激光熔覆熔池动态演化及缺陷工艺调控研究进展

激光熔覆是一种高能束增材修复技术,具有热影响区小、组织性能可控性强、材料选择范围广等系列优势,目前已广泛应用于能源动力等领域关键金属构件的增材制造成形与受损零部件的修复再制造中。激光熔覆是以“激光”为热源的能量沉积技术,包括高能激光束冲击、表面熔池熔化快凝及熔覆表面层形成等多种物理、化学过程,其中熔池内金属热流体动力演化行为与熔覆层缺陷及表层组织性能调控密切相关。金属熔池具有“急热骤冷”的凝固特征,其内部对流、传热和传质等行为决定了熔覆层中温度及应力分布状态,是诱导熔覆层内气孔、裂纹等组织内部缺陷形成的关键因素。从激光熔覆过程中熔池内部对流、传热与传质的动态物理特性出发,论述了激光热源的理论模型设计、动态熔池中“流场+温度场+应力场”的多物理场数值模拟等方面的相关研究。在此基础上,分析了激光熔覆层典型缺陷-裂纹和气孔的形成机理及特征,总结了“材料-工艺-熔凝行为-涂层缺陷”的内在关联机制。同时,针对单一工艺方式调控熔池内熔凝过程的局限性,概述了多种复合能量场调控技术对熔覆层内部缺陷的作用机制与调控效果。最后,总结了当前激光熔覆层缺陷动态形成过程中存在的问题,并对其发展趋势进行了展望。

基于YOLOx-pro的盖板玻璃复杂缺陷检测方法

为解决手机盖板玻璃表面复杂缺陷检测精度低、速度慢、检测技术难以部署于应用端的问题,提出一种基于YOLOx-pro模型的快速检测方法。根据盖板玻璃的光学性质,设计打光方案并搭建图像采集系统,结合图像增强技术丰富缺陷样本。以YOLOx-tiny为基础轻量化模型,在主干输出部分添加CA注意力机制,加强对缺陷区域的关注。引入空间池化金字塔SPPF并将激活函数更换为ReLU,构成Sim-SPPF模块,获取更丰富的多尺度信息表达,结合特定的训练策略,进一步提高检测效率。实验结果表明,YOLOx-pro模型的mAP达到85.73%,FPS达到39.17 f/s,而Params仅为10.58 M,性能优于其他主流算法。将模型部署于应用端软件进行实际测试,结果显示YOLOx-pro具备良好的响应速度和准确率,可实现实际工况下盖板玻璃表面缺陷的高效检测。

基于上下文信息聚合YOLOv5的织物缺陷检测

为了解决目前主流检测方法无法有效捕获织物缺陷丰富的上下文信息,导致对背景相似的缺陷检测精度低及漏检率高的问题,提出一种能聚合上下文信息的改进YOLOv5模型(YOLO-CA模型)。YOLOCA模型通过在YOLOv5的骨干网络中加入双重交叉注意力模块(DCCA)捕获缺陷与背景丰富的上下文关系,使模型聚焦于缺陷区域,提高模型对缺陷的检出率,并结合跨阶段软池化特征金字塔模块(CSP-SoftSPPF)提取更详细的缺陷特征信息,进一步提高模型的检测精度。试验结果表明:YOLO-CA模型在SDCFD和TILDA两个公开数据集上mAP值分别为67.6%和93.2%,MR值分别为38.4%和10.5%;与原YOLOv5模型相比,YOLO-CA模型的mAP值分别提高了20.8个百分点和4.5个百分点,MR值分别降低了16.5个百分点和6.9个百分点。认为:YOLO-CA模型具有更好的检测性能,能够有效降低与背景相似类缺陷的漏检率,提高多种缺陷的检测准确率,适用于织物缺陷检测任务。

基于融合机器学习的管道焊缝缺陷识别方法研究

为提高管道焊缝处不同缺陷类型的自动识别,以开挖后的射线焊缝图像为基础,通过对比池化域和特征图的方差信息,采用方差池化方法对传统卷积神经网络的池化层运算进行修改,随后通过鲸鱼算法实现卷积神经网络(CNN)模型超参数的选取,最终形成融合机器学习模型用于焊缝缺陷的分类,并与其余模型进行了对比验证。结果表明,鲸鱼算法可在较短时间内实现卷积核数量和大小、池化核数量和大小、卷积核激活函数类型、学习率等参数的优选;融合机器学习模型的分类结果中,未熔合和未焊透缺陷的分类准确率最高;该模型在分类准确率、训练时间和稳定性上优于其余CNN模型和支持向量机模型。研究结果可为其余压力容器或压力管道焊缝缺陷的识别提供实际参考,具有较强的通用性和扩展性。

基于优化卷积神经网络的表面缺陷检测

卷积神经网络(CNN)具有权值数量少,训练速度快等优点,在图像识别、机器视觉等领域得到广泛应用。本文提出了一种卷积神经网络的自适应加权池化算法,算法通过生成合并通道,并在学习掩模的引导下汇集特征,优化了子采样模型的特征提取,有效改善了网络的识别准确性和快速性。利用该算法对磁片表面缺陷进行检测实验,实验结果表明,本文提出的池化模型使卷积神经网络对特征的提取更加精确,同时提高了收敛速度和鲁棒性,并且可以应用于各种深度神经网络体系结构中。

AutoUnit:基于主动学习和预测引导的测试自动生成

测试用例自动生成技术旨在降低测试成本,与人工生成测试用例相比,它具有更高的测试效率。现有主流的测试工具对软件中的所有文件都平等对待,但是大多数情况下含有缺陷的文件只占整个软件项目的一小部分。因此,如果测试人员能针对更易存在缺陷的文件进行测试,就能极大地节省测试资源。针对以上问题,文中设计了一种基于主动学习的预测引导的自动化测试工具AutoUnit。首先对待测文件池中的所有文件进行缺陷预测,然后对最“可疑”的文件进行测试用例生成,之后将实际测试用例执行结果反馈给缺陷预测模型并更新该预测模型,最后根据召回率判断是否进入下一轮测试。此外,AutoUnit还能在含缺陷文件总数未知时,通过设置不同的目标召回率来及时停止预测引导。它能依据已测文件来预测含缺陷文件总数并计算当前召回率,判断是否停止预测引导,保证测试效率。实验分析表明,当测得相同数量的缺陷文件时,AutoUnit花费的最短时间为目前主流测试工具的70.9%,最长时间为目前主流测试工具的80.7%;当含缺陷文件总数未知且目标召回率设置为95%时,与最新版本的Evosuite相比,AutoUnit只需要检查29.7%的源代码文件就能达到相同的检测水平,且其测试时间仅为Evosuite的34.6%,极大地降低了测试成本。实验结果表明,该方法有效地提高了测试的效率。

Numerical simulation of the effect of the free carrier motilities on light-soaked a-Si:H p–i–n solar cell

Using a previous model, which was developed to describe the light-induced creation ofthe defect density in the a-Si：H gap states, we present in this work a computer simulation of the a-Si：H p-i-n solar cell behavior under continuous illumination. We have considered the simple case of a monochromatic light beam nonuniformly absorbed. As a consequence of this light-absorption profile, the increase of the dangling bond density is assumed to be inhomogeneous over the intrinsic layer （i-layer）. We investigate the internal variable profiles during illumination to understand in more detail the changes resulting from the light-induced degradation effect. Changes in the cell external parameters including the open circuit voltage, Voc, the short circuit current density, Jsc, the fill factor, FF, and the maximum power density, Pmax, are also presented. This shows, in addition, the free carrier mobility influence. The obtained results show that Voc seems to be the less affected parameter by the light-induced increase of the dangling bond density. Moreover, its degradation is very weak-sensitive to the free carrier mobility. Finally, the free hole mobility effect is found to be more important than that of electrons in the improvement of the solar cell performance.