基于机器视觉的汽车零件涂装缺陷检测方法

设计了一种基于机器视觉的涂装缺陷检测系统来检测汽车零件表面的孔洞边缘缺陷,并在Halcon软件中实现了相关检测算法。首先搭建了检测平台获取图像信息,运用迭代加权拟合的方法实现了对孔洞感兴趣区域(ROI)的定位与提取,从而缩短检测时间;再使用一种带阻滤波器对图像进行预处理,减少了表面反光;最后运用阈值分割等方法对涂装缺陷特征进行识别和提取。该法能快速、准确地识别提取涂装缺陷特征,平均单次识别时间为320 ms,识别准确率为97%,满足工业涂装缺陷检测的要求。

基于轻量化卷积神经网络的疲劳驾驶检测

针对现有疲劳驾驶检测模型在判定准确性与实时性上的不平衡问题,设计了一种基于轻量化卷积神经网络EMLite-Yolo-V4的检测模型。通过使用MobileNet-V2作为目标检测网络Yolo-V4的主干特征提取网络,并且降低卷积通道系数alpha,使得网络参数量大幅度下降;改进柔性非极大值抑制使得目标框无需再同时考虑得分与重合度,进一步优化检测速率;加入轻量级特征金字塔FPN-tiny并且融合mosaic数据增强方法,以保证模型的检测精度。最后,利用EMLite-Yolo-V4提取面部疲劳特征,PERCLOS与单位时间打哈欠次数对疲劳特征进行状态判定并输出结果。实验表明:该检测模型的准确率达到97.39%,mAP指标为80.02%,单帧检测速度为20.83 ms,模型大小仅为9 MB,有效平衡了疲劳驾驶检测的准确性与实时性。

基于智能手机的振动信号采集可行性分析研究

为了解决工业设备故障诊断仪器价格高昂、携带不方便和诊断不及时的问题,提出了使用智能手机采集振动信号的方法。针对智能手机加速度传感器,开发了基于Android系统的振动信号采集系统,并成功在华为SCL-TL00H型手机上应用。用ZT-3型转子振动模拟试验台模拟转子正常情况、质量不平衡、转子不对中和动静碰磨等故障,使用KD1010L加速度传感器和NI USB-6001数据采集卡等采集振动信号,通过故障诊断专家系统对比分析智能手机和数据采集卡采集的振动信号。实验证明,智能手机因为采样频率和外界干扰等原因,不能采集转速过高下的振动信号,当转速较低时,振动信号可以识别转子不平衡、转子不对中等故障,动静碰磨在碰磨不剧烈时可以识别故障特征。提出一条新的故障诊断路径,并验证其可行性,在现实和科学上具有一定的意义。