一种基于缺陷关联模式挖掘的软件缺陷定位方法

在软件演进中,软件缺陷不可避免,且严重影响软件系统的发展。因此,缺陷修复在软件工程领域占据重要位置,为了降低缺陷修复成本,软件缺陷定位应运而生。但现有的缺陷定位方法因为缺少成熟且庞大的数据测试基准而不被业界广泛认可,并且缺乏从关联缺陷角度出发来优化。与此同时,丰富历史缺陷数据,以及缺陷链接行为都为软件维护提供指导。但鲜有工作从历史关联缺陷数据的角度研究缺陷定位方法提升的途径。因此,文章构建缺陷数据集,提供一个数据测试基准,挖掘历史缺陷数据链接行为上潜在的缺陷关联模式,从关联缺陷角度出发,研究缺陷定位方法的提升途径。

基于深度学习的木材缺陷图像的识别与定位

传统的木材缺陷定位方法主要有物理设备检测和传统计算机技术检测,但这两种方法均存在数据收集困难、高度依赖数据本身等问题,不适用于实际生产。本文提出一种基于深度学习的自动缺陷定位模型(Automatic defect location model,ADLM),包含单缺陷定位模型(Single defect location model,SDLM)与多缺陷定位模型(Multi-defect location model,MDLM),满足不同需求。模型使用MobileNet作为骨干网,只需少量数据集进行训练。在公开数据集Wood Defect Database中,该模型可获得86.1%的缺陷识别率。在单缺陷数据集中,该模型可获得97.5%的定位精确率。在多缺陷数据集中,该模型可获得90.0%的定位精确率。与传统的木材缺陷识别模型相比,基于深度学习的自动缺陷定位模型无须前期人工提取特征,具有检测速度更快、精准度更高以及适用性更广等优点。

基于单方向周向兰姆波超声换能器铝管的缺陷定位

用于管道周向超声检测时,管材的对称结构和传统的电磁超声换能器(Electromagnetic Acoustic Transducer,EMAT)的多方向发射特性、以及缺陷两侧可同时产生反射等使得采集的回波信号十分复杂,并且难以保证回波信号和缺陷位置对应关系的唯一性。设计了用于管道周向检测的单方向EMAT,建立了有限元模型,仿真实现了周向Lamb波的单方向激励和传播过程,分析了单方向周向Lamb波在管道内的传播规律;在此基础上,研究了换能器位置、缺陷位置与超声传播路径之间的关系,得到了一种用于管材缺陷的定位方法,回波信号对应唯一缺陷位置。最后,对铝管管道上各位置缺陷进行了仿真、实验研究,证明了本方法的正确性和可行性。