基于改进YOLOv8的航空铝合金焊缝缺陷检测方法

为了提高航空铝合金焊接缺陷数字射线成像自动检测效率和准确度,提出了一种改进YOLOv8智能检测方法。针对样本数据不足和缺陷不清晰的问题,采用Retinex图像增强算法和引导滤波算法对原始图像进行图像增强处理,然后采用旋转和翻转等方式扩充数据集。在模型改进中,使用GhostBottleneck模块替换C2f中的Bottleneck模块,完成模型的轻量化,减少了额外的冗余参数并降低了计算量。同时,引入空间注意力机制,获得缺陷更多的空间信息,并调整预测框的回归范围,提升了模型的精度。通过铝合金焊接件中常见几类缺陷进行测试和验证,改进YOLOv8算法平均精度均值(mAP50)达到92.9%,优于传统的Faster-RCNN、SSD和YOLOv8算法,能够有效适用于焊缝缺陷的自动识别。

基于激光超声时频域统计特征融合的应力评估

实现在役构件应力检测对保障设施的安全服役具有重要意义。针对单一特征对应力评估具有不稳定性、低准确性和低鲁棒性等问题,提出基于主成分分析-支持向量机的激光超声时频域统计特征融合的应力预测方法。通过提取激光超声时频域多阶统计特征,采用皮尔逊相关分析方法分析了不同特征之间的多重共线性。提出了基于主成分分析的特征选取和融合方法,并通过支持向量机机器学习方法构建了应力预测模型。实验证明所提出的应力预测方法相比于传统单一特征及其他机器学习模型预测具有更高的准确性、鲁棒性和稳定性。激光超声多特征融合应力检测方法可用于材料应力在线检测,同时在材料表征方面也具有广泛的应用前景。