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.     

船体结构焊缝超声波探伤智能化方法

通过使用计算机控制的阵列式超声波探头简化超声波探伤过程中探头的运动方式，实现超声波探伤的自动化和智能化，超声波探伤过程形成原始的探伤记录．在确定焊接缺陷的性质、数量、尺寸、形状、位置等的基础上，使探伤结果更加直观可靠，降低人工劳动强度。     

船体焊缝缺陷及X射线评片

本文介绍了船体焊缝常见缺陷分类、产生原因、存在的危害性及在X射线底片上的影像特征。     

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CWT和改进YOLOv5s的港口机械轴承故障诊断方法

针对现有轴承故障诊断方法依赖人工经验进行特征提取的问题,提出了一种基于连续小波变换（CWT）和改进YOLOv5s的港口机械轴承故障诊断方法。首先,运用CWT将轴承故障振动信号转为时频图像;其次,通过嵌入CBAM注意力机制模块改进YOLOv5s模型;最后,将时频图像输入到改进YOLOv5s.模型中并输出分类结果。实验表明,与现有的模型进行比较,本文方法平均正确率达到了9975%,且具有较好的鲁棒性。     

基于改进YOLOv5的海面可见光图像船舶检测技术

针对无人船感知系统中的可见光图像船舶检测,提出了一种基于YOLOv5的算法,对深度学习网络模型的输入端、损失函数和检测框进行优化,使用迁移学习的策略进行网络模型训练。试验结果表明：该算法海面可见光图像船舶检测的平均精度均值达到98.6%,较YOLOv5提升1.69%,平均检测时间约为45 ms,能够满足不同条件下海面船舶检测的需求。     

船体角焊缝的连接强度分析与焊缝系数

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。     

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。     

基于改进YOLOv7声光融合水下目标检测方法

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。     

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。     

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。     

船体角接焊缝间隙超差几种处理方法的分析

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     

船体结构角焊缝的应力分析与试验

采用焊缝强度计算理论、有限元数值分析及组合钢构件压弯试验,研究船体结构角焊缝的受力性能。对比理论分析、数值计算、模型试验的结果表明,角焊缝剪应力的理论计算方法正确,试验实测焊缝剪应力的大小及分布与理论焊缝剪应力较一致,焊缝剪应力的测定方法可靠,为焊接系数的验证研究工作打下了基础。     

船体结构性缺陷的成因

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。     

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。     

基于CADDS5的船体外板加工样板软件开发

CADDS5软件目前在国内众多船舶设计建造单位广泛使用，由于国内实际情况的差异，还需对该软件进行本地化开发。船体外板加工样板在船舶建造过程中具有重要作用。本文使用CADDS5的CV－DORS开发工具，根据船体外板加工样板的需求，建立了相应的数学模型及处理流程，完成了该平台上船体外板加工样板软件的开发。     

基于AP聚类和深度卷积网络的船舶焊缝缺陷检测

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％.     

浅谈螺旋桨铸造缺陷对船体振动的影响

本文简要介绍了螺旋桨的铸造缺陷及其产生的原因,以及消除缺陷和船体振动的措施。