SOPC技术在钢材检测上的应用

片上可编程系统(SOPC,System On Programmable Chip)是一种新的系统设计方法,它不仅提高系统内部的集成度,提升了抗干扰能力;还具有很大的灵活性。利用SOPC技术的特点,本文介绍了一种制造钢材无损检测设备的方案。

金相显微镜在钢材检测中的应用

本文对金相显微镜的构造和原理进行简单的介绍,主要分析和探讨金相显微镜在钢材检测中的应用。

钢材检测中的超声波自动化探伤研究

中国是世界上高铁发展最快,集成能力最强、运营速度最高的国家。随着轨道车辆行驶速度提高,对零部件加工质量要求不断提高。目前我国超声波探伤自动化程度低,影响大规模实现车轴自主生产。超声波探伤实施方式分为采用便携式超声波探伤仪,手持超声波探头在材料表面移动,完成缺陷判别;采用大型自动化探伤设备,使探头相对材料旋转,完成对材料表面扫描。设备体积庞大,不适合大范围推广。本文阐述超声波探伤系统组成,介绍超声波探伤检测系统的应用,促进提高钢材质量检测效率。

建筑用钢材检测中应注意的问题

目前我国正处于供给侧改革和经济转型的重要发展阶段,在全面建成小康社会的决胜时期,加快城镇基础设施建设,符合国家长远发展需要。随着建筑用钢材在多种建筑建设过程中的广泛应用,为了保证工程建设质量,从源头入手,加强建筑用钢材质量检测力度十分必要。本文主要就建筑用钢材检测中应注意的问题展开了分析和研究,并提出了相应的控制方法,以供参考。

电厂钢材检测中电磁超声表面波换能机理研究

电厂很多设备采用不锈钢材料制成且在运行过程中始终处于高温状态,热应力和汽水冲刷等很容易造成设备表面出现裂纹、孔等缺陷,当缺陷过大时会造成设备故障,严重时影响电厂的安全。传统的压电超声技术由于工作时需要声耦合剂等原因,限制了它在高温设备表面检测方面的应用,而电磁超声技术凭借独特的激发方式能够实现高温设备表面缺陷检测。为了分析电磁超声表面波在不锈钢材料中的激发原理,利用麦克斯韦方程组详细推导了不锈钢材料中电磁超声表面波3种换能机理的解析表达式,并通过有限元方法验证了分析结果的正确性。

刍议金相显微镜在钢材检测中的应用

现阶段,钢材检测的过程中金相显微镜的应用范围极其广泛,随着科技水平的不断提升,金相显微镜的功能也在不断增加,其应用过程中体现了操作性强、设备简便等诸多优势,同时也大大提高了检测效率,减少了检测环节耗时,为高效准确可靠地提供钢材检测结果,进而保证所使用的钢材质量和保障工程质量发挥了积极的作用。

浅议建筑钢材检测中注意的问题

随着我国城市化水平的不断提高,城市内的许多高层或超高层建筑物越来越多,而绝大多数的建筑物都是由混凝土材料建造成的。据相关数据显示,我国许多城市每年都有建筑物坍塌事故发生,而该类事故发生的主要原因都是建筑材料的不合理性。所以,为了保证建筑物的质量,人们开始加强建筑材料的检测工作。检测的主要指标包括建筑材料、建筑环境以及社会环境等多方面,而绝大多数建筑工程中,钢筋混凝土材料都是其最主要的应用形式。下面,本文对建筑材料中所涉及到的钢筋检测问题作深入研究,进而保证我国建筑工程能够健康运作。

建筑钢材检测及注意事项

我国每年都有一些建筑物因为质量问题而发生坍塌,质量检测是保障建筑工程项目质量的基础和关键。而建筑钢材检测是建筑工程项目质量检测中的重要内容之一,对整个工程项目的质量具有直接影响,但由于建筑钢材类型繁多、分类复杂,所适用的检测方法有所不同。基于此,文章阐述了建筑钢材的分类及常见检测项目,说明了建筑钢材检测的方法及注意事项,并以某建设项目为例,分析了建筑钢材的具体检测措施。

基于改进YOLOv4的钢材表面缺陷检测

针对钢材表面缺陷检测精度低,易漏检、误检、定位不准确等问题,提出一种基于改进YOLOv4的钢材表面缺陷检测算法,首先使用K-means++算法分析标注框的分布信息,获取最优的锚框,提高定位精度,减少网络损失;其次在YOLOv4网络原有特征层基础上继续增加一浅层特征即尺度为104×104的新特征层,增大特征检测尺度,提高小缺陷目标检测精度;最后在原始主干网络的基础上引进注意力机制,使网络更多关注有用信息,从而使检测更准确。将上述算法与其它算法在NEU-DET数据集上进行对比实验,所提算法平均检测精度相较于原YOLOv4提高了4.69%达到78.10%,相较于目前其它的主流目标检测算法也更优秀。

Re-YOLOv5:一种基于结构重参数化的钢材缺陷检测方法

钢材在生产的过程中很容易产生裂纹、斑点等缺陷,而目前对于所产生缺陷的检测技术还不是很成熟。为了实现对工业钢材生产过程中所产生的钢材缺陷进行实时鲁棒检测,以YOLOv5为基础,引入了结构重参数化方法,建立了Re-YOLOv5工业钢材缺陷检测模型。在该模型中,将YOLOv5的Neck层与Head层合并为Head层,用作预测,并且加入RepVGG模块和卷积层,输出预测结果。Backbone用作特征提取,可以在改善模型推理速度的同时提高检测准确率。同时,采用改进后的空间金字塔池化模块SPP^(*)对候选框进行分类和修正,以获取多尺度特征信息,并引入了有助于模型加深的CCBL模块。在公开的NEU-DET钢材缺陷图片数据集上进行测试,提出的模型的检测精度可达77.8%,与基线模型YOLOv5s相比,实现了6%的精度提升,且单幅图片的推理时间仅为8.9 ms,满足工业生产实时性需求。此外,该模型所占内存较小,便于部署到工业设备中。

基于改进YOLOv7的钢材表面缺陷检测方法

为解决工业钢材表面缺陷检测过程中存在的检测精度低、效率低的问题,文章对原有的YOLOv7算法进行了改进,从而形成了YOLOv7-M算法。首先,在主干网络后加入GAM模块,以增强模型的全局交互能力。然后,在YOLOv7网络的预测头前端添加集成Transformer和卷积的轻量级模块MobileNetViTv3block,来捕获全局细节信息,同时,降低YOLOv7的模型参数,以提高检测速度。最后,在定位损失函数上用SIoU-Loss函数代替CIOU函数,以提升钢材缺陷检测位置的准确性。以NEU-DET数据集为基础做相关的消融与比较实验,在VOC2012数据集上做通用性的比较实验。结果表明:经过改进后的YOLOv7-M算法具有更大的优势,mAP值达到了90.75%,平均检测精度提高了7.89%,FPS速度提升了7,并且改进后的算法具有通用性。

基于改进SSD的钢材表面缺陷检测

工业生产过程中,钢材表面缺陷的检测对于钢材的质量控制发挥着十分重要的作用,针对钢材表面缺陷检测中存在的检测精度低、检测速度慢等问题,提出了一种钢材表面缺陷检测的改进SSD算法。在所提算法中,采用Transformer多头注意力机制模块代替原SSD结构中的Conv5_1层,以提高小目标检测的能力;原SSD结构中的Conv7操作替换为Involution算子操作,以减少运算的参数量;对网络结构进行特征融合处理,以更全面地检测特征图中所包含的信息。利用NEU-DET数据集进行实验,实验结果表明改进后的SSD算法是有效的,可以高效检测到钢材表面的小目标缺陷,相比改进前平均检测精度提高了4.5%,检测速度提高了13.6%。

基于YOLO-GR算法的轻量化钢材表面缺陷检测

针对工业带钢缺陷检测效率低、精度差、模型部署困难等技术不足,提出了一种改进YOLOv5s算法的轻量化钢材表面缺陷检测模型:YOLO-GR模型。首先,通过引入GhostV2 Bottleneck轻量化模块作为主干特征提取网络,以减少网络的参数量,同时将特征融合网络中的普通卷积块替换为深度可分离卷积块,进一步降低模型的计算复杂度以优化特征提取网络;然后,在检测头部分加入RepLK大卷积核提升网络感受野,以优化大尺度方差的检测效果;最后,引入W-IoU(Wise-IoU Loss)解决了带钢缺陷数据集难易样本不平衡问题,提高模型的泛化性能。实验结果表明,改进后的模型在平均检测精度上比原YOLOv5s模型提升了3.8%,在参数量和计算量比原模型下降了16.6%,模型大小仅仅12 M,为检测模型在移动端上的部署提供了可能。

基于改进YOLOv8s的钢材表面缺陷检测

针对YOLOv8s模型在钢材表面缺陷检测任务中特征提取能力不足、特征融合不充分以及收敛速度慢、回归精度差等问题,提出一种基于改进YOLOv8s的钢材表面缺陷检测算法。首先,为了使模型关注更多维度的特征信息,将YOLOv8s模型主干网络和颈部网络中的部分C2f模块替换为C2f-Triplet模块;其次,为了使模型在更大的感知区域内聚合上下文信息,将YOLOv8s模型颈部网络中的最近邻上采样模块替换为内容感知特征重组(content-aware reassembly of features,CARAFE)上采样算子;最后,为了提高模型收敛速度和回归精度,将原YOLOv8s的CIoU回归损失函数替换为SIoU损失函数。实验结果表明:在NEU-DET数据集上,改进后的YOLOv8s钢材表面缺陷检测算法较原YOLOv8s算法精确率提高1.6百分点,平均精度均值提高2.2百分点。相比于目前主流的钢材表面缺陷检测算法,改进后的YOLOv8s钢材表面缺陷检测算法可以更加准确地检测出钢材表面缺陷的类别和位置,并且模型相对较小,便于在移动端部署。

小样本条件下的带钢表面缺陷检测

针对工业场景下带钢表面缺陷样本少、缺陷尺寸大小不一等问题,提出一种适用于小样本条件下的带钢表面缺陷检测网络.首先,算法以YOLOv5s框架为基础,设计一种融合注意力机制的多尺度路径聚合网络作为模型的颈部,增强模型对缺陷目标的多尺度预测能力;其次,提出一种自适应解耦检测结构,缓解小样本情况下分类和定位任务之间的矛盾;最后,提出一种融合Wasserstein距离的边界框回归损失函数,提升模型对小目标缺陷的检测精度.实验表明,在构建的小样本带钢表面缺陷数据集上,本文模型的检测性能优于其他小样本检测模型,更适用于工业环境下的小样本缺陷检测任务.

金相显微镜在钢材检测中的应用

目前,金相显微镜在钢材检测中有着非常广泛的应用,随着科学技术快速的发展及技术水平不断提升,金相显微镜的功能也在不断发生改变,若是依旧沿用以往的检测方式,将无法满足其需求。因此,文章对金相显微镜在钢材检测中的应用的各种问题进行分析,以期可以为钢材检测人员带来一定的参考价值。

基于FF R-CNN钢材表面缺陷检测算法

针对深度学习算法检测钢材表面缺陷时,结构信息减少导致检测精度低的问题,提出一种特征融合和级联检测网络的Faster R-CNN钢材表面缺陷检测算法。首先利用主干网络提取特征图,通过融合特征图的方式,达到减少结构信息丢失的目的;进一步将生成的特征图输入RPN网络生成区域建议框;最后利用检测网络对区域建议框进行分类与回归,通过级联2个检测网络,实现精确检测结果的目标。对模型进行对比性实验分析,找出检测精度最优的算法模型。在NEU-DET数据集上对提出的算法进行了检验,主干网络采用VGG-16比采用Resnet-50的检测精度提高了2.40%;通过融合特征,检测精度提高了11.86%;通过检测网络的级联,检测精度提高了2.37%.通过对算法模型的不断改进和优化,检测精度达到了98.29%.与传统的钢材表面检测方法相比,改进算法能够更准确地检测出钢材表面缺陷的种类和位置,提升对钢材表面缺陷的检测精度。

基于改进YOLOv5的工业钢材瑕疵检测算法

针对工业钢材瑕疵检测过程中存在的对多类别瑕疵检测精度低、效率低的问题,提出一种基于改进YOLOv5的瑕疵检测算法。首先在主干网络添加协同注意力机制,嵌入目标位置信息从而提升特征提取能力;然后改变边框回归的损失函数为CIoU Loss,提升对检验框定位的准确度;最后利用Ghost模块轻量化特点提出C3Ghost结构替换路径聚合层中的C3结构,减少模型参数量。测试结果表明,改进后的算法mAP值提升了2.6%,模型参数量减少了13.3%。验证了改进算法对工业钢材的多类别瑕疵检测的有效性。

基于改进深度网络的钢材表面缺陷检测

为解决传统的采用人工方法进行钢材表面缺陷检测存在错检、漏检、精度低等问题,提出一种改进Faster RCNN的钢材表面缺陷检测算法。使用融合残差网路和密集连接网络的DPN网络进行特征提取,提出改进PANet网络进行多尺度特征融合;使用CIoU损失函数替代原算法中的Smooth L1作为边框回归损失函数;构建用于模型训练的钢材缺陷数据集。通过对比实验进行分析,实验结果表明,提出方法能够快速、准确地识别和定位钢材表面缺陷。

基于改进YOLOv7-Tiny的工业缺陷检测研究

针对现代工业生产对工业产品缺陷的高效检测需求,以钢材缺陷为切入点,提出了一种基于改进YOLOv7-Tiny的缺陷检测方法。首先,将DCNv3网络与YOLOv7-Tiny的主干网络层进行融合,提高模型对不同尺度、形状缺陷的灵敏度;其次,引入了CABM注意力机制,加强网络对特征图中重要信息的感知能力;然后,在网络特征融合层使用了CARAFE算子,改善原始网络语义信息利用不充分的问题;最后,采用基于归一化Wasserstein距离的损失函数来改善在小目标检测中网络对预测框与真实框位置偏移敏感的问题。实验结论表明,本文改进后的YOLOv7-Tiny算法在开源钢材缺陷数据集NEU-DET上平均准确率达到了77.5%,较原始算法提升了4.3%,同时模型参数量相较于原始YOLOv7-Tiny算法降低了11.3%,达到了检测精度与模型复杂度的平衡。