三角网格模型孔洞修补算法研究

提出了一种空间多边形孔洞的修补算法.该算法每次寻找三维孔洞多边形中夹角最小的一对邻边,构造新三角片,然后更新孔洞多边形,直到新增三角片完全覆盖了原有的孔洞.算法中还引入了孔洞多边形特征面的概念,将新增三角片投影到孔洞多边形特征面上,对其进行合法性检查.根据此算法可以获得三角片形状较为优化的修补结果,避免了狭长及错误三角片的出现.实践证明该算法是稳定可靠的.     

基于小波神经网络的抽油杆缺陷识别

为了正确识别深井泵抽油系统中抽油杆杆体的缺陷以减少油杆井下断裂等事故的发生,讨论了应用小波变换和神经网络技术进行缺陷识别的方法.使用小波与神经网络松散型结合的方法,基于小波包原理,将抽油杆的时域检测信号分解到独立的频带内,应用自适应学习速率梯度下降动量法的BP网络,将提取的频带能量作为神经网络输入,抽油杆的裂纹、腐蚀坑、偏磨、损伤及无缺陷作为神经网络待识别输出.经过实验室大量的实验数据训练和验证,结果表明,此种方法既可以正确识别抽油杆的单一缺陷,也可以识别混合缺陷.     

基于遗传模拟退火算法的漏磁缺陷重构

通过将模拟退火技术加到遗传算法（GA）的变异运算中，提出一种遗传模拟退火算法（genetic-simulated—annealing—algorithm，GSAA），并且提出一种基于GSAA的逆算法，用于从漏磁信号中重构二维缺陷．该算法中，径向基函数神经网络（RBFNN）用作前向模型，GSAA用于求解逆问题中的优化问题．实验结果表明，同基于GA的逆算法相比，基于GSAA的逆算法更精确，并且对噪声更具鲁棒性．     

含体积型缺陷圆柱壳承压结构安全评定方法比较

针对GB/T19624—2004、API 579—2007、BS7910—2005和FITNET FFS等4个国内外先进承压设备安全评定标准,对其含体积型缺陷圆柱壳评定范围和方法进行对比,并分别对含全尺寸体积型缺陷的圆柱壳进行了评定。通过各标准评定范围、方法和实际评定结果的比较分析,发现GB/T 19624—2004评定缺陷的范围相对较窄,同时GB/T 19624—2004与BS 7910—2005的评定相对比较保守,API 579—2007次之,FITNET FFS最冒进。各标准评定结果显示:缺陷深度的增加,对结构安全工作压力的影响较大;缺陷轴向长度增加,对结构安全工作压力的影响较小。GB/T 19624—2004可以扩大其评定体积型缺陷的轴向范围。     

基于YOLO v5l-Im的排水管道缺陷检测方法及效果分析

针对YOLO v5l算法对于小目标、少样本且背景复杂的排水管道缺陷图像检测的精度低、误检和漏检率较高等问题,提出一种基于改进YOLO v5l算法的排水管道缺陷检测方法。做了三点改进：首先提出了基于Focal EIoU的损失函数,有效提升了检测模型的性能;其次为增强检测模型对小目标缺陷的检测效果,减少缺陷误检和漏检的概率,将骨干网络中浅层特征图融合到BiFPN特征融合网络中,增加针对小目标的预测层;最后在YOLO v5l中引入CA注意力模块,提高模型对图像中感兴趣区域的敏感程度,减少冗余背景信息的干扰。三种改进对平均准确度 mAP 值的提升分别为2.0、2.9、5.9 个百分点。将三种有效改进融合到一起,检测结果表明：本文提出的改进YOLO v5l模型的mAP值达到了92.1%,较原模型的85.5%提升了6.5个百分点。由此可见,所做的改进有效增强了YOLO v5l对排水管道缺陷的检测能力。     

改进Yolov7的子午线轮胎X光图像缺陷检测

为了实现轮胎缺陷的自动检测,提高轮胎缺陷检测的精度,提出了一种子午线轮胎缺陷检测方法（YOLOv7-DCA）。首先,基于协调注意力和空洞卷积设计了DCA-MP(dilated coordinated attention-max pooling)模块,加强下采样的感受野同时提高缺陷所占权重,提高缺陷检测精度,其次,在Neck层中融合了CARAFE(content aware reassembly of features)模块进一步提高缺陷检测精度。实验结果表明,YOLOv7-DCA模型平均检测精度可以达到97.77%,相比于原YOLO(you only look once)算法提高了3.27%。与当前主流的Faster-RCNN,YOLOv5,YOLOv7-tiny系列模型相比,综合表现效果最好。可见,该模型对于轮胎缺陷自动检测研究提供了参考意义。     

稳健边界强化GMM-SMOTE软件缺陷检测方法

基于软件大数据的自动化缺陷检测模型已成为缺陷发现的重要工具.针对软件大数据中,被准确标定的缺陷样本稀少,且漏标、误标率高,导致现有机器学习数据平衡优化方法易使噪声加剧、分类边界模糊等问题,提出一种稳健边界强化GMM-SMOTE软件缺陷检测方法.该方法利用高斯混合聚类将软件集合划分为多簇,基于簇内类别比进行可靠样本筛选并且通过后验概率实现边界识别,用以指导完成加权数据平衡,最后利用平衡优化数据构建软件缺陷检测模型.在NASA多个公开数据集上的实验结果表明,GMM-SMOTE可实现噪声抑制、边界强化的数据平衡,有效提高了软件缺陷识别效果,实际应用价值大.      

齿轮坯模锻成形表面缺陷分析

采用刚塑性有限元方法,从变形体与模具型腔表面的动态识别出发,提出了处理变形体与模具型腔表面接触和脱离的算法．并将此算法用于成形过程的表面缺陷预测．通过对不同坯料高径比和不同摩擦条件下齿轮坯模锻成形过程的对比模拟,跟踪描述了其各种表面缺陷的形成过程,分析了缺陷形成的原因．定量地给出了不产生类似表面缺陷的极限工艺范围．该极限工艺范围将对合理制订金属塑性成形工艺提供重要的理论依据．     

用于航空铝镁铸件缺陷分析的智能专家系统

采用人工智能技术, 建立了一个基于知识的航空铝镁铸件缺陷分析智能专家系统. 着重介绍了系统的设计原理、 组成及应用, 并通过应用实例证明了该系统的准确性和先进性.     

两类离散GM(1,1)模型及其软件缺陷预测建模

为了拓广离散GM(1,1)模型的应用范围,建立了近似非齐次指数序列的离散GM(1,1)模型,NDGM(1,1)模型和直接离散GM(1,1)模型,即DDGM(1,1)模型,证明了其可以完全拟合非齐次指数序列,最后将两类离散GM(1,1)对软件进行缺陷预测建模,结果显示,DDGM(1,1)模型具有较高预测精度,可以对后续软件开发中缺陷的存在情况做出相应预测.