不同载荷下船体框架变形程度自动检测系统

为实现不同载荷下船体框架变形程度自动精准检测,设计一种新的船体框架变形程度自动检测系统。此系统的光电探测模块由线阵CCD相机,采集船体框架变形图像后,通过图像采集和传输单元将采集的图像打包整理,使用网络交换机传输至中心控制台的工控计算机,工控计算机启动基于相机位姿的船体框架变形程度测量模型,结合线阵CCD相机位姿数据,计算获取图像中船体框架变形检测点的实际变形量,完成变形程度自动检测。经实验验证,所设计系统在6级海况载荷、8级海况载荷工况中,对船体甲板框架变形程度自动检测结果,与实际值不存在明显的异常偏差,吻合度显著,可实现不同载荷下船体框架变形程度自动精准检测。     

船体焊缝缺陷检测的图像处理算法

基于船体焊缝人工检测方式劳动强度大、效率低等现状,针对未融合、裂纹、气孔和焊瘤等典型焊缝缺陷,研究图像预处理和轮廓提取算法,对焊缝特征参数计算方法进行改进以降低图像处理运算量,提出基于有限样本的船体焊缝缺陷识别流程。最后应用OpenCV和C++编程,以焊缝缺陷正确识别率为标准,对图像处理算法和识别流程的有效性进行验证。     

基于改进YOLOv5s的铝型材表面弱缺陷识别方法

针对采用传统的机器视觉方法识别铝型材表面弱缺陷存在的效率低和精度差的问题，提出一种将数据增强与YOLOv5s相结合的铝型材表面弱缺陷识别方法。采用anchor-free方法简化人工设计YOLOv5参数的步骤，降低检测复杂度；利用解耦检测器解决YOLOv5s检测中分类与回归任务冲突的问题，加快损失函数的收敛速度。通过优化算法的边界框回归损失函数，提高算法模型的定位精度；同时引入γ参数解决弱缺陷样本不平衡的问题。通过图像马赛克与像素混合方法提升模型对弱缺陷图像的识别能力。试验结果表明，改进算法的检测平均精度均值为93.3%，检测速度为41帧/秒，能提高船舶类铝型材弱缺陷检测的效率和自动化程度。     

基于搅拌摩擦焊的船体焊缝Matlab分析

焊接工艺的不断进步和发展,为促进船舶制造业的繁荣兴盛发挥了重要作用。焊接工件质量问题是船舶安全中的重点问题。在本文中,针对搅拌摩擦焊工艺技术进行研究,分别介绍搅拌摩擦焊的工作原理及其特点,分析搅拌摩擦焊的焊缝缺陷产生的原因,并提出基于搅拌摩擦焊的船体焊缝Matlab分析方法。首先使用Matlab的小波分析工具箱对焊缝缺陷图像进行降噪与特征提取;然后使用LS-SVMlab Toolbox进行分类识别分析。实验结果表明,Matlab相关工具箱可对焊缝缺陷进行有效分析,能够取得较为理想的检测结果。     

激光传感器的船舶焊缝缺陷识别

采用激光传感器对船舶焊缝缺陷进行识别,可解决传统识别方法所带来的识别精准度差、检出率高等问题,为船舶工作人员生命安全带来保障。采用传感器获取焊缝图像底片,并进行数字化处理;根据激光扫描图像成像特点,并使用熵关联法进行分割;提取缺陷参数特征进行区分并加以描述,利用Matlab工具对船舶轮廓进行绘制,通过绘制后所获的缺陷数据进行三维投影坐标转换,由此完成船舶焊缝缺陷识别。经过实验验证得出结论,实验结果表明,该识别方法可大大提高检测精准度,降低检出率,具有良好的稳定性和较高的识别率。     

嵌入式平台下船舶电子组件缺陷自动检测分析

现有的电子组件缺陷自动检测分析方法均存在着检测效率低下的弊端,为此提出嵌入式平台下船舶电子组件缺陷自动检测分析方法研究。通过对电子组件图像的预处理得到电子组件缺陷目标图像,采用数据拟合方法对图像进行分割,以此为基础,对电子组件缺陷特征进行提取,利用决策树模型计算电子组件缺陷图像的决策因子,将其与标准决策因子进行比较分析,实现了嵌入式平台下船舶电子组件缺陷的自动检测分析。通过实验得到,与现有的电子组件缺陷自动检测分析方法相比,提出的电子组件缺陷自动检测分析方法得到的电子组件缺陷目标图像质量与检测效率更高,充分说明提出的电子组件缺陷自动检测分析方法具备更好的检测性能。     

嵌入式平台下舰船电子系统缺陷自动检测分析

传统的舰船电子系统缺陷自动检测方法在对检测信号进行采集分析时,会受同频干扰的影响,导致数据失真,缺乏可靠性。为解决这个问题,在嵌入式平台下设计舰船电子系统缺陷自动检测方法。在嵌入式平台中提取舰船电子系统缺陷特征,并针对不同特征类型进行分类处理,利用神经元计算模型,将其分为3类,在完成上述操作步骤后,依据舰船电子系统缺陷统计表,完成自动检测。由此完成舰船电子系统缺陷自动检测方法的设计。实验中随机在嵌入式平台中选取8个缺陷特征,采用数值对比的方式,对比2种检测方法的可靠性,由实验对比结果可知,所提方法可靠性更高。     

基于多特征点的船舶焊缝图像缺陷识别技术

现有船舶焊缝图像缺陷识别技术存在着缺陷边缘定位功能差、缺陷识别效率低的缺陷。为了解决上述问题,基于多特征点研究船舶焊缝图像缺陷识别技术。以获取的船舶焊缝图像为基础,采用图像分割方法提取焊缝图像缺陷,通过锐化处理增强缺陷边缘信息,利用数学形态法提取缺陷边缘。以得到的缺陷边缘信息为依据,通过标度转换算法计算多特征点参数,实现船舶焊缝图像缺陷的识别。实验结果表明,与现有船舶焊缝图像缺陷识别技术相比,提出的船舶焊缝图像缺陷识别技术极大提升了缺陷边缘定位功能与缺陷识别效率,说明提出的船舶焊缝图像缺陷识别技术具备更好的识别性能。     

基于改进YOLOv4算法的船舶目标检测方法

针对海面环境复杂、船舶目标检测存在检测精度不高和效率低的问题，以及船舶数据集不平衡的现象，提出一种改进YOLOv4算法的船舶目标检测方法。对图像进行预处理，增强船舶图像的有用信息，减少计算量；采用图像增强方法扩充不平衡数据集的小样本数量，提高各类船舶目标检测的准确性；采用改进的K-means++聚类方法重新设计先验锚框，使锚框和目标的边界框更加匹配；采用Softer-NMS对非极大值抑制算法进行优化，对预测框进行后处理，提升模型对密集船舶的检测能力和定位精度。通过开展多组对比试验发现，采用改进的检测算法对10类船舶目标进行识别，精确率P、召回率R和交并比（IOU）等都有很大提高，平均精确率（m AP）值达到96.78%，相比YOLOv4算法提升23.79%；检测速度达到31.2帧/秒，在显著提高检测精度的同时，能缩短检测时间，达到很好的检测效果。     

改进神经网络的船舶红外图像边缘检测方法

研究改进神经网络的船舶红外图像边缘检测方法,提升边缘检测抗噪声干扰能力。采用块匹配的主成分分析方法对船舶红外图像实施去噪处理后,经梯度算子将降噪后船舶红外图像转换为二值图像;以BP神经网络为基础,通过附加动量法-自适应学习速率调整BP神经网络权值,提高网络训练鲁棒性;将转换后舰船二值图像作为改进神经网络的输入,在实施网络训练后得出输出值,依据输出值和设置阈值的对比结果,获取船舶红外图像边缘点,实现船舶红外图像边缘检测。实验结果表明：该方法降噪后船舶红外图像的PSNR值全部高于40 dB,降噪效果较好;可有效提取船舶红外图像边缘特征且边缘检测结果清晰、连贯,能够达到船舶红外图像边缘检测标准。     

基于极限学习机的舰船焊缝缺陷识别检测研究

焊接技术是影响舰船制造水平的重要因素,在舰船焊接中受多种因素影响会出现焊缝缺陷,尤其在压力管道、外板等焊接部位易出现焊缝,对舰船航行安全构成极大威胁,易引发航行事故。为有效消除焊缝缺陷,必须采用识别监测技术准确识别缺陷和定位缺陷,并对焊缝缺陷进行处理,以提高舰船焊接质量,稳定舰船结构。本文介绍极限学习机算法、优势与改进,提出基于极限学习机的舰船焊缝缺陷识别检测技术方法,能够准确检测出舰船焊缝缺陷。     

基于智能视觉的船体焊接坏点识别方法

传统的船体焊接坏点识别方法会受周围因素的影响,无法得出准确的识别结果,为了解决这个问题,提出基于智能视觉的船体焊接坏点识别方法。利用智能视觉技术采集船体焊接图像,并对图像进行二值化处理,得到经过去燥处理的船体焊接图像,在完成上述步骤后,利用智能视觉船体焊接坏点识别模型对船体焊接坏点结构进行故障识别,为确保识别结果的准确性,应用映射计算法对其进行进一步处理。由此,完成基于智能视觉的船体焊接坏点识别方法的设计。在实验中,随机选取800张船体焊接坏点结构图像,分别对这2种方法进行实验分析,实验结果表明,所提方法的准确性更高,更适合推广使用。     

船体表面缺陷检测系统研究

首先利用小波变换对船体表面的灰度图像进行特征提取,得到待检测船体表面的六维小波特征矢量;然后根据最小二乘支持向量机,采用逐级分类的方式进行舰船船体表面质量检测;最后通过实验可知,采用中值滤波进行预处理后的识别率要高于采用均值滤波。     

计算机视觉在船舶焊缝缺陷识别的应用

大型集装箱运输船舶在海上航行时,会受到极端恶劣的气象条件影响(海浪、海风等),导致船体结构出故障。由于大型船舶的甲板、船体等壳状结构均采用焊接的方式组成整体,因此,船舶焊接的质量决定了船舶结构强度和防水性等,具有非常重要的意义。为了保证船舶的焊接质量,必须要进行焊缝的缺陷识别与检测。本文基于计算机视觉与图像处理技术,研发了一种新型的船舶焊缝识别系统,对改善船舶焊缝的缺陷检测水平有重要作用。     

船体焊缝超声波探伤标准试块的使用与缺陷定量方法

一九七九年十月在船舶标准化委员会造船工艺组召开的23-7会议上审查通过了修订后的船体焊缝超声波探伤标准(工艺部分)。该标准设计了新的校验试块和对比试块,提出了专用仪器、探头的性能指标,并制订了新的定量方法。为贯彻标准创造必要的条件,目前船体焊缝专用超声探伤仪和探头已由有关工厂进行生产,两种试块已由造船工艺研究所成批生产,提供使用。本文仅结合两种试块的使用,阐明在焊缝缺陷定量中应注意的问题;同时简要介绍用计算法绘制距离-波幅曲线的方法,以及面板     

船体肋骨三维外形检测及可视化系统研究

随着科学技术的进步，制造过程的数字化和信息化在各行各业逐渐推广开来。造船业作为国家重器的一个重要组成部分，也在推行船体设计、加工、制造的数字化和信息化。对广泛应用于工业领域的特种型材，尤其是船体肋骨所用T型钢、球扁钢的成形过程进行了简要介绍，并设计实现船体肋骨成形后外形的自动检测装置，实现检测过程的自动化、记录的数字化及检测结果的三维可视化。为船体肋骨加工过程数字化和信息化打下良好的基础。     

基于视觉显著性的船舶结构缺陷检测研究

针对船舶结构缺陷图像中背景结构复杂,缺陷不易检测的难题,提出基于视觉显著性的缺陷检测算法。该算法采用自适应全变分模型替代FT算法的高斯滤波器并融入H分量来构建改进型FT算法,以增强缺陷图像背景的平滑和缺陷局部颜色对比度的表达能力;利用SMD算法捕捉图像结构信息及分解图像特征矩阵,凸显船舶缺陷与背景的差异性;通过自适应融合算法将改进型FT算法和SMD算法生成的显著图融合为综合显著图。对船舶缺陷进行对比实验,结果表明,提出的算法能够有效检测出船舶缺陷区域,提高缺陷检测精确率。     

结合空洞编码器和特征金字塔的中心点船舶检测

为了进一步提高基于深度学习的船舶目标检测技术的检测精度，在无锚框中心点检测算法基础上，提出一种结合空洞编码器和特征金字塔的改进中心点船舶检测算法。采用Res Ne Xt-50网络对船舶图像进行特征提取，引入基于空洞残差的空洞编码器（DE）增大32倍下采样特征图的感受野，生成覆盖多个目标尺度的特征图，并采用特征金字塔网络（FPN）进行上采样，在上采样过程中融合空洞编码器生成的32倍下采样特征图和原16倍、8倍和4倍下采样特征图，从而提取到更丰富的船舶特征信息，提升船舶检测效果。结果表明，改进算法对不同类型和不同尺度下的船舶检测平均精确率相比原算法具有较明显的提升，相比SSD和YOLOv3算法具有更高的精度优势。     

基于生成对抗网络的水下图像增强

对光的散射和衰减导致水下图像出现颜色失真和细节模糊对比度低问题进行研究,提出一种基于生成对抗网络（GAN）的图像增强方法。首先以图像分割（U-Net）网络为基础提取水下退化图像特征,再使用改进的白平衡算法对原始图像进行去偏色处理,用卷积神经网络提取去偏色后的图像特征,接着通过卷积神经网络完成两者特征融合,最后重构增强的图像。结果表明,本文算法增强后的图像在UIQM、PSNR和SSIM指标上的平均值为5.071、25.310和0.996,分别比第二名提升了1%、7%和5%。在主观感知和客观评估中,处理后的图像在清晰度、颜色校正和对比度方面均得到改善。     

可视化图像处理下船体表面微裂痕高效检测算法

为了提升船舶质量,保证船舶的航行安全,提出可视化图像处理下船体表面微裂痕高效检测算法。利用摄像机、图像采集卡等硬件设备,获取船体表面微裂痕可视化图像。经过滤波去噪和图像增强2个步骤,实现对初始可视化图像的处理。在此基础上,分别从纹理轮廓和几何2个方面,提取船体表面的微裂痕特征,并通过与完好船体表面图像的比对,得出最终的检测结果。将设计的检测算法应用到实际的检测工作中,计算得出设计算法的检测精度高于99%,满足检测精度的要求,且消耗的检测时间更少。