基于深度学习的激光熔覆层表面气孔识别研究

为了解决熔覆层表面气孔识别技术中耗时且准确度不足的问题,文章利用深度学习技术中的语义分割网络提出了基于U-net神经网络识别熔覆层表面气孔的2BNC-Unet神经网络。通过引入Batch Normalization层以及串联注意力机制(CBAM)合理部署在神经网络中,选取交并比(IoU)与Dice系数作为网络的评价指标。研究结果表明：在测试集中,2BNC-Unet网络的交并比与Dice系数分别为86.96%、86.42%,相比U-net神经网络分别提高了7.65%、4.73%。同时为了验证该网络的性能,选用SegNet、2BNC-Unet与U-net神经网络进行对比实验,结果表明2BNC-Unet的分割效果不仅优于SegNet和U-net网络,而且熔覆层表面的气孔细节能够被完整地分割。在深度学习技术中2BNC-Unet的分割速度和准确度都有了显著地提高,气孔的分割为熔覆层的性能分析提供了帮助。     

激光熔覆TiC陶瓷涂层的组织和摩擦磨损性能研究

采用激光熔覆技术在TC4合金表面上制备了TiC陶瓷涂层,分析了熔覆层的微观组织,测试了熔覆层的硬度和摩擦磨损性能。结果表明:TiC激光熔覆层分为熔覆区和稀释区两个区域,熔覆区未受到基底的稀释,由TiC颗粒和TiC树枝晶组成;稀释区受到了基底的稀释,由TiC树枝晶和钛合金组成;TiC激光熔覆层的显微硬度在HV700~1500之间,明显地改善了TC4合金表面的摩擦和磨损性能。     

激光、激光技术 激光应用 激光工业应用

TG156.99 2006032065激光熔覆TiC陶瓷涂层的组织和摩擦磨损性能研究=Mi-crostructure and friction wear properties of TiC laser cladlayer[刊,中]/孙荣禄(天津工业大学机械电子学院.天津(300160)) ,杨贤金∥光学技术.—2006 ,32(2) .—287-289采用激光熔覆技术在TC4合金表面上制备了TiC陶瓷涂层,分析了熔覆层的微观组织,测试了熔覆层的硬度和摩擦磨损性能。结果表明,TiC激光熔覆层分为熔覆区和稀释区两个区域,熔覆区未受到基底的稀释,由TiC颗粒和TiC树枝晶组成;稀释区受到了基底的稀释,由TiC树枝晶和钛合金组成;TiC激光熔覆层的…     

激光冲击对E690高强钢激光熔覆修复微观组织的影响

为研究激光冲击对E690高强钢激光熔覆修复层微观组织的影响,选用专用金属粉末对E690高强钢试样预制凹坑进行激光熔覆修复,并使用脉冲激光对激光熔覆层进行冲击强化处理,同时采用扫描电镜、透射电镜和X射线应力分析仪分别对激光冲击前后激光熔覆层的微观组织和表面残余应力进行检测。结果表明:激光熔覆修复后,激光熔覆层组织为等轴晶,熔覆层与E690高强钢基体之间冶金结合良好,其表面残余应力为均匀分布的压应力。经激光冲击后,激光熔覆层截面晶粒得到细化,并观察到大量的形变孪晶,互相平行的孪晶界分割熔覆层粗大晶粒,在激光熔覆层的晶粒细化过程中发挥着重要作用;试样表层位错在{110}滑移面上发生交滑移,在晶界周围形成了位错缠结。经激光冲击后,激光熔覆层冲击区域表面残余压应力数值相较于冲击前提升了1.1倍。     

铁基合金激光熔覆层高温润滑磨损性能

 为提高40Cr合金钢的表面耐磨性,采用预置激光熔覆法在40Cr基体表面制备铁基合金涂层, 利用扫描电镜观察分析熔覆层显微组织形貌,用显微硬度仪测试熔覆层截面显微硬度,用摩擦磨损试验机测定在润滑条件下基体、熔覆层的摩擦系数随温度变化的规律。研究结果表明:熔覆层与基体实现良好冶金结合,熔覆层横截面微观组织呈现平面晶、树枝晶和胞状晶分布;熔覆层硬度值介于617.5~926.6 HV0.2之间,基体硬度介于205.2~278.2 HV0.2之间;在200 ℃以下,熔覆层摩擦系数在磨程中趋于平稳,在0.1附近轻微波动,小于基体平均摩擦系数;当温度超过200 ℃,油膜分解,引发润滑失效,磨损方式向干摩擦转化,磨损机理从微切削磨损主导向粘着磨损、磨粒磨损和氧化磨损复合磨损方式转化。     

钛合金表面激光熔覆TiC_p/Ni基合金复合耐磨涂层

采用激光熔覆技术在TC4合金表面制备TiC颗粒增强的Ni基合金复合材料涂层,测试了熔覆层的硬度和滑动摩擦磨损性能,分析了熔覆层的强化机制。结果表明,熔覆层中存在颗粒强化、固溶强化和细晶强化等多种强化作用,熔覆层的显微硬度达HV900～1100,耐磨性能比TC4合金显著提高。     

基于U-net和可见光谱图像的黄瓜褐斑病分割

褐斑病是黄瓜主要真菌性病害之一,适宜条件下,特别是在昼夜温差大及饱和湿度条件下发病迅速,病情加重,导致黄瓜减产,造成经济损失。对黄瓜褐斑病进行病斑分割与提取,可以为后续的病害识别与诊断提供有效依据,具有重要意义。结合黄瓜褐斑病可见光谱图像,利用U-net深度学习网络构建黄瓜褐斑病语义分割模型,实现了病斑分割。首先在采集到的黄瓜褐斑病可见光谱图像中截取病斑较为突出的区域作为样本,共在40幅图像中截取到135个像素区域,区域的像素分辨率为200×200,利用Matlab的Image Labeler工具对样本进行像素标记,分别标记出感病区域和健康区域。然后构建U-net网络,该网络包含46层和48个连接,通过卷积层和线性整流层以及最大池化法来完成病斑特征提取,通过深度连接层以及上卷积层和上线性整流层完成上采样,通过跳层连接来完成复制和剪裁操作,并进行病斑特征融合。利用所构建的U-net网络进行学习训练得到语义分割模型,在135个样本中,随机选取其中96个作为训练样本,剩余的39个作为测试样本,设置迭代次数为240次,L2正则化系数为0.000 1,初始学习率为0.05,动量参数为0.9,梯度阈值为0.05,进行样本训练和测试。经过10次重复训练和测试,结果表明,基于U-net和可见光谱图像的黄瓜褐斑病语义分割模型执行时间平均为46.4 s,内存占用平均为6 665.8 MB,执行效率较高;模型准确率PA为96.23%~97.98%,MPA为97.28%~97.87%,MIoU为86.10%~91.59%,FWIoU为93.33%~96.19%,模型的稳定性较好、泛化能力较强。该研究方法利用较少的训练样本,获得了准确率较高的分割模型,为小样本机器学习提供了参考,同时为其他蔬菜的病斑分割、病害识别与诊断提供了方法依据。     

激光工艺参数对钛合金表面NiCrBSi合金熔覆层组织及硬度的影响

在TC4合金表面进行了激光熔覆NiCrBSi合金涂层的试验 ,利用SEM和XRD等对熔覆层的微观组织进行了分析 ,测试了熔覆层的显微硬度。结果表明 ,激光工艺参数对熔覆层的组织和硬度有极大的影响 ,随稀释率的增加 ,激光熔覆层中形成了TiB2 和TiC等颗粒增强相 ,熔覆层的硬度明显提高。     

Cr对TiC-VC增强铁基熔覆层耐蚀性及耐磨性的影响

通过X射线衍射、扫描电子显微镜、能谱仪、极化曲线和磨粒磨损实验分析,研究了不同Cr加入量对TiC-VC增强铁基激光熔覆层耐蚀性和耐磨性能的影响。结果表明:熔覆层中物相主要为α-Fe,TiC,VC和TiVC2。随着Cr加入量的增加,伴随有残余奥氏体及Cr3C2的出现,且Cr3C2呈长条状部分聚集、部分单独分布。熔覆层的耐蚀性与耐磨性随Cr加入量的增加呈现先增加后降低的趋势。熔覆粉末中加入适量的Cr元素能显著提高熔覆层的硬度与耐蚀性。当添加质量分数为3.0%的Cr时,熔覆层硬度高达1090HV0.2,且相同磨损条件下熔覆层磨损失重仅约为Q235钢的1/26;当添加质量分数为9.0%的Cr时,所得熔覆层的耐蚀性最好,约为不添加Cr时的3.26倍。     

激光熔覆NiCrBSi涂层组织及摩擦磨损性能

采用激光熔覆技术在H13钢表面制备了NiCrBSi合金涂层,利用OM,SEM,EDX和XRD等对熔覆层的微观组织进行了分析,测试了熔覆层的显微硬度和摩擦磨损性能。结果表明,激光熔覆层与基体形成了良好的冶金结合,熔覆层的组织主要由γ-Ni,Cr7C3和CrB等相组成。熔覆层显微硬度在650~850HV之间,明显高于H13钢基体的硬度。摩擦磨损实验表明,在相同的条件下,熔覆层的耐磨性比基体有了明显的提高,磨损体积减少了92.4%。通过对磨损后的试样进行粗糙度测试后表明,涂层具有更平滑的表面。     

基于改进U-net的金属工件表面缺陷图像分割方法

针对金属工件表面小尺寸缺陷及受非均匀光照影响的图像缺陷难以分割的问题,提出了一种改进的U-net语义分割网络,实现金属工件表面缺陷图像的精确分割。首先,在U-net网络中融入CBAM(convolutional block attention module)模块来提升图像中缺陷目标的显著度;其次,采用深度超参数化卷积DO-Conv(depthwise over-parameterized convolutional)代替网络中部分传统卷积,增加网络可学习的参数数量;然后,采用Leaky Relu函数代替网络中部分Relu函数,提高模型对负区间的特征提取能力;最后,采用中值滤波及非均匀光照的补偿方法进行图像预处理,减弱非均匀光照对金属工件图像表面缺陷的影响。结果表明:改进后的网络平均交并比、准确率和Dice系数指标分别达到0.833 5、0.933 2、0.867 4,改进的网络显著提升了对金属工件表面缺陷图像的分割效果。     

基于改进U-Net的量子点STM图像分割

为提升量子点图像分割精度,降低特征识别误差,提出一种基于改进U-Net的量子点图像分割方法.首先,在预处理阶段,设计了以色彩通道为权值的灰度化算法,以提升后续分割效果.其次,在STM图像分割部分,在原始U-Net结构上引入中间过渡层以均衡网络各层特征.而后,建立数据集,并通过实验对比不同分割算法的精确度、召回率、F-measure.最后,将分割算法应用于量子点的特征识别,并测试了不同分割方式对应用的影响.实验结果显示,改进灰度化方法保留细节信息丰富,明显提升了量子点分割精度;改进U-Net的平均精确率、召回率、F-measure相较原始网络分别提升了13.83%、2.16%、8.13%.同时,实验数据表明由于分割精度的提升,量子点数量、纵横比等特征参数的识别更加精确.     

基于口腔自体荧光效应和深度学习的牙菌斑的分割及量化

牙菌斑是牙齿表面一层难以观测的生物膜,是导致龋齿、牙龈炎等一系列疾病的直接诱因.牙菌斑的早期定量化无损检测具有重要的临床意义.短波长光激发下,牙菌斑的细菌及其代谢产物可以产生自体荧光.基于前期成像系统的基础上,采集大量牙菌斑在405nm蓝光激发下产生的红色荧光;牙菌斑越成熟红色荧光强度越高;采用改进的U-net网络对该...     

Bridge disease detection and recognition based on improved YOLOX algorithm北大核心

In view of the low accuracy of the current bridge disease detection algorithm based on convolutional neural network, an improved YOLOX algorithm was proposed to improve the detection accuracy. By using the feature information of the shallow layer of the backbone network, the feature extraction enhancement network was improved, and the feature information of the same layer was added for fusion. An improved coordinate attention mechanism was introduced to combine the position information and the channel information to enhance the network recognition of bridge diseases. At the same time, the localization loss function was improved. The experimental results show that the accuracy of the improved YOLOX network structure for bridge disease detection reaches 92.11%, which is 4.40% higher than the original network. © 2023 Editorial office of Journal of Applied Optics. All rights reserved.     

基于深度学习的铸件X射线图像分割研究

针对当前图像分割算法在实现工业铸件内部缺陷分割上精度低且算法不够轻量化的问题,提出一种基于改进DeepLabv3+的工业铸件内部缺陷检测算法Effi-DeepLab。该方法采用EfficientNet中的MBConv来代替原有的Xception模块进行特征提取,使特征提取网络更加高效与轻量化;针对工业铸件内部缺陷尺寸小的问题,重新设计空洞空间金字塔池化（ASPP）层中空洞卷积的扩张率,使得卷积块对小目标具有更高的鲁棒性;在解码端充分利用特征提取阶段的低阶语义信息进行多尺度特征融合,以提高小目标缺陷分割的精度。实验结果表明,在本文使用的汽车轮毂内部缺陷图像数据集中,Effi-DeepLab模型对缺陷的分割准确率和平均交并比（mIoU）分别为93.58%和89.39%,相比DeepLabv3+分别提升了2.65%和2.24%,具有更好的分割效果;此外,还通过实验验证了本文提出算法具有良好的泛化性。     

Al、Nd对Cr12MoV钢表面镍基熔覆层的组织及性能影响

为了解决Cr₁₂MoV钢溶蚀、表面碎裂等问题,利用Al-Ni、Nd-Ni粉末在Cr₁₂MoV钢上进行激光熔覆实验,研究了Al、Nd对镍基覆层的宏微观形貌、组织及表面性能的影响。结果表明:Al可以减少熔覆层裂纹的产生,同时降低覆层硬度,使熔覆层中产生具有减磨作用的硬质相Al₂O₃等,降低覆层磨损量,14%Al覆层磨损量比2%Al的覆层磨损量低44.5%,Al较优质量分数为14%;Nd的晶粒细化作用明显,显著提升覆层显微硬度,2.5%Nd覆层平均硬度比基体平均硬度高36.8%,Nd较优质量分数为2.5%。     

激光熔覆层开裂行为的影响因素及控制方法

激光熔覆层开裂是影响覆层质量最主要的因素,特别是厚覆层。选用５ｋＷ 横流ＣＯ２ 激光器对各种不同材料和零件进行厚覆层激光熔覆,实验、检测和使用的效果说明：激光熔覆层开裂主要与激光系统参数、工艺处理条件、覆层材料、基体状况等四个方面有关。分析了熔覆层的开裂行为,并介绍了几种控制方法。