基于液晶调谐滤光片(LCTF)的光谱相机由于体积小、功耗低、集成方便,适合多种搭载平台,同时通过光谱反射率来识别目标物,可以有效解决同色异谱的问题,在伪装识别、精细农产品产值估计等方面有很好的应用前景。比较测量法因其能有效排除...基于液晶调谐滤光片(LCTF)的光谱相机由于体积小、功耗低、集成方便,适合多种搭载平台,同时通过光谱反射率来识别目标物,可以有效解决同色异谱的问题,在伪装识别、精细农产品产值估计等方面有很好的应用前景。比较测量法因其能有效排除光照条件和场景背景条件的影响,重建效率较高,在光谱相机的光谱反射率重建中被普遍采用。比较测量法通常采用标准白板作为参考物,但实际应用中,经常会遇到目标场景空间位置不便放置标准白板的情况。针对这种情况,研究采用LCTF光谱相机采集的目标场景中亮度高的颜色作为参考的比较测量法进行目标物的光谱反射率重建来解决上述问题。实验以美国X-Rite的Gretg Macbeth Color Checker(MCC)色卡作为目标物,分别参考亮度高的五个不同色块,运用比较测量法完成红、绿、蓝三个色块的光谱反射率重建。将重建后三个色块的光谱反射率与采用台式分光光度计(X-Rite Color Eye7000A)测量的标准光谱反射比进行比较。结果显示,重建后的红、绿、蓝三个色块的光谱反射率曲线与用分光光度计测量的标准光谱反射率曲线的形状基本相似,每组曲线的均方根误差均小于0.05;重建的蓝色色块的光谱反射率以参考与其光谱反射比接近的蓝绿色重建的效果最好;重建的红色和绿色色块的光谱反射率以除白色外亮度最高的黄色为参考重建的效果最好;二者均比参考标准白板的反射率重建效果好。实验结果说明采用目标场景中亮度高目视效果明显的色块作为参考对象可被用来进行LCTF光谱相机的光谱反射率重建。该方法有效扩大了比较测量法以及液晶调谐光谱成像系统的应用效率。展开更多
自冲铆接技术适合铝钢等异种材料连接,接头性能可靠,在航空工业中有着广阔的应用场景,但目前针对自冲铆接缺陷无损检测的相关研究较少。提出了基于深度学习的自冲铆接偏铆缺陷检测算法,首先通过剪切力学性能试验得出偏铆自冲铆接件相较...自冲铆接技术适合铝钢等异种材料连接,接头性能可靠,在航空工业中有着广阔的应用场景,但目前针对自冲铆接缺陷无损检测的相关研究较少。提出了基于深度学习的自冲铆接偏铆缺陷检测算法,首先通过剪切力学性能试验得出偏铆自冲铆接件相较于正常铆接件力学性能下降了5.6%;然后通过自冲铆接偏铆件外部形貌特征将偏铆程度由外部特征定义在0~10的区间;最后探究了单步检测同双步检测间的检测效果差异,提出了YOLOv5s(You Only Look Once v5s)加ResNet18的检测方案,并通过Grad-CAM(Gradient-Weighted Class Activation Mapping)对不同检测方案的效果差异进行了可视化的解释。测试表明,提出的YOLOv5s加ResNet18的检测方案在所采集的数据测试集中可以达到100%正确率,高于仅用YOLOv5s取得的95.18%正确率,远高于仅用ResNet18取得的84.1%正确率。展开更多
文摘基于液晶调谐滤光片(LCTF)的光谱相机由于体积小、功耗低、集成方便,适合多种搭载平台,同时通过光谱反射率来识别目标物,可以有效解决同色异谱的问题,在伪装识别、精细农产品产值估计等方面有很好的应用前景。比较测量法因其能有效排除光照条件和场景背景条件的影响,重建效率较高,在光谱相机的光谱反射率重建中被普遍采用。比较测量法通常采用标准白板作为参考物,但实际应用中,经常会遇到目标场景空间位置不便放置标准白板的情况。针对这种情况,研究采用LCTF光谱相机采集的目标场景中亮度高的颜色作为参考的比较测量法进行目标物的光谱反射率重建来解决上述问题。实验以美国X-Rite的Gretg Macbeth Color Checker(MCC)色卡作为目标物,分别参考亮度高的五个不同色块,运用比较测量法完成红、绿、蓝三个色块的光谱反射率重建。将重建后三个色块的光谱反射率与采用台式分光光度计(X-Rite Color Eye7000A)测量的标准光谱反射比进行比较。结果显示,重建后的红、绿、蓝三个色块的光谱反射率曲线与用分光光度计测量的标准光谱反射率曲线的形状基本相似,每组曲线的均方根误差均小于0.05;重建的蓝色色块的光谱反射率以参考与其光谱反射比接近的蓝绿色重建的效果最好;重建的红色和绿色色块的光谱反射率以除白色外亮度最高的黄色为参考重建的效果最好;二者均比参考标准白板的反射率重建效果好。实验结果说明采用目标场景中亮度高目视效果明显的色块作为参考对象可被用来进行LCTF光谱相机的光谱反射率重建。该方法有效扩大了比较测量法以及液晶调谐光谱成像系统的应用效率。
文摘自冲铆接技术适合铝钢等异种材料连接,接头性能可靠,在航空工业中有着广阔的应用场景,但目前针对自冲铆接缺陷无损检测的相关研究较少。提出了基于深度学习的自冲铆接偏铆缺陷检测算法,首先通过剪切力学性能试验得出偏铆自冲铆接件相较于正常铆接件力学性能下降了5.6%;然后通过自冲铆接偏铆件外部形貌特征将偏铆程度由外部特征定义在0~10的区间;最后探究了单步检测同双步检测间的检测效果差异,提出了YOLOv5s(You Only Look Once v5s)加ResNet18的检测方案,并通过Grad-CAM(Gradient-Weighted Class Activation Mapping)对不同检测方案的效果差异进行了可视化的解释。测试表明,提出的YOLOv5s加ResNet18的检测方案在所采集的数据测试集中可以达到100%正确率,高于仅用YOLOv5s取得的95.18%正确率,远高于仅用ResNet18取得的84.1%正确率。
