基于K-means高频局放10 kV避雷器快速带电检测方法

针对视觉观察、红外测温、泄漏工频电流和直流分量等方法无法快速发现10 kV架空线路上的氧化锌避雷器(metal oxide arrester, MOA)内部受潮及绝缘缺陷问题,文中提出基于K-means智能识别缺陷类型的方法及原理,分别制作10 kV MOA内部受潮、阀片裂纹等缺陷实验样品,在无局放升压装置加压至额定电压10 kV的条件下,使用高频电流传感器(high frequency current sensor, HFCT)采集局部放电原始数据,提取特征量,建立对应的缺陷类型数据库;通过在带电运行现场不同测试点测得不同10 kV MOA亚稳态下的13组数据,结果表明该方法对10 kV MOA内部绝缘缺陷、受潮缺陷能够准确识别,验证了基于K-means高频局放10 kV MOA快速带电检测方法的实用性,具有较高的经济效应和社会使用价值。

基于改进粒子群优化的K-means聚类的焊接缺陷图像识别

针对传统检测方法对焊接缺陷图像识别的缺点,提出基于改进粒子群算法优化的K-means聚类的焊接缺陷图像识别方法。运用HOG算法提取焊接缺陷图像的特征,利用IPSO算法对K-means聚类模型的聚类点数K进行参数寻优,从而实现对焊接缺陷的检测识别,实验验证表明,该方法能够有效提高焊接缺陷图像的识别效果,总体识别准确度达到94%。

不均匀光照下带钢表面缺陷检测方法的研究

针对带钢表面存在光照不均及缺陷类型繁杂的问题导致缺陷检测精度不高的情况,提出一种基于梯度相似性引导模板的带钢缺陷检测方法。在利用二维高斯函数估计背景模板的基础上,结合梯度相似性引导其最优参数的选取;将原图像与优化后的背景模板进行图像差分操作,消除部分不均匀光照,同时构造分段函数对差分图像进行光照补偿,并结合Meanshift算法去除噪点,进一步增强差分图像;利用改进的K-means算法进行聚类分割并结合区域标记实现带钢表面不同缺陷的准确检测。实验结果表明,该方法能够在不均匀光照下准确检测出夹杂、麻点、酸洗、划痕等多种带钢表面缺陷,召回率和精确度分别达到93.2%和96.8%。

基于特征聚类的轨道不平顺潜在病害辨识

研究目的:轨道不平顺潜在病害隐蔽性强,对其准确合理辨识是开展预防修策略下线路养护维修作业的前提。本文以轨检数据为基础,分别构造了以轨道质量指数(TQI)和轨道不平顺幅值为对象的潜在病害辨识指标。在此基础上,基于k-means++聚类算法和手肘法通过判定样本最佳聚类簇数实现潜在病害的识别及定位。依托某有砟铁路动检数据对所提轨道不平顺潜在病害辨识方法进行了验证。研究结论:(1)对于均值管理来说,在16 km连续轨道区段上2处区段单元潜在病害被准确识别,其历史最大TQI值分别约为5.5 mm、5.3 mm,且潜在病害定位结果与实际里程基本吻合;(2)对于峰值管理来说,在500 m连续轨道区段上2处局部不平顺潜在病害也被准确识别,其历史最大幅值约为3 mm、3.3 mm,潜在病害定位结果与实际里程基本吻合;(3)本研究成果可与大机捣固作业、人工精调作业相结合,为预防修策略下的潜在病害整治提供辅助参考。

改进YOLOv5s的小样本3D打印点阵结构表面缺陷检测

3D打印点阵结构已经广泛应用于航空航天、机械和建筑等行业,其表面缺陷分布不均匀且特征微弱,常常造成漏检和误检。针对这一问题,提出了一种YOLOv5s-PD模型。在该模型中,添加了XSPPF模块和空洞金字塔池化模块,提高了模型对不同缺陷特征的获取能力;针对3D打印点阵结构表面缺陷分布杂乱导致误检率高的问题,在YOLOv5s模型中加入了ECA模块;考虑到3D打印点阵结构表面缺陷尺寸信息无规律并且差异较大而导致的预测框与真实框间方向不一致,采用了SIoU损失函数。采用改进模型对制作的3D打印点阵结构表面缺陷数据集进行检测,结果表明:缺陷检测的召回率达到94.0%,平均精度mAP@0.5达到96.2%,所提出的改进算法可以实现对3D打印点阵结构表面缺陷自动检测。

融合注意力机制的改进型YOLOv5绝缘子缺陷故障检测方法

在电力系统巡检过程中,人工巡检方式难度较高,且存在安全隐患,搭载智能算法的无人机平台代替人工进行绝缘子检测的方法前景较好。针对绝缘子缺陷目标检测过程中存在的速度较慢、准确度较低等不足,提出了融合注意力机制的改进型YOLOv5绝缘子缺陷故障检测方法,该方法在YOLOv5s网络中融入压缩与激活(squeeze-and-excitation,SE)注意力模块和卷积块的注意力模块(convolutional block attention module,CBAM),并且将SE注意力模块与网络结构当中的C3模块结合,强化了网络的特征提取能力。通过相关的图像处理方法完成了自建绝缘子数据集的构建,采用了K-means++聚类算法构建自建数据集的先验框,并引入了Mosaic-9数据增强策略,有效解决了训练数据不足难以保证训练效果的问题。实验验证表明,改进后的检测方法,在不影响检测时间的前提下,绝缘子检测的准确度提升了9.7%,对电力系统巡检方法具有一定参考意义。

改进YOLOv3的无纺布表面缺陷检测研究

针对在无纺布表面缺陷检测中存在小缺陷目标漏检及识别率不高的问题,提出了一种改进YOLOv3的无纺布表面缺陷检测算法。首先在网络模型当中生成一个新的特征图层,来提取更多小缺陷目标的特征,其次引入K-Means++算法对聚类先验框中心点的提取进行改进,选取更为合适的Anchor Box,使定位更加精准,提高检测精度。最后,在自制的无纺布表面缺陷数据集上进行对比检测,研究结果表明:改进后的YOLOv3算法在测试集上的mAP值为85.83%,比原始的YOLOv3算法提高了6.99%,单张图片的平均检测时间为0.168s,与原始算法检测时间基本持平,检测性能也优于Faster R-CNN。

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。

基于改进FCM的冲压件缺陷图像分割算法

在工业质检过程中,冲压件缺陷图像分割作为缺陷检测的重要环节,直接影响缺陷检测效果。而传统的模糊C均值(FCM)聚类算法未考虑到空间邻域信息,对于噪声干扰较为敏感,导致分割精度较差,且其整体易受初始值的影响,造成收敛速度变慢。针对上述问题,提出一种改进的FCM算法。采用内核诱导距离中的简单两项代替传统的欧氏距离,将原有的空间像素映射到高维特征空间,提高线性可分概率和计算速度;利用图像像素之间的空间相关性,通过引入改进的马尔可夫随机场对FCM目标函数进行修正,提高算法的抗噪能力以及分割精度;采用秃鹰搜索(BES)算法确定FCM的初始聚类中心,提高算法的收敛速度,同时避免算法陷入局部极值的情况。为验证改进FCM算法的性能,选取划分熵、划分系数、Xie_Beni系数以及迭代次数作为评价指标,并与近年来先进的图像分割算法进行对比。实验结果表明,改进FCM算法具有更好的抗噪能力,能得到更好的缺陷分割效果,对工业生产中的冲压件缺陷检测有一定的应用价值。

基于Mean Shift滤波的织物疵点检测方法

为了实现自动织物疵点检测,提出了一种基于Mean Shift滤波的织物疵点检测方法。该算法首先求取织物样本的熵图像,反映原始图像信息的变化程度,然后对熵图像进行Mean Shift平滑滤波,达到去除噪声和增强织物疵点部分的目的,从而利于疵点的分割,最后对滤波后的图像进行阈值分割,得到二值化检测结果。对6种纹理织物进行处理,共检测出18种疵点,92.5%的疵点可以被成功检测并定位。另外,实验中还将Mean Shift滤波与Gabor滤波的检测结果进行了比较,结果表明Mean Shift滤波对某些类型的疵点的检测效果更为理想。

基于FCM及快速迭代收缩阈值算法的平面ECT图像重建

为提高平面阵列电容成像系统的成像精度,提出一种基于模糊C均值聚类(FCM)进行数据优化的快速迭代收缩阈值算法(FISTA)。根据平面阵列电容数据的特点,首先利用FCM算法对测量电容值进行分类,保留有效电容值,实现电容向量降维;然后利用离散小波基(DWT)对灰度值进行稀疏表示,并建立L1正则化模型,采用FISTA进行求解,以实现图像重建;最后将FCM处理后的电容值分别用于Landweber算法、Tikhonov算法进行重建对比。仿真与实验结果表明,该算法重建图像的平均相对误差约为0.0527,平均相关系数约为0.9422,均优于其它算法,且重建图像伪影较少,更接近真实情况;因此,所提算法具有更好的重建效果。。

基于K-means与SVM的鸡蛋特征检测

机器视觉与机器学习的不断发展对传统的视觉特征提取的影响在不断加强,在实际的使用当中也在逐步替代那些繁杂的人工特征提取的方式,论文从实际应用当中介绍一种基于K-means自动提取特征的方法,其在鸡蛋缺陷检测使用中得到了较好的实际效果。

k-means聚类算法在织物疵点检测中的应用

为检测常见织物的各种疵点,提出一种基于k-means聚类的织物疵点检测方法。对采集的图像进行中值滤波,以减轻纹理对疵点检测的影响,并利用方差采样算法增强织物的疵点特征信息;利用k-means聚类算法对方差采样后的图像进行处理,使得疵点区域被划分一类,非疵点区域划分为一类。最后经过二值化,分割出疵点。实验证明,该方法能快速、准确的检测出织物的常见疵点。与其他方法相比,文章提出的算法采用聚类思想对织物疵点进行分割,不需要利用正常织物图像进行阈值计算;另外经过方差采样算法处理后疵点信息明显增强,使得疵点信息与纹理明显不同,从而使聚类更为准确,增加了检测的准确度。

基于YOLOv5和ConvNext的钢铁表面缺陷检测研究

为解决工业钢铁表面缺陷检测速度慢、准确度低问题,提出一种基于改进YOLOv5网络的检测方法。在YOLOv5网络的FPN特征金字塔模块中加入ECANet模块,以提高检测精度;利用K-Means算法在NEU-DET数据集上重新聚类,生成3组新的先验框,降低网络损失;针对钢铁缺陷的小目标特征,将ConvNext网络应用到YOLOv5的主干网络中,用ConvNext网络提取小目标缺陷特征,增强模型学习能力。实验结果表明,改进后的YOLOv5模型与原YOLOv5模型相比,mAP提升了3.84%,平均检测速率为36.9 frame/s,能够做到快速和准确的检测,满足实际应用需求。

改进型NL-means算法滤除快中子图像噪声

分析了快中子照相图像的主要噪声特点和传统NL-means滤波算法的不足,提出了一种改进的适用于快中子照相特点的Nl-means图像滤波算法。实验结果表明,改进之后的算法不仅可以有效滤除快中子照相图像中的大量白疵点,而且有效的保护了图像中的边缘与细节信息,可为快中子照相图像的进一步处理提供参考。

Mean shift算法在带钢缺陷图像分割中的应用

带钢自动表面检测系统中缺陷图像的分割效果对缺陷识别具有重要影响.为了提高缺陷图像的分割效果,提出了采用Mean shift算法对带钢缺陷图像中的感兴趣区域进行平滑从而获取缺陷边缘的方法,并将该算法与中值滤波算法进行了比较.测试结果表明,Mean shift算法能够有效地对缺陷图像中的感兴趣区域进行平滑,并精确得到缺陷目标的边缘,该算法在带钢的缺陷分割中具有较好的性能.

基于卷积神经网络的毛巾瑕疵检测系统设计

针对毛巾表面小尺寸瑕疵和极端纵横比的经纬向瑕疵,提出基于卷积神经网络的毛巾瑕疵图像检测方法。首先采用所构建毛巾瑕疵检测系统中的面阵工业相机进行毛巾样本图像采集,从中选取150张带有瑕疵的图像,对采集的图像进行数据扩充,并制作数据集;其次,通过融合特征金字塔网络与ResNet-50,并引入K-means聚类优化边界框宽高比,得到适用的Faster R-CNN目标检测算法;最后,用数据集进行网络训练,提取图像中的瑕疵特征,识别瑕疵目标,并对训练所得网络进行实验验证,识别检出率达到95.2%。结果表明,所提出的系统可有效实现毛巾瑕疵自动检测。

基于改进YOLOv3_tiny算法的工件表面缺陷检测

针对当前工件表面缺陷检测算法模型大、实时性差、难以在性能受限的嵌入式系统中运行的问题,以轻量级算法YOLOv3_tiny为基础,提出一种改进算法Defect_YOLOv3_tiny。首先,应用K-means算法生成适用于缺陷特征的先验框;其次,将空间金字塔池化(SPP)模块添加到网络,同时引入注意力机制优化缺陷检测精度;最后,增加算法检测分支以遏制微小缺陷漏检。实验结果显示,改进算法检测速度为81.41fps,平均检测精度mAP为94.7%。与原有YOLOv3_tiny相比,改进算法检测速度仅降低11.6%,mAP由89.8%提升至94.7%,表明改进后的检测算法满足嵌入式系统对缺陷检测的轻量化与准确性需求。

基于改进K-means聚类的木材缺陷彩色图像分割算法研究

为实现木材缺陷图像的准确分割，研究了在RGB色彩空间使用K-means聚类算法进行木材缺陷图像的分割方法，针对K—means聚类算法图像分割的不足之处，并提出了一种改进方案。在改进算法中，加入对图像像素点的邻域处理，根据邻域特性适时调整原图像，充分利用图像像素的区域特征，以此来抑制一些局部噪声。实验结果表明，改进算法不仅能够滤除较多的干扰信息，而且能更好的拟合分割边界，改善图像的分割效果。

基于改进的加权中值滤波与K-means聚类的织物缺陷检测

为检测纹理织物在生产过程中产生的各种疵点,提出一种基于改进的加权中值滤波与K-means聚类相结合的纹理织物疵点检测方法。首先利用改进的加权中值滤波对纹理织物图像进行预处理,以减少纹理信息对疵点检测产生的影响,同时通过联合直方图动态数据分配权重和像素,减少寻求中位数的时间来有效地缩短检测时间,提高了执行速度;然后采用K-means算法对滤波后的织物图像进行聚类,计算织物图像疵点和非疵点的聚类中心,进而实现图像疵点区域的分割。实验结果表明,该方法可有效地检测出方格、点形、星形、平纹、斜纹等多类型纹理织物的疵点,并显著提高检测速度。