基于改进YOLOX的变电站设备缺陷检测方法

为减轻电力工作人员的巡检负担,实现变电站智能巡检,对变电站设备缺陷检测算法进行了研究。首先,利用数据增强方法对有限的初始数据集进行扩充,利用多种图像处理方法增加数据集的复杂度,生成考虑复杂光照环境的数据集;然后,采用自适应空间特征融合(ASFF:Adaptively Spatial Feature Fusion)的方法缓解特征金字塔中不同尺度特征的不一致性问题,并引入Focal损失函数作为置信度损失函数以缓解正负样本不平衡的问题,利用改进的YOLOX-s(You Only Look Once X-s)网络模型设计了变电站缺陷检测算法;最后,将改进的YOLOX-s网络模型与其他深度学习算法的检测效果进行对比,实验结果表明,改进的YOLOX-s网络模型的综合检测效果较好,准确性和实时性均可以满足变电站设备缺陷检测任务。

基于深度学习的核电设备缺陷检测算法的实现与应用

基于深度学习的设备表面缺陷检测技术具有高效、防止二次损伤等优点,因此广泛应用于各种实际场景。该文利用基于深度学习的目标检测算法对某核电站的核电设备表面缺陷进行检测,数据集来源于核电设备日常检修报告。该文构建了YOLOv5算法模型,并在数据集上进行试验,验证了该算法模型具备较高的核电设备缺陷检测能力。

基于WSN和超声波振动信号识别的GIS设备自动检测算法

针对当前气体绝缘封闭开关(GIS)设备缺陷检测智能化水平较低的现状,提出一种基于无线传感网络(WSN)和超声波振动信号识别的GIS设备自动检测算法。该算法采用WSN进行超声波振动信号的采集与上送,通过人工鱼群算法(AFSA)进行变分模态分解(VMD)算法的固有模态分量数量及惩罚因子等参数的优化。同时利用优化后的VMD算法进行超声波振动信号分解,并将分解得到的多个固有模态分量作为长短期记忆(LSTM)网络的输入,以分析挖掘超声波振动特征与GIS设备缺陷之间的内在关系,从而实现缺陷的自动检测识别。仿真算例结果表明,相比于VMD-LSTM和AFSA-VMD-BPNN算法,所提出的AFSA-VMD-LSTM算法具有更为理想的缺陷检测效果,且平均缺陷识别率可达93.5%,能够有效提升变电站运维的智能化水平。

双表面缺陷检测设备在冷轧镀锌产线中的应用

浅谈对"单线双表检"模式表面缺陷检测方法的畅想,综述了双表面检测设备系统的功能与组成,并详述了双表面检测系统的检测特点和应用价值。根据入口段和出口段表面缺陷检测系统检测出的缺陷数据对比,加强了镀锌生产过程中的缺陷追踪,增强了对于易混淆缺陷如轻微夹渣、擦划伤、氧化铁皮等的辨别和检出率,大大提高了镀锌带钢表面质量判定的准确性,避免缺陷产品流出,为用户精准提供所需产品,提升公司产品市场竞争力及品牌价值。

改进YOLOv5的轻量级PCB缺陷检测算法

针对目前印刷电路板(PCB)工业缺陷检测方法存在准确率低和模型较大的问题,提出了一种基于YOLOv5改进的PCB——YOLOv5-L。该方法采用轻量化网络GhostNet作为模型的特征提取网络,解决YOLOv5模型参数过多从而难以部署在工业缺陷检测设备的问题。通过改进Neck结构,融合深层语义信息与浅层的细粒度信息,提高模型对PCB这种小目标缺陷的检测效果。在YOLOv5-L主干网络输出端引入一种混合注意力机制H_ECA,帮助模型抵抗混淆信息的影响,并专注于有用的缺陷信息。将Transformer应用于预测头部,提高模型捕获不同局部信息的能力。利用北京大学实验室公开发布的PCB缺陷数据集进行实验,实验结果表明,该方法相较于YOLOv5,在IoU设置为0.5时mAP提升了0.6%,速度提升了7.5帧/秒,模型大小为34 MB,约为YOLOv5的1/5。

玻璃缺陷在线检测系统常见问题的解决方法

玻璃缺陷在线检测系统在玻璃生产行业获得广泛应用,通过智能相机,其能够不间断地对玻璃带进行检测。系统检测出来的缺陷类型、尺寸大小及缺陷位置等重要数据发送到线控,再由线控进行优化切割,可以在很大程度上提高生产效率。在生产过程中有时会有缺陷漏检、核心尺寸不稳定等情况出现。根据在调试过程中遇到的一些问题,提出了如何能够快速找到问题产生原因和解决问题的方法。