨屑显微单视图进行深度估计,以激光共聚焦显微镜的三维信息作为参考。结果表明,该方法预测深度的平均相对误差为7.35%,均方根相对误差为3.93,效果优于U-Net、BTS和ACAN。     

融合Hough直线检测和Grab-cut的风机叶片自适应分割方法

完整的边缘信息对风力发电机叶片的边缘缺陷检测至关重要,但由于户外采集的风机叶片图像背景复杂多样,现有图像分割算法的分割精度不足,无法保证边缘缺陷的完整性.因此,提出一种基于图像边缘特征与颜色信息的自适应图像分割方法实现风机叶片边缘检测.首先,使用Hough直线检测初步定位叶片直线边缘;然后,在目标区域应用基于Otus阈...     

面向机柜表面缺陷检测的不均匀光照和低亮度图像增强方法

光照条件是大尺寸机柜表面缺陷检测的重要影响因素。当光照分布不均匀或光照强度不足时,采集得到的机柜表面图像质量低,造成缺陷检测误差。为此,提出一种融合卡通纹理分解和最优双曲正切曲线的图像增强方法。首先,采用导向滤波将机柜表面图像分解为卡通图和纹理图,利用高斯尺度空间理论建立光照模型,实现不均匀光照去除;其次,研究图像的双曲正切曲线性质,通过图像加权拉伸实现低亮度图像增强;最后,采用对比度、亮度和灰度方差乘积对图像增强效果进行评价,同时对增强前和增强后的图像进行缺陷检测,进行对比分析验证。实验结果表明,该方法能实现光照不均且低亮度的机柜表面图像增强,机柜表面缺陷检测的准确率显著提升,召回率提高了29%,F值提高了21%。