X 射线照相缺陷定位方法分析与验证

相对于公式法,双标记法解决了焦距和焦点位移测量误差所带来的问题.但此方法在射线检测领域普及程度并不高,其中原因,首先是原理较复杂,针对性研究少,其次是测量精度没有被量化,可信度不高.本文从公式法入手,通过对原理公式的变化分析和线性化分析,明晰了双标记法缺陷深度定位原理,推导了缺陷深度定位公式,利用简化模型,对双标记法的定位精度做了进一步的分析与计算,最后针对具体被检测物,测试验证了双标记法的计算公式和测量精度,用理论和实践证明了方法和精度的可靠性.     

碳纤维复合材料X射线数字化实时成像检测技术

复合材料具有设计性强、重量轻、硬度高、耐腐蚀、抗疲劳性能好、热膨胀系数小等一系列优越性能,广泛应用于航空航天、国防、建筑等领域.但复合材料制件在生产和使用过程中可能产生缺陷,引起质量问题,因此对其进行无损检测非常必要.目前射线检测仍是复合材料无损检测常用的检测方法之一.X射线实时成像检测技术作为一种新兴的无损检测方法,具有快速、准确、直观、成本低等优点,已进人工业产品无损检测领域.     

基于厚壁工件X射线实时成像的焊缝缺陷自动检测

基于X射线成像的焊缝缺陷自动检测技术对提高工业射线检测的自动化水平具有重要意义。焊缝缺陷在线连续检测的实时性要求较高,随着工件厚度的增加,其焊缝X射线实时图像的信噪比变得很低,使得已有的处理算法难以满足实时性以及有效处理缺陷误检与漏检之间的矛盾。针对这些问题,在分析了传统方法在厚壁工件X射线图像焊缝缺陷自动检测中存在的问题基础上,对传统方法进行了改进,提出了双阈值背景消除法和平行焊接方向波形分析法,然后利用所提出算法之间的冗余性和互补性,融合多种分割结果以解决缺陷误检与漏检之间的矛盾。试验结果表明,所提出的缺陷自动检测方法能够在满足实时性要求的同时,实现缺陷检出,有效避免误检。     

X射线扫描成像系统的应用研究

通过X射线扫描成像系统的应用，得出这种系统的应用是射线检测技术的一次革命，它实现了射线检测的高质量、高效率，使检测成本大大降低。     

基于深度学习的自冲铆接偏铆缺陷检测算法研究

自冲铆接技术适合铝钢等异种材料连接,接头性能可靠,在航空工业中有着广阔的应用场景,但目前针对自冲铆接缺陷无损检测的相关研究较少。提出了基于深度学习的自冲铆接偏铆缺陷检测算法,首先通过剪切力学性能试验得出偏铆自冲铆接件相较于正常铆接件力学性能下降了5.6%;然后通过自冲铆接偏铆件外部形貌特征将偏铆程度由外部特征定义在0～10的区间;最后探究了单步检测同双步检测间的检测效果差异,提出了YOLOv5s(You Only Look Once v5s)加ResNet18的检测方案,并通过Grad-CAM(Gradient-Weighted Class Activation Mapping)对不同检测方案的效果差异进行了可视化的解释。测试表明,提出的YOLOv5s加ResNet18的检测方案在所采集的数据测试集中可以达到100%正确率,高于仅用YOLOv5s取得的95.18%正确率,远高于仅用ResNet18取得的84.1%正确率。     

基于分区域自适应中值滤波的X射线图像缺陷提取

为了实现X射线数字图像的计算机智能分析和处理,研究了射线数字图像缺陷自动提取技术。以航空发动机叶片为研究对象,介绍了基于分区域自适应中值滤波的图像处理方法。根据图像不同区域内灰度变化特点进行不同方向的基于扫描线的一维中值滤波,并使滤波器的长度能随着缺陷尺寸自动调整,快速、准确地提取出被测试件的缺陷。试验结果表明,运用该方法进行X射线数字图像的缺陷提取,能有效避免缺陷的变形和失真,为缺陷的自动识别打下了良好的基础。     

碳纤维复合材料X射线照相检测

介绍碳纤维复合材料阶梯试块及对比试件的制作方法,指出产品Ｘ射线照相检测及准备工作的注意事项。并附有各种典型缺陷的Ｘ射线照片。     

基于合成卷积层网络结构的焊缝X射线图片缺陷筛选技术

焊接技术应用于多个领域,近些年焊缝缺陷自动检测技术成为了重要的研究方向。本文基于VGG-16卷积神经网络的良好分类性能,提出一种SC-VGG网络结构,利用合成卷积层替换了单个卷积层,同时改进了训练过程中的损失函数,使网络结构更为关注焊缝缺陷类型预测的结果。经过实验测试,SC-VGG网络结构在训练过程中损失函数曲线可以很好的收敛,与其他网络结构相比对焊缝缺陷特征的提取性能更好,平均准确率和召回率达到了95.86%和98.33%,为焊缝缺陷自动化识别提供了算法支撑。     

金属增材制件射线检测缺陷检出概率分析

针对增材制造射线检测缺乏缺陷检出概率数据易导致裂纹、孔隙缺陷漏检问题,以GH3625高温合金增材制件的线型缺陷和孔型缺陷为研究对象,使用CIVA2020仿真平台模拟X射线检测并得到缺陷检出概率（POD）曲线,研究两种缺陷不同尺寸变化对缺陷检出概率的影响,确定不同影响因素下缺陷检出尺寸及检出概率,并利用Sgompertz函数拟合得到线型缺陷受深度影响的POD曲线方程以及孔型缺陷受半径影响的POD曲线方程,建立了增材制造线型缺陷和孔型缺陷的缺陷检出概率模型。结果表明：在95%的置信水平下以90%概率可检出的线型缺陷长度尺寸为0.211 mm、宽度尺寸为0.213 mm、深度尺寸为0.178 mm,孔型缺陷可检出的直径尺寸为0.188 mm,高度尺寸为0.190 mm。通过实际试样微焦点射线成像检测以及胶片射线照相检测对仿真结果进行对比验证。表明建立的缺陷检出概率模型较为准确,可为增材制造中裂纹与孔隙缺陷检测可靠性分析提供依据。     

焊接接头典型缺陷的数字X射线尺寸测量技术

为了准确测量焊接接头典型缺陷的尺寸,提出了一种基于半波高法(HWH)的焊接接头缺陷数字射线尺寸测量技术。首先,分析了数字射线检测系统的调制传递函数(MTF),确定了检测系统的空间分辨率。其次,对焊接接头的典型缺陷进行模拟,通过半波高法测量其尺寸。结果表明:依据瑞利判据,运用双丝像质计测定该检测系统的空间分辨率为4.5 Lp/mm;运用该方法测量焊接接头缺陷尺寸,与实际尺寸基本相符,误差小于6.3%,该方法避免了人为因素的影响,精度可满足日常产品的检测需求。     

目视及X射线检测裂纹概率曲线测定

无损检测是保证飞机结构的可靠性与维修性的重要手段之一。介绍了常用的检测方法目视及X射线检测裂纹概率测定，通过一定量的试验，得出了95％置信水平下裂纹检出的统计结果，可指导今后同类结构的检测，同时为损伤容限设计，结构维修提供依据。     

基于相控阵超声的铝合金熔焊缝缺陷深度定位技术研究

传统的射线照相检测技术仍是铝合金熔焊缝缺陷的主要检测方式,由于传统射线照相检测无法测量缺陷在焊缝高度方向上的尺寸和位置,在缺陷的定位和排除方面存在不足,从而加大缺陷排除的工作量,甚至由于缺陷排除方向错误造成焊缝挖穿,影响补焊质量.相控阵超声检测技术通过接收缺陷回波来实现缺陷检测,可以反映缺陷的尺寸和位置信息.本文采用Omni Scan MX相控阵超声检测仪和5L64-A2相控阵探头针对对比试块、铝合金熔焊缝缺陷进行了定位技术研究,并与缺陷微观测量、宏观测量的结果进行对比,结果表明基于相控阵超声检测的铝合金熔焊缝缺陷深度定位检测结果与微观检测结果基本一致,可以采用相控阵超声检测技术进行铝合金熔焊缝缺陷深度定位.     

基于深度学习的小目标检测研究进展

随着深度学习方法的快速发展,目标检测作为计算机视觉领域中最基本、最具有挑战性的任务之一,已取得了令人瞩目的进展。现有的算法大多针对于具有一定尺寸或比例的大中型目标,但由于待测目标尺寸小、特征弱等原因,对小目标的检测性能还远远不能令人满意。小目标检测（SOT）作为一种广泛应用于室外远程拍摄和航空遥感场景的技术,近年来受到了广泛的关注,各种方法层出不穷,但是目前对该问题的全面综述较少。从问题定义、算法分析、应用介绍、方向展望等方面对基于深度学习的小目标检测研究进展进行了综述。首先,给出了小目标检测问题的定义,阐述了其技术难点及在实际应用中面临的挑战;接着,从8个不同角度分析了检测器对小目标检测精度较低的主要原因及相应的改进方法,详细归纳总结了小目标检测在各技术方面的研究工作;然后介绍了几个特定场景下小目标检测算法的典型应用;最后,对小目标检测未来的发展趋势进行展望,提出可行的研究方向,期望为该领域的研究工作提供可借鉴和参考的思路。     

影响X射线照相成像质量的几个因素

本文讨论了影响X射线照相成像质量的几个因素,重点讨论了被透照物到胶片的距离对成像质量的影响;以及工作中经常遇到的情况和采取的措施。     

基于深度学习的无人机航拍目标检测研究综述

目标检测是提高无人机（UAV）感知能力的关键技术之一,其研究对于无人机的应用有着重要意义。与基于手工特征的传统方法相比,基于卷积神经网络的深度学习方法具有强大的特征学习和表达能力,成为目前目标检测任务的主流算法。近年来,目标检测技术已经在自然场景图像上取得了一系列突破性进展,在无人机领域的研究也逐渐成为热点。首先系统阐述了基于深度学习的目标检测算法的研究进展,并总结了相关算法的优缺点。对常见的航空影像数据集进行了梳理并介绍了迁移学习的方法;从无人机影像背景复杂、目标较小、视场大、目标具有旋转性的特点出发,对无人机目标检测在近期的研究进行了归纳和分析。最后讨论了存在的问题和未来可能的发展方向。     

基于小样本学习的钢板表面缺陷检测技术

近年来,数据驱动的缺陷检测技术在工业部门得到了初步应用,提升了生产智能化的水平,但是受制于训练样本不足、检测精度较低的问题,这种方法目前仍然难以进一步推广.因此,本文提出了一种数据驱动的钢板表面缺陷检测技术.针对训练样本不足的问题,采取数据增强方法增广数据集.针对检测精度较低的问题,采取层次结构模型方法提升缺陷检出率....     

面向激光焊接缺陷识别的可解释性深度学习方法

激光焊接在航空领域具有广泛的应用场景,基于视觉的激光焊接缺陷识别对于产品质量的提高至关重要。针对当前基于深度学习的激光焊接缺陷识别方法存在可解释性差的问题,提出了一种融合多尺度特征的类激活映射(MSF-CAM)方法。在训练阶段,以VGG16为骨架模型并将监督信息施加于多个尺度以促进模型对多尺度特征的学习。在测试阶段,对输出类别在多个尺度上的激活图进行叠加,并以此作为模型的判断依据。多尺度特征的融入不但增强了模型的可解释性,而且还提高了激光焊接缺陷识别的准确性。试验结果表明：MSF-CAM在测试集上的准确率为98.12%,识别单幅图像耗时8.28 ms。此外,MSF-CAM可以从边缘、轮廓这种初级特征的角度对模型的决策依据提供人类更容易理解的解释。     

基于深度学习的地空导弹发射区拟合算法

目前地空导弹发射区的拟合算法主要是多项式拟合法和BP神经网络拟合法。多项式拟合法存在函数形式难以确定、函数范围不易分段等问题,且拟合精度较低;传统神经网络方法要想达到较高精度,需要大量的隐层节点,且在隐层节点数增加到一定程度后,训练变得十分困难且精度很难继续提高。同时,传统神经网络需要大量的标签数据,进一步增大了实际应用的难度。为此,基于深度学习理论,设计了一种基于堆栈稀疏自编码器（SSAE）的深度拟合网络（DFN）,并给出了相应的训练策略。仿真实验表明其相比传统算法具有更小的拟合误差优势。所设计的深度稀疏自编码器网络可以克服多项式拟合和传统神经网络的不足,不仅可以在大量无标签数据和少量标签数据条件下进行学习训练,而且可以进一步提升地空导弹发射区的拟合精度。     

基于深度学习的无人机航拍视频多目标检测与跟踪研究进展

随着无人机航拍的数据采集愈加便捷,以无人机为平台的多目标检测与跟踪技术发展迅速,在智慧城市、环境监测、地质探测、精准农业和灾害预警等民用和军事领域有着广泛的应用前景,近年来深度学习的突飞猛进也为其提供了多种更为有效的解决思路。然而,无人机视角下目标外观发生突变、目标区域被严重遮挡以及目标消失和重现等挑战性的问题尚未完全解决。综述了基于深度学习的无人机航拍视频多目标检测与跟踪算法,总结了该领域的最新进展,包括多目标检测、多目标跟踪2个模块。多目标检测模块划分为双阶段与单阶段两个部分。对于多目标跟踪模块则依据基于检测的跟踪和联合检测的跟踪2个经典框架,分别阐述了2类算法的原理并分析其优缺点。随后对现有的公开数据集进行统计分析,并对基于无人机航拍视频的多目标检测与跟踪领域内标杆挑战赛VisDrone Challenge近年来的最优方案进行了对比分析。最后总结了无人机视角下多目标检测与跟踪亟待解决的问题并展望未来可能的研究方向,为后续相关研究的人员提供参考。