[材料成形中的数字化与智能化产品设计]法向算子和D2算子相结合的铸件三维模型分类算法

为了解决铸造生产中相同类型铸件的历史工艺复用问题，提出了一种法向算子和D2算子相结合的铸件三维模型分类算法。该方法从三维模型的面特征和点特征信息出发，分别提取三维模型的法向算子和D2算子特征描述符，通过度量新铸件模型和各类别模型特征描述符的相似性实现铸件模型分类。在企业实际生产的铸件模型库中的实验结果表明，该方法对常见的铸件类别有很好的特征识别效果，解决了D2算子作为预分类器时处理部分复杂模型时存在的特征不敏感的缺陷，可以获得准确率高的分类结果。     

基于多尺度特征的YOLOv5铸件自动检测算法研究

针对铸件检测存在精度不够高和易漏检、误检等问题,提出一种基于多尺度特征的YOLOv5铸件自动检测算法。该算法使用双目相机采集铸件图像,并构建铸件图像数据集;为提取更全面的铸件特征,采用多尺度特征融合模块,增加一个检测层检测不同尺度的铸件;为获取更多细节特征,在特征金字塔网络中嵌入卷积注意力机制（CBAM）,以提高铸件图像关键特征的提取能力;同时用Hardswish替换卷积层中的SiLU激活函数来减少模型参数量。实验结果表明,该算法检测m AP值达到了96.5%,较原YOLOv5算法提升了2.6%,能实现铸件自动检测对检测精度及实时性的要求。     

基于卷积神经网络的水果图像分类识别研究

为了解决传统水果图像分类识别算法人工提取特征的缺陷,将卷积神经网络应用到水果图像识别上,基所创建的数据集,参照经典的卷积神经网络模型Le Net-5结构,提出更适合本数据集的卷积神经网络结构,首先对水果数据集进行分类标签,将苹果、梨、橙子、橘子、桃子分别标记为0、1、2、3、4,然后将图片分批次投入模型训练,该模型构建了一个输入层、两个卷积层、两个池化层、两个全连接层和一个输出层。卷积神经网络通过底层提取特征,再进一步更深层次提取特征,最后得到目标的分类。实验结果表明,所提出的卷积神经网络结构不仅在数据集上取得了较高的识别准确率,而且与传统的水果图像分类识别算法相比较,卷积神经网络避免了人工提取特征的繁琐过程。     

基于深度学习的铸件缺陷检测方法

针对铸件X射线图像获取困难、人工及传统识片方法效率低且漏判率高的问题,文中提出了一种基于深度学习的铸件缺陷检测方法。首先,采用Overlap切图（重叠切图）数据增广方法实现缺陷扩充,并基于简化Mosaic数据增广进一步提升图像的复杂度;然后,基于仅浏览一次（You Only Look Once, YOLO）的理念实现缺陷检测模型构建;最后,提出一种基于边界框抑制的测试图像缺陷检测方法,以子图迭代方式完成测试图像中的缺陷检测。实验结果表明,该方法能够有效实现多种铸件缺陷的自动检测,为铸件缺陷检测提供了基于深度学习的解决方案。     

基于BP神经网络的钢球表面缺陷识别

采用灰度共生矩阵为基础的纹理特征计算方法,对钢球表面图像进行特征参数提取,应用基于BP神经网络的图像特征模式识别方法,实现了对钢球表面不同种类缺陷的准确识别,实验结果表明,该方法能够对钢球表面缺陷进行有效地分类识别。     

基于SSDAE深度神经网络的钛板电涡流检测图像分类研究

钛板电涡流成像检测易受工业现场中的噪声影响,包含噪声的检测图像往往难以提取较好的特征,从而影响分类识别精度。针对以上问题,提出了一种基于栈式稀疏降噪自编码(SSDAE)深度神经网络的钛板缺陷电涡流检测图像分类方法。将稀疏性限制引入降噪自编码器并进行逐层无监督自学习,然后将自编码器栈式组合后添加逻辑识别(LR)层,构建出SSDAE深度神经网络,网络在有监督微调后可实现钛板缺陷电涡流图像特征自动提取与分类识别。稀疏性限制的引入提高了特征学习能力,降噪自编码器的栈式组合提高了深度网络的鲁棒性。实验结果表明,相比其他常规方法,所提出方法不仅在理想环境下有更高的分类准确率,且该方法能有效抵抗噪声,在复杂工况下能更有效地对钛板缺陷进行分类识别。     

滚动轴承保持架缺陷的图像处理及模式识别方法研究

轻系列滚动轴承保持架由于兜孔直径小、两半保持架之间钉孔距离相对较大等因素导致在铆压过程中易出现变形,造成铆压歪斜缺陷。为此,本文提出了基于图像纹理特征的模式识别方法用于保持架歪斜缺陷的准确识别。首先,改进了轴承图像归一化展开算法,实现了轴承图像展开起点的自动优化选择以避免误分割保持架、铆钉和滚动体;其次,设计了轴承图像保持架区域定位分割算法,准确分离出7个保持架区域;最后,分别提取保持架区域的Hu矩和旋转不变均匀局部二值模式(LBPrPiu,2R)作为纹理特征,并结合PCA降维方法构建轴承保持架缺陷识别的SVM分类模型。结果表明,基于Hu矩和LBPrPiu2,R的SVM模型的正确识别率分别为85%和100%。因此,轴承LBPrPiu2,R特征结合SVM模型对轴承保持架歪斜缺陷具有较好的识别效果。该方法有望为滚动球轴承保持架铆压工艺缺陷的自动识别提供参考。     

基于视觉的铁路货车滚动轴承表面缺陷分类研究

用CCD代替人眼对轴承表面缺陷进行图像采集,采用卷积滤波与开、闭运算相结合的图像处理方法,有效去除了缺陷周围边缘点的干扰。在提取传统特征基础上增加了压缩度、线度、距离极值比、NMI特征和不变矩等特征量,增强了缺陷分类的依据;对BP神经网络的输入矩阵和归一化方法的改进,提高了神经网络的记忆能力及识别速度;通过试验对缺陷分类系统识别结果进行检测,确定了该系统的可靠性。     

基于机器视觉的笔芯球珠表面缺陷检测系统研究

针对笔芯球珠表面缺陷检测识别问题,设计并实现了基于机器视觉的笔芯球珠表面缺陷检测系统。笔芯球珠在球面展开机构作用下,通过图像采集模块获取5张可以完全覆盖整个球面的图像。通过对每幅图像进行缺陷图像提取后,采用基于轮廓角点匹配的方法实现对每幅图像中缺陷图像的拼接;基于提取的有效特征组合通过KNN分类算法对完整的缺陷图像进行缺陷识别。试验结果表明,该方法能够对笔芯球珠表面缺陷进行精确有效的检测与识别。     

焊接缺陷的磁光成像小波多尺度识别及分类

针对焊缝微小凹陷、未熔合和焊偏等焊接缺陷,提出了基于磁光成像无损探伤的小波多尺度边缘提取算法及主成分分析-误差反向传播神经网络(PCA-BP)缺陷分类模型;研究了焊件表面及近表面缺陷的可视化无损检测及分类方法。首先,通过对焊件施加感应磁场,利用法拉第磁致旋光原理构成磁光传感器,获取焊接缺陷磁光图像。然后,针对焊接缺陷磁光图像存在噪声干扰、对比度低且成像背景复杂等特征,基于小波模极大值的多尺度边缘信息融合方法,设计了具有高抗噪性的缺陷边缘检测算法。最后,通过PCA法对磁光图像列方向灰度变量进行预处理,得到能表征95%磁光图像列方向灰度变量信息的256个特征点作为输入特征量,构建了三层BP神经网络模型,对焊接缺陷样本进行分类。试验结果表明,所提方法能准确识别微小凹陷、未熔合和焊偏等焊接缺陷,模型分类准确率可达90.80%。     

Crack Fault Classification for Planetary Gearbox Based on Feature Selection Technique and K-means Clustering Method

During the condition monitoring of a planetary gearbox, features are extracted from raw data for a fault diagnosis.However, different features have different sensitivity for identifying different fault types, and thus, the selection of a sensitive feature subset from an entire feature set and retaining as much of the class discriminatory information as possible has a directly effect on the accuracy of the classification results. In this paper, an improved hybrid feature selection technique(IHFST) that combines a distance evaluation technique(DET), Pearson's correlation analysis, and an ad hoc technique is proposed. In IHFST, a temporary feature subset without irrelevant features is first selected according to the distance evaluation criterion of DET, and the Pearson's correlation analysis and ad hoc technique are then employed to find and remove redundant features in the temporary feature subset, respectively, and hence,a sensitive feature subset without irrelevant or redundant features is selected from the entire feature set. Further, the k-means clustering method is applied to classify the different kinds of health conditions. The effectiveness of the proposed method was validated through several experiments carried out on a planetary gearbox with incipient cracks seeded in the tooth root of the sun gear, planet gear, and ring gear. The results show that the proposed method can successfully distinguish the different health conditions of a planetary gearbox, and achieves a better classification performance than other methods. This study proposes a sensitive feature subset selection method that achieves an obvious improvement in terms of the accuracy of the fault classification.     

基于多模态信息融合的图像情感标注方法

随着互联网中图像资源的不断增长,情感作为图像的一个重要语义,是人们检索和选择图像的重要依据,因此对于图像进行情感标注显得至关重要。结合脑电信号(EEG)和图像内容,提出了一种基于多模态信息融合的图像情感标注方法。首先,提取EEG频域特征及图像特征(颜色及纹理);其次,结合两者特征信息,基于两种融合策略(特征层和决策层),构建支持向量机分类模型,进行图像情感识别与标注。为了评估方法的有效性,使用国际情绪图片系统公共数据集进行了实验验证。结果表明,提出的多模态信息融合图像情感标注方法优于单独使用EEG或图像内容的标注方法。此外,该成果有助于缩小低层视觉特征和高层情感语义之间的语义鸿沟。     

Feature selection for automatic visual inspection of solder joints

In this paper, three successive feature reduction methods are employed to select good features for the automatic visual inspection of solder joints. This reduction strategy includes (1) a stability test to remove the features with unstable performance, (2) a separability examination to select the features with good classification capabilities, (3) a correlation analysis to delete the redundant features. Three sets of features are implemented in this feature reduction work: (1) a circular sub-area feature set is related to the intensity conditions within distinct areas in the joint image, (2) a moment of inertia feature set is based upon the intensity of pixels and their relative position in the image plane, (3) a surface curvature feature set analyses the three-dimensional joint topology. Initially 50 features are formulated based on the above strategy. The reduction technique deletes 39 features from this set because of instability, poor performance, and high correlation with other features. Finally, the remaining 11 feature are tested and shown to be superior to state-of-the-art identification methods.     

基于深度学习模型融合的铸件缺陷自动检测

针对目前铸件缺陷检测漏检率高的问题,提出一种基于深度学习模型融合的铸件缺陷检测方法。 首先对 Faster RCNN 网络进行改进,利用特征金字塔结构改进特征提取网络模块,实现多尺度的特征融合,完成铸件缺陷的特征提取;然后,基于 ROI Align 对网络中的 ROI 池化层进行改进,将 IOU 分数引入 NMS 算法判定过程;再将改进后的网络与 Cascade RCNN 以及 YOLOv3 进行融合;最后进行实验研究,验证了融合模型能够有效降低铸件缺陷的漏检率。 实验结果表明,将感兴趣区域池化 改进后,在 Faster RCNN 模型中的缺陷召回率提升了 1. 73% ,在本文网络模型中的缺陷召回率提升了 4. 08% ;采用模型融合的 方法在不考虑分类准确度的情况下,整个模型的缺陷识别率达到 95. 71% ,与单个模型相比,在保证铸件缺陷检测准确率的同 时,提高了缺陷检测的召回率,满足了工业应用的要求。     

基于SVD算法的红外热波无损检测方法研究

针对采用红外热波无损检测技术对材料缺陷进行特征提取的技术空白,提出了一种新的基于奇异值分解(SVD)的红外序列图像特征提取方法。研究表明对重构的缺陷相空间矩阵进行奇异值分解,其空间与时间基向量包含了缺陷静态空间与动态热量变化的特征信息。在缺陷代数特征的基础上,提取具有时空信息的特征值构造缺陷特征向量。实验分析表明,通过对热障涂层缺陷进行特征提取,在运用RBF神经网络进行缺陷的分类验证中取得了较好的效果。     

基于加权最小二乘滤波和引导滤波的铸件DR图像融合

为了让两张不同灰度窗宽和窗位的铸件X射线DR图像包含的缺陷呈现在一张图像中,发展了一种基于加权最小二乘滤波和引导滤波(guided filter)的铸件X射线DR图像融合方法。选择其中一张图像作为底层图像,另一张作为细节图像。使用两种具有边缘保护性质的滤波提取细节图中包含的缺陷信息。对底层图像作加权最小二乘滤波作为框架,再用底层图像和框架做差,分离出底层图像本身包含的缺陷信息。利用引导滤波把这两类缺陷信息加权求和。最后用框架承接加权求和后的结果后得到融合后的图像。实验结果表明获得的融合结果能够显示来自不同灰度窗宽和窗位的两张DR图像的共5个缺陷或3张铸件DR图像的共7个缺陷。本文方法可应用于铸件射线无损检测。     

基于子区域变尺度高斯拟合的木材表面缺陷识别

为了提高木材的使用效率、避免由于木材缺陷造成生产故障,根据木材缺陷类型对其分类处理是一种有效的手段,但木材缺陷复杂多样且具有诸多相似性使得类别区分成为难点。针对以上问题本文提出了一种基于子区域变尺度高斯拟合模型的缺陷识别方法。首先建立变尺度高斯拟合基本模型,然后将缺陷纹理分成若干子区域,提取各分区的高斯拟合特征并进行融合;将高斯融合特征及圆度和边缘直线度这两个几何特征输入到建立好的BP神经网络模型中进行训练,根据优化训练的网络模型识别缺陷。该方法对自建的SUT-W图库中雪糕棒图像上人工标定的裂缝、矿物线、矿物块和黑节子的准确识别率分别为91.72%、92.77%、92.67%和92.80%,与其他典型纹理检测方法相比,4种缺陷准确识别率最高分别提高9.38%、6.69%、13.55%和10.22%,说明本文方法能够有效地将以上4种缺陷分辨开,具有一定的实际应用价值。     

炭素制品缺陷X射线自动检测关键技术的研究

以炭素制品X射线检测图像为对象,对其关键技术进行了研究。设计了目标边界提取算法和基于小波变换的图像增强算法等预处理方法。采用数学形态学和迭代阈值分割相结合的方法进行缺陷提取,取得了良好的效果。制定了一套用于特征描述的参数,设计了基于遗传算法的特征选择策略,实现了对缺陷原始特征量的优化选择。利用BP神经网络分类器及选择的特征值对缺陷进行了模式分类。实验结果表明,本文提出的方法比较有效,可以用于实际缺陷的自动提取与识别。