基于改进ResNeXt网络的焊缝缺陷智能分类研究

这是一篇关于缺陷图谱,卷积神经网络,智能分类,无损检测,深度学习的论文, 主要内容为火炮发射的剧烈冲击易导致主要支撑件摇架焊接处缺陷的持续扩大,甚至造成摇架失效。由于火炮服役于战争,故摇架失效易造成人员伤亡、武器损毁等不可逆转的巨大损失。因此,及时且准确的识别焊缝缺陷至关重要。焊缝缺陷中常用的射线检测难以获得复杂结构工件内部的准确图像,故本文选择对非平面物体和复杂结构体也适用的超声相控阵检测技术对摇架焊缝缺陷进行检测。对于后续的缺陷识别与分类,本文采用基于深度学习的缺陷自动识别方法,直接从焊缝缺陷的全聚焦图谱中学习特征并自动分类;并对Res Ne Xt网络进行改进,使焊缝缺陷的分类准确率有进一步的提高。本文主要进行了以下几个方面研究:(1)针对超声相控阵全聚焦成像方式中等声程线叠加产生的伪影噪声,本文将缺陷图谱与噪声图谱分别以20色阶为区间在通道直方图上进行对比,得到噪声和缺陷分布的颜色范围,并结合阈值分割对图谱进行降噪。该降噪方法不仅对不同程度的噪声去除效果良好,降噪后的数据集用于网络模型后分类准确率也有5.4%增益。(2)介绍了卷积神经网络的组成和部分高效卷积结构,并选择Res Net-34、Res Net-50、Res Ne Xt-50和Shuffle Net-v2四种网络模型对采集到的超声相控阵全聚焦图谱数据集进行训练。经过200轮训练,发现Res Ne Xt-50网络模型具有最高的准确率92.7%,这也为后续对该网络模型改进奠定了基础。(3)改进原Res Ne Xt-50网络模型以提高模型分类准确率:在原Res Ne Xt-50网络模型中引入SK卷积单元以增强感受野的自适应调节;为了缓解Res Ne Xt-50中逐点卷积耗费大量计算量的问题,采用1×1分组卷积代替原来的逐点卷积,并引入通道重排缓解组卷积导致的各组信息交流减弱的问题。经过改进之后Res Ne Xt-50网络模型可以达到98.2%的分类准确率,比原Res Ne Xt-50在本文数据集上的分类准确率提高5.5%,经过T-sne可视化也具有明显的分离边界和聚类效果。

基于高光谱成像技术小麦霉变籽粒快速无损检测方法的研究

这是一篇关于高光谱成像技术,小麦籽粒,赭曲霉,黑曲霉,无损检测的论文, 主要内容为小麦作为我国三大粮食作物之一,每年小麦在收获时节遭受高温高湿的天气,贮藏过程出现密闭性差等情况,极易造成小麦籽粒发生霉变。小麦霉变后会产生对人类有害的毒素,危害人类生命健康的同时造成了极大的经济损失。通常对小麦进行加工前需要进行霉变检测,然而传统粮食霉变检测方法存在操作过程过于复杂且不能满足工业化在线检测等问题。因此,研究小麦籽粒感染霉菌准确快速和无损的检测方法尤为重要。本研究以小麦籽粒为研究对象,基于高光谱成像技术结合化学计量学分析方法构建了小麦籽粒感染霉菌的生长时间模型,分析了小麦籽粒中霉菌孢子含量预测回归,并对小麦籽粒霉变程度进行可视化分析。具体研究内容如下:首先,运用波长为900～2500 nm的高光谱成像系统对感染赭曲霉的小麦籽粒进行生长时间的判别。采集所有小麦籽粒的高光谱图像并提取感性区域范围内的平均光谱数据,通过对光谱数据进行Savitzky-Golay(SG)滤波平滑、一阶导数(1st derivative,1d)微分和标准正态变量(Standardized Normal Variate,SNV)三种方法对所采集的数据进行预处理,采用最小角回归(Least Angle Regression,LAR)和连续投影法(Successive Projections Algorithm,SPA)挑选特征波长,并基于特征波段和预处理后的全波段建立支持向量机(Support Vector Machine,SVM)和偏最小二乘判别分析(Partial Least Squares Discrimination Analysis,PLS-DA)分类模型。通过对六种模型的综合比较,SNV+SG-SPA-SVM算法建立的小麦籽粒接种赭曲霉生长时间判别模型效果最佳,训练集和测试集准确率分别为96.39%和94.64%。其次,运用定量分析方法建立回归模型,基于波长范围900～2500 nm的高光谱成像系统对感染赭曲霉的小麦籽粒中的孢子含量进行预测。采集所有小麦籽粒的高光谱图像并提取感性区域范围内的平均光谱数据,然后根据GB 4789.2-2022《食品微生物学检验菌落总数测定》进行测定孢子含量。采用LAR和SPA挑选特征波长,并基于特征波段和全波段建立支持向量回归(Support Vector Regression,SVR)和偏最小二乘判别回归(Partial Least Squares Regression,PLSR)分类模型。通过对六种模型的综合比较,基于SPA-SVR算法建立小麦籽粒接种赭曲霉霉菌孢子含量预测模型效果最好,预测集决定系数Rp2为0.9681,预测集均方误差(Root Mean Squared Error of Prediction,RMSEP)为0.3926,预测相对偏差(Residual Predictive Deviation,RPD)为5.1162。最后,为了更好的判别霉变程度,根据GB 4789.2-2022《食品微生物学检验菌落总数测定》测定孢子含量,划分出小麦四种霉变等级程度(安全、临界、危害和严重危害)。运用900～2500 nm范围内的高光谱成像系统对小麦籽粒感染黑曲霉不同程度可视化研究。采集所有小麦籽粒的高光谱图像并提取感性区域范围内的平均光谱数据。然后,通过二元烟花算法(Binary Fireworks Algorithm,BFWA)、竞争自适应重加权抽样算法(Competitive Adaptive Reweighted Sampling,CARS)、随机青蛙(Random Frog,RForg)算法和混合蛙跳算法(Shuffled Frog Leaping Algorithm,SFLA)进行特征波长挑选,将特征波长下对应的高光谱单色图像基于的SVM和K-近邻域(K-Nearest Neighbor,KNN)以及卷积神经网络(Convolutional Neural Networks,CNN)中的Le Net-5和VGG-16算法建立像素点识别模型。经过四种模型综合比较可知,当四组份(1032 nm、1452 nm、1126 nm和1901 nm)的单色图像相结合在Le Net-5算法下,识别的训练集和预测集准确性分别为100%和99.86%,预测集的受试者工作特征(Receiver Operating Characteristic,ROC)曲线中的面积曲线(Area Under Curve,AUC)面积达到0.9969。以上研究为构建了一套完整的方法以实现小麦籽粒霉变程度的无损快速检测提供了理论基础。

马铃薯晚疫病检测方法研究及装置设计

这是一篇关于马铃薯晚疫病,无损检测,深度学习,光谱技术,嵌入式检测仪的论文, 主要内容为由致病疫霉侵染引起的晚疫病是马铃薯生产中的毁灭性病害,该病可危害马铃薯整个生育期,严重时可导致马铃薯绝收。为实现马铃薯晚疫病的快速检测,本文以离体马铃薯叶片为研究对象,分别基于深度学习和光谱技术实现了马铃薯晚疫病害的检测判别及早期预测,并使用树莓派、摄像头、光纤光谱仪及温湿度传感器等硬件进行二次开发,研制了一种体积小、操作简单、适应性强的马铃薯晚疫病检测仪,其既可根据叶片外部形态特征划分病害程度,又能够基于叶片光谱信息实现在无症状显现时对病害的早期判别和流行期的预测,此外还可基于检测结果发布预警防控信息,以利于晚疫病害的防治。本文主要研究内容及结论如下:(1)基于深度学习的马铃薯晚疫病害检测判别。构建了单一和复杂背景下的马铃薯叶片病害数据集,其包含7类马铃薯叶片图像,采用数据增强方法对其进行扩增,改善了类不平衡问题。以准确率、推理速度、参数量为指标综合评价了7种预训练模型对马铃薯叶片病害细粒度划分的性能,从中选出泛化能力较好且推理速度更快的Shuffle Net V2 2×模型并加以改进,提出了引入注意力机制模块、减少网络深度、减少1×1卷积个数三种改进策略,通过消融实验探究了其对基础模型性能的影响,并确定了最佳的改进形式,改进模型的参数量和计算量均减少了约23%、分类准确率上升了0.14%、CPU推理速度提升至30.2帧·s-1,对7类图像的识别精确率均在85%以上、召回率均在90%以上。此外,还提出了一种适用于嵌入式设备的轻量级分割网络S-UNet,其使用带有ECA模块的Shuffle Net V2作为U-Net的主干网络进行特征提取,对背景、叶片、早疫病害和晚疫病害四类像素进行分割的m Io U、m PA、m Precision及m Recall分别为88.54%、93.23%、94.43%和93.23%。进一步使用剪枝和量化方法对S-UNet模型进行优化,压缩后的模型模型保持了较高的分割精度,模型大小减小至21.56 M,在GPU和CPU上的推理速度分别提升至26.5帧·s-1和21.4帧·s-1。建立的两种深度学习模型分别实现了马铃薯叶片病害程度的判别及病斑区域的分割,且具有较高的识别精度和较快的推理速度,为实现马铃薯晚疫病害的自动识别提供了重要的技术支持。(2)基于光谱技术的马铃薯晚疫病害早期预测。通过分析不同疾病阶段下光谱透射率和理化值的响应发现,光谱透射率会随病情的加重而降低、POD活性先稍微降低后明显上升、SPAD值持续下降,说明透射率和理化值的变化可以反映患病程度。其次系统地结合预处理、降维和分类方法分别基于光谱透射率和理化值实现了对病害等级的判别,对于基于透射率的分类模型而言,分类方法的选择最为重要,其次是降维方法,建立的MC-NCA-KNN分类模型分类效果最好,准确率高达96.89%,且利用直接校正算法进行模型传递有助于建立稳健的光谱诊断模型,而建立高性能的理化值预测模型是基于理化值实现病害程度分类的前提,SG用于预处理并结合UVE用于波长选择可提高两种理化值的预测能力,再利用GBDT基于预测的理化值进行分级的准确率为95.35%。进一步探究了理化值随时间发展的响应规律,其中湿度和培育时间是影响理化值变化的两个重要因素,基于这两个因素建立的拟合POD活性和SPAD值回归模型的Rp2分别为0.9432和0.8754,最终结合基于理化值的回归和分类模型实现对晚疫病害流行时期的预测,准确率为92.8%。研究表明,基于光谱技术快速无损测定叶片理化值以实现晚疫病害定性判别及流行期预测是可行的,为马铃薯晚疫病害的早期检测和防治提供了理论参考。(3)设计并研制了一种马铃薯晚疫病检测仪,并对其进行了性能测试。首先基于功能要求对检测仪的硬件系统进行了总体设计,明确了各模块的功能及硬件组成,所设计的检测仪包括采集模块、控制模块、显示模块、电源模块四部分,其中采集模块包括温湿度传感器、摄像头、光谱仪及其附件,以获取马铃薯植株的表型信息及环境温湿度,控制模块采用ARM控制板,以实现与采集模块各硬件的通信并对其进行供电,显示模块使用触摸显示屏,方便用户进行交互,电源模块采用不间断电源以满足田间使用要求,此后对各功能模块硬件进行选型,并基于硬件系统的连接关系进行检测仪外壳的结构设计。之后基于Python语言并采用分层架构对软件进行总体设计,明确人机交互层、功能模块层和设备驱动层间的对应关系,根据各软件功能设计并编写相应程序,并使用Qtdesigner和Py Qt5进行交互界面设计,完成了可移植GUI应用程序的开发。最后从稳定性、准确性、实时性三方面对检测仪进行了性能测试,在测试过程中,CPU占有率和内存占有率均保持在50%以下,且基于图像和光谱对晚疫病进行分类的准确率分别为94%和92%,基于光谱对晚疫病流行期预测的准确率为87%,图像检测及光谱检测所需平均时间分别为10.9 s和6.2 s,结果表明检测仪软硬件运行稳定可靠,检测准确率较高,该装置具有实际应用价值。

基于六自由度机器人的电涡流检测扫描成像技术研究

这是一篇关于机器人,无损检测,电涡流检测,C扫描成像,轨迹规划的论文, 主要内容为碳纤维复合材料在汽车、飞机、医疗等领域获得广泛应用,具有防腐蚀、结构强度高、质量轻、弱导电等特点。由于制备工艺的限制,往往存在缺陷,复合材料缺陷检测和质量评价显得尤为重要。电涡流检测法具有速度快、无需耦合剂、检测环境要求低等特点,得到国内外学者广泛关注。针对复杂曲面和外形复杂的零件,本文引入机器人操纵电涡流扫描零件的方法,实现复杂曲面和外形复杂零件缺陷自动化检测,主要研究内容包括涡流检测机器人运动学分析、涡流扫描工具方案设计分析、坐标系点面标定方法研究、涡流检测系统设计、涡流检测机器人轨迹规划与扫描成像验证等方面,主要研究内容如下。(1)机器人引导的涡流检测系统研究。依据涡流检测原理、软件跟随法,结合机器人技术、信号处理技术与计算机技术,设计开发涡流检测系统RGNTS,实现机器人运动控制、参数设定、信号采集以及扫描成像等功能,为扫描成像技术研究提供实验平台。(2)电涡流检测机器人运动学分析。以ER10-C60机器人为研究对象,运用D-H参数法与旋量理论,建立正逆运动学方程,结合Python编程,验证求解过程的准确性;分析两种建模的特性差异,为扫描工具坐标系标定和扫描运动控制,选取合适模型作为应用依据。(3)涡流扫描工具设计研究。依据涡流探头物理特性和检测机器人后三轴结构特征,设计Z形扫描工具,基于ANSYS软件分析验证主要部件承载力。针对传统接触式标定方法的缺陷,提出一种坐标系点面标定法,降低标定难度提高准确性。针对软件跟踪对模型的依赖,基于VC与PCL库,开发点云采集系统,为逆向建模提供可靠3D数据。(4)扫描轨迹规划研究。基于单程扫描方向一致性的特点,针对板式工件,提出锯齿形、弓字形轨迹方法,减少检测时间;针对曲面工件,提出一种轴向双轨迹方法,降低检测机器人能量消耗。(5)离散像元匹配研究。针对C扫描成像偏离实际扫描面问题,基于实验总结和数据归纳,结合实验板缺陷分布特征,通过数据二次处理实现离散像元匹配。本文研究得到聚变堆主机关键系统综合研究设施(CRAFT)大科学工程项目,以及南京市生命健康科技专项支持,研究亮点表现在扫描工具结构与点面标定法的创新、点云采集系统的开发,以及基于LabVIEW的电涡流检测系统开发。

基于近红外光谱检测木材单板含水率装置设计与研究

这是一篇关于木材含水率,近红外光谱技术,微型近红外光谱采集装置,小型化,无损检测的论文, 主要内容为木材作为一种重要的材料,广泛应用于生活的方方面面,纤维素、半纤维素,木质素是组成木材的主要成分,而纤维素中存在大量-OH,-OH是亲水基团,所以木材对于水蒸气和液态水有亲和力,由于木材疏松多孔的特性,木材在环境中具有一定吸湿性,这就导致木材以及木制品会随着环境中温度湿度的变化引起含水率的变化。当含水率低于30%时,木材的尺寸稳定性、导电性等都会受到影响。因此对木制品的含水率管理和控制就显得尤为重要。烘干法是传统检测木材含水率的方法,虽然测量结果较为精准,但是测量时间较长,在木材工业的应用上不是长久之计。除此以外,电导法、微波法、射线法也是常见的方法,但是综合成本,检测时间等多因素考虑还不宜大规模应用。为了满足现代木材工业发展的需求,近几年有学者对木材的含水率预测展开各种研究,其中,近红外检测用时较短,采集光谱只需在几秒内即可完成,测量的精度高,并且能够实现无损检测,深受学者青睐。通用红外光谱的光谱覆盖范围为780-2526nm,但其价格较昂贵。水分吸收光谱的5个吸收带分别位于波长760、970、1145、1450、1926nm附近,而位于1450和1926nm附近的吸收峰更为明显,针对这两段特殊波长内的近红外光谱采集装置相对较少。为了解决以上问题,本研究旨在设计一款成本较低、便于携带、可以对木材含水率进行实时检测的微型近红外光谱采集装置,基于近红外光谱识别技术特点,结合偏最小二乘法(PLS)建立模型,有效的对木材的含水率实现快速检测。研究内容及创新点:(1)根据水分在近红外区1450和1926nm附近两处明显的光谱特征,本实验选择滨松公司的C14272和C14273两个微型光谱传感器作为核心光学元件。(2)考虑到装置的成本和集成化的设计理念,选择意法半导体(ST)公司的stm32f107vct6作为主控芯片,根据主控芯片的要求,设计了微控制器模块电路,实现光谱数据的传输与采集。采用亚德诺(ADI)公司的AD5541作为数模转换芯片,设计了可调恒压源模块电路,实现对光谱传感器内部可调谐滤波器的控制。采用德州仪器(TI)公司的ADS8320作为模数转换芯片,设计了信号采集模块,实现对传感器输出信号的采集。最后依据各个模块的设计方案绘制出装置的原理图与PCB图。(3)根据驱动程序与应用程序分离的原则,基于Free RTOS实时操作系统分别设计了装置驱动程序和应用程序,包括可调恒压源驱动设计、温度采集模块驱动设计、数模转换模块驱动设计和通信模块驱动设计,并根据木材光谱采集需求,建立多任务系统,确定任务执行逻辑,实现装置对光谱信息的快速准确采集。搭建实验平台对装置硬件模块进行功能测试,测试结果如下,可调恒压源电路输出电压精度高于0.76%,峰值为48m V,温度采集电路精度高于0.12%,数模采集电路精度高于0.82%,基本满足C14272和C14273光谱传感器外围电路的设计需求。选取橡木单板含水率进行检测,通过采集不同含水率的木材样本在1350nm～2150nm波段内的近红外光谱,结合偏最小二乘法对采集的光谱数据进行建模分析。并用传统烘干法与测量数据作对比,结果表明测量数值良好,最大误差0.9%,最小误差0.3%,整体误差控制在1%以内,测量结果良好。

基于高光谱成像技术小麦霉变籽粒快速无损检测方法的研究

这是一篇关于高光谱成像技术,小麦籽粒,赭曲霉,黑曲霉,无损检测的论文, 主要内容为小麦作为我国三大粮食作物之一,每年小麦在收获时节遭受高温高湿的天气,贮藏过程出现密闭性差等情况,极易造成小麦籽粒发生霉变。小麦霉变后会产生对人类有害的毒素,危害人类生命健康的同时造成了极大的经济损失。通常对小麦进行加工前需要进行霉变检测,然而传统粮食霉变检测方法存在操作过程过于复杂且不能满足工业化在线检测等问题。因此,研究小麦籽粒感染霉菌准确快速和无损的检测方法尤为重要。本研究以小麦籽粒为研究对象,基于高光谱成像技术结合化学计量学分析方法构建了小麦籽粒感染霉菌的生长时间模型,分析了小麦籽粒中霉菌孢子含量预测回归,并对小麦籽粒霉变程度进行可视化分析。具体研究内容如下:首先,运用波长为900～2500 nm的高光谱成像系统对感染赭曲霉的小麦籽粒进行生长时间的判别。采集所有小麦籽粒的高光谱图像并提取感性区域范围内的平均光谱数据,通过对光谱数据进行Savitzky-Golay(SG)滤波平滑、一阶导数(1st derivative,1d)微分和标准正态变量(Standardized Normal Variate,SNV)三种方法对所采集的数据进行预处理,采用最小角回归(Least Angle Regression,LAR)和连续投影法(Successive Projections Algorithm,SPA)挑选特征波长,并基于特征波段和预处理后的全波段建立支持向量机(Support Vector Machine,SVM)和偏最小二乘判别分析(Partial Least Squares Discrimination Analysis,PLS-DA)分类模型。通过对六种模型的综合比较,SNV+SG-SPA-SVM算法建立的小麦籽粒接种赭曲霉生长时间判别模型效果最佳,训练集和测试集准确率分别为96.39%和94.64%。其次,运用定量分析方法建立回归模型,基于波长范围900～2500 nm的高光谱成像系统对感染赭曲霉的小麦籽粒中的孢子含量进行预测。采集所有小麦籽粒的高光谱图像并提取感性区域范围内的平均光谱数据,然后根据GB 4789.2-2022《食品微生物学检验菌落总数测定》进行测定孢子含量。采用LAR和SPA挑选特征波长,并基于特征波段和全波段建立支持向量回归(Support Vector Regression,SVR)和偏最小二乘判别回归(Partial Least Squares Regression,PLSR)分类模型。通过对六种模型的综合比较,基于SPA-SVR算法建立小麦籽粒接种赭曲霉霉菌孢子含量预测模型效果最好,预测集决定系数Rp2为0.9681,预测集均方误差(Root Mean Squared Error of Prediction,RMSEP)为0.3926,预测相对偏差(Residual Predictive Deviation,RPD)为5.1162。最后,为了更好的判别霉变程度,根据GB 4789.2-2022《食品微生物学检验菌落总数测定》测定孢子含量,划分出小麦四种霉变等级程度(安全、临界、危害和严重危害)。运用900～2500 nm范围内的高光谱成像系统对小麦籽粒感染黑曲霉不同程度可视化研究。采集所有小麦籽粒的高光谱图像并提取感性区域范围内的平均光谱数据。然后,通过二元烟花算法(Binary Fireworks Algorithm,BFWA)、竞争自适应重加权抽样算法(Competitive Adaptive Reweighted Sampling,CARS)、随机青蛙(Random Frog,RForg)算法和混合蛙跳算法(Shuffled Frog Leaping Algorithm,SFLA)进行特征波长挑选,将特征波长下对应的高光谱单色图像基于的SVM和K-近邻域(K-Nearest Neighbor,KNN)以及卷积神经网络(Convolutional Neural Networks,CNN)中的Le Net-5和VGG-16算法建立像素点识别模型。经过四种模型综合比较可知,当四组份(1032 nm、1452 nm、1126 nm和1901 nm)的单色图像相结合在Le Net-5算法下,识别的训练集和预测集准确性分别为100%和99.86%,预测集的受试者工作特征(Receiver Operating Characteristic,ROC)曲线中的面积曲线(Area Under Curve,AUC)面积达到0.9969。以上研究为构建了一套完整的方法以实现小麦籽粒霉变程度的无损快速检测提供了理论基础。

超声检测基础数据查询与管理系统的设计与实现

这是一篇关于无损检测,超声检测,数据管理系统,模拟仿真的论文, 主要内容为超声检测作为一种无损检测手段越来越多的被应用在航空航天、船舶、汽车等工业领域。但超声检测过程中涉及的数据多且复杂,选择探头、制定工艺过程麻烦,为了辅助用户更有效地完成超声检测工作,本文设计并建立了一个基于B/S结构的超声检测数据库系统,用于管理超声检测过程中庞杂的数据,并接入辅助工艺制定和选择探头的程序用于辅助超声检测。用户可以通过网页访问服务器,并完成对超声检测相关数据的检索、存储、修改和删除等操作,还可以使用仿真程序辅助制定工艺,使用探头选择指导程序帮助选择合适的探头。本文利用多元高斯声束模型声线模式,对典型探头的的辐射声场进行模拟仿真,实现了声场在空间分布上的可视化。从实际需求出发,根据超声检测过程的特点,总结了涉及的数据种类,确定了系统需要实现的功能、系统的结构等。根据系统的需求针对超声检测数据库进行了相关的分析和设计,通过对超声检测过程中数据信息的收集和整理,并用Navicat建立了My SQL数据库。在My Eclipse平台上使用Java语言和SSH框架建立了网页客户端,并将其与数据库相连接,实现对数据库的访问,及对其中数据进行查询、存储、修改、和删除等操作,完成了基于B/S模式的超声检测数据库系统。系统包括材料声学参数的管理、常用结构材料参数的管理、常用探头参数的管理和探头选择四个模块。系统不仅实现了对超声检测数据库的信息化管理,而且满足了客户对数据库信息的访问和管理。系统具有良好的兼容性,在系统中接入了声场分析与仿真程序和探头选择指导程序,实现了超声检测过程中声场的仿真和辅助探头选择的功能,拓展了系统的功能。

基于深度学习的西瓜成熟度无损检测方法研究

这是一篇关于西瓜成熟度,深度学习,无损检测,卷积神经网络的论文, 主要内容为成熟度是西瓜品质分级的重要指标之一,直接影响西瓜的经济价值。西瓜成熟度无损检测方法对西瓜品质分级有重要的指导意义。近年来,深度学习在诸多领域中都有广泛的应用且取得较好的效果。针对传统检测过程复杂,检测成本高等问题,本文提出一种基于深度学习的西瓜成熟度检测方法,通过采集有关西瓜成熟度的图像数据、声学信号和振动信号,制作成对应的数据集进行实验研究、模型性能测试及智能检测APP开发。本文主要研究内容如下:(1)对AlexNet模型进行改进,提出小体积模型M-Alex Net。M-Alex Net模型使用多种尺度卷积核对西瓜图像进行特征提取,使用了批标准化层加快模型训练速度,使用全局平均池化层减少模型参数。利用图像数据集训练M-Alex Net,模型平均识别准确率达到99.74%,参数量为412771。模型准确率有所提高,并且参数量仅为Alex Net模型的19.66%。将M-Alex Net模型开发成一款西瓜成熟度智能检测APP,APP检测用时只需30ms左右,能够满足日常使用需求。(2)采用六种不同的方式对西瓜进行敲击,采集产生的声学信号并进行端点检测和快速傅里叶变换,制作成样本长度为1000个频域数据点的数据集。搭建一个由三层卷积层和两层全连接层组成的卷积神经网络,利用声学信号数据集进行训练,模型平均识别准确率为99.69%,优于传统机器学习中的KNN算法和SVM算法。(3)搭建振动信号采集平台,利用加速度传感器采集敲击西瓜时产生的振动信号。提取振动信号中的激励信号并采用窗口滑动法扩充数据,制作关于西瓜成熟度的振动信号数据集。改进声学信号数据模型进行训练,实验结果表明,模型的平均识别准确率达到99.92%,能够较好的检测西瓜的成熟度。

基于涡流的航空锂电池极耳极板焊缝缺陷检测技术研究

这是一篇关于航空锂电池,极耳极板焊缝,无损检测,神经网络,涡流检测的论文, 主要内容为目前锂电池广泛应用于新能源载具,例如,无人机、汽车以及飞机等,随着新能源载具的普及,锂电池的无损检测成为目前各大电池厂商及研究机构关注的热点方向之一。在以锂电池为无损检测对象的方案中,针对锂电池极耳极板焊缝缺陷的检测方案是锂电池无损检测的重要分支。因此,本文面向航空锂电池极耳极板焊缝缺陷,以检测涡流信号的变化特征作为缺陷分类依据:首先搭建了无损检测实验平台,验证了涡流检测的可行性;然后在此基础上结合机器学习算法,利用实验平台采集的样本数据对模型进行训练以实现缺陷的精准分类。本文贡献主要有三个方面:(1)围绕航空锂电池较常规锂电池体积大、电容量大以及极耳极板焊接处多等特点,并针对传统涡流传感器检测到的感生电压信号无法去除激励噪音的问题,设计了面向航空锂电池极耳极板焊缝无损检测实验平台。首先根据法拉第电磁感应定律设计出了单频率探头,并利用设计的单频率探头构建了强激励涡流检测的实验平台,验证了涡流检测的可行性。然后在可行性基础上,面向航空锂电池极耳极板焊接处多的问题,利用差分式检测线圈提出了基于多频差分涡流传感器阵列测量得到感生电压信号数据的检测结构,利用差分式检测传感器结构设计了多频阵列差分涡流传感器,并构建了面向航空锂电池的无损检测平台。该平台实现了基于涡流对极耳极板焊缝感生电压值的采集,并解决了去除激励噪声的问题。(2)基于上述实验检测平台,面向检测数据可视化缺陷检测需求,本文进一步围绕实验平台输出的测试数据,对极耳极板实现了扫频层析成像。通过扫频层析成像可以分析不同趋肤深度涡流分布情况,从而实现了以可视化的角度直观判断极耳极板内部是否存在缺陷。(3)在获得相应的感生电压信号数据后,首先使用传统的机器学习方法,包括:SVM、KNN等,对检测到的感生电压信号数据进行分类训练以获得模型,但实验结论表明缺陷分类准确率不符合实际需求;针对此问题,本文依据分解解耦和HRNet的思想,提出了基于多尺度融合策略判别方法,并与目前现有的基于神经网络算法,包括:Res Net、Dense Net、Google Net等,进行比较,实验结论表明,提出的基于多尺度融合策略判别方法较其他方法在分类识别率达到98.59%优于其他方法,具有一定的实际应用价值和意义。