基于 FCN 的阀门内泄漏声发射信号识别方法

针对石化工业中输气管道阀门的内泄漏故障,将声发射检测技术与深度学习技术相结合,提出了一种基于全卷积神经 网络(FCN)的阀门内泄漏声发射信号识别方法。 该方法利用声发射技术采集阀门内泄漏的声发射信号,基于 FCN 搭建阀门内 泄漏分类诊断模型,充分发挥了声发射技术在阀门内泄漏检测领域的优越性,以及 FCN 在时间序列分类任务上的高性能。 该 方法相较于传统的识别方法,无需对原始采集数据进行特征提取或繁重复杂的预处理,而是将特征提取的任务也交于神经网络 模型来学习和完成,可实现端到端的阀门内泄漏声发射信号分类识别。 搭建阀门内泄漏检测实验平台,采集并制作阀门内泄漏 声发射信号数据集,建立了基于 FCN 的阀门内泄漏声发射信号的二分类模型,实验结果表明,该模型的分类识别准确率可达 98. 72%,相比较于其他先进的分类模型在数据集上表现出了更加优越的分类识别性能和训练效率,同时对环境噪声具有良好 的抗干扰性能。     

基于YOLOv5的轻量化端到端手机检测方法

针对监控图像中手机尺寸较小、分辨率低且特征不明显等问题，给检测算法研究带来了困难。提出了一种改进的YOLOv5网络模型方法用来识别手机的使用。改进的检测算法引入轻量级网络GhostNet作为主干提取网络，将GhostConv模块、C3Ghost模块分别代替主干网络中的Conv基本卷积模块和C3模块，减小网络参数和复杂度；同时，将注意力机制CBAM引入到主干网络中，减少融合后冗余特征的影响，提取到目标区域中更加关键的特征信息；使用四尺度特征检测，在原算法基础上对应的增加检测层，用以提高更小目标的检测精度。实验结果表明，改进后的YOLOv5算法准确率达到95.7%,平均精度达到97.1%,比改进前训练的准确率和平均精度分别提升了2.5%和1.8%,运算量和参数量较改进前分别减少了14.3%和24.5%。改进的YOLOv5算法不仅具有轻量化优势，同时保证了准确率和平均精度。该方法为智能监测技术行业违规使用手机提供了理论依据和技术参考。     

深度学习在输电线路工程验收智能缺陷识别中的应用

输电线路项目工程验收是工程建设过程中关键阶段之一,同时也是最后检验工程建设是否符合施工质量和设计指标的重要环节之一,输电线路工程覆盖面广风险因素复杂,因此输电线路工程的验收工作对电网的可靠稳定及安全有着重大意义,验收的工作效率及水平也关系到工程是否能按进度投产及减少运行单位巡检维护该项目的成本。针对如何提高输电线路工程验收工作效率、保证验收质量,提出了无人机立体智能验收应用平台,针对人工识别缺陷图像工作量大、效率低等问题,在输电线路工程验收缺陷识别模块中引入了深度学习技术,通过整合优化的R-FCN(Region-based Fully Convolutional Network)图像识别算法来对采集图像进行学习识别,实验证明该算法对常见典型缺陷如绝缘子自爆、异物鸟巢等准确率平均达到了90%,基本达到实用化水平,大大提高了验收图像缺陷识别的效率,提升了验收工作效率,保证了验收质量和准确度,在降低用人成本的同时实现线路工程验收智能化。     

基于协同深度学习的二阶段绝缘子故障检测方法

针对现有绝缘子故障检测模型受航拍图像中复杂背景干扰导致准确率低的问题,提出一种基于协同深度学习的二阶段绝缘子故障检测方法.该方法将全卷积网络(FCN)与YOLOv3目标检测算法相协同,第一阶段,利用FCN算法对航拍图像预处理,设计跳跃结构融合浅层图像特征与深层语义特征,构建8倍上采样的绝缘子分割模型,结合图像像素逻辑运算,实现绝缘子目标的初步分割,避免背景区域对绝缘子故障检测的干扰.在此基础上,第二阶段构建YOLOv3模型进行绝缘子故障检测,以深度神经网络Darknet-53作为特征提取器,借鉴特征金字塔思想,在三个尺度的输出张量上对绝缘子故障进行标记和类别预测,保证模型对不同尺寸的绝缘子故障准确检测.利用K-means++聚类算法优化YOLOv3的锚点框参数(Anchor Boxes),进一步提升检测精度.实验结果表明,基于协同深度学习的二阶段方法能够有效克服复杂背景的干扰,在绝缘子故障检测中平均准确率(MAP)高达96.88％,较原始YOLOv3算法MAP值提升了4.65％.     

基于改进YOLO算法的光纤环绕制缺陷检测

作为光纤陀螺仪的核心部件,光纤环的绕制质量对光纤陀螺的精度至关重要。为了保证光纤环绕制的准确率和效率,提出了一种基于改进YOLO算法的目标检测方法。该方法采用Shufflenetv2网络来替代YOLO主干网络中的卷积层和池化层,提升了网络的特征提取能力;加入Focus模块提升训练速度;采用K-means聚类算法对原始锚框进行聚类,得到适用于光纤绕制缺陷的预测框,提高缺陷检测的准确率;同时修改损失函数,使用CIOU来计算定位损失,使用Focal Loss作为置信度损失和分类损失函数,加快网络收敛;并进行了数据增强,增强了网络的泛化能力。实验结果表明,改进后的YOLO算法的平均准确率达到了99.63%,相比于原始的YOLOv3-tiny算法提升了2.06%,检测速度达到91 fps,这将保证了光纤环的绕制系统的实际应用。     

基于改进YOLOv5的金属焊缝缺陷检测

为提高工业上焊缝缺陷自动检测与处理的效率,基于深度学习提出一种改进的YOLOv5焊缝缺陷检测方法。针对焊缝样本数据不足的问题,提出一种Mosaic+Mixup的数据增强策略,同时为减少网络的计算量和网络参数量,引入轻量型的GhostNet网络代替YOLOv5主干网络中CSP1模块中的残差模块,并且采用CIOU_Loss作为坐标位置损失提高算法的收敛速度与准确率。最后使用测试集进行焊缝缺陷检测,改进的YOLOv5的平均精度均值（mean Average Precision,mAP）达到96.88%,单张图片检测时间不超过50毫秒,优于传统机器学习算法,能够满足实际工程中对焊缝缺陷的实时性检测要求。     

基于改进YOLOv5的飞机蒙皮表面缺陷检测方法

飞机蒙皮表面缺陷会影响飞机的气动特性,严重的甚至会影响飞行安全。针对飞机蒙皮表面缺陷检测精度不高的问题,提出一种基于改进YOLOv5的缺陷检测方法,对裂纹、腐蚀、划痕和撞击等4类缺陷进行检测。该方法首先对采集的飞机蒙皮表面缺陷数据集利用平均结构相似性(MSSIM)方法剔除相似性图像;接着,在YOLOv5的Backbone部分融入卷积块注意力模块(CBAM);最后,在Neck部分使用移动窗口转换模块(STB)替换CSP＿2模块。实验结果表明,改进后的方法检测性能较好,准确率、召回率和平均精度分别达到88.29%、87.13%和92.88%,比YOLOv5s高出3.28%、3.04%和2.77%,为飞机蒙皮表面缺陷检测提供技术参考。     

融合前景注意力的轻量级交通标志检测网络

针对目标检测算法模型在交通标志检测上容易出现错检和漏检等问题,提出一种融合前景注意力的轻量级交通标志检测网络YOLOT。首先引入SiLU激活函数,提升模型检测的准确率;其次设计了一种基于鬼影模块的轻量级骨干网络,有效提取目标物特征;接着引入前景注意力感知模块,抑制背景噪声;然后改进路径聚合网络,加入残差结构,充分学习底层特征信息;最后使用VariFocalLoss和GIoU,分别计算目标的分类损失和目标间的相似度,使目标的分类和定位更加准确。在多个数据集上进行了大量实验,结果表明,本文方法的精度优于目前最先进方法,在CCTSDB数据集上进行消融实验,最终精度达到98.50%,与基线模型相比,准确率提升1.32%,同时模型仅4.7 MB,实时检测帧率达到44 FPS。     

基于机器视觉的配网工程安全管控检测方法

针对配电网工程在施工现场受外界环境干扰因素多、现场监管难度大等问题,提出了一种基于改进的YOLOv5网络模型的配电网工程实时检测方法,并对配电网工程图像精确识别及缺陷检测进行了研究。首先,对配电网工程现场样本数据集进行标注,改进YOLOv5网络的特征提取网络,以加快多尺度融合并提高小目标物体检测的精度。在此基础上,改进损失函数、非极大值抑制模块,提高模型的识别精度与收敛速度。最后,经过Darknet深度学习模型对识别样本进行多次迭代训练,保存最优权重数据用于测试集的测试。算法通过 TensorBoard 可视化工具显示训练和测试结果。测试结果表明,每种配电网样本的平均识别准确率可达到95%以上,图片的识别速度可达到140 帧/s。同时,所改进算法检测准确率高,实时性强,满足工程现场实时使用需求。     

基于自监督特征增强的 CNN-BiLSTM 网络入侵检测方法

针对网络入侵检测中攻击样本和流量特征不足的问题,提出一种基于自监督特征增强的 CNN-BiLSTM 网络入侵检测方 法,实现在流量数据中检测异常网络流量的目标。 通过分析流量特征数据分布差异,采用 IQR 异常值处理方法进行数据预处 理,使用自编码器对攻击样本进行数据增强,构建 CNN-BiLSTM 神经网络和自编码器组成半自监督模型,分别提取高维流量特 征和自监督特征,将组合特征作为最终特征输入到分类模型中进行预测分类,实现网络入侵检测。 实验结果表明,与其他入侵 检测方法相比,所提方法在准确率和 F1 分数上分别达到了 85. 7%和 85. 1%,能够有效提高网络入侵的检测精度以及对未知攻 击的检测能力。     

面向混凝土裂缝检测的级联神经网络算法研究

针对传统深度学习的裂缝检测方法在复杂环境下鲁棒性低、边缘区域识别精度差、损伤量化结果误差大的问题,本文提出一种复杂环境下基于级联神经网络的混凝土裂缝检测方法。该方法分为三步：第一步利用改进的语义分割模型对复杂环度参数获取算法计算裂缝宽度。试验结果表明,相较于传统裂缝识别方法,本文方法在精确率、召回率、准确率、F1分数和交并比五项评价指标上均有提升,且总体检测准确率在95%以上,能实现复杂环境下境下的裂缝进行初步识别,判断图像中裂缝的大致感兴趣区域;第二步采用本文所提基于金字塔池化的掩膜优化方法对粗分割图像进行优化,精确捕获裂缝边缘上下文信息;第三步采用二维码靶标的图像像素解析度和裂缝宽混凝土裂缝的检测与定量分析。     

基于改进YOLOv4的锂电池缺陷检测方法

针对传统方法检测锂电池表面缺陷精度低、速度慢的问题,提出一种改进的YOLOv4算法。首先,在 CSPDarknet-53 骨干网络中使用空洞卷积代替传统卷积,提高了对不同尺度缺陷的检测。其次,将通道注意力机制插入到颈部网络中,自适应地选择一维卷积核的大小,降低模型的复杂度和计算量。最后,在分类和边界框回归中融合条件卷积来提高网络性能,并扩大数据集以解决由于缺陷样本太少而导致的网络训练过拟合问题。实验结果表明,改进后的YOLOv4算法可以有效检测锂电池表面缺陷并提高对于缺陷的识别和定位能力。改进算法的平均精度均值为93.46%,相较原算法提高了3.03%。     

基于可调证明滤波器的球团矿生球图像裂缝检测方法

球团矿生球制造是炼钢工业中的重要环节,而裂缝检测是生球质量指标(落下强度)检测中的关键步骤。 目前生球裂 缝检测仍采用人工目测,效率低且检测结果具有主观性,而现有的基于图像处理的裂缝自动检测方法主要针对桥梁、道路、太阳 能电池等物体的平直表面上的裂缝,对生球这种小目标曲面上的裂缝检测能力有限,且难以克服生球图像中原材料污渍、生球 边缘轮廓、球面反光等多种噪声的干扰,易造成裂缝的误检与漏检。 针对这一问题,提出一种基于可调证明滤波器( SEF)的球 团矿生球图像裂缝检测方法。 首先,针对图像背景中存在的原材料污渍与碎屑干扰,采用主动轮廓模型从图像中分割出感兴趣 区域(AOI);然后,针对生球边缘轮廓和球面反光造成的干扰,采用可调证明滤波器生成生球裂缝响应图,实现 AOI 图像粗分 割;接着,利用形态学处理与连通域分析法消除粗分割图像中的生球边缘及噪声点,获得精确的分割结果;最后,采用连通域分 析法检测生球是否存在裂缝,并计算出裂缝条数。 为验证所提出的方法,搭建了生球图像实验采集平台,采集了约 300 张具有 不同背景和裂缝数量的生球图像。 实验结果表明,与现有的 5 种裂缝检测方法相比,本文方法在裂缝分割准确率、精确率、加权 调和平均评价指标上均具有明显优势,检测生球是否存在裂缝的准确率为 96%,检测裂缝数量的准确率为 90%。 本文研究成 果为生球落下强度质量指标的自动化、智能化检测奠定了基础。     

水工混凝土裂缝像素级形态分割与特征量化方法

混凝土开裂问题在水工建筑物主体结构中普遍存在,裂缝检测一直是水工混凝土结构安全鉴定的重要内容。数字图像处理技术因具有效率高、成本低等优势而被广泛应用于结构表面裂缝检测中,形态分割与特征量化是其核心任务。针对传统图像处理人工干预较多、泛化能力较弱等不足,本文提出了一种基于深度卷积神经网络的水工混凝土裂缝像素级形态分割与特征量化方法。该方法以U-net语义分割模型架构为基础,融合迁移学习技术,采用VGG16预训练网络强化编码器,提取多尺度高级语义信息,并通过改进交叉熵损失函数缓解样本类别不均衡问题,从而实现裂缝形态的精准分割。随后根据二值化分割掩膜,集成计算机视觉技术,给出了一整套定量计算裂缝面积、长度和宽度等几何特征参数的算法。以自制水工混凝土裂缝图像数据集为案例,通过仿真对比实验对所提方法的有效性和优越性进行了验证评估。结果表明,所设计深层网络的裂缝分割效果明显优于经典图像分割方法,且裂缝特征参数计算结果满足检测精度要求,以期为水工混凝土结构质量控制提供新的技术手段。     

Pill Defect Detection Based on Improved YOLOv5s Network

To address the problems of low detection accuracy and slow speed of traditional vision in the pharmaceutical industry, a YOLOv5s-EBD defect detection algorithm: Based on YOLOv5 network, firstly, the channel attention mechanism is introduced into the network to focus the network on defects similar to the pill background, re-ducing the time-consuming scanning of invalid backgrounds; the PANet module in the network is then replaced with BiFPN for differential fusion of different features; finally, Depth-wise separable convolution is used in-stead of standard convolution to achieve the output Finally, Depth-wise separable convolution is used instead of standard convolution to achieve the output feature map requirements of standard convolution with less number of parameters and computation, and improve detection speed. the improved model is able to detect all types of defects in tablets with an accuracy of over 94% and a detection speed of 123.8 fps, which is 4.27% higher than the unimproved YOLOv5 network model with 5.2 fps.     

An improved algorithm for image crack detection based on percolation model

In a complex background, because of uneven illumination, concrete bubbles, shadows of various shapes, and other noise, traditional crack detection methods based on image processing cannot accurately detect cracks, especially unclear cracks. A crack detection method based on the percolation model fully considers the features of cracks including the characteristics of brightness and length, and therefore can accurately detect cracks in the image. But this method is time consuming, and some noisy areas are detected as crack regions. In order to solve the problems above, we propose an improved algorithm for image crack detection, which includes an accelerated algorithm and a new denoising method based on the percolation model. The accelerated algorithm decreases the number of iterations of percolation processing to reduce the computing time, and the denoising method is based on the characteristic of brightness and the length feature of cracks to remove the noisy regions. Experimental results show that the proposed algorithm can accurately and efficiently detect cracks in the image. © 2014 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

基于深度学习的PCB缺陷检测研究

印刷电路板(PCB)是保障电子设备产品可靠性的关键因素。因此,对于PCB板的缺陷检测是一项基本和必要的工作。当前PCB缺陷检测方面已经取得了很大进步,但由于PCB板缺陷的多样性、复杂性以及微小性,传统检测方法仍然难以应对。针对PCB板复杂性和微小性问题,文中提出了一种基于深度学习的PCB微小缺陷检测网络,命名为UF-Net。该网络通过多层卷积提取不同维度的特征,通过上采样及跳层连接(Skip Connect)的方式实现多尺度特征融合;利用RPN(Region Proposal Network)网络生成ROI(Region of Interest);通过ROI-Pooling层提取ROI特征,并经过两个全连接层对ROI区域进行分类和回归,从而实现缺陷检测。文中的方法能够对印制电路板导线缺陷和焊点缺陷进行精确的检测和识别,包括导线的短路、开路、缺口、毛刺以及焊点的孔洞、漏焊、焊盘不全等缺陷。通过对PCB缺陷数据集的定量分析,结果表明,该方法具有较好的移植性,在PCB数据集上的精度达到98.6%,满足PCB实际检测需求。     

改进的轻量化 YOLOv4 用于电子元器件检测

针对电子行业制造机器人对电子元器件检测精度低和速度慢的问题,提出基于改进YOLOv4的电子元器件检测方法.对网络结构进行改进,利用深度可分离卷积代替PAN网络中的传统卷积,提高检测速度;利用一种具有线性瓶颈的逆残差结构代替CSP darknet53主干网络,降低模型参数,进一步提高检测效率;在检测网络YOLO head前添加注意力机制,提高检测精度.模拟工业传送带环境建立了电子元器件数据集并进行数据增强,相较于原算法,精度(mAP)提高了1.31％,速度提高了16.34 fps,权重大小从245下降到41.20 MB.研究可为相关电子行业制造机器人的研制提供技术参考.     

基于改进卷积深度置信网络的轴承故障诊断研究

机械设备故障诊断在工业应用中具有重要的意义。传统的基于振动信号处理与分析的故障诊断方法,依赖于丰富的专业知识和人工经验,难以保证准确的特征提取与故障诊断。利用深度学习方法可以自动学习数据深层次特征的特点,提出一种基于改进卷积深度置信网络的滚动轴承故障定性、定量诊断方法。首先,为了提供较好的浅层输入,将原始振动信号转换至频域信号;其次,在模型训练过程中,引入Adam优化器,加快模型训练,提高模型收敛速度;最后,为了充分发挥模型各层特征表征能力,对模型结构进行优化,提出多层特征融合学习结构,以提高模型的泛化能力。实验结果表明,所提出的改进模型相比于传统的栈式自动编码器、人工神经网络、深度置信网络以及标准卷积深度信念网络,具有更好的诊断精度,有效地实现了轴承故障的定性、定量化诊断。