视觉检测中高速图像采集技术的研究

利用视频输入处理器(SAA7111)和现场可编程门阵列(FPGA),采用全硬件方式和两帧轮换存储方式设计实现了图像采集系统、计算机以及前端硬件处理系统之间的相互接口,使得视觉检测中视觉传感器能够同时进行图像采集和低级图像处理.     

机翼蒙皮无损检测生产线中扫描路径优化方法

复合材料机翼蒙皮尺寸大、形状复杂、易回弹,无法采用机床等传统方式进行无损检测,机器人柔性化、智能化的特点,为无损检测生产线提供了全新的思路。针对此类问题,提出了大型机翼蒙皮连续曲面无损检测生产线及路径优化方法。利用双机器人搭载超声扫描设备,采用两次检测策略,第一次扫描对复合材料曲面进行重建,提高第二次透射式无损检测的精度。根据机翼的形貌,提出了一种平行于桁条行切的总体扫描策略,根据曲率利用最小二乘法将点集分组,之后应用混合遗传LM算法进行路径优化,即采用改进型遗传算法进行启发式全局优化,之后采用LM算法进行确定性局部优化,高效得到其最优扫描路径。在RoboDK中进行仿真,利用机器人搭载超声检测末端对蒙皮进行扫描。最后采用机器人搭载线激光扫描仪对优化路径进行精度验证。仿真及试验结果表明,相较于传统的检测方法,该方法满足无损检测约束条件,平均检测效率提高9.2%。     

基于三维激光扫描的金属基航空模线样板自动检测算法

虽然数字化制造已成必然趋势,但在未来很长一个时期内,模线样板依然将在飞机制造中扮演重要角色。如何以先进的数字化技术提升传统模式下的生产效率和质量,是需要认真研究的课题。针对模线样板的检测需求,结合模线样板的几何特征,提出基于三维激光扫描的金属基航空模线样板自动检测算法。对于样板刻线,将样板点云粗栅格化后,根据点云高度信息进行刻线的粗提取,再根据刻线的特性利用法矢信息优化提取结果;对于外形轮廓,将点云转换成二值图像并计算其边缘,实现外形特征提取;将特征提取结果与CAD数模进行配准并去除噪声,最后计算与数模的误差,实现样板检测,输出误差分布。试验结果显示,本文算法在精度和效率上优于现有算法,相较人工检测提升了可靠性和效率,在实际工程中具有应用价值。     

基于卷积神经网络的航天复合材料缺陷智能检测

针对传统的缺陷图像识别处理方式存在着准确度与辨识度不足,且处理缺陷种类单一的问题,提出了一种基于Cascade R-CNN和Mask R-CNN的神经网络模型。首先,为了提高缺陷检测的可视化效果和检测准确度,在实例分割卷积网络Mask R-CNN的基础上,结合级联神经网络Cascade R-CNN结构,组合成了新的级联实例分割Cascade Mask R-CNN网络;其次,对组合而成的级联卷积神经网络进行了训练,将训练好的模型对复合材料缺陷图像进行了检测。实验结果表明:检测的平均准确度达到了91.5%,平均置信度达到了97.3%,达到了检测精度的要求。该研究成果可运用于航天复合材料缺陷识别。     

基于改进YOLOv5的飞行员异常行为识别方法

为了快速准确地识别飞行员在驾驶舱内的异常行为,以保证航空安全,设计了一种基于改进YOLOv5算法的驾驶舱内飞行员异常行为识别方法。在YOLOv5的骨干网络中加入坐标注意力机制,获取在位置和方向上的特征信息,增强对注意力信息的敏感程度;改良交并比作为损失函数,提高模型计算速度和精度。训练自制飞行员异常行为原始数据集,实验结果表明,在模拟飞行驾驶舱中进行测试,能够准确快速识别飞行员的3种异常行为,平均精度达到98.3%,满足了识别要求。     

某型检测设备综合电源供电跳闸故障研究

综合电源为检测对象提供不同规格的交流、直流功能性供电,是目前多数功能测试设备外设转电核心组成部分。针对综合电源三相供电时出现漏电保护器跳闸现象,通过分析综合电源的工作原理、故障产生时机、供电机制并进行现场验证,完成故障定位,为同类故障的分析提供参考。     

顾及样本优化选择的机器学习云检测研究

针对云层日变化、云类型、云相态、云光学厚度等特征差异带来的光谱差异,导致传统阈值算法对云识别精度不高的问题,文章提出了一种顾及样本优化选择,耦合物理阈值方法和机器学习的云检测算法模型,利用“葵花8号”卫星（Himawari-8）数据进行日间云检测。通过样本优化选择,使样本中尽可能包括不同情形下的云特征,为机器学习模型提供良好的样本基础,增加模型泛化能力;同时输入特征除了考虑反照率、亮温、亮温差以及天顶角等因素外,还加入了基于反照率和亮温差的物理阈值方法云识别结果;最后基于极限随机树模型进行云检测。结果表明：模型云检测交叉验证精度为96.41%,总漏检率和总虚检率分别为2.08%和0.91%;通过云-气溶胶激光雷达与红外探路者卫星观测（CALIPSO）产品数据进行对比分析,结果显示云检测总体精度为97.1%。     

基于综合卫星遥感的典型铁路设施提取方法研究

随着遥感技术在铁路行业应用的深入,应用多源遥感对铁路设施状态进行观测成为学界和产业界关注的热点。针对铁路设施状态定量化监测问题,应用InSAR技术可以获得铁路设施沉降信息,沉降信息的分析提取往往要借助设施的类别、位置等属性,否则无法进一步对特定铁路设施的沉降进行量化评估。文章综合利用星基光学与微波遥感影像,通过目标检测技术对铁路设施进行自动提取,确定铁路设施微波散射点与光学属性中类别与位置的对应关系;选取典型区域,以接触网立柱为例,利用多源遥感影像对文中提出的提取方法进行验证,结果显示：综合光学遥感影像的高空间分辨率以及SAR影像对铁路设施特异性散射的特征对铁路设施进行提取,提取准确率较光学遥感影像提取准确率提高2.8%,较SAR影像提取准确率提高9.2%,同时提取结果中设施位置更准确,可减少因设施的错误监测造成的行车安全影响,为InSAR对铁路设施形变的定量化监测提供参考。     

航空发动机叶片表面损伤与检测研究进展

航空发动机叶片的工作环境极其恶劣,表面会出现各种类型的损伤。在损伤早期进行表面检测能够有效预防因损伤扩展导致的叶片失效断裂。发动机叶片表面损伤的检测和评估主要由人工操作,严重依赖工作经验,但人工检测不仅效率低下,而且检测结果容易受到人为因素的影响。为了高效、高精度地检测发动机叶片表面损伤,从叶片失效形式出发,综述了发动机叶片在停放和运行2种状态下的损伤机理,并重点阐述了涡流检测、渗透检测等常用于叶片表面损伤检测的方法。总结了基于机器视觉的检测技术,分析机器视觉检测面临数据集稀缺和单一性的挑战,认为收集大量数据并进一步完善评估标准是未来发动机叶片表面损伤检测系统研究的重点方向。     

面向电力系统的多粒度隐患检测方法

由于电力系统的安全问题往往会造成严重的经济或社会影响,隐患检测已成为电力系统不可或缺的重要环节。随着人工智能领域的发展,基于深度学习的智能化电力系统隐患检测技术逐渐得到越来越多的关注。但目前的方法大多只是单一地考虑图像的全局特征或局部特征,无法全面彻底表征图像,进而难以捕捉电力领域尤其室外复杂背景下的隐患检测。为此,基于深度学习技术,提出了一种面向电力系统的多粒度隐患检测方法MGNet。通过引入图像的多粒度信息,构建全局和局部网络,进行多粒度级检测;并通过不同粒度级检测结果的协作式融合,增强检测的全面性。在杆塔连接金具隐患和线路通道机械隐患2个数据集上进行了实验比较和分析,对所提模型的检测性能进行评估。通过与现有最优隐患检测基准方法相比,所提方法在2种不同数据集上的平均精度均值分别提升了2.74%和2.77%,验证了模型的有效性。