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.     

喷射角对超声速燃烧室掺混和燃烧的影响

针对壁面喷射方式,分别在冷态喷流和燃烧工况下探讨了喷射角的变化对超声速流场中的燃料掺混效果及燃烧效率的影响。研究表明:采用带角度喷射能明显减弱壁面垂直喷射导致的强激波,减小激波/边界层干扰带来的总压损失,在燃料掺混特性方面,减小喷射角会降低近场穿透距离,减弱近场的掺混效果,而对中场的穿透深度及掺混效果影响不大,但带角度喷射的远场的穿透深度及掺混不如垂直喷射。所以垂直喷射时,虽然更多的燃料和空气发生掺混,燃烧效率要高于带角度喷射的,但会以牺牲很大的总压为代价,所以在工程中建议采用带角度喷射配合其他喷射方式。     

调整工艺参数对ESR熔池深度影响的研究

研究了自耗电极自动进给系统下的电渣重熔 (Electroslagremelting简称ESR)工艺参数与熔池深度h( 0 ,Y)的关系 ,它可用h( 0 ,Y) =A·e-B/Y数学式表示 ,其中A ,B为工艺参数的函数。利用这一数学表达式 ,如果工艺参数变量为已知 ,则可求出任意锭高Y的h( 0 ,Y) 。比较了调整功率与等电流重熔二种工艺 ,结果表明 ,前者得到的h( 0 ,Y) 有明显的降低 ,且随锭高Y的增加 ,h( 0 ,Y) 变化亦小 ,有利于得到均匀的铸态组织。假若调整幅度选择得当 ,在锭高Y大于某一值时 ,获得近等深熔池是可能的     

基于深度学习的目标检测框架组件研究

深度学习与计算机视觉的结合给目标检测研究领域带来了全新的检测模式,通过对基于深度学习的目标检测网络分析研究,目标检测网络框架可模块化地拆分为特征提取网络、多尺度融合和预测网络三个部分。从组成目标检测网络模块化的角度对各个模块进行了详细的分析综述,并给出了如何根据实际需求来构建适合的模型框架建议,为基于深度学习的目标检测方法研究提供参考。     

基于深度学习的太阳黑子Wilson山磁类型识别方法

太阳黑子是太阳光球层中带有较强磁场的区域,通常是太阳爆发活动的源区。Wilson山磁分类是当前最为主流的太阳黑子分类方法之一,对研究太阳爆发有重要意义。利用2010－2017年间SDO/HMI成像仪观测到的720s_SHARP磁图和白光图数据,研究使用深度学习对太阳黑子群Wilson山磁分类的方法。实验结果表明,Xception网络在识别太阳黑子Wilson山磁类型上能取得最优的效果,其中对α类型黑子的F₁得分为96.50%,β类为93.20%,其他类型的黑子为84.65%。      

基于立体图像的多路径特征金字塔网络3D目标检测

3D目标检测是计算机视觉和自动驾驶中一项重要的场景理解任务。当前基于立体图像的3D目标检测方法大多没有充分考虑多个目标之间的尺度存在较大差异,从而尺度小的物体容易被忽略,导致检测精度低。针对这一问题,提出了一种基于立体图像的多路径特征金字塔网络(MpFPN)3D目标检测方法。MpFPN对特征金字塔网络进行了扩展,增加了自底向上的路径、由上至下的路径及输入特征图到输出特征图之间的连接,为联合区域提议网络提供了更高语义信息和更细粒度空间信息的多尺度特征信息。实验结果表明:在3D目标检测KITTI数据集上,无论在场景简单、中等、复杂情况下,所提方法获得的结果都优于比较方法的结果。      

基于动态特征选择的遥感图像目标检测算法

在遥感图像目标检测领域内,旋转物体的检测存在挑战,卷积神经网络在提取信息时会受制于固定的空间结构,采样点无法聚焦于目标;遥感图像尺度变化大,不同物体需要具有不同尺度感受野的特征映射,具有单一尺度感受野的特征映射无法包含所有有效信息。基于此,提出了可变形对齐卷积,根据候选边框调节采样点,并根据特征映射学习采样点的细微偏移,使采样点聚焦于目标,从而实现动态特征选择;同时提出了基于可变形对齐卷积的感受野自适应模块,对具有不同尺度感受野的特征映射进行融合,自适应地调整神经元的感受野。在公开数据集上的大量实验验证了所提算法可以提高遥感图像目标检测的精度。      

二值卷积神经网络综述

二值卷积神经网络（BNN）占用存储空间小、计算效率高,然而由于网络前向的二值量化与反向梯度的不匹配问题,使其与同结构的全精度深度卷积神经网络（CNN）之间存在较大的性能差距,影响了其在资源受限平台上的部署。至今,研究者已提出了一系列网络设计与训练方法来降低卷积神经网络在二值化过程中的性能损失,以推动二值卷积神经网络在嵌入式便携设备发展中的应用。因此,本文对二值卷积神经网络进行综述,主要从提高网络表达能力与充分挖掘网络训练潜力两大方面,给出了当前二值卷积神经网络的发展脉络与研究现状。具体而言,提高网络表达能力分为二值化量化方法设计、结构设计两方面,充分挖掘网络训练潜力分为损失函数设计与训练策略两方面。最后,对二值卷积神经网络在不同任务与硬件平台的实验情况进行了总结和技术分析,并展望了未来研究中可能面临的挑战。     

ZrO2陶瓷切向超声辅助磨削表面及亚表面损伤机制

为进一步揭示切向超声辅助磨削过程中硬脆材料的表面及亚表面损伤机理,基于应变率模型对其磨削过程中材料的动态力学性能进行分析,并在此基础上建立了硬脆材料的脆-塑转变临界切削深度模型与微裂纹损伤深度模型。研究发现,脆-塑转变临界切削深度和微裂纹损伤深度均与应变率有关,其中临界切削深度随着应变率的增加而增加,而横向裂纹损伤深度与中位裂纹损伤深度均随应变率的增加而减小。通过ZrO₂陶瓷切向超声辅助磨削试验进行验证。试验结果表明：由于切向超声振动的引入提高了材料应变率,进而提高了材料的动态断裂应力以及动态断裂韧性,从而扩大了ZrO₂陶瓷的塑性域去除范围,降低了加工表面的横向裂纹与中位裂纹损伤深度,使得ZrO₂陶瓷的表面及亚表面质量得到明显改善。试验结果与理论分析相一致,为进一步揭示切向超声辅助磨削过程中硬脆材料的表面及亚表面微观损伤机理提供了理论参考。     

流体力学深度学习建模技术研究进展

深度学习技术在图像处理、语言翻译、疾病诊断、游戏竞赛等领域已带来了颠覆性的变化。流体力学问题由于维度高、非线性强、数据量大等特点,恰恰是深度学习擅长并可以带来研究范式创新的重要领域。目前,深度学习技术已在流体力学领域得到了初步应用,其应用潜力逐渐得到证实。以流体力学深度学习技术为背景,结合课题组近期研究结果,探讨了流体力学深度学习建模技术及其最新进展。首先,对深度学习技术所涉及的基本理论做了介绍,阐释流场建模中常用深度学习方法背后的数学原理。其次,分别对流体力学控制方程、流场重构、特征量建模和应用等几个典型的人工智能与流体力学交叉问题应用场景所涉及的深度学习技术研究进展进行了介绍。最后,探讨了流体力学深度学习建模技术所面临的挑战与未来发展趋势。