基于云边协同的工业产品表面缺陷检测技术研究及应用
这是一篇关于工业应用,缺陷检测,轻量化,注意力机制,半监督学习,云边协同系统的论文, 主要内容为随着我国工业的快速发展,生产自动化、智能化是必然趋势,由于工业产品表面缺陷在生产过程中比较常见,这就使得表面缺陷检测相关技术成为近年来研究的重点,再加上深度学习在图像处理领域的快速发展,很多深度学习算法被用在缺陷检测领域。在实际应用场景中主流的基于深度学习的缺陷检测系统主要可以分为专注于检测模型训练和模型管理的云平台系统以及专注于缺陷检测的业务系统两部分,为了提高云平台系统和业务系统之间的协作能力,本文设计了一个基于云边协同的缺陷检测系统架构,以促进云平台系统和检测系统之间的数据交互和业务协同,从而提升检测模型性能和边缘设备检测效果。另外在大多数工业缺陷检测场景中,工厂对于自动化检测的成本要求较高,所以小型化、低成本的边缘计算设备成为部署缺陷检测模型和检测系统的较优选择,为满足模型在小型化设备中部署的需求,本文以YOLOv5模型为基线网络,对模型的轻量化方法及轻量化模型的精度提升方法进行了研究。本文主要研究工作总结如下:1.本文首先围绕工业场景下缺陷检测算法轻量化进行研究,在本研究中我们使用YOLOv5s作为基础网络模型,将Ghost Net与YOLOv5s模型结合,使用Ghost卷积替换原网络中的卷积,达到模型轻量化的效果,然后结合锚框优化、注意力机制和多尺度特征融合等方法进行检测精度提升,最终得到一个轻量化且高效的模型。2.引入基于教师学生模型的半监督算法,并将其与轻量化的网络模型相结合,利用数据增强等手段,使用无标签数据提升模型精度,设计相关实验验证该模型在工业产品表面缺陷检测场景下的有效性。3.结合工业缺陷检测场景的应用需求,本研究基于嵌入式终端设备设计了软硬结合的边缘缺陷检测系统,并基于模型管理、模型进化等需求设计了云边一体的缺陷检测深度学习管理平台,使模型得到统一管理,通过边缘设备,云平台可以收集到更完整的缺陷样本,并将缺陷样本应用到缺陷检测模型的进化中,同时云边一体的设计可以使得边缘设备的模型更新更加简便,在云平台系统中设计的协同检测功能可以辅助提升模型精度。
基于云边协同的工业产品表面缺陷检测技术研究及应用
这是一篇关于工业应用,缺陷检测,轻量化,注意力机制,半监督学习,云边协同系统的论文, 主要内容为随着我国工业的快速发展,生产自动化、智能化是必然趋势,由于工业产品表面缺陷在生产过程中比较常见,这就使得表面缺陷检测相关技术成为近年来研究的重点,再加上深度学习在图像处理领域的快速发展,很多深度学习算法被用在缺陷检测领域。在实际应用场景中主流的基于深度学习的缺陷检测系统主要可以分为专注于检测模型训练和模型管理的云平台系统以及专注于缺陷检测的业务系统两部分,为了提高云平台系统和业务系统之间的协作能力,本文设计了一个基于云边协同的缺陷检测系统架构,以促进云平台系统和检测系统之间的数据交互和业务协同,从而提升检测模型性能和边缘设备检测效果。另外在大多数工业缺陷检测场景中,工厂对于自动化检测的成本要求较高,所以小型化、低成本的边缘计算设备成为部署缺陷检测模型和检测系统的较优选择,为满足模型在小型化设备中部署的需求,本文以YOLOv5模型为基线网络,对模型的轻量化方法及轻量化模型的精度提升方法进行了研究。本文主要研究工作总结如下:1.本文首先围绕工业场景下缺陷检测算法轻量化进行研究,在本研究中我们使用YOLOv5s作为基础网络模型,将Ghost Net与YOLOv5s模型结合,使用Ghost卷积替换原网络中的卷积,达到模型轻量化的效果,然后结合锚框优化、注意力机制和多尺度特征融合等方法进行检测精度提升,最终得到一个轻量化且高效的模型。2.引入基于教师学生模型的半监督算法,并将其与轻量化的网络模型相结合,利用数据增强等手段,使用无标签数据提升模型精度,设计相关实验验证该模型在工业产品表面缺陷检测场景下的有效性。3.结合工业缺陷检测场景的应用需求,本研究基于嵌入式终端设备设计了软硬结合的边缘缺陷检测系统,并基于模型管理、模型进化等需求设计了云边一体的缺陷检测深度学习管理平台,使模型得到统一管理,通过边缘设备,云平台可以收集到更完整的缺陷样本,并将缺陷样本应用到缺陷检测模型的进化中,同时云边一体的设计可以使得边缘设备的模型更新更加简便,在云平台系统中设计的协同检测功能可以辅助提升模型精度。
基于深度学习的PCBA元器件字符识别方法研究与应用
这是一篇关于PCBA,字符定位,字符识别,工业应用的论文, 主要内容为PCBA(Printed Circuit Board Assembly)作为医用电子仪器制造工业中的一个关键部件,在装贴时常发生元件错焊问题。现有自动光学检测方法(Automated Optical Inspection,AOI)利用传统算法对元件表面喷印的字符进行识别,以鉴别元件的品类和型号正确与否。然而,受工业生产线环境影响,元件字符图像常存在光线不均、字符模糊、遮挡和划痕等复杂情况,传统字符识别方法很难保证识别的准确性,使得AOI“初检”后直通率较低,大量误报元件还需进行“人工复判”,增加企业人力成本,降低工业生产效能。近年来,基于深度学习的字符识别技术突破了传统方法在特征提取上的局限性,识别效果有了显著提高。但已有的基于深度学习的识别方法速度较低,只能应用于AOI“复判”环节,使整个生产线的生产效能未得到最大利用。因此,本文面向AOI“初检”需求,对基于深度学习的元件字符识别方法的各个环节展开深入研究,提高其识别速度和准确率,实现产线检测直通率的提升,减少对“人工复判”的依赖。相关工作的主要内容如下:(1)基于字符区域感知网络CRAFT研究了单个字符定位方法。为了平衡网络的实时性和识别准确率,将编码器中的骨干网络调整为轻量级网络Mobile Net-V2,与原CRAFT网络相比参数量下降了71%,FLOPs下降了93%;针对字符行不同的排列结构区分成五种情况,并研究了统一后处理方法准确地获得目标字符行;引入了字符间隔区域得分图和针对性的后处理方法,减少了字符粘连,单字符定位准确率和召回率均提高了7%以上,F1分数达99.5%。(2)在单个字符识别上,由于定位字符图像数据集存在长尾分布,通过重采样、数据扩充和数据增强提高了训练集数据的整体平衡度,并在分类器网络的训练中引入代价敏感的损失函数。此外,由于单一模型在假设空间较大的多分类任务上存在性能不稳定的问题,为此构建了面向所有类别的主分类器和针对单一类别的次分类器级联决策方法。为了平衡网络的复杂度和效率,上述分类器都以Mobile Net-V2为基础,通过比较不同简化程度网络的分类性能,最终选择了4层bottleneck的架构。结果表明,通过训练数据处理和新的两级分类器设计,识别直通率显著提高,同时识别准确率可达99.55%,参数量相比于标准Mobile Net-V2减少了78.3%,FLOPs下降了43.3%。(3)基于上述工作,本文对开发的字符识别模型进行了应用部署。通过与业内AOI厂商合作,面向企业的三类不同硬件配置的AOI机器,开发了统一的元器件字符识别动态库。该动态库底层集成了面向GPU的Tensor RT推理引擎与面向CPU的Open VINO推理引擎,可根据实际应用环境硬件进行配置,与上层应用可实现无缝连接。经实测,“初检”和“复判”的识别直通率均达96%以上,其中面向GPU识别模块单张识别时间小于20ms,面向CPU识别模块单张识别时间约为173ms,均能满足企业实际要求。
浮选生产过程计算机控制系统的设计与开发
这是一篇关于浮选,计算机控制系统,PLC控制系统,检测仪表,工业应用的论文, 主要内容为浮选是按照矿物表面亲水疏水性质的差异,从矿浆中借助于气泡的浮力,将有用矿物和脉石分离,从而获得品位合格的精矿和尾矿的过程。据统计,90%的有色金属用浮选法处理,浮选法还广泛用于稀有金属、贵金属、黑色金属、非金属等矿物原料的选别。浮选生产过程工艺流程长、需要控制的设备多、操作模式多、监控变量繁杂,这就需要浮选生产过程计算机控制系统具有完善的过程控制功能与良好的监控功能。本文在国家科技支撑计划“选矿过程全流程先进控制技术”(2012BAF19G01)和重大自动化工程“酒泉钢铁集团公司新建400万吨铁选厂综合自动化系统”的支持下,开展了浮选生产过程计算机控制系统的设计以及软件功能开发工作。并通过现场调试,在工业现场成功应用。本文主要完成了如下几个方面的工作：1.分别介绍了浮选生产主流程与药剂制备流程的相关工艺,并详细介绍了浮选生产过程主要设备的工作原理以及关键位置的检测仪表,在此基础上对浮选生产过程计算机控制系统进行需求分析。2.设计与开发了浮选生产过程计算机控制系统的硬件与软件。系统的硬件平台包括：检测仪表与执行机构、PLC控制系统、上层监控计算机；系统的软件平台包括：HMI组态软件与过程控制软件。基于上述平台设计了过程监控软件和过程控制软件。3.基于标准化、模板化思想设计并开发了过程监控软件,开发了HMI统一标准、变量定义标准以及设备控制模板、回路控制模板、趋势图模板、元件库等；基于模块化、算法库思想设计并开发了过程控制软件,开发了设备联锁逻辑启停模块、第三方设备通讯模块、药剂制备模块、回路控制模块、数据采集模块、模拟量累积模块等。4.将设计与开发的计算机控制系统应用到酒钢400万吨铁选厂浮选生产过程。应用结果表明,计算控制系统较好地完成了浮选生产过程控制与过程监控功能,保证了浮选生产过程的连续稳定。
高压电缆局部放电智能监测中枢系统设计与工程应用
这是一篇关于局部放电,模式识别,状态评估,软件开发,工业应用的论文, 主要内容为高压电缆在城市输电网络中占有越来越大的比重,其运行状态直接影响电力系统供电网络的可靠性。高压电缆在外力破坏、出厂潜在缺陷、长期大电流运行等因素下易发生电缆击穿事故。而局部放电(简称局放)在线监测可在事故发生前检测到电缆的潜在故障。同时高压电缆的局放模式识别和状态评估是在线监测系统的重点研究内容。本文主要针对这两个内容开展研究工作,研究内容及取得的主要成果如下:(1)提出了一种基于进化学习的高压电缆局部放电模式识别方法。该方法使工业现场的识别模型通过样本库的进化机制和模型自训练流程不断自主学习,提高识别率。当实验室模拟新的缺陷类型时,未进化的模型无法将新的放电类型识别成同一种放电,其中有36.8%的样本被识别成类型2,63.2%的样本被识别成类型4。而进化后模型的识别率为98.7%。这证明进化学习的有效性。(2)提出了基于模糊层次的高压电缆多参数状态评估方法。建立考虑电缆多参数的一级、二级评价参数集合,通过多参数评价流程与模糊综合评估方法得到电缆绝缘状态等级,合理安排检修顺序。重点研究包括局放类型、局放发展趋势、局放监测过电压的局放在线监测综合预警方法,并将该方法应用于工业现场,利用振荡波局放定位试验验证预警方法的正确性。(3)开发了基于Web的高压电缆局部放电智能监测中枢系统软件。通过多线程通信技术接收数据,利用MySQL数据库管理数据,基于Vue和Flask框架开发中枢系统可视化软件,采用Ajax局部刷新技术实现数据可视化与后台之间的数据交互。中枢软件集成了模式识别、状态评估、局放在线定位、生成报告、趋势分析等功能。(4)开展了高压电缆局部放电智能监测中枢系统的工程应用。系统应用于某热电厂,负责实时监测67条电缆,共134个监测点。截至2022年4月,系统完成软件升级3次,记录数据超700万条,自主学习2类局放信号,共发现6起局放案例,并通过定位实验、解剖分析、振荡波实验等多种手段验证了系统预警的正确性。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码项目助手 ，原文地址：https://m.bishedaima.com/lunwen/52604.html
