针对深孔加工质量检测难、效率低和成本高等问题,提出一种基于振动监测信号分割的改进动态时间规整算法,实现深孔加工质量一致性快速无损检测。首先,以啄钻间歇进给式加工采集的振动信号为研究对象,利用抗噪性能优良的双窗双谱算法对其进行分割;其次,对分割信号在时域和频域内进行特征降维;然后,针对信号长度不等引起的特征不等情况,采用改进的动态时间规整算法(dynamic time warping,简称DTW)进行规整对齐,同时达到减小时间复杂度和防止病态规整的目的;最后,利用求得的累积最短距离评估啄钻阶段振动信号的相似性程度,从而判别啄钻加工质量的一致性。仿真和试验结果表明,该方法能快速有效完成对深孔加工质量一致性无损检测,振动信号分析结果与实际物理检测结果相吻合。
针对钢板表面缺陷图像分类传统深度学习算法中需要大量标签数据的问题,提出一种基于主动学习的高效分类方法。该方法包含一个轻量级的卷积神经网络和一个基于不确定性的主动学习样本筛选策略。神经网络采用简化的convolutional base进行特征提取,然后用全局池化层替换掉传统密集连接分类器中的隐藏层来减轻过拟合。为了更好的衡量模型对未标签图像样本所属类别的不确定性,首先将未标签图像样本传入到用标签图像样本训练好的模型,得到模型对每一个未标签样本关于标签的概率分布(probability distribution over classes,PDC),然后用此模型对标签样本进行预测并得到模型对每个标签的平均PDC。将两类分布的KL-divergence值作为不确定性指标来筛选未标签图像进行人工标注。根据在NEU-CLS开源缺陷数据集上的对比实验,该方法可以通过44%的标签数据实现97%的准确率,极大降低标注成本。
暂无评论