基于机器视觉的风力机叶片损伤检测系统

针对风力机叶片表面出现的磨损等早期损伤特征现象,传统损伤检测方法存在高成本低效率等问题,设计了一种基于机器视觉和图像处理相结合的风力机叶片损伤检测系统。通过搭建机器视觉实验平台完成风力机损伤叶片图像采集和处理,通过使用HSV进行颜色平面提取,卷积运算、高亮显示操作滤波,选用自动阈值分割方法中最小均匀性度量法进行阈值分割处理,最后通过数学形态学去噪处理,腐蚀、膨胀、开运算等操作完成特征提取,设计了基于LabVIEW的风力机叶片智能图像识别系统,通过对图像处理后的损伤特征识别效果调试,完成性能测试。实验结果表明,基于该算法处理后的图像在设计的识别系统内准确识别率达到92.3%,并对裂纹损伤进行目标测量得到实际长度且绝对误差最大为3mm。该系统满足叶片检损的要求,实现对风力机叶片表面裂纹、轮廓磨损等损伤的图像处理和识别,并对损伤处进行标记、计数和测量,实现无损探伤,为兆瓦级风力机叶片损伤检测提供方法借鉴和图像处理、系统设计的技术支持。     

基于计算机视觉的驾驶员疲劳状态检测预警技术研究

疲劳驾驶是造成交通事故的主要原因之一,为提高驾驶员疲劳驾驶状态的智能化检测水平,提出一种基于计算机视觉的面部多特征疲劳驾驶检测算法。该算法采用多线程优化后的Dlib（图像处理开源库）实现对驾驶员面部的定位与追踪,利用Dlib开源库中的人脸关键点检测器对驾驶员面部关键特征点进行提取,实时计算驾驶员眼部的纵横比（EAR）和嘴部长宽比（MAR）,并以自制视频流数据集作为实验样本计算出相关阈值,有效提高了检测算法的普适性,在此基础上,计算出眨眼频率、闭眼次数、眼睛闭合时间百分比（perclos）以及打哈欠频率这四个反映驾驶员疲劳状态的指标,并利用数学方法进行指标实时融合,根据融合指标的数值对驾驶员疲劳状态进行分级,最终通过实验验证该疲劳检测系统的准确性。结果表明,提出的综合疲劳指标能够准确反映在不同环境和光照下驾驶员的疲劳状态和发展趋势,驾驶员疲劳判定的正确率达到97.5%以上。     

基于ANSYS的药柱包覆层粘接质量敲击响应特性

文 摘 包覆层界面脱粘极易使药柱局部应力集中,影响药柱正常燃烧,使其运行存在严重安全隐患。针对药柱结构在加工或服役过程中粘接界面产生分层、脱胶等缺陷所带来的结构性能差、耐久性能低等安全问题,基于数字敲击检测理论对粘结结构内预置的不同种类缺陷进行研究,得知脱粘弹性系数k2直接影响脱粘缺陷程度,而其与敲击碰撞产生的应力持续时间成负相关性,因此利用ANSYS中显示动力学模块对敲击检测模型进行仿真分析,由数据结果提取出的应力持续时间界定影响包覆层粘接质量的不同因素对其产生的影响关系与程度。实验表明敲击检测能力会因结构中局部缺陷大小、缺陷深度、缺陷位置、敲击角度的不同产生相关性影响。     

一种面向自动驾驶路况的目标检测算法

为了对常见的行人和车辆进行检测,采用自行标注的数据集,通过基于faster region-based convolutional neural network （RCNN）框架的算法进行调参与优化. 主干网络采用轻量化网络MobileNetv2,在原生锚框的基础上,区域建议网络（RPN）部分增加2个面积尺度,检测部分使用感兴趣区域（ROI）Align结构,减少特征图映射和均分过程中的误差. 实验结果表明：使用faster RCNN目标检测网络,可以有效完成行人和车辆的检测任务,整体效果良好.     

一种融合RepVGG和YOLOv5的行人检测方法

现如今,基于YOLOv5的网络模型被广泛应用在行人检测的任务中,在精度和速度上有着良好的效果。但在终端设备上部署使用,往往受到算力的限制。因而,基于RepVGG模型改进的主干网络,并且为了提高在密集人群和复杂环境下的适应性,加入了坐标注意力机制,扩大感受野的同时增强感兴趣区域的权重。经过实验测试,这种轻量化的网络参数量和计算量比较小,而且检测精度和鲁棒性也比较高,能够在一定程度下满足工程应用的要求。     

长输油管道泄漏检测与定位技术研究进展

长输油管道泄漏事故不仅会造成重大经济损失,而且会给生态环境带来灾难性的破坏,因此对长输油管道进行在线实时监测与快速精准定位是保障管道安全运行的核心要素。首先对目前国内外常用的泄漏检测技术进行了分类总结,其次详细论述了长输油管道泄漏检测技术原理、性能及其优缺点,并对长输油管道泄漏检测中存在的微小泄漏、缓泄漏等难点问题进行了重点评述。最后在全面总结现有研究成果的基础上,对长输油管道泄漏检测技术的发展潜力、应用前景、目前存在的问题以及如何进行下一步研究进行了深刻的分析和展望,认为干涉型分布式光纤传感法联合深度学习模式识别技术可以更好地实现远距离输油管道泄漏检测领域的智能化、高效化,并在未来的泄漏检测领域具有良好的应用前景。     

基于机器视觉的桥梁裂缝检测应用及发展综述

桥梁裂缝是影响桥梁服役性能的关键因素之一,裂缝检测对桥梁养护至关重要。目前大部分检测为人工检测,检测人员通过目视检查裂缝,手动记录裂缝,检测的时间成本高昂。基于机器视觉的桥梁裂缝检测系统利用桥梁表面图像进行裂缝识别,近年来借助人工智能技术使裂缝自动化识别的精度和效率大大提升。详细介绍了基于机器视觉的桥梁裂缝检测系统及其应用,总结了该技术在桥梁裂缝检测中的优势及改进方向。     

基于现场检测的邢台百泉泉域岩溶水硝酸盐氮形成特征

为了揭示邢台百泉泉域岩溶地下水中硝酸盐影响因素及成因,采用便携式分光光度计建立了水中硝酸盐氮现场快速定量检测方法,通过水文地质结构和水化学分析,研究了百泉泉域岩溶地下水中硝酸盐氮的分布特征及其与常规水化学指标之间的关系。实验结果表明：硝酸盐氮在0.60～30.00 mg/L浓度范围内线性关系良好,方法检出限为0.2 mg/L,现场检测与实验室标准方法检测结果之间的相对标准偏差为0.23%～6.70%,差异性检验结果为t=0.984,表明两种检测方法测定结果一致。硝酸盐氮分布特征表明：防污性能较差的百泉泉域西北部岩溶裸露区和东部被第四系上更新统砂砾石含水层直接覆盖的部分岩溶水排泄区硝酸盐氮浓度较高;径流区硝酸盐氮浓度整体较低;采样点岩溶地下水中硝酸盐氮浓度均在地下水质量标准规定的I～III类水之间。研究区岩溶地下水水化学类型较为复杂,阳离子以Ca、Ca?Mg型为主,阴离子以HCO3、HCO3?SO4型为主,HCO3?Cl-Ca?Mg型和Cl?HCO3?SO4-Ca型地下水中硝酸盐氮含量较高,硝酸盐主要来源于城镇污水,受大气降水和农业活动影响较小。研究结果为建立地下水中硝酸盐氮现场检测标准方法及百泉泉域岩溶水资源的供水安全和生态保护提供了参考依据。     

基于SC注意力机制和集成学习的冰箱食材识别

近年来,随着智能冰箱技术的不断发展,对冰箱果蔬食材进行精准的类别识别,进而对食材进行保鲜控制,得到了研究者越来越多的关注。目标检测技术依靠深度学习相关技术的发展,也渐渐应用于食材盘点的方法。通过对冰箱果蔬食材特性进行分析,提出了一种基于注意力机制和集成学习思想的YOLOv5和EfficientDet融合的方法。首先对冰箱食材数据集进行了伪彩色图像处理,将SE模块和CBAM模块整合提出了新的SC模块,并引入到YOLOv5s网络中,组成SC-YOLOv5s网络结构;然后将SC-YOLOv5s网络结构与EfficientDetd0网络进行异质集成;最后用集成后的整体网络对尺度有差异但外貌相似的食材进行识别。实验结果表明当IOU阈值为0.5时,在60类果蔬食材测试集上,改进后集成模型的平均最大精确度(mAP)从SC-YOLOv5s的95.88%和EfficientDetd0的83.22%提高到了97.36%,明显提升了对果蔬类食材的检测效果。     

基于变尺度杜芬阵列的超声非线性输出信号检测

针对超声非线性输出信号中二次谐波信号比较弱、且是经过复杂传播的非线性时间序列,利用变尺度杜芬阵列对超声非线性输出信号进行检测评估材料的疲劳损伤。首先对杜芬振子进行频率变换、分析初始相位对检测结果的影响,构建检测实际工程信号的杜芬阵列模型,并对超声非线性输出信号进行变尺度变换,使杜芬阵列与超声非线性输出信号相匹配。当处理信号输入杜芬阵列模型时,第二个杜芬振子相轨迹由混沌状态过渡至大尺度周期状态,微弱二次谐波信号可以被有效的检测出来。根据杜芬振子总驱动力幅值和响应信号幅值之间的对应关系对二次谐波信号幅值进行有效估算。最后,探究随机噪声对检测模型的影响,当待测信号含有噪声时,杜芬振子相图仍变为大尺度周期状态,随着信噪比降低,相轨迹越来越粗糙,且稳定性变差。以上分析表明,利用构建的杜芬阵列模型能够有效检测超声非线性输出信号的二次谐波,对材料的疲劳损伤状态进行有效评估。