共查询到20条相似文献,搜索用时 0 毫秒
1.
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. 相似文献
2.
3.
4.
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。 相似文献
5.
6.
7.
本文阐述了船体结构角焊缝的分类及强度条件,对工作焊缝,按其承载模式建立力学模型,并对其失效模式进行分析,完成了普通强度钢和高强度钢在六种组合模式下的焊缝系数推导,给出了船体结构普通强度钢和高强度钢的推荐焊缝系数,为船舶结构焊缝设计提供理论依据。 相似文献
8.
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。 相似文献
9.
多变的光照条件及天气状况将会严重影响水下光学图像的成像质量,为提升水下目标检测的稳定性及检测精度,基于深度神经网络模型,对结合光学图像和声呐图形的多模态方法进行研究。首先,针对实时神经网络检测器架构YOLOv7,通过改进该检测器,使其适用于多模态输入。其次,为了有效地结合来自不同模态的影响特征,提出全新的融合模型YOLOv7-Fusion,并通过引入CE-Fusion模块,实现融合效率和准确度的提升。最后,为了解决数据集缺少的问题,利用快速风格和图像处理算法转化的方法,生成人工数据集。所设计的算法及模型目标识别准确率为0.995,具有较高检测精度;Fps为43.4,具有较高处理效率。该模型可支持真实应用,适用于不同类型的水下场景。 相似文献
10.
11.
12.
在船体建造过程中,当角接接头间隙超差,并超过5 mm时,可采用割换、垫板和堆焊等三种方法处理(如图1所示)。这三种超 相似文献
13.
14.
船体在营运过程中所产生的结构性缺陷是不可避免的,而其中的某些缺陷可能产生危险的后果,使船体可靠性降低、船舶营运性能变坏,甚至导致事故发生,严重威胁自身及他船的航行安全。全面分析了解船体结构性缺陷的成因,采取必要措施及早发现并避免因船体技术状况恶劣而威胁船舶的航行安全,是我们海事监督管理工作的重要内容。 相似文献
15.
16.
17.
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。 相似文献
18.
19.
针对船舶焊缝缺陷检测中存在定位困难和识别效率低问题,提出基于AP聚类和深度卷积神经网络的检测方法.采用基于距离最值的M-SMOTE算法进行焊缝样本不平衡数据集处理,实现少数类新样本的精细化生成,并提出基于AP聚类的深度卷积神经网络模型.模型先基于几何特征、强度特征和背景对比反差进行11个焊缝缺陷特征提取和AP聚类,并将聚类结果作为神经网络输入;采用自适应PCA法对网络进行降维,在保证识别准确率的基础上,通过参数化方法简化降维步骤.试验表明,在通用焊缝数据集上,文中模型的识别率高达98.87%,与准确率较高的VGG模型相比,训练时间缩短12.10%,模型存储减小11.94%;在船舶焊缝数据集上,文中模型的总体识别率达到98.00%,对比准确率较高的DNN模型,其准确率提高了 3.33%. 相似文献
20.