钢铁物料粒度智能检测方法研究
这是一篇关于球团矿,焦粉,机器视觉,深度学习,智能检测,粒度分布的论文, 主要内容为随着钢铁工业的快速发展,球团矿和烧结矿的使用量日益增多。球团矿的粒度分布是评价其质量好坏的重要指标之一,粒度偏小导致强度不够,在冶炼时会产生粉尘,粒度偏大会使燃烧不充分,影响冶炼质量。焦粉作为烧结矿的主要原料,其粒度分布会直接影响烧结矿的性能指标。球团矿是规则且圆度性较好的物料,焦粉是不规则且圆度性较差的物料,故以二者作为钢铁冶炼物料的代表展开研究。目前,生产企业大多采用人工筛分的方式来检测球团矿和焦粉的粒度分布情况,并根据粒度分布情况对生产过程进行调控。但这种检测方式效率低、准确率较差,受人为影响因素大。为了提高检测精度,提升检测效率,实现自动化、精确化、智能化检测,本文基于机器视觉理论对球团矿和焦粉的粒度检测方法展开研究。首先设计并制作了物料检测实验平台,采集了球团矿和焦粉两种物料图像数据。根据两种物料的形貌特点,基于自适应标记分水岭分割和最小外接拟合圆理论,建立了物料粒度分布检测模型(YSU＿TIP)。对于球团矿图像数据中无环境干扰的图像,模型检测的平均准确率为94.323%;而有环境干扰的图像,模型检测的平均准确率为65.792%,单张图像的检测时间平均为59ms。对于焦粉图像数据中无环境干扰的图像,模型检测的平均准确率为66.646%;而有环境干扰的图像,模型检测的平均准确率为46.458%,单张图像的检测时间平均为80ms,模型对焦粉的粒度检测效果较差。为此,本文又基于目标分割和目标检测理论建立了新型的智能检测模型。首先,基于U-Net语义分割网络建立了YSU＿U-Net检测模型,模型在球团矿和焦粉数据集上的平均准确率分别为97.899%和80.062%,单张图像检测时间分别为40ms和50ms。其次,基于YOLOX网络建立了YSU＿YOLOX检测模型,模型在球团矿和焦粉数据集上的检测平均准确率分别为97.643%和79.633%,单张图像检测时间分别为32.44ms和38.52ms。通过对传统图像处理的检测模型和智能检测模型的研究和对比,球团矿都可以得到较好的检测效果,而焦粉只有采用智能检测模型才能取得较好的检测效果。
基于改进Faster R-CNN图像识别算法的磨损智能检测方法
这是一篇关于智能检测,磨损定位,磨损机制识别,图像检测,改进Faster R-CNN网络的论文, 主要内容为探索磨损状态检测方法对机械装备的智能运行和健康管理具有重要意义。目前普遍利用图像处理技术实现磨损定位,但受限于光照、曝光等因素,其难以实现批量磨损定位;光学显微镜、电子显微镜等高分辨率成像设备则用来确定磨损机制,但其判别依赖于观察者的主观经验,检测效率低;近年来,人工智能与深度学习技术飞速发展,基于深度学习的目标检测方法具有卓越的特征提取能力,为磨损检测研究提供了新的思路。本文提出了一种基于改进Faster R-CNN(Region-based Convolutional Neural Network)网络的图像磨损检测方法,实现了磨损图像的宏观磨损定位与微观磨损机制识别。针对深层磨损特征提取困难,小尺寸磨痕难以准确定位的问题,采用基于Res Net101与深浅层特征融合结构的特征提取结构改进经典Faster R-CNN网络,通过增加网络层数提升网络特征提取深度,挖掘出更深层抽象的磨损语义特征;通过融合深浅层特征,提升网络对不同尺度磨损的检测能力;利用公开数据集测试了改进网络的目标检测性能,结果表明:相较于经典Faster R-CNN网络,改进Faster R-CNN网络对于不同类别、不同尺度,尤其是小尺度目标具有更加优异的检测能力。针对基于改进Faster R-CNN网络的磨损定位方法,自主搭建了配有磨损图像采集系统的往复式摩擦磨损试验装置,实现了磨损图像的连续采集,并利用其对改进Faster R-CNN网络进行训练与测试,结果表明:该网络可准确定位不同尺度磨痕,且与图像处理方法相比具有更高的准确率。通过光学显微镜测量发现其与基于该网络自动测取的磨痕宽度值误差在2%以内;在此基础上,利用该网络连续测量磨痕宽度得到磨痕宽度变化曲线,并与摩擦系数变化曲线对比,进一步验证了该网络的磨损定位性能。针对基于改进Faster R-CNN网络的磨损机制识别方法,制作了基于不同磨损机制分类的磨损图像数据集,利用其对改进Faster R-CNN网络训练并测试,结果表明:该网络对不同磨损机制的识别准确率可达到98%以上,具有非常强的磨损机制检测能力;且对于多种磨损机制共存的情况,该网络依然展现出优秀的磨损机制检测能力。进一步,利用类激活热力特征可视化技术,证明了改进Faster R-CNN网络是通过聚焦于磨损区域内部磨损特征分析实现磨损机制识别的,解释了这种磨损机制识别方法的合理性,也验证了基于改进Faster R-CNN网络磨损机制识别方法具有优异性能。面向工业实际磨损检测需求,基于小样本迁移学习思想,将基于实验室直线型磨痕训练的目标检测网络迁移至工程实际磨损检测中,并在改进Faster R-CNN网络基础上添加Mask分支,使得网络可以对不同尺寸、形状的磨痕按轮廓进行分割,提升定位精度。并利用工业实际典型磨损图像验证了基于迁移学习的改进Mask R-CNN网络仍具有较强的磨损定位以及磨损机制识别能力。
基于人工智能的雪花梨伤病智能检测技术开发
这是一篇关于多光谱成像,雪花梨,伤病分类,人工智能,智能检测的论文, 主要内容为雪花梨在生长、采摘、运输、贮藏、售卖过程中,不可避免地会遭受病害和损伤,对伤病的雪花梨进行检测分类,可以筛选出携带病原体的雪花梨并分离它们,从而减少疾病的传播,并降低由此带来的食品安全风险。此外,根据雪花梨的损伤程度制定相应的价格和用途可以产生显著的经济效益。多光谱成像技术(Multispectral Image,MSI)具有高效、无损、准确、可重复性使用的检测优势,本研究基于MSI结合人工智能算法对雪花梨伤病精准检测分类并进一步对损伤程度细分。完好、病害和损伤的雪花梨多光谱图像为本次的研究对象,其中损伤样本采用定量损伤装置制造,选取伤病雪花梨感兴趣区域的平均光谱值作为伤病分类的数据集,对数据集分别进行预处理、异常检测、样本集划分。然后分别建立支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)、自适应提升算法(Adaptive Boosting,Ada Boost)、两层卷积结构的卷积神经网络(Convolutional Neural Network,CNN)、18层残差神经网络(Residual Neural Network18,Res Net18)和34层残差神经网络(Residual Neural Network34,Res Net34)模型对雪花梨进行伤病分类。检测并分类伤病后,剔除病害雪花梨样本数据,而后计算不同损伤程度的雪花梨平均光谱值之间的欧氏距离(Euclidean Distance,ED),根据ED在空间坐标系中的相对位置、K均值聚类算法(KMeans Clustering Algorithm,K-Means)的聚类分析结果,综合对雪花梨的损伤程度进行细分。利用测试集对上述模型的性能进行评估,基于模型分类的准确率和Loss值评价上述模型。分类结果显示,对雪花梨伤病检测分类效果最好的模型为Res Net34,测试集准确率为0.9706,Loss值为0.0952;而Ada Boost模型对雪花梨损伤程度分类性能较好,检测准确率可达0.9316,F1值为0.9217。在此基础上,本研究开发了一套雪花梨伤病智能检测分类系统,能够实时地将采集的样本数据上传至建立的模型中,并可以有效的给出雪花梨伤病预测分类结果。研究结果表明,MSI可以准确、有效、快速的识别伤病的雪花梨,并对损伤程度不同的雪花梨进行细分,为基于MSI的雪花梨伤病智能检测及其损伤程度分类实际应用提供了新思路。
基于人工智能的雪花梨伤病智能检测技术开发
这是一篇关于多光谱成像,雪花梨,伤病分类,人工智能,智能检测的论文, 主要内容为雪花梨在生长、采摘、运输、贮藏、售卖过程中,不可避免地会遭受病害和损伤,对伤病的雪花梨进行检测分类,可以筛选出携带病原体的雪花梨并分离它们,从而减少疾病的传播,并降低由此带来的食品安全风险。此外,根据雪花梨的损伤程度制定相应的价格和用途可以产生显著的经济效益。多光谱成像技术(Multispectral Image,MSI)具有高效、无损、准确、可重复性使用的检测优势,本研究基于MSI结合人工智能算法对雪花梨伤病精准检测分类并进一步对损伤程度细分。完好、病害和损伤的雪花梨多光谱图像为本次的研究对象,其中损伤样本采用定量损伤装置制造,选取伤病雪花梨感兴趣区域的平均光谱值作为伤病分类的数据集,对数据集分别进行预处理、异常检测、样本集划分。然后分别建立支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)、自适应提升算法(Adaptive Boosting,Ada Boost)、两层卷积结构的卷积神经网络(Convolutional Neural Network,CNN)、18层残差神经网络(Residual Neural Network18,Res Net18)和34层残差神经网络(Residual Neural Network34,Res Net34)模型对雪花梨进行伤病分类。检测并分类伤病后,剔除病害雪花梨样本数据,而后计算不同损伤程度的雪花梨平均光谱值之间的欧氏距离(Euclidean Distance,ED),根据ED在空间坐标系中的相对位置、K均值聚类算法(KMeans Clustering Algorithm,K-Means)的聚类分析结果,综合对雪花梨的损伤程度进行细分。利用测试集对上述模型的性能进行评估,基于模型分类的准确率和Loss值评价上述模型。分类结果显示,对雪花梨伤病检测分类效果最好的模型为Res Net34,测试集准确率为0.9706,Loss值为0.0952;而Ada Boost模型对雪花梨损伤程度分类性能较好,检测准确率可达0.9316,F1值为0.9217。在此基础上,本研究开发了一套雪花梨伤病智能检测分类系统,能够实时地将采集的样本数据上传至建立的模型中,并可以有效的给出雪花梨伤病预测分类结果。研究结果表明,MSI可以准确、有效、快速的识别伤病的雪花梨,并对损伤程度不同的雪花梨进行细分,为基于MSI的雪花梨伤病智能检测及其损伤程度分类实际应用提供了新思路。
基于人工智能的雪花梨伤病智能检测技术开发
这是一篇关于多光谱成像,雪花梨,伤病分类,人工智能,智能检测的论文, 主要内容为雪花梨在生长、采摘、运输、贮藏、售卖过程中,不可避免地会遭受病害和损伤,对伤病的雪花梨进行检测分类,可以筛选出携带病原体的雪花梨并分离它们,从而减少疾病的传播,并降低由此带来的食品安全风险。此外,根据雪花梨的损伤程度制定相应的价格和用途可以产生显著的经济效益。多光谱成像技术(Multispectral Image,MSI)具有高效、无损、准确、可重复性使用的检测优势,本研究基于MSI结合人工智能算法对雪花梨伤病精准检测分类并进一步对损伤程度细分。完好、病害和损伤的雪花梨多光谱图像为本次的研究对象,其中损伤样本采用定量损伤装置制造,选取伤病雪花梨感兴趣区域的平均光谱值作为伤病分类的数据集,对数据集分别进行预处理、异常检测、样本集划分。然后分别建立支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)、自适应提升算法(Adaptive Boosting,Ada Boost)、两层卷积结构的卷积神经网络(Convolutional Neural Network,CNN)、18层残差神经网络(Residual Neural Network18,Res Net18)和34层残差神经网络(Residual Neural Network34,Res Net34)模型对雪花梨进行伤病分类。检测并分类伤病后,剔除病害雪花梨样本数据,而后计算不同损伤程度的雪花梨平均光谱值之间的欧氏距离(Euclidean Distance,ED),根据ED在空间坐标系中的相对位置、K均值聚类算法(KMeans Clustering Algorithm,K-Means)的聚类分析结果,综合对雪花梨的损伤程度进行细分。利用测试集对上述模型的性能进行评估,基于模型分类的准确率和Loss值评价上述模型。分类结果显示,对雪花梨伤病检测分类效果最好的模型为Res Net34,测试集准确率为0.9706,Loss值为0.0952;而Ada Boost模型对雪花梨损伤程度分类性能较好,检测准确率可达0.9316,F1值为0.9217。在此基础上,本研究开发了一套雪花梨伤病智能检测分类系统,能够实时地将采集的样本数据上传至建立的模型中,并可以有效的给出雪花梨伤病预测分类结果。研究结果表明,MSI可以准确、有效、快速的识别伤病的雪花梨,并对损伤程度不同的雪花梨进行细分,为基于MSI的雪花梨伤病智能检测及其损伤程度分类实际应用提供了新思路。
基于人工智能的雪花梨伤病智能检测技术开发
这是一篇关于多光谱成像,雪花梨,伤病分类,人工智能,智能检测的论文, 主要内容为雪花梨在生长、采摘、运输、贮藏、售卖过程中,不可避免地会遭受病害和损伤,对伤病的雪花梨进行检测分类,可以筛选出携带病原体的雪花梨并分离它们,从而减少疾病的传播,并降低由此带来的食品安全风险。此外,根据雪花梨的损伤程度制定相应的价格和用途可以产生显著的经济效益。多光谱成像技术(Multispectral Image,MSI)具有高效、无损、准确、可重复性使用的检测优势,本研究基于MSI结合人工智能算法对雪花梨伤病精准检测分类并进一步对损伤程度细分。完好、病害和损伤的雪花梨多光谱图像为本次的研究对象,其中损伤样本采用定量损伤装置制造,选取伤病雪花梨感兴趣区域的平均光谱值作为伤病分类的数据集,对数据集分别进行预处理、异常检测、样本集划分。然后分别建立支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)、自适应提升算法(Adaptive Boosting,Ada Boost)、两层卷积结构的卷积神经网络(Convolutional Neural Network,CNN)、18层残差神经网络(Residual Neural Network18,Res Net18)和34层残差神经网络(Residual Neural Network34,Res Net34)模型对雪花梨进行伤病分类。检测并分类伤病后,剔除病害雪花梨样本数据,而后计算不同损伤程度的雪花梨平均光谱值之间的欧氏距离(Euclidean Distance,ED),根据ED在空间坐标系中的相对位置、K均值聚类算法(KMeans Clustering Algorithm,K-Means)的聚类分析结果,综合对雪花梨的损伤程度进行细分。利用测试集对上述模型的性能进行评估,基于模型分类的准确率和Loss值评价上述模型。分类结果显示,对雪花梨伤病检测分类效果最好的模型为Res Net34,测试集准确率为0.9706,Loss值为0.0952;而Ada Boost模型对雪花梨损伤程度分类性能较好,检测准确率可达0.9316,F1值为0.9217。在此基础上,本研究开发了一套雪花梨伤病智能检测分类系统,能够实时地将采集的样本数据上传至建立的模型中,并可以有效的给出雪花梨伤病预测分类结果。研究结果表明,MSI可以准确、有效、快速的识别伤病的雪花梨,并对损伤程度不同的雪花梨进行细分,为基于MSI的雪花梨伤病智能检测及其损伤程度分类实际应用提供了新思路。
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/54520.html
