为了实现自动检测X射线图像中的违禁品,解决相互遮挡、目标相近和小目标违禁品检测难的问题,提出一种基于改进的你只观察一次(YOLOX)算法的X射线图像违禁品检测方法。首先在YOLOX的主干网络低层中引入使用大核注意力构建的空间注意力,提取低层特征图的远距离依赖信息和纹理信息,之后在主干网络的中层和高层增加卷积块的注意力模块以增强感兴趣区域信息并抑制无用信息; 该方法在公开的安全检查X射线数据集上进行实验,同时为改善模型的鲁棒性,在训练前70个周期使用Mosaic数据增强方法。结果表明,改进的模型较基本模型增加少量的参数和计算量,均值平均精度增加2.45%,提升到87.88%,平均推理速率为58.5 frame/s。该研究为即时自动检测X射线图像中违禁品提供了有益的参考。

为了研究多层单道电弧增材表面3-D成形特征, 采用激光视觉传感系统采集电弧增材制造表面条纹图像。提出基于边界约束条件的感兴趣区域(ROI)提取法对焊缝特征曲线进行定位, 获取ROI的激光条纹像素坐标。进行了理论分析和实验验证, 得到电弧增材表面的3-D离散点数据, 采用Delaunay三角剖分对离散点拟合形成3-D实体表面。结果表明, 锯齿靶标的线性标定方法, 3-D重构精度在0.2mm以内;基于边界约束条件的ROI提取方法能准确定位电弧增材上表面和侧表面的条纹特征曲线。这一结果对电弧增材表面的3-D成形检测是有帮助的。

为了研究旋转磁场激励下激光焊接裂纹磁光成像在频域内的特征，采用对激光焊接裂纹磁光图像进行2维离散傅里叶变换的方法，进行了理论分析和实验验证，取得了旋转磁场不同励磁强度下激光焊接裂纹的频谱图数据。结合裂纹磁光图的空域特征，对所获裂纹频谱图灰度值为255的点进行统计分析。结果表明，激光焊接裂纹磁光图像的频域特征和空域特征有一定的对应关系;在一个变化周期内（885帧磁光图），对应频谱图上会出现先变小再变大、再变小再变大或相反的变化过程，最终回到初始状态。这一结果验证了旋转磁场下裂纹磁光成像规律的正确性，对激光焊接缺陷的无损检测是有帮助的。

为了实现焊接缺陷的检测与评估, 提出将交变磁场激励下磁光成像的漏磁特征应用于焊接缺陷的轮廓重构当中, 建立漏磁重构模型, 研究焊接缺陷的二维轮廓特征。首先根据交变磁场下的漏磁场的形成机理, 讨论漏磁场分量By, Bz两种漏磁信号与缺陷轮廓存在的关系。再利用数值模拟方法获取数据, 训练其广义回归神经网络(Generalized Regression Neural Network, GRNN)来确定该模型并说明漏磁场信号可以实现缺陷轮廓重构。最后, 将磁光成像漏磁特征的数据应用于模型训练, 确定重构的可行性。试验结果表明, 应用磁光成像漏磁特征的图像数据与仿真获得的轮廓重构规律一致, 能够实现焊接缺陷二维轮廓重构。在一定范围内, 缺陷深度越大(不小于0.45 mm), 重构效果越好。

针对多层单道电弧增材制造侧表面成形检测问题,通过激光视觉传感三维重构系统获取不同焊接条件下焊缝侧表面轮廓深度点云信息,利用RANSAC(Random Sample Consensus)和KNN(K-Nearest Neighbors)点云处理算法提取堆积层侧表面的三维点云。分析多层单道焊缝堆积的层间分布情况,量化堆积层侧表面粗糙度,进而探索堆积过程中焊丝末端与板材间距对堆积层三维成形的影响。研究结果表明,激光视觉传感系统能够准确判断电弧增材侧表面成形情况,三维点云算法可用于电弧增材侧表面的三维重构和特征提取,能够直观地描述和量化堆积层的三维成形特征,为电弧增材制造表面成形检测和量化分析提供了一种新方法。

针对V型坡口中厚板对接焊,研究一种噪声环境下应用径向基函数(Radial Basis Function,RBF)神经网络补偿卡尔曼滤波(Kalman Filter,KF)误差的焊缝跟踪方法。根据三角测量原理设计激光结构光视觉传感器并采集焊缝图像,对受噪声干扰的焊缝图像进行预处理。采用基于光强度分布特性的灰度平方加权重心法提取结构光条纹中心线,通过道格拉斯-普克算法(Douglas-Peucker algorithm)和最小二乘法相结合的方法提取焊缝特征点。建立描述焊缝中心位置的系统状态方程与测量方程,运用RBF神经网络补偿卡尔曼滤波模型误差及噪声统计不确定性造成的滤波误差,修正卡尔曼滤波估计值。试验结果表明,RBF神经网络补偿卡尔曼滤波能够减小噪声干扰的影响,提高焊缝跟踪精度,有效抑制卡尔曼滤波发散。

为了实现大功率激光焊接状态的实时检测, 采用了基于传感器信号多特征融合进行焊缝成形预测的方法,以大功率碟片激光焊接304不锈钢为试验对象, 应用分光仪获取焊接过程中的光谱分布, 并用紫外波段和可见光波段高速摄像机采集金属蒸气视觉图像, 对所提取的特征参量与焊接状态之间的关系进行了理论分析和实验验证。结果表明, 通过建立后向传播神经网络焊缝成形预测模型, 取得了熔宽和熔深的预测绝对误差平均值数据分别为0.18mm和0.72mm。该方法能够准确反映熔宽及熔深的状态变化,这一结果对大功率激光焊接状态在线监测是有帮助的。

由于多传感匙孔特征参数可以有效地反映大功率激光焊接质量状态，本文研究了匙孔特征信息的提取方法并建立了焊缝成形预测模型。以大功率盘形激光焊接304不锈钢为试验对象，应用近红外高速摄像机和X射线视觉成像系统同时提取了焊接过程中的熔池动态图像，并分割出匙孔区域。针对近红外图像，应用矩方法导出匙孔的不变矩特征，同时定义并提取匙孔面积和最前端点纵坐标两个特征; 针对X射线图像则提取匙孔深度和熵两个特征。在不同激光功率条件下得到匙孔特征并进行特征融合分析，然后建立了3个BP神经网络焊缝成形预测模型。探索了匙孔形态、焊接条件和焊接状态三者之间的联系，实现了对焊接过程的在线监测。试验结果表明，将两个传感器获取的匙孔特征信息融合并进行主成分分析变换后，熔宽和熔深的预测绝对误差平均值分别为0.18 mm和0.57 mm，比基于单个传感器获取匙孔特征建立的BP神经网络分别减小了0.03 mm和0.31 mm，显示提出的方法能够有效在线监测大功率盘形激光焊接状态。