基于匹配语义感知的单板缺陷图像修复研究

单板的质量决定单板类人造板的使用价值,单板上的缺陷处理成为木材加工中的重要环节。为处理单板的缺陷,提高木材的利用率,提出一种基于匹配语义感知的单板缺陷图像修复方法。首先使用匹配语义感知模块获取远距离的特征,提升模型的精度;然后使用双卷积模块,捕获多尺度上下文信息,并在整个网络中使用区域归一化,避免均值和方差偏移。使用峰值信噪比(Peak signal-to-noise ratio,PSNR)和结构相似性(structural similarity index,SSIM)为评价指标。研究结果表明,改进后方法的PSNR达到28.48,SSIM达到0.91,与全局和局部判别器网络(Globally and Locally Consistent Image Completion,GL)相比,PSNR和SSIM分别提升1.03%和0.05%。研究结果表明该方法可取得结构、纹理一致的修复效果,为单板缺陷修复提供指导性意见。

基于SegFormer的钛板缺陷涡流C扫描检测图像分割

为了获得涡流检测图像中缺陷的形状与长度信息,对检测图像进行图像分割是其中一种重要的方法。由于边缘效应的影响,TA2钛板涡流C扫描图像中缺陷区域边缘模糊、对比度低,导致通过图像分割后估计的缺陷长度与实际值差别过大,难以通过图像分割方法对缺陷长度进行准确估计。针对此问题,提出一种基于SegFormer的钛板缺陷涡流检测图像分割方法。首先,利用涡流C扫描成像获得TA2钛板表面裂纹缺陷检测图像数据集;根据SegFormer网络的结构组成,设计基于SegFormer钛板缺陷涡流检测图像的分割框架和分割流程,并进行网络参数的设置。随后,利用钛板表面裂纹缺陷检测图像数据集对4个分割模型分别进行训练和测试,并利用平均交并比、平均精度和训练时间对其分割效果进行评价。实验表明:相比于Deeplabv3+、Swim Transformer和OCRNet,SegFormer具有更好的分割效果,更快的训练速度。可视化和定量化结果表明:与非深度学习方法相比,该方法具有更小的缺陷长度估计误差。

基于MS-FCM算法的船体板熔池图像处理技术

熔池的图像处理与特征提取技术是船舶熔化极气体保护焊(gas metal arc welding, GMAW)智能化焊接质量监控的重要内容,针对船体板GMAW焊接过程中的烟雾大、飞溅多等不稳定特性导致熔池图像采集模糊、边缘提取困难等问题,提出一种基于均值漂移(mean shift, MS)优化模糊C均值聚类(fuzzy c-means, FCM)的图像处理算法.在优化设计焊接动态视觉传感系统中,以最大化保证图像信息采集清晰度的基础上,利用MS算法获取超像素图像以解决FCM算法对噪声的敏感性,同时在FCM算法上引入加权邻域窗口,以增强MS-FCM算法的鲁棒性,来克服烟雾、飞溅、弧光等噪声影响,进而完成图像分割与边缘提取.最后,设计出关于FCM、空间约束模糊C均值聚类(fuzzy c-means with spatial constraints, FCM_S)、加强型模糊聚类(enhanced fuzzy c-means, ENFCM)和模糊局部信息C均值聚类(fuzzy local information c-means clustering, FLICM)算法的4种不同图像处理方法,并与MSFCM优化模型进行边缘分割效果对比,获取几种方法所提取的熔宽,验证熔池几何特征的提取精度.结果表明,MS-FCM算法在船舶焊接熔池图像处理方面能有效抑制噪声干扰,平滑信息,达到较高的提取精度.

基于Sobel算子的板件钢材表面裂纹数字图像识别研究

基于钢材表面裂纹颜色深度高于周围临近区域的特点,本文针对采用图像处理的方法对钢材表面裂纹自动识别展开研究。利用Sobel算子对图像边缘进行检测,进而识别出板件钢材的表面裂纹。采用双目立体视觉系统作为图像采集的硬件输入,对获取图像的畸变处理、摄像头的标定具体方法展开分析。在具体算法上,本文将获取的裂纹图像由RGB格式转换为YUV数据,并利用Sobel算子进行卷积计算得到图像梯度,将梯度值进一步进行均方根运算得到像素点灰度值;同时,根据钢材种类、表面特性对裂纹灰度阈值进行多次训练,以得到不同情况下的钢材裂纹判别阈值。将该阈值与计算得到的图像灰度值进行比较,根据比较结果对颜色通道进行赋值进而得到裂纹的像素点。再进一步对黑色像素点进行插值运算,得到连续的钢材裂纹曲线。

基于图像处理的微通道流道板表面缺陷检测方法研究

针对工业自动化生产中微通道流道板复杂结构表面缺陷自动检测的需求,提出了一种基于图像处理的流道板表面缺陷检测方法。该方法针对流道板CV孔和膨胀阀孔中常见的凹坑缺陷和破损缺陷,首先通过霍夫圆检测提取ROI区域剔除背景区域干扰,利用高斯滤波对ROI图像进行滤波处理,并使用二值化和形态学腐蚀运算对干扰噪点进行过滤从而凸显缺陷特征,之后使用Two-Pass算法和种子填充法计算连通域实现凹坑缺陷的检测;使用圆查找找到孔端面内外圆进行圆环展开并采用Canny边缘检测算子查找缺陷轮廓,筛选轮廓面积实现破损缺陷的检测。通过对比实验,验证了本文方法相较于传统表面缺陷检测方法,在流道板缺陷样本的检测中有更高的检出率。本文方法经验证,对流道板表面缺陷检出率稳定在92%以上,且算法处理速度快、鲁棒性强,实现了快速、非接触式的高精度检测,满足了工业自动化需求。

基于图像分割和深度学习的人造板表面缺陷检测

【目的】针对板式家具零件表面缺陷人工检测过程存在的检测效率低、准确率低、检测结果无法数字化存储等问题,提出了一种基于图像分割和深度学习算法的饰面人造板表面缺陷的检测方法。【方法】利用工业相机采集人造板图像,构建缺陷数据集,采用全局阈值和局部动态阈值算法分割表面缺陷与图像截取,通过将ReLU6非线性激活函数替代ReLU函数,并引入倒残差结构的方法,优化MobileNetv 2深度学习网络,进行缺陷识别与分类。【结果】该方法对饰面人造板表面崩边和划痕缺陷的检测精确率分别达到了93.1%和97.5%,召回率分别为95.3%和97.6%,单张板件平均检测用时为163 ms。【结论】本研究提出的方法具有较高精度与稳定性,可解决传统人工检测方法的准确率低、效率低等问题,为家具板材表面缺陷的自动化检测提供新思路。

基于热红外图像的光伏板热斑检测方法研究

光伏板长期处于室外环境,极易因污渍遮挡而产生热斑效应,进而影响光伏电站的安全和高效运行。针对该问题,对基于传统图像处理和基于机器学习的目标检测算法的热斑检测开展研究。基于传统图像处理,利用区域分割算法和边缘检测算法进行试验,并研究热斑检测的效果。基于机器学习,提出了一种改进型你只看一次第四版本(YOLOv4)的热斑检测方法。其中,数据集通过实地拍摄光伏板热斑搭配模拟热斑的方法来获取。试验结果表明,改进的YOLOv4模型对数据集中的热斑检测指标交并比(IoU)达到92.31%、平均精度(AP)达到93.42%,均优于YOLOv4模型的效果。该研究具有一定的工程应用价值。

基于改进MSRCR的光伏板图像去雾方法研究

针对光伏厂区遇到大雾天气,监控系统不能清晰观测到光伏板现场状况等问题,文章进行了图像去雾的算法研究,提出了一种改进的MSRCR算法,可以提高图像对比度和颜色饱和度,达到光伏板图像去雾的目的。以陕西某地为例,与两种传统算法进行比较,结果表明,该文算法可以对光伏板带雾图像进行有效处理,获得更真实准确的细节和真实的光感色彩。

基于改进U-Net网络的光伏板图像分割方法

光伏板区域识别与分割对光伏板的缺陷精确检测和组件精准定位有重要意义.在复杂环境下,针对光伏板图像存在对比度不强、边界模糊、背景复杂等影响分割的问题,提出了一种改进U-Net网络的光伏板图像分割方法.首先,搭建基于U-Net网络的对称编码-解码结构骨干网络;其次,使用深度可分离卷积替代传统卷积,并将高效ECA注意力模块添加到两组深度可分离卷积之间,以两组深度可分离卷积和一个ECA注意力模块组成一个block块,利用多个block块提升多层网络的分割性能;之后,引入交叉熵损失、Dice损失、Focal损失线性加权和作为新的损失函数,训练改进U-Net网络;最后,为验证方法的有效性,将改进U-Net网络与MobileNetV2网络、U-Net网络、Res-U-Net网络分别在3 200张光伏板红外图像数据集上进行横向对比.结果表明:改进U-Net网络的PA值和MIoU值达到了0.993 1和0.980 2,均优于其他3种网络模型,且参数量只有U-Net网络和Res-U-Net网络的33.3%和30.4%,仅次于MobileNetV2网络.因此,改进U-Net网络具有较高的准确性和泛化性,能够完成光伏板图像分割任务.

基于自适应校正和非锐化掩模的木材单板节子图像增强算法研究

为提高单板节子图像的对比度、细节清晰度和颜色保真性,综合考虑单板活节和死节图像的特征,提出一种将自适应校正和非锐化掩模相结合的单板节子图像增强算法。在可分离颜色信息的HSV空间提取亮度分量、饱和度分量,分别进行加权分布的自适应Gamma校正和自适应非线性拉伸处理,用于改善单板节子图像对比度和保持色彩自然,最后利用非锐化掩模技术增强节子细节区域。试验结果表明,该算法能够有效地改善单板节子图像的对比度和细节清晰度,图像颜色更为自然;突出节子缺陷部位,保留了较多节子细节信息;在均方差、峰值信噪比和结构相似性指数上,比AGC-Quantile和直方图均衡化算法均有提升。

数字图像相关法在汽车门饰板低温气囊点爆试验中的应用

采用数字图像相关法对汽车门饰板在低温气囊点爆试验时的变形情况进行测试,绘制了材料在不同应变速率下的应变曲线,建立了气囊点爆时零件的位移及应变的实际图像与仿真分析结果的关联,并输出与仿真网格结点相对应的数据。结果表明:非接触式数字图像相关法既可以获得汽车门饰板材料不同应变速率下的应变曲线,又可以获得气囊点爆时高速碰撞产生的三维变形云图及数据。按照仿真网格要求划分云图,并且对齐点爆时间和坐标,输出的云图数据能够与仿真分析结果的数值进行逐点比对,可以清晰地了解仿真分析结果与实际试验结果的误差,为进一步优化仿真模型提供数据支持。

改进YOLOv5s的采煤机滚筒与支架护帮板干涉状态智能识别

针对综采工作面液压支架护帮板处于未收回异常状态导致采煤机滚筒与护帮板干涉问题,提出一种改进YOLOv5s的采煤机滚筒与液压支架护帮板干涉状态智能识别方法。运用课题组前期提出的基于边界约束和非线性上下文正则化的去雾去尘方法对视频图像进行清晰化处理,提高综采工作面监控视频图像质量;对YOLOv5s模型进行改进,通过将YOLOv5s主干网络中的普通卷积Conv替换为分类效果更佳的Ghost卷积,减少了模型的参数数量,提高了模型识别速度,同时引入坐标注意力机制,提高了模型对护帮板和滚筒特征提取能力,从而提高模型识别精确率。运用软非极大值抑制算法(Soft-NMS)的锚框筛选方法,减少因护帮板重叠而发生漏检问题。针对采煤机滚筒与液压支架护帮板干涉状态判定问题,提出液压支架护帮板与采煤机滚筒锚框重合度的判定方法。运用本文改进YOLOv5s模型与YOLOv5s、YOLOv3-tiny模型进行对比分析,结果表明:本文方法与原模型相比的识别精确率提高了约8.1%,GFLOPs降低1.86倍;mAP@.5达到97.2%、平均识别速度为检测时间为5.9 ms。运用本文方法对煤矿实际综采工作面采煤机滚筒与液压支架护帮板视频图像进行干涉状态识别试验验证,结果表明:对采煤机滚筒与液压支架护帮板干涉状态识别准确率为96%。

导流型高温板式换热器的流动与传热特性分析

以一种用于固体氧化物燃料电池(SOFC)热电联产的高温板式换热器为研究对象,通过数值模拟的方法,对其传热特性和阻力性能进行分析,探究波纹倾角的变化对高温板式换热器冷侧流道的流体流动、传热特性的影响,并搭建了粒子图像测速(PIV)实验平台,对其流场分布和流速进行试验,验证了数值模拟结果的正确性和可行性;采用单位压降的换热系数评价换热器的综合性能。结果表明,PIV试验与数值模拟得到的冷侧流道速度矢量分布大致相同,模拟结果与试验结果相比误差在10%以内;当β=70°时,换热器的压降损失最大,当β=30°时,换热器的压降损失较小且换热能力最强。在研究范围内,不同β下的综合性能随着Re的增加而减小,当β=10°时整体的综合性能最好,β=80°时最差,研究结果可为板式换热器工业设计选择提供参考。

基于RGB-D深度图像的船体板架非结构面模型重建方法

[目的]为准确、快速地重建船体板架非结构面三维形状,便于船体结构变形的高精度高效率测量,设计一种基于RGB-D深度图像的模型重建方法。[方法]首先通过随机抽样一致性算法与最小二乘法相结合的方式剔除点云集中的异常数据,再利用RGB彩色图像棋盘格标靶位置信息对结构多视角点云进行配准;其次将结构物面进行区域网格划分并对点云进行聚类,运用最小二乘法原理对每个网格点云子集进行空间曲面拟合,实现点云融合,在此基础上采用高阶面元实现船体结构外板表面的三维重建;最后,通过试件重构模型与激光扫描点云进行对比,验证模型重建方法的精确性。[结果]结果显示,试件三维重构模型较激光扫描点云随机点的均方根误差为1.02 mm,建模精度满足船舶建造工程需求,同时结构RGB-D深度图像数据获取时间相比于激光扫描可忽略不计。[结论]研究表明,提出的模型重建方法能够准确高效地完成船体板架非结构面三维重构,为船体结构变形测量提供了有力的数据支撑。

基于图像处理及特征提取的保护回路压板状态识别与判断

针对二次回路保护压板状态判别困难以及错误率较高的现象,提出了基于图像处理及特征提取的保护回路压板状态识别与判断方法。针对二次回路压板的定义以及状态判据进行了分析,提出了利用直觉模糊C均值聚类方法对红外图像进行分割,得到最佳隶属度和聚类结果。利用聚类后的图形进行特征提取,利用基于方向梯度直方图的方法对特征进行分析,并利用支持向量机选择关键的样本信息进行分类,最终实现压板状态对比和判断。利用仿真分析说明了所提方法的有效性和适用性。

2205/X65爆炸焊复合板JCO成型过程协同变形行为研究

为了研究JCO成型工艺参数对2205/X65爆炸复合板结合界面附近应变协调性的影响,建立了2205/X65爆炸复合板三点弯曲过程的有限元模型,结合数字图像相关法对模型进行了验证。采用该模型进行仿真研究,结果表明,上模半径越小,界面附近的最大应变差越大,复合板JCO在成型过程中变形不协调区域的宽度越小;跨距越小,复合板在JCO成型过程中变形不协调区域的宽度越大,跨度变化对界面附近最大应变差没有显著影响;下压量增大时,界面附近变形不协调区域的宽度增大,但界面附近最大应变差的变化不显著;下模半径大小和复合板厚度比对加工变形协调性影响不显著。在实际生产中,建议选用较大上模半径和较大跨距,采用小下压量多次成型。

融合注意力机制的YOLOv5光伏板电致发光图像缺陷检测算法

光伏板是光伏发电系统的核心部件,其质量好坏直接影响发电效率及电路安全。为了精准检测出光伏板的缺陷,提出了1种融合注意力机制的YOLOv5改进算法,该算法将有效通道注意力(efficient channel attention,ECA)与YOLOv5模型主干网络中的C3模块相融合形成C3-ECA模块。同时将融合注意力机制YOLOv5改进算法与YOLOv3、YOLOX等多个模型做对比实验,结果表明融合注意力机制YOLOv5改进算法精确率为97.5%,比原版YOLOv5提高了1.1%。改进的算法在引入少量参数的情况下,提高了模型的检测精度,并能够对光伏板表面的多种缺陷进行有效识别,且精度高、耗时少。

基于改进双向注意力映射的单板图像修复

木材生长加工过程中产生的缺陷会影响产品质量并且浪费大量木材资源,为提高木材利用率与缺陷修复效果,提出一种基于可学习的双向注意力映射(Learnable Bidirectional Attention Maps,LBAM)网络模型的轻量化Lightweight LBAM网络(LL-Net)。该网络使用级联与并行方式的膨胀卷积扩大感受野,修改掩膜更新的激活函数提高修复效果,减少网络深度,在保证效果前提下降低参数量。结果表明,LL-Net与全局与局部判别器(Global and Local Discriminator,GL)方法相比,峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)和结构相似性(Structural Similarity,SSIM)最高分别提升48.6%和14.2%;与上下文注意力(Contextual Attention,CA)方法相比,PSNR和SSIM最高分别提升23.0%和7.9%;与LBAM方法相比,PSNR和SSIM最高分别提升1.5%和0.6%。并且LL-Net网络参数量为63.58 m,相较于LBAM方法降低了75%。该方法可取得纹理更清晰、语义一致性更好的修复效果,为单板缺陷修复提供指导性意见。

基于YOLOv3的二次设备保护压板状态图像识别

目前,变电设备信息化程度不断提高,对二次设备各模块提出更高的数字化要求。为解决二次设备压板状态人工识别程序繁杂、耗时长、容易出错等问题,提高压板巡视效率,维护二次设备安全稳定运行,本文通过研究比对机器学习算法和深度学习目标检测算法等方法的难易程度和准确率等因素,最终选择YOLOv3算法。将压板标准态文档转换成JSON数据后,使用基于imageNET的YOLOv3-Darknet-53预训练模型,导入压板开关图像样本集。使用LabelImg标注样本集后,进行深度学习得出训练后模型,运用该模型得到现场压板图识别数据,将标准态数据与实际图片数据对比绘制图形,实现压板开关状态准确识别和标注。结果表明,压板开关位置、开关状态识别成功率达到99%,有效地提升了压板巡视工作效率和准确度,极大地提高了二次设备数字化水平。

卷积神经网络基于MRI在半月板损伤诊断中的研究进展

半月板在维持膝关节稳固性方面发挥关键作用,半月板损伤是运动医学领域中常见的损伤,是导致膝关节骨关节炎形成的主要常见原因。MRI具有较高的特异性和敏感性,可以检测半月板的形态结构和膝关节内部信号,是诊断半月板损伤最佳医学图像技术之一。卷积神经网络作为深度学习的经典神经网络,在医学图像辅助诊断领域具有优越的能力,利用卷积神经网络基于MRI图像辅助诊断半月板损伤的相关研究也相继提出。本文全面综述了卷积神经网络在半月板MRI图像分割、检测以及分类中的应用,可以帮助读者了解基于MRI的卷积神经网络在半月板损伤诊断方面的研究进展,以期为半月板损伤的早期诊断与个性化治疗提供新方向。