没有合适的资源?快使用搜索试试~ 我知道了~
饱和约束测量扩张状态滤波与无拖曳卫星位姿自抗扰控制.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 95 浏览量
2023-02-23
16:53:08
上传
评论
收藏 77KB DOCX 举报
温馨提示
试读
17页
饱和约束测量扩张状态滤波与无拖曳卫星位姿自抗扰控制.docx
资源推荐
资源详情
资源评论
在生产和日常的应用过程中, 由于加工、设计、机床生产设备故障和工况恶劣等因素,
制造产品极易发生产品内部孔洞、凹陷和擦伤等缺陷, 在日常的应用过程中极易发生腐蚀
和疲劳破坏等, 使得企业生产成本增加, 造成巨大的资源浪费和经济损失, 甚至给人们的生
命安全造成巨大的伤害.随着我国装备制造行业的不断发展, 高端制造装备对高标准、高质
量的产品需求更加旺盛, 同时对设计人员以及现场检测人员水平提出了更高的要求, 因此在
复杂工业过程中, 对制造产品缺陷进行检测, 在不影响生产的前提下, 提高制造产品的质量
是制造企业的核心竞争力
[1]
.自动缺陷检测技术相较于人工检测优势明显, 不仅可以适应恶
劣的环境, 还能长时间、高精度、高效率的工作
[2]
.研究质量检测技术, 可以降低生产成本,
提高生产效率和产品质量, 为制造业的智能化转型打好坚实的基础
[3]
.
为了推动国内外缺陷检测技术的发展, 辅助研究人员及相关从业者更好地了解缺陷检
测技术的发展现状, 在缺陷检测相关的技术和应用方面做了如下调研.文献[4]从检测理论、
传感器、信号处理方法及工程应用上对脉冲涡流无损检测技术进行综述, 以期更好地推动
脉冲涡流检测技术的发展.文献[5]对晶体管的缺陷类型、浓度、空间分布和流动性进行综
述, 分析了基于缺陷检测系统的参数估计方法, 介绍了纳米技术与缺陷检测技术的发展趋
势.文献[6]针对油气管道泄露的缺陷问题, 对油气管道的泄露监测与实时监测技术的国内外
研究现状和发展进行综述.针对钢轨缺陷问题, 文献[7]回顾了国内外钢轨无损检测技术的特
点, 分析了多模态多物理集成传感与可视化成像检测、无损检测与评估、健康检测与集成
融合.针对制药产品的缺陷检测技术, 文献[8]从高光谱、振动光谱和 IR 等光谱技术的应用
情况进行综述.通过调研发现, 目前的研究主要集中在产品有无缺陷和具有什么样的缺陷内
容上, 通过调研没有发现对制造产品主流缺陷检测技术在国内外研究现状进行回顾和总结
的相关研究, 特别是针对深度学习技术的调研, 对产品缺陷检测和基于所检测到的缺陷信息
进行产品分类和故障预测的研究较少.本文针对上述问题, 首先综述了制造产品中的缺陷检
测技术, 对缺陷检测技术的实验结果进行对比分析, 对缺陷检测技术在电子元器件、管道、
焊接件、机械零件和质量控制中的典型应用进行总结; 指出了缺陷检测技术未来的热点研
究方向.
论文的主要内容如下, 第 1 节总结了缺陷检测技术的优缺点, 主要包括:主流的缺陷检
测技术和基于深度学习的缺陷检测技术; 第 2 节对缺陷检测技术的实验结果进行了对比分
析, 主要包括:主流的缺陷检测技术和基于深度学习的缺陷检测技术实验结果分析; 第 3 节
梳理了缺陷检测技术在电子元器件、管道、焊接件、机械零件和质量控制中的典型应用;
第 4 节针对缺陷检测技术中存在的问题进行了展望; 第 5 节总结了全文并从高精度、高定
位、快速检测、小目标、复杂背景、被遮挡物体检测、物体关联关系等几个方面总结近年
来发表在 ICCV 和 CVPR 等顶级国际会议上较优论文的核心思想和源代码.
1. 缺陷检测技术
产品缺陷检测技术是指对检测样本的表面斑点、凹坑、划痕、色差、缺损和内部结构
等缺陷进行检测, 获得检测样本表面或内部的缺陷深度、大小、轮廓、缺陷类别等相关信
息.以时间为主线, 本文把磁粉检测法、渗透检测法、涡流检测法、超声波检测法、X 射线
检测和机器视觉缺陷检测技术称为主流的缺陷检测技术; 将近年来兴起的基于深度学习的
缺陷检测技术进行单独综述.
1.1 主流的缺陷检测技术
针对不同种类的缺陷, 常用的缺陷检测方式主要包括:磁粉检测法、渗透检测法、涡流
检测法、超声波检测法、X 射线检测和机器视觉检测法.
磁粉检测法主要有湿法、干法和连续法检测.湿法磁粉检测是磁粉通过液体的带动和外
部磁场的吸引标记出缺陷的位置等信息, 该检测法灵敏度高, 其液体介质可循环使用; 干法
磁粉检测由于其将磁粉直接附着在磁化的工件表面进行缺陷检测, 因此, 干法磁粉检法不适
合湿法检测的场合, 如大铸件、焊接件等局部缺陷检测; 连续磁粉检测法可在外磁场下观察
缺陷, 也可以中断磁场后观察.影响磁粉检测法检测精度的因素有:检测件的粗糙度和轮廓特
征, 缺陷的几何特性, 选用的磁化方法, 操作人员的素质等因素.影响渗透检测灵敏度的因素
有:显像试剂、渗透液的性能、操作人员的素质和缺陷本身的影响等.影响涡流检测的检测精
度因素主要包括:线圈的类型及参数, 检测件的材料及外形轮廓等
[9-10]
.
超声检测效果受缺陷面与超声波传播方向夹角的影响, 当夹角垂直时, 返回的信号最
强, 缺陷最容易被发现; 当夹角水平时, 返回信号最弱, 容易出现漏检.因此需要选择适当的
检测灵敏度和相应的探头才能减少漏检.影响超声检测的因素有:投影方向, 探头效能、探头
与被测试件的耦合情况、仪器的激励频率等
[11-12]
.
机器视觉检测主要由图像采集和缺陷检测两个过程组成.由于不同图像采集设备、拍摄
角度、光照条件和环境变化等因素, 造成了所采集的图像具有不同的质量, 决定了图像处理
的难易程度; 不同图像处理算法的特征提取能力和图像预处理方法的优劣将直接影响缺陷
检测的准确率和误检率的高低
[13]
.表 1 总结了常用产品缺陷检测方法的优缺点.
表 1 常用的缺陷检测方法的比较
Table 1 Comparison of common defect detection methods
编
号
检测方
法
缺陷特
征
优点
缺点
适用材料
1
磁粉检
测法
[14]
表面和
近表面
缺陷
可直观显示缺陷的位置、形状、大小,
适用于任意大小的工件检测, 具有高精
度、低费用、工艺简单等特点
只适用于铁磁性材料, 检测结果
受检测件形状的影响, 难以实现
自动化检测
铁磁性材料(如铸
钢件、管材、棒
材等)
2
渗透检
测法
[15]
表面缺
陷
不受材料种类和外形轮廓的影响, 对疏
松和针孔缺陷灵敏度高
难以检测多孔材料, 检测速度
慢, 检测结果受检测人员影响
大, 难以实现自动化检测
非多孔材料(如金
属铸件、塑料、
玻璃等)
3
涡流检
测法
[16-
17]
表面缺
陷
非接触检测, 检测速度快, 灵敏度高,
适于高温环境下缺陷自动化检测
不能直观显示缺陷形状和大小,
适用材料有限, 对较深缺陷检测
困难, 检测精度低
导电材料或非金
属材料(如工件、
管材等)
编
号
检测方
法
缺陷特
征
优点
缺点
适用材料
4
X 射线
检法
[18]
表面和
内部缺
陷
无损检测、穿透力强、不受材料外形与
结构的影响、操作方便、检测效率高
对参与检测的工作人员有一定的
辐射副作用
材料不限
5
超声波
检测法
[19]
表面和
内部缺
陷
使用方便、穿透力强、灵敏度高、设备
便携、操作安全, 自动化检测
不适合用于结构复杂的工件, 检
测效率低
材料不限
6
机器视
觉检测
法
[20]
表面缺
陷
适用范围广、精度高、不受检测件外形
轮廓影响、检测效率高, 自动化检测
只能检测表面缺陷
材料不限
下载: 导出 CSV
| 显示表格
1.2 基于深度学习的缺陷检测技术
近年来, 深度学习发展迅速, 在目标检测
[21]
、智能机器人
[22]
、显著性检测
[23]
等领域取
得了较大进展.深度学习是一种具有多个卷积层的深度神经网络结构, 通过对输入数据特征
的学习, 将底层特征形成更加抽象的高层特征表示训练数据的属性类别或特征, 以向量、特
征图谱等方式表达数据
[24]
, 从而提高深度学习算法的效果, 基于深度学习在大量数据中的强
大学习能力和特征提取能力, 因此很多研究者尝试将深度学习技术应用在产品的缺陷检测
中, 以提高产品的质量
[25-28]
, 主要包括:
1) 基于卷积神经网络(Convolutional neural network, CNN)
[29]
的产品缺陷检测技术.采用
CNN 进行缺陷检测可分为 2 种情况一种是通过设计复杂的多层 CNN 结构, 使用不同的网
络结构图像内容特征, 通过完全端到端的训练实现图像的缺陷检测
[30-31]
, 另一种是将 CNN
与 CRF (Conditional random field)模型相结合, 以 CRF 能量函数为约束对 CNN 进行训练或
利用 CRF 对网络预测结果实行优化, 完成产品缺陷检测
[25]
.
2) 基于自编码网络
[28]
的产品缺陷检测技术.自编码网络主要包括编码和解码两个阶段,
在编码阶段, 将输入信号转换成编码信号, 进行特征提取; 在解码阶段, 将特征信息转换成
重构信号, 再通过权值和偏置调节使重构误差最小, 实现缺陷检测.自编码网络与其他机器
学习算法最大的不同是, 自编码网络的学习目标不是为了分类, 而是为了特征学习.它具有
非常强的自主学习能力和高度非线性映射能力, 能够学习非线性度量函数以解决复杂背景
与前景区域分割的问题.
3) 深度残差神经网络
[32]
的产品缺陷检测技术, CNN、生成式对抗网络
[33]
等随着网络的
深度增加特征增加, 但此时容易造成激活函数不收敛.而深度残差网络的目的就是在网络结
构增加的同时, 使用残差优化不断增加网络层数, 使残差单元中卷积层的输出和输入元素维
度相同, 再经过激活函数, 减少损失.
4) 全卷积神经网络
[34]
, 通常 CNN 网络在卷积层之后会增加若干个全连接层, 将卷积
层产生的特征图映射成一个固定长度的特征向量.而全卷积神经可以接受任意尺寸的输入图
像, 采用反卷积层对最后一个卷积层的特征图谱进行上采样, 使它恢复到输入图像相同的尺
寸, 从而每个像素都产生一个预测结果, 同时保留了原始输入图像中的空间信息, 最后在上
采样的特征图谱上进行逐像素分类.
5) 循环神经网络
[35]
, 经典的 CNN 模型主要通过卷积操作和池化操作提取输入层测试
样本特征信息.而循环卷积神经网络使用循环卷积操作来代替 CNN 中的卷积操作.区别是,
循环神经网络在进行循环操作提取输入层特征后并不进行池化层操作提取特征, 而是采用
循环卷积操作的方式对样本进行特征处理.
2. 缺陷检测技术实验结果对比分析
2.1 主流的缺陷检测技术实验结果对比分析
在制造产品缺陷检测中, 分析不同的缺陷检测技术的实验结果有利于算法设计者更好
地理解和设计算法, 发现算法设计过程中存在的问题, 从而方便快捷地获得和发现较优的缺
陷检测技术的研究现状及在不同领域的应用情况, 提高制造产品在缺陷检测中的检测能力
和重用性.基于此, 本部分从检测方法、实验对象、实验目的、实验结果和数据来源几个方
面对经典的缺陷检测算法与其他算法的结合情况进行总结和分析.表 3 总结了常用的缺陷检
测方法改进的实验方法和对应的实验结果.
表 2 基于深度学习的缺陷检测方法
Table 2 Deep learning defect detection methods
编
号
检测方
法
缺陷特
征
优点
缺点
适用
材料
7
卷积神
经网络
表面和
内部缺
陷
对高维数据有较强的学习能力, 可从输入数据中
学习到抽象的、本质的、高阶的特征
网络的表达能力随着深度的增加而
增加, 网络越深, 计算复杂越大
材料
不限
8
自编码
神经网
络
表面和
内部缺
陷
具有很好的目标信息表示能力, 可较好地提取复
杂背景中的前景区域, 对环境噪声具有较好的鲁
棒性
必须保证自编码机的输入和输出的
数据维度一致
材料
不限
剩余16页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3663
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- Code for the complete guide to tkinter tutorial
- 关于百货中心供应链管理系统.zip
- SimpleFolderIcon-master 修改Unity的Project下的文件夹图标
- A python Tkinter widget to display tile based maps
- A pure Python library for adding tables to a Tkinter application
- Vector资源文件.zip
- MobaXterm-Installer
- MicroMsg.xlsx
- 88-520告白(520气球).zip
- HTML+CSS+JS精品网页模板H126.rar
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功