自黏结预应力CFRP修复含缺陷钢板的疲劳性能

为研究预应力CFRP加固含中心缺陷和双边缘缺陷钢板的疲劳性能,基于团队自主研发的自黏结型预应力CFRP施加装置,开展了2种缺陷类型和3种缺陷长度下预应力CFRP单面加固含缺陷钢板在拉伸循环荷载下的疲劳试验,分析了试件的两阶段预应力,讨论了有限黏结长度下试件的破坏模式、疲劳寿命以及荷载循环次数-钢板表面应变分布规律。利用ABAQUS建立有限元模型,通过计算结果分析了不同疲劳裂纹长度下钢板、CFRP和胶层的应力分布,讨论了胶层刚度的退化规律,探讨了CFRP和预应力对裂纹尖端应力强度因子幅ΔK的影响,并基于裂纹闭合效应的Paris模型预测了缺陷钢板的疲劳寿命。结果表明:有限黏结长度下,自黏结预应力CFRP加固钢板具有更长的光滑断裂面,更长的疲劳裂纹稳定扩展区域,可以较好增加钢板的临界裂纹长度;预应力可以提高CFRP的加固效果,使CFRP承担更多的荷载,改善钢板和胶层应力分布,降低缺陷区域应力集中程度,延缓胶层刚度退化时间;CFRP和预应力可以有效降低裂纹尖端应力强度因子幅ΔK,提高钢板疲劳寿命;基于有限元计算的ΔK和裂纹闭合效应的Paris公式,可以准确预测缺陷钢板的疲劳寿命,预测值与试验值误差小于10%。

提高钢板表面缺陷检出率的分割新方法

文中针对传统图像分割方法难以准确分割钢板表面小目标缺陷的问题,提出了一种基于二维灰度直方图反向投影的缺陷分割新方法。该方法无需手工标注大量缺陷样本,利用图像的二维灰度直方图反向投影,提取小目标缺陷轮廓。当图像不具备明显双峰效应时,排除背景像素的干扰,将缺陷轮廓图像进行形态学处理和二值化,实现目标缺陷与背景像素的准确分割。实验结果表明,所提方法在钢板表面缺陷数据集上分割精确度综合评价指标达到92.45%,优于其他先进检测方法。同时搭建实验平台,结果显示在模拟工程实验中所提方法能够准确分割多种缺陷。

YOLOv8-FD:YOLOv8改进的钢板表面缺陷检测方法

钢材表面缺陷检测是缺陷检测领域中的一个重要挑战,当前仍存在漏检误检严重情况,其检测准确度直接关系到产品质量,甚至可能危及生命安全。同时,将这项技术应用到实际生产中需要考虑资源节约和成本降低。为了解决这些问题,引入了一种基于轻量化检测模型YOLOv8-FD的方法。该算法采用了三大策略:(1)在C2f中增加特征提取模块,以更好地理解和利用输入图像信息,并引入DCN以增强特征提取能力,提升目标检测性能;(2)提出了DUFPN来更有效地融合上下文特征,大幅减少参数量和计算量,实现网络的轻量化;(3)引入W-CIOU(WeightCIOU)作为边界框损失函数,更好地衡量目标之间的相似性,加速收敛,提高目标检测精度。实验结果显示,与基线相比,该模型的mAP提高了5个百分点,R提高了3.3个百分点,参数量减少了27%,计算量减少了35%。此外,通过在APSPC和VOC2007数据集上的验证,证实该算法具有良好的鲁棒性。

基于KAS-YOLO的钢板表面缺陷检测

针对当前基于视觉的钢板表面缺陷检测方法对小缺陷目标识别困难造成检测精度低的问题,提出一种基于YOLOv5s的钢板表面缺陷检测模型KAS-YOLO。首先,通过使用空洞空间金字塔池化模块来获取更大的感受野以提取更多表面缺陷的特征信息,并融入坐标注意力机制来提高特征提取能力;其次,用K-means算法聚类得到更匹配的锚框,不仅增加了正样本的数量,而且加速了模型的收敛;最后,采用SIoU损失函数来进一步提升模型对表面缺陷目标的定位和检测能力。实验结果表明,提出的KAS-YOLO模型对钢板表面缺陷的检测精度和速度优于Faster R-CNN、SSD、RetinaNet和YOLOv5s等主流检测方法。

基于图像处理的钢板表面缺陷支持向量机识别

论述了钢板表面缺陷的机器视觉检测方法,提取了6种表面缺陷图像的特征值并将其维数合理地从32维降为20维。介绍了支持向量机的原理和算法,给出了钢板表面缺陷类型识别的支持向量机方法,进行了有关重要参数的对比寻优。利用支持向量机模型对钢板表面缺陷进行了类型识别,并与BP神经网络算法进行了对比,结果验证了支持向量机算法的有效性、快速性和稳健性。

基于支持向量机的钢板表面缺陷检测

针对钢板缺陷的传统检测方法存在速度慢、工作量大的问题。采用机器视觉的方法,通过采集钢板表面图像信息,由计算机算法处理得到缺陷的特征样本,使用支持向量机提升分类的速度和准确度。试验结果表明,径向基核函数支持向量机方法对钢板表面各种缺陷的准确识别率达到90%及以上,为钢板表面缺陷检测技术提供了很好的支持。

钢板表面缺陷在线视觉检测系统

基于视觉测量技术,开发一套钢板生产线表面缺陷在线检测系统。利用线阵CMOS相机和红色LED线光源形成传感器系统,结合自主开发的应用软件,实现钢板表面缺陷的自动检测。提出一种调节相机曝光时间的方法,根据拍摄到的图像的灰度值实时调节线阵CMOS相机的曝光时间。研究适用的图像处理算法,获得缺陷的外轮廓数据。实验结果表明:该系统具有较高的检测速度与准确度,从而提高钢板质量。

热镀锌工艺对汽车用镀锌钢板表面缺陷的影响

用扫描电镜和能谱分析研究了热镀锌板(%:0.001 5C、0.004P、0.005S、0.02A1、0.04Ti)表面平行的条状凸起缺陷,得出镀锌层表面有黑斑、微裂纹、贝壳状花纹、划伤痕迹及氧化皮等缺陷。分析表明,锌液中Sb含量偏高,增加锌层脆性;锌液中Al含量偏高,锌液温度低,以及镀锌前钢板划伤和氧化铁清洗不完全导致产生表面缺陷。

新型磁传感器理论及其在钢板缺陷检测的应用

提出了非晶丝单磁芯双绕组结构,多谐振荡桥路励磁的新型磁场检测传感器,并建立了传感器的理论模型,在电路的时间常数远小于振荡周期的条件下给出了桥路输出信号与被测磁场及电路参数、磁芯参数间的定量关系,并通过实验验证了在一定范围内理论结果与实验结果非常接近。利用该传感器设计了钢板缺陷检测系统,结果表明它可检测微小缺陷,具有灵敏度高、体积小和成本低等特点。

蚁群和粒子群混合优化SVM的钢板表面缺陷分类研究

热轧带钢表面的温度高、生产速度快,辐射光强,并且存在着水、氧化铁皮、光照不均等现象,难以通过人工进行表面质量在线检测。针对当前国内某钢厂热轧钢板表面缺陷检测仍由人工离线完成、缺陷识别准确率低的生产问题,充分利用大量图像信息,提出一种图像处理与蚁群和粒子群混合优化支持向量机结合的缺陷分类方法。首先,融合局部二值模式和局部相位量化两种特征提取方式的优点,进行钢板缺陷图片的特征提取,采用蚁群和粒子群优化出支持向量机的惩罚参数和核函数参数进行钢板表面的缺陷分类。最后采用Matlab仿真平台,将蚁群和粒子群混合优化的支持向量机分类模型与传统的支持向量机分类模型进行仿真对比分析。试验结果表明,采用蚁群和粒子群混合优化的支持向量机分类模型的分类精度高于传统的支持向量机模型。

基于SIFT特征与多层BP神经网络的钢板缺陷检测算法

为了解决当前钢板表面缺陷在对比度弱、边缘复杂和光照不均干扰下易导致检测能力较低的问题,文章提出了基于SIFT特征与多层BP神经网络的钢板缺陷检测算法。首先,引入高斯差分和Hessian矩阵,对钢板图像进行空间尺度函数计算,统计SIFT深度向量特征,完成缺陷特征的检测与收集。然后,基于神经网络原始模型,计算其第五层输出结果,优化缺陷检测结果,并最小化输出层与期望值的差异平方,滤除伪SIFT特征的干扰,建立多层BP神经网络拓扑分析算子,准确识别钢板缺陷。最后,基于软件工程,设计检测系统软件,对文中算法的缺陷检测精度进行测试。实验测试结果显示:与当前主流钢板缺陷检测技术相比,文中算法拥有更高的准确性与鲁棒性。

基于加权结构SVM的钢板表面缺陷分类

研究表明,对于不同的实际问题,不同的样本具有不同的数据结构。充分利用样本的结构信息,能够有效的提高模型的泛化性能。此外,因为在实际生产中,存在着很多的外部干扰。因此,数据在采集过程中,必然存在着噪声。综上所述,针对钢板表面缺陷分类问题,提出了一种加权结构支持向量机(W-SSVMs)模型。W-SSVM-k模型在结构支持向量机(SSVM)的基础上,结合权重生成算法来解决钢板表面缺陷分类问题。WSRSVM-k采用聚类的技术挖掘数据集的结构信息,然后将获得的结构信息嵌入到SVM模型中。此外,W-SSVM-k又对不同的样本赋予了不同的权值,减小了标签噪声对分类性能的影响。最后,在钢表面缺陷数据集上进行的数值实验表明,提出的W-SSVMs具有很好的分类性能,尤其针对噪声数据集。

胶栓组合连接加固钢板疲劳性能试验研究

为了对比高强螺栓栓接加固和胶栓组合连接加固带初始缺陷钢板的疲劳性能,制作9个试件,试验采用MTS进行压弯疲劳加载,对加载过程中的应力变化和试件的破坏模式进行监测和分析。研究表明:胶栓组合连接加固中胶体的存在可有效降低螺栓孔附近的应力水平,延缓疲劳裂纹的产生;单侧栓接加固使带初始缺陷钢板的疲劳寿命增加了11.5倍,而单侧胶栓组合连接加固增加了15.3倍,单侧胶栓组合连接加固较单侧栓接加固提升了30%。

基于全局-局部SVM的钢板表面缺陷分类

为了提高钢板表面缺陷分类识别,提出一种新的全局和局部支持向量机分类模型。首先,通过样本提取算法将整个训练样本划分为非边界样本和边界样本。非边界样本用于训练全局支持向量机,并获得两条全局决策边界。边界样本用于寻找测试样本的K-近邻样本,通过训练K-近邻样本获得相应的局部支持向量机。若测试样本位于全局决策边界线两侧,直接给出分类结果,否则,由局部支持向量机进行分类决策。最终,新的模型结合二叉树算法实现了4种钢板表面缺陷的分类问题。实验结果显示,全局和局部支持向量机模型有令人满意的综合性能。

基于Faster R-CNN的钢板表面缺陷检测方法

对钢板表面常见缺陷和现有的基于深度学习的表面缺陷检测算法进行分析,选用Faster RCNN(region-based convolutional neural network)模型对钢板表面缺陷进行检测。由于Faster RCNN中的RoI Pooling池化操作产生的像素偏差和空间位置偏差会影响检测精度,选用在小缺陷细节特征上表现更好的RoI Align作为改进Faster R-CNN的特征池化模块。在PyTorch框架上对YOLOv3、Faster R-CNN和改进Faster R-CNN模型进行训练与测试,结果表明,改进Faster RCNN的平均检测精度为87.14%,相比YOLOv3和Faster R-CNN检测精度分别提高4.81%和2.07%,对于小缺陷的检测精度的提高更为显著。

基于2维鲸鱼优化加权的WGG-Otsu算法的钢板表面缺陷图像分割

相对于1维Otsu算法,2维灰度级-梯度Otsu算法的抗噪声能力有所增强,但对受噪声影响较大的钢板表面缺陷图像的分割精度仍不高,且分割效率较低.为提高钢板表面缺陷图像分割的精度和效率,提出2维鲸鱼优化加权的灰度级-梯度Otsu算法.2维鲸鱼优化加权的灰度级-梯度Otsu算法能增大分布概率较低的阈值类间方差,减少背景与目标间差异对分割的影响.仿真实验结果表明,4种算法中,2维鲸鱼优化加权的灰度级-梯度Otsu算法的分割精度及效率均最高.

基于漏磁信号分析的储罐钢板缺陷尺寸评估

针对钢制储罐腐蚀缺陷的在线检测和评价,首先建立了以ARM单片机和磁场检测传感器为核心的漏磁信号采集系统,并且针对一系列局部磁化的人造凹坑缺陷进行二维漏磁数据同步检测;为了实现凹坑缺陷几何尺寸的预测,创新性地关注了漏磁信号的几何学图形特征,利用Fourier级数展开拟合了漏磁信号曲线,提取了曲线包络面积、周长、图形重心等几何特征;随后针对40个缺陷凹坑样本,建立了表征凹坑缺陷的多维数据集;最后利用BP神经网络建立了凹坑缺陷几何尺寸的预测模型。研究结果表明在小数据样本情况下,利用漏磁信号几何学图形化特征,能够有效挖掘漏磁信号中隐含特征参量,该方法可行、可信,丰富和完善了钢制储罐腐蚀缺陷尺寸评价方法。

不同机器学习模型对钢板缺陷分类的性能比较

为了评估机器学习技术在钢板缺陷分类中的应用,该研究基于CART决策树、RF、MLPNN和CNN建立了4种不同的机器学习分类模型,对UCI机器学习库的钢板缺陷数据集进行分类,通过混淆矩阵、准确率等不同指标评估了4种模型对7种常见缺陷的分类性能。其中,CNN模型在训练集和测试集上的准确率分别达到了98.67%和97.41%,取得了卓越的分类性能。此外,RF模型相对CART模型可以更好地处理过拟合问题。实验结果表明,神经网络尤其是CNN模型对钢板缺陷分类问题具有更好的性能。

基于AHSVM-WOA的钢板表面缺陷分类算法

为了降低标签和特征噪声对钢板表面缺陷分类的影响,提出一种抗噪声的超球体支持向量机(anti-noise hypersphere support vector machine,简称AHSVM)分类模型.鉴于鲸鱼优化算法(whale optimization algorithm,简称WOA)能对AHSVM分类模型的参数进行寻优且能提高运行效率,提出AHSVM与WOA结合的AHSVM-WOA算法.4种分类算法对6类热轧钢板表面缺陷的分类结果表明,AHSVM-WOA算法有良好的分类效果,在抑制标签和特征噪声方面性能优良,缩短了参数选择的时间.

基于加权Pin-SVM的钢板表面缺陷分类

针对带钢表面缺陷分类问题,提出了一种加权Pin-SVM(WPin-SVM-n)模型。WPin-SVM-n是在Pin-SVM的基础上,结合权重生成算法来解决分类问题。WPin-SVM-n利用Pinball损失函数实现了特征噪声不敏感特性。此外,WPin-SVM-n又引入了样本的权重,实现了标签噪声不敏感特性。另一方面,将WPin-SVM-n与二叉树相结合,解决了钢板表面缺陷的多类分类问题。最后,对六种带钢表面缺陷进行了试验研究。实验结果表明,多类WPin-SVM-n分类器(WPin-SVMs)在分类精度方面取得了令人满意的结果。