基于深度学习One-stage方法的焊缝缺陷智能识别研究

目前基于深度学习的卷积神经网络在对焊缝缺陷射线图像进行智能识别时,多采用基于候选区域的two-stage方法,检测速度难以满足实时性要求。针对该问题,提出基于深度卷积神经网络的one-stage焊缝缺陷识别定位算法,将整张图像输入网络,并直接在输出图像上标定目标缺陷位置及类别。通过采用特征金字塔、减小网络深度、引入跳跃连接卷积块和K-means算法等方法对YOLO网络进行改进,提高了网络对焊缝缺陷识别定位的准确率和速度。实验结果表明:该方法比two-stage识别定位算法和YOLO原网络在检测速度和检测精度方面都有所提升,单个图像的平均识别准确率为94.9%,召回率为94.1%,处理时间为19.58 ms,具备焊缝缺陷在线实时识别的工程应用价值。     

基于信号谱熵的模糊Hamming网络缺陷识别

无缝钢管损伤监测和诊断的关键在于缺陷信号特征的提取和识别，作者研究了无缝钢管内伤、外伤及孔洞等缺陷信号的频域特征，提取信号二维谱熵指标作为特征指标，运用改进的模糊Hamming神经网络识别方法，对无缝钢管的缺陷进行识别，结果表明，该方法具有很高的识别精度，实例中识别准确率达100％，由于该识别方法不需要示教学习过程，因此能够应用于实时在线缺陷识别。     

苹果果梗和缺陷的识别技术研究

为解决苹果自动检测和分选中苹果果梗和缺陷的识别这一瓶颈问题，提出基于HIS颜色模型下亮度，的分布特性，从信号处理的角度确定苹果的果梗和缺陷区域．再提取区域纹理特征，构筑模拟退火神经网络作为模式分类器，区分果梗和缺陷．试验结果表明用该方法识别准确率接近90％．为苹果的在线检测和分级打下了良好的基础．     

基于深度学习的连铸坯表面缺陷检测

采用提取图像的纹理、几何特征并利用支持向量机(support vector machine, SVM)进行检测和识别的方法,对宝山钢铁现有的连铸坯表面裂纹、凹陷、夹杂物、气孔、划痕等缺陷进行分析,缺陷检测准确率为83%.提出一种基于卷积神经网络(convolutional neural network,CNN)的方法进行缺陷检测.该方法对裂纹缺陷的检测准确率为93%,对其他缺陷(由于凹陷、夹杂物、气孔、划痕等缺陷数据较少,这些缺陷归为一类)的检测准确率为88%.实验结果表明,采用深度学习的方法能够有效检测、识别出具有缺陷的连铸坯,检测准确率较高.     

基于稀疏成像与机器视觉的金属材料次表面缺陷检测方法

传统方法缺陷区域的轮廓边缘存在断续,缺陷定位区域封闭性较差,导致检测识别准确率较低。针对这一问题,提出基于稀疏成像与机器视觉的金属材料次表面缺陷检测方法。扫描采集材料次表面二维图像,采用均值滤波和高斯滤波,对图像进行去噪处理,分割次表面缺陷的预处理图像,利用机器视觉,定位并合并缺陷区域,提取灰度、形状、纹理缺陷特征,利用稀疏成像,修正特征参数,对参数进行BP神经网络训练,进而识别金属次表面缺陷类型。选取钢管的凹坑、划痕和擦伤次表面缺陷,进行对比实验,结果表明,此次方法提高了缺陷检测识别准确率,更加符合检测方面的要求。     

小波分析与人工神经网络结合对混凝土缺陷超声信号识别的应用

混凝土缺陷的无损检测的准确率和可靠性一直不太理想.本文根据混凝土缺陷超声检测信号非稳态的特点,利用小波包变换提取反映缺陷性质的特征值,并运用神经网络模式识别技术对特征值进行缺陷识别.预制了一组具有裂缝缺陷的混凝土试件,并对其进行了检测,检测结果表明利用小波包变换与人工神经网络相结合的方法进行缺陷识别,可使缺陷位置和范围的判别获得较高的准确率.     

基于堆叠自编码器神经网络的复合电磁检测铁磁性双层套管腐蚀缺陷分类识别方法

铁磁性双层套管长期服役于恶劣的工作环境,极易出现腐蚀缺陷,定期为服役中的双层套管进行在线检测十分必要,而对管壁腐蚀缺陷位置的分类识别是管道定量检测与维修的前提和基础,实时准确的套管腐蚀缺陷分类识别能力是决定管道在线检测效率的重要因素。针对这一情况,将脉冲远场涡流和脉冲涡流技术相结合,提出了基于堆叠自编码器神经网络的分类方法。通过仿真和实验选取合适特征量作为输入层,实现了内管外壁腐蚀、外管内壁腐蚀和外管外壁腐蚀的分类,实验整体预判精度可达97.5%,结果表明该方法可对双层套管腐蚀缺陷缺陷实施高效、高精度分类识别。     

基于图像处理的麻将竹块缺陷检测

针对目前麻将凉席的竹块缺陷人工检测工作量大、效率低、容易疲劳、判断标准不统一的现状,对大样本的竹块缺陷种类及缺陷特征进行研究,并提出了一种基于图像处理的竹块缺陷自动检测算法。首先通过最大类间方差算法(OTSU)和Canny边缘检测等算法实现竹块轮廓缺陷的检测,然后通过水平投影法实现竹块正反的识别,最终通过区域生长算法实现竹块表面纹理缺陷的检测。识别检测结果表明,该算法稳定,识别准确率最高达95%。研究结果可以为竹块缺陷检测提供一种有效、可行的方法。     

一种基于机器视觉的螺纹缺陷检测方法

针对目前螺纹检测精度较低,在线检测实现较难的问题,提出了一种基于机器视觉的螺纹缺陷检测方法.通过工业CMOS相机在线采集螺纹零件图像,经图像预处理、二值化后,进行螺纹的边缘提取及缺陷检测等.该算法由Matlab编程实现.实验结果表明,该螺纹缺陷检测方法能有效识别无螺纹、少螺纹、螺距不规则等外观缺陷,且一个螺纹的检测时间在300ms以内,满足检测要求.     

基于模糊模式识别的焊缝缺陷图像检测

以埋弧焊管焊缝的X射线检测图像为对象,通过图像处理、特征提取和模糊识别实现了对缺陷的识别。为提高识别精度与实时性,采用主成分分析法对采集图像的像素矩阵进行了主元分析,结合模糊识别中的模糊C均值聚类算法对圆形缺陷和线形缺陷进行识别。相比于传统的通过提取缺陷的若干几何特征分类识别的方法,此方法具有算法简单、占用内存空间小、识别准确率高、实时性强等特点。最终平均识别率可达到90.93%,能够较准确地对焊缝缺陷进行分类识别。     

超声检测中裂纹型缺陷深度的智能识别

为了实现对裂纹型缺陷深度的定量识别,提高超声检测精度,引入小波分析和人工神经网络技术进行缺陷深度的智能识别,从超声检测的基本原理、缺陷深度表征量的确定、超声回波信号缺陷特征量的小波提取、神经网络的结构参数及训练和测试网络等方面,详细探讨了对裂纹型缺陷进行智能识别的方法,论证了运用神经网络进行缺陷智能定量识别的可行性,构造了智能识别实验系统,并利用该系统对所加工的含缺陷试样进行了定量识别试验与分析,结果表明,小波分析和人工神经网络技术的引入能够为超声检测缺陷的定量识别提供行之有效的途径。     

支持向量机与人工神经网络

支持向量机（Support Vector Machine,SVM）是由Vapnik等人提出的一种基于统计学习理论的新型机器学习算法;而人工神经网络（Artificial Neural Network, ANN）已经成功用于解决模式识别和任意非线性函数回归估计问题中. 介绍了支持向量机与人工神经网络的基本原理,并对二者进行了逼近方面的比较,结果表明,支持向量机作为一种新兴技术而具有的独特的优越性.     

基于多ANN的复杂函数学习策略

针对多层前馈人工神经元网络，提出了一种多ＡＮＮ逼近策略，与单ＡＮＮ方法相比较，逼近能力，适应能力，泛化能力等都有了很大的提高，它可应用于复杂系统的建模和辨识。     

人工神经网络在镀锌钢板点焊性能估测中的应用

将人工神经网络引入镀锌钢板点焊的质量预测中,将实验得到的大量点焊规范参数与相应点焊接头质量的试验数据提供给神经网络学习,通过其非线性映射的泛化能力自动抽取所学习知识的特征,描述点焊规范参数空间与焊点接头质量空间的映射关系。结果表明,学习后的神经网络的预测曲线能够合理地预测焊接电流对镀锌钢板点焊的焊点熔核直径与拉剪强度的影响规律,恰当地反映点焊的基本原理,说明人工神经网络在镀锌板点焊性能估测中的应用是可行的。     

发动机动态特性组合神经网络建模新方法

针对现有发动机组合神经网络建模方法对不同数组结构的样本数据泛化能力较差的不足,提出一种多步线性插值法的组合神经网络建模方法. 该方法基于有限元建模思想,以具有丰富样本数据的某一维输入量构造网格线,对多维输入样本空间进行划分. 在网格线上,样本数据按照BP算法对网络模型进行训练,得到高精度神经网络函数,而在网格线中间,所求输出根据相邻的两条网格线的神经网络函数进行多步线性插值. 与传统组合神经网络建模方法的对比结果表明,在处理不同数组长度的多维发动机动态特性试验数据方面具有很好的适应能力.      

基于改进R-LDA的ANN在人脸识别中的研究

面部识别(FR)系统可以自动识别或校验从数码相机或图像生成设备中获得的人脸图像。为了做到这点,要从所获图像中提取面部特征,并与人脸数据库中的数据进行比对。目前,几乎所有的FR都面临与面部视角相关的障碍,包括光照不足和低分辨率,这些问题使其识别率大为降低。提出了一种经过全新衡量的标准化参数,它基于FR系统,能够提高在某些环境约束下的识别率。该方法基于常见的正规线性判别分析(R-LDA),并且包含了具有突出分类能力的可以提高人脸识别率的人工神经网络(ANN)。改进的R-LDA算法解决了在所有FR中出现的小样本容量(SSS)问题,同时,ANN对于检测人脸的正面图像很有用处。在ORL及FERET人脸数据库上进行了实验,结果表明,与其它的常用方法相比较,取得了更好的识别效果。     

ANN与ANFIS的拟合能力和推广预测能力的比较研究

岩土体位移与岩土体力学参数间的映射关系,具有高度非线性的特点.寻求一种能精确描述这种非线性映射关系的方法,是众多研究者正在大力研究的问题.为此, 采用一个多峰函数对ANN和ANFIS的拟合能力和推广预测能力进行了比较研究,结果表明,ANFIS的拟合能力和推广预测能力均优于ANN,更适合于用来建立岩土体位移与岩土体力学参数间的映射关系.     

基于神经网络调制信号识别技术的发展

信号调制样式的自动识别是软件无线电必备的功能之一,基于人工神经网络的识别方法因其较其他方法具有更好的性能受到广泛关注。分析了基于神经网络调制信号识别技术的基本原理,将目前研究的调制信号识别分为基于多层感知器神经网络的调制信号识别和基于径向基函数神经网络的调制信号识别,提出了神经网络调制信号识别技术进一步的研究方向。     

基于BP神经网络的磨损微粒智能识别

磨粒图象自动分析与识别问题不但是铁谱技术发展需要解决的关键问题，同时也是针对机械设备磨损工况的状态监测与故障诊断后续信息流程实现自动化、智能化和系统化时遇到的关键技术难点和重点．本文在分析综述近年有关研究方法和结果的基础上，提出解决这一问题的新的研究思路，及相应的处理流程、模型和软件实现，并给出了具体的实验结果．本文提出的流程可用于其它微粒图象（如血液细胞分析）自动识别领域．     

小波变换和神经网络用于红外光谱定量分析

为扣除开放光路法红外光谱中的背景干扰 ,发挥开放光路法的优势 ,提出了针对多组分气体体系的小波变换(WT)和人工神经网络 (ANN)相结合的红外光谱定量方法。该方法在数据处理阶段利用小波变换方法扣除了样品光谱中的背景干扰 ,然后通过计算谱峰强度和组分浓度之间相关系数的方法确定了待测组分的特征峰 ,最后利用 ANN技术实现了定量分析。该方法用现场实测光谱进行了检验。结果显示其综合性能优于其它几种常用的方法 ,是一种有效的红外光谱定量方法