NO在MgO(001)缺陷表面吸附解离的量子化学研究

在密度泛函理论框架下,采用嵌入点电荷簇模型研究了NO在MgO(001)完整和缺陷表面上的吸附。研究结果表明:具有氧缺陷结构表面的催化活性较高,有利于NO键的削弱;当另一个NO分子进攻已吸附的NO分子时,NO键将进一步削弱,直致断裂,并伴有N2O产生,这与UPS和MIES实验观察到的现象一致。Mulliken布居分析指出,底物电子向NO转移,并填充到NO的*反键轨道上,从而导致NO键的削弱,并形成NO-。这也是可能导致形成NO-的原因。研究还表明,具有镁缺陷的MgO(001)表面对NO的解离没有催化活性。

O_2在MgO(001)完整和缺陷表面上的吸附(英文)

在密度泛函理论的框架下,采用嵌入点电荷簇模型研究了O2在MgO(001)完整和缺陷表面上的吸附.用电荷自洽的方法确定了点电荷的值.计算结果表明,O2倾向吸附在低配位的角Mg2+端.并且发现,当O2为平躺吸附时,键长有较大的拉伸,将有利于O2的解离.同时,分别计算了使用裸簇和嵌入表观±2.0e点电荷簇模型时的吸附能,并与采用电荷自洽方法的计算值进行了比较.结果表明,电荷自洽方法更能有效反映簇周围的环境,得到的计算结果能够较好地与实验值吻合.最后,分别计算了不同吸附情况下O2的振动频率.

甲醛在FeS_2(100)完整与S-缺陷表面吸附的理论研究

运用密度泛函理论广义梯度近似的PBE方法结合周期平板模型,研究了HCHO分子在FeS2(100)完整与S-缺陷表面的吸附.结果表明,在两种表面上,HCHO均通过O原子与两个表面作用:稳定吸附于完整表面Fe-top位(Fe五配位);而在S-缺陷表面则存在两种稳定吸附模式,即HCHO分别与表面的一个和两个四配位Fe成键.对体系的态密度、轨道电荷布居和红外振动频率的分析发现,HCHO在吸附过程中从FeS2(100)表面获得电子,吸附后羰基振动频率发生红移,C=O键长伸长,羰基被削弱.

冷轧带钢缺陷表面形状恢复新算法

为改善冷轧带钢表面缺陷分类识别性能,提出基于从阴影恢复形状原理的表面缺陷三维重构算法.针对表面缺陷检测系统的光路设计,提出一种改进的Oren-Nayar漫反射模型,结合透视投影模型推导出相应的反射图方程,利用基于高阶Lax-Friedrichs汉密尔顿函数和牛顿迭代相结合的快速扫描算法完成了该方程的求解,实现表面缺陷三维信息的提取.利用合成图像和表面缺陷图像进行三维重构实验,结果表明该算法重构精度高,验证了改进光照模型的正确性.该三维重构算法能够有效地提取冷轧带钢表面缺陷三维信息,有助于提高表面缺陷分类识别性能.

基于改进YOLOv7的苹果表面缺陷轻量化检测算法

针对如何提高苹果表面缺陷的检测速度和精度,解决模型内存占比大的问题,提出一种基于改进YOLOv7的苹果表面缺陷轻量化检测算法。首先引入GhostNetV2作为YOLOv7网络的backbone,有效降低了模型复杂度,提高了检测速度。并引入SimAM无参注意力机制,以强化不同深度的特征信息。使用双向加权特征金字塔结构BiFPN进行加权特征融合,进一步提升苹果表面缺陷的检测精度。最后采用ECIOU损失函数来计算边界框损失,进一步提高模型收敛速度和整体性能。结果表明,改进YOLOv7模型在苹果表面缺陷检测上mAP@0.5较原YOLOv7网络提高2.0百分点,准确率和召回率也分别提升了1.7、3.9百分点,模型减小20.8 MB,速度提升36.43帧/s。其综合性能也优于SSD、CenterNet等主流算法,可实现对苹果表面缺陷的快速准确诊断。

修复缺陷嫌疑区域的无监督磁瓦表面缺陷检测

磁瓦表面缺陷样本数量少,异常视觉特征分布发散,现有依赖目标特征的有监督检测方法不能有效检测未定义缺陷;磁瓦表面正常纹理呈非均匀且非周期性分布,使得经典重构网络难以准确地重构磁瓦表面正常特征,导致相关无监督检测方法性能低下.为此,采用多头注意力增强的掩码图像修复网络(MIINet),长距离提取图像特征,捕捉全局信息,增强图像修复的能力;引入视觉显著性算法抑制磁瓦表面纹理信息和突显缺陷区域,以便二值化算法精准分割缺陷嫌疑区域;利用MIINet修复待检测图像缺陷嫌疑区域,选用修复前后图像的残差图像和结构相似性实现缺陷检测与缺陷判定.与经典无监督方法相比,修复缺陷嫌疑区域的表面缺陷检测方法的准确率提升了2.36%,F1值提升了1.62%.

基于双流YOLOv4的金属表面缺陷检测方法

目前有许多学者使用深度学习进行表面缺陷检测研究,由于这些研究大都沿用主流目标检测算法的思路,注重高级语义特征,而忽视了低级语义信息(色彩、形状)对表面缺陷检测的重要性,因此导致缺陷检测效果不够理想。为解决上述问题,提出了一种金属表面缺陷检测网络——双流YOLOv4网络,骨干网络分成两个分支,输入分为高分辨率图像和低分辨率图像,浅分支负责从高分辨率图像中提取低级特征,深分支负责从低分辨率图像中提取高级特征,通过削减两分支的层数和通道数来减少模型总参数量;为了强化低级语义特征,提出了一种树形多尺度融合方法(Tree-structured Multi-scale Feature Fusion Me-thod,TMFF),并设计了一个结合极化自注意力机制和空间金字塔池化的特征融合模块(Feature Fusion Module with Polarized Self-Attention Mechanism and Spatial Pyramid Pooling,FFM-PSASPP)应用到TMFF中。在东北大学热轧带表面缺陷数据集NEU-DET、金属表面缺陷数据集GC10-DET和伊莱特电饭煲内胆缺陷数据集Enaiter的测试集上对所提算法进行了测试,测得的map@50结果分别为0.80,0.66和0.57,相比大部分主流的用于缺陷检测的目标检测算法均有提升,且模型参数量仅为原YOLOv4的一半,速度与YOLOv4接近,可满足实际使用需求。

基于机器视觉的镍板材表面缺陷检测研究

针对电解法提纯镍板材表面出现的质量缺陷,设计改进Canny的缺陷检测方法。利用双边滤波使图像去噪保边,研究一种增强梯度的掩模并融入Sobel中形成双层卷积核,增强缺陷边缘梯度,弱化缺陷内部及背景区域的梯度。采用分水岭算法代替非极大抑制与形态学边缘连接算法进行边缘细化。实验结果表明:本算法对镍板缺陷的检测效果优于经典算法和其他几种改进算法。

视觉表面缺陷无监督学习检测方法研究进展

视觉表面缺陷检测是工业生产质量控制重要环节,其中无监督学习范式检测方法是重要的发展趋势。该文针对视觉表面缺陷无监督学习检测方法在工业生产、质量控制中的实际应用问题,系统介绍目前国内外的主要物体表面缺陷数据集以及缺陷视觉检测方法主要评价指标,评述图像重建范式、生成模型范式、特征嵌入范式在视觉表面缺陷无监督学习检测中的分类、基本原理及框架、应用性能等方面内容,总结比较各种方法的应用特点以及技术发展趋势,指出归一化流模型、预训练大模型等无监督视觉表面缺陷检测研究值得关注。

基于改进Faster R-CNN的热轧带钢表面缺陷检测

热轧带钢是钢铁行业的重要产品,其表面缺陷是影响产品质量的重要因素。针对传统缺陷检测算法存在的过程繁琐、精度不足和效率低下等问题,提出一种基于改进更快速区域卷积神经网络(faster region-based convolutional neural network,Faster R-CNN)的检测算法,实现对热轧带钢表面缺陷的高效、高精度检测。首先,采用特征相加的方法对底层细节特征和高层语义特征进行融合;然后,采用精准的感兴趣区域池化(precise region of interest pooling,Precise ROI Pooling)获取固定大小的特征向量,避免特征出现位置偏差;最后,利用均值偏移聚类算法对带钢数据集进行聚类,获得适用于热轧带钢表面缺陷检测的先验框尺寸。实验结果表明,所提算法在热轧带钢表面缺陷检测数据集上的平均精度均值达到了85.34%,检测速度为23.5帧/s,且鲁棒性良好,满足实际的工业检测需求。

基于YOLOv8-NFMC的带钢表面缺陷检测算法

针对YOLOv8算法在应用于带钢表面缺陷检测时存在漏检和错检等问题,提出了一种改进YOLOv8算法。针对数据集中的小目标的标签,在原损失CIOU的基础上面加入标准化高斯瓦瑟斯坦距离(normalized Gaussian Wasserstein distance,NWD),提升模型对小目标缺陷的检测能力;采用聚焦调制(focal modulation)替换YOLOv8模型的空间池化金字塔(spatial pyramid pooling-fast,SPPF),在轻量化的同时,提高多尺度特征的表达能力;采用移动翻转瓶颈卷积(mobile inverted bottleneck conv,MBConv)替换C2f中的Conv构建新模块C2f-MB,同时使用C2f-MB替换原有的C2f模块,增强特征表达能力和多尺度特征融合能力;在主干部分加入卷积块注意力机制(convolutional block attention module,CBAM)来抑制背景干扰,能更好捕获全局信息,提升了主干部分的特征提取能力。实验结果表明,改进后的YOLOv8算法在计算量下降的同时,mAP@0.5提高了3%,对漏检和错检等问题有明显改善。

面向热轧带钢表面缺陷检测的YOLOv5算法优化分析

单阶段目标检测网络YOLOv5在处理热轧带钢表面缺陷的特征提取与感受特征融合时存在一定不足。文章提出一种适用于热轧带钢表面缺陷检测的优化YOLOv5算法,该算法通过IOUK-means++算法调整Anchor聚类锚框设定,并增加Dynamic Head目标检测头,引入通道注意力机制(C3_CA),同时结合Hard Swish激活函数与WIoU_Loss边界框回归函数,有效提高热轧带钢表面缺陷检测的综合精度。由NEU-DET数据集测试结果表明,相较于单阶段YOLOv5算法融合结果,优化后的YOLOv5网络模型的均值平均精度(mAP)可提高至75.7%,且网络约束率可有效提升6.1%。上述优化YOLOv5算法对热轧带钢表面缺陷位置勘定、分类指向与影响评估具有有益参考,同时也为金属表面的高精度筛检提供重要支持。

基于机器视觉的变速器齿轮表面缺陷检测研究

针对人工检测变速器齿轮表面缺陷存在可靠性差、效率低、不能满足批量生产的问题,开展齿轮表面缺陷自动检测的研究。以汽车变速器齿轮为检测对象,首先搭建机器视觉齿轮表面缺陷检测系统,采集齿轮缺陷图像样本,对采集的齿轮图像进行去噪、增强等预处理;然后采用改进的Scharr边缘检测算法提取齿轮边缘;最后获取感兴趣区域的坐标信息,寻找齿轮外圆的边缘点,计算齿轮的边缘点之间的距离,从而实现齿轮缺陷的精确定位。实验结果表明:该系统可准确检测出齿轮表面缺陷所在位置,可靠性和稳定性良好,检测效率高,为机器视觉齿轮缺陷检测技术的应用提供了思路。

基于机器视觉的零件表面缺陷检测系统的设计

针对汽车零件表面质量高效率、高精度检测的需求,本文利用机器视觉检测系统采集零件表面图像,并整体设计了机器视觉检测系统,通过对比分析确定高速CCD相机为图像采集装置,选择LED光源为照明光源,并设计了光源补偿方式正交试验,通过试验确定了红色LED光源环形照明方式为本装置的打光方式。

生成对抗网络在表面缺陷生成中的应用

基于深度学习的目标检测算法广泛应用于工业产品表面缺陷检测领域,但构建的模型需要大量的带标签的产品缺陷数据。为降低缺陷数据的获取成本,本文提出了一种基于生成对抗网络的表面缺陷生成算法。通过该算法,可以生成更接近真实分布的缺陷数据。实验结果表明,生成的缺陷图像非常逼真且包含了一定的判别性,将其作为样本参与缺陷检测模型训练,能够产生正则化效果,从而提高缺陷检测的鲁棒性和泛化能力。

YOLOv8-VSC:一种轻量级的带钢表面缺陷检测算法

目前在带钢表面缺陷检测领域,通用的目标检测算法复杂度高、计算量庞大,而一些中小型企业负责检测的终端设备通常不具备较强的计算能力,计算资源有限,从而导致检测算法部署困难。为解决该问题,基于YOLOv8n目标检测框架,提出一种轻量级的带钢表面缺陷检测模型YOLOv8-VSC。该模型使用轻量级的VanillaNet网络作为骨干特征提取网络,通过减少不必要的分支结构降低模型的复杂度。同时,引入SPD模块在减少网络层数的同时加快模型的推理速度。为了进一步提升检测精度,在特征融合网络中,使用轻量级的上采样算子CARAFE,提高融合特征的质量和丰富度。最后,在NEU-DET数据集上进行大量实验,得到模型的参数量与计算量为1.96×106和6.0 GFLOPs,仅为基线的65.1%和74.1%,mAP达到80.8%,较基线提升1.8个百分点。此外,在铝材表面缺陷数据集和VOC2012数据集上的实验结果表明所提算法具有良好的鲁棒性。与先进的目标检测算法相比,所提算法在保证高检测精度的前提下需要的计算资源更少。

基于小波去噪与改进Canny算法的带钢表面缺陷检测

针对带钢表面图像亮度不均匀、对比度低以及缺陷种类多、形式复杂的问题,提出一种基于小波去噪与改进Canny算法的带钢表面缺陷检测算法。首先通过小波变换将原始图像分解,对低频分量采用改进的同态滤波提高亮度和对比度,对高频分量采用改进的阈值函数进行去噪,并通过小波重构得到增强图像。其次对传统Canny算法进行改进,通过改进的自适应加权中值滤波进行平滑,并增加梯度方向模板;然后采用迭代式最优阈值选择法与最大类间方差法来求取高低阈值,提高算法的自适应性。最后采用形态学处理对缺陷边缘填充,并去除干扰边缘及毛刺,得到带钢表面缺陷区域。实验结果表明,所提算法对带钢表面缺陷的检测效果较好、精度较高,适用于多种类型的带钢表面缺陷检测。

基于深度智能视觉的表面缺陷检测研究进展

基于深度智能视觉的表面缺陷检测研究在制造业中起着越发重要的作用,本文阐述深度智能视觉的表面缺陷检测在现代工业质检中的重要性,对现有研究进展进行梳理总结。深度智能视觉以机器视觉和深度学习为技术基础,为不同工业场景提供高精高效的表面缺陷检测算法。本文从检测细粒度的角度将表面缺陷检测分为表面缺陷分类、定位、分割检测3个部分,并分别对分类、定位、分割方法进行系统综述,梳理现有表面缺陷检测研究的问题和思路。分类检测针对数据和缺陷图形特征问题进行研究,因其基础性和易拓展性于不同工业场景的应用呈现分散发展;定位检测以模型框架、矩形框检测和标注成本为主要问题,表现出追求轻量化和特征融合机制的研究趋势;分割检测更关注图像细节特征。通过研究分类、定位、分割的多任务模型框架以探索分类、分割检测之间的互补性。最后总结目前表面缺陷检测研究存在的问题,并对发展趋势进行展望。

基于机器视觉的钢轨表面面型缺陷分类实验设计

随着城市轨道交通的飞速发展,实现钢轨表面缺陷实时检测对铁路行业稳步发展意义重大。如何实时检测钢轨表面缺陷是保障铁路运行安全亟须解决的一个关键问题。鉴于此,设计了一套基于机器视觉的钢轨表面缺陷检测实验仿真方法。搭建图像采集、图像预处理和缺陷分类等模块;提出自拟合亮度调整算法完成像素值统计,得到清晰的缺陷特征图像;用750组数据训练网络权值,实现缺陷分类预测;经过数据分析和误差评估,识别准确率在90%以上,相关系数高达0.96,单幅图像平均耗时1.267 s,测试表明,所提方法能准确、高效地实现钢轨表面缺陷信息的缺陷分类与识别。

冷轧钢表面与内部缺陷检测研究

为实现冷轧钢缺陷的全面检测,针对其表面和内部缺陷检测展开研究。对于表面缺陷检测,提出采用双侧线光源照明方案,并与常规线光源照明方案进行对比。对于内部缺陷检测,从检测分辨率和缺陷边缘特征两方面分析X射线、超声以及红外热波成像等金属内部检测技术的适用性。经实验验证,双侧线光源照明不仅可以使YOLOv5目标检测算法总体平均精度mAP:0.5达到90.16%,相比线光源照明提升了15.46%,还可优化模型分类和提高训练效率。X射线和超声波检测法可检测直径为0.25 mm的盲孔,而红外热波成像技术则可有效识别出直径为1 mm的盲孔。在缺陷边缘特征评估中,X射线检测法的最小盲孔边缘灰度差值为145,超声波为89,红外热波成像为30。本研究提出了一种冷轧钢表面缺陷检测的改进方案,并为内部缺陷检测提供了思路。