汽车零件中的裂纹检测确保车辆安全性,可靠性和耐用性。传统的裂纹检测方法在很大程度上依赖于手动检查或非破坏性测试(NDT),这可能无法有效地识别小型,表面级别或隐藏的裂纹。随着人工智能(AI),机器学习(ML),计算机视觉(CV),图像处理和光检测传感器技术的快速进步,智能裂纹检测系统(SCDS)正在作为对此问题的有效,自动化的解决方案。本文回顾了应用于汽车零件的智能裂纹检测系统的当前方法,技术,挑战和未来方向,重点是实时监控,基于AI的裂纹分类以及与IOT启用的诊断系统集成。
Palakkad,喀拉拉邦-678557摘要:对于印度铁路公司来说,铁路的裂缝可能是一个严重的安全问题,印度铁路公司是世界上最大的铁路网络之一。由于季节性的变化,可以在铁轨中发展裂缝,这会导致轨道收缩和扩展。Iourrailbot提出了使用Raspberry Pi和Arduino uno的铁路轨道裂纹检测系统,以有效地监视轨道完整性。铁路事故的增加频率强调了可靠的检测方法的需求,以识别铁路基础设施中的裂缝和缺陷。我们的系统采用了一系列传感器,包括超声波和红外传感器,连接到Arduino Uno进行实时数据收集。Raspberry Pi处理了这些数据,实现了机器学习算法来分析模式并检测指示潜在裂纹的异常。该系统旨在提供即时警报,允许及时维护并降低事故的风险。这种创新的解决方案旨在提高铁路安全性和运营效率,从而确保更可靠的运输网络。关键字:铁路轨道,裂缝检测,安全问题,印度铁路,季节性变化,轨道完整性铁路机器人,覆盆子PI,Arduino UNO
裂缝是在各种人造结构(例如人行道,桥梁,核电站壁和隧道天花板)上观察到的常见问题。发生结构元素分为不同的碎片时,发生裂纹,代表当混凝土承受超出其拉伸能力的力时缓解应力的机制[1]。这是一种恶化过程的症状,可以削弱混凝土或使其承受过度的压力,从而导致其失去完整性[2]。发生裂缝时,垂直于裂缝的拉伸应力消除了[3]。由于混凝土的异质材料结构和脆性行为,人们广泛认为,裂纹最终会在结构的寿命中出现。建筑代码明确承认这一点,以确保尽管形成了破裂,但结构可以忍受预定的服务寿命的负载。混凝土裂纹会导致严重的后果,例如降低强度和刚度,降低了美学,耐用性较短和防水损害[4]。由于裂缝而导致的刚度丧失会导致结构元素的其他变形和位移。
摘要:本文提出了一种创新的方法,用于使用基于图像中中位绝对偏差(MAD)的自适应阈值方法来检测和量化混凝土裂纹。该技术应用有限的预处理步骤,然后根据像素的灰度分布,动态地确定适用于每个子图像的阈值,从而导致定制的裂纹分割。使用拉普拉斯边缘检测方法获得裂纹的边缘,并为每个中心线点获得裂纹的宽度。该方法的性能是使用检测概率(POD)曲线作为实际裂纹大小的函数来测量的,从而揭示了显着的功能。发现所提出的方法可以检测到狭窄至0.1 mm的裂纹,对于具有较大宽度的裂纹的概率为94%和100%。还发现该方法的精度,精度和F2分数值比OTSU和Niblack方法更高。
在进行机械实验时,正确确定断裂的发作至关重要。通常是通过视觉检查进行的,这里提出了一种基于图像的机器学习方法来对破裂和未裂缝的标本进行分类。它产生了客观化和自动化裂纹检测的潜力,从而消除了实验后处理中的不确定性和错误来源。评估了从77个实验获得的三个试样几何形状的30'000以上斑点图案。它们包括单轴张力,缺口张力以及轴对称V弯曲实验。统计纹理特征是从所有图像中提取的。它们包括第一阶(方差,偏度,峰度)和高阶统计纹理特征,即Haralick功能。根据Fisher的判别比率评估纹理信息的歧视能力,并确定并量化特征相关性。高歧视能力的图像纹理特征子集用于解析从简单的ceptron到feed-fordward和cascade神经网络的不同复杂性的神经网络体系结构。发现,对于所有实验,研究的纹理特征的一小部分是高度重要的。获得了多层,非线性和低复杂性馈送网络体系结构的分类精度,以99%的顺序使用。同时,即使使用了高歧视性功能特征,也表明线性分类器不足以鲁棒区分样品的状态。图形摘要:
运输是实现产品在不同地点生产和消费的重要途径。运输涉及发展和扩张的历史,因为更好的运输可以带来更多的贸易。经济繁荣一直依赖于运输能力和合理性的提高。但运输基础设施和运营对土地有很大影响,而且是最大的能源消耗者,使运输可持续性和安全成为一个主要问题。在印度,我们发现铁路运输在提供必要的运输基础设施以维持和满足快速增长的经济的永无止境的需求方面占有重要地位。今天,印度拥有世界第四大铁路网。然而,在可靠性、可信赖性和安全性方面,我们还没有真正达到全球标准。这是一个自动化时代,广义上是指用电子和机器人取代所有自动化程度的人工。尽管随着机械化程度的提高,对物理输入的需求也在发生变化,但操作仍然是系统的重要组成部分。