XiaoMi-AI文件搜索系统
World File Search System裂纹检测
铁路轨道裂纹检测机器人
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
裂缝实验中用于表面裂纹检测的机器学习分类器
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：
在混凝土墙，砖甲板和人行道上进行自主裂纹检测的深度学习方法
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。
汽车零件的智能裂纹检测系统
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。
第二次谐波剪切水平波对粘合剂的免疫力
这是预先发布的版本。这是Publication Wen，F。，Shan，S。，＆Cheng，L。的公认版本（2021）。第二次谐波剪切水平波对呼吸裂纹检测的免疫力。结构性健康监测。电视©作者2021可用athttps：//doi.org/10.1177/14759217211057138。
用于表面裂缝检测的爬壁机器人设计......
摘要：本研究重点设计一种爬墙机器人，用于桥梁、旧混凝土建筑、隧道和水坝等建筑结构的无损检测。机器人的主要目标是确定建筑结构上的表面裂缝。对于粘合机制，采用通用真空吸力机制，可爬过水平和垂直表面。图像处理用于分析使用相机捕获的图像。集成控制和相机固定模块的树莓派适用于系统的图像捕获和控制系统。图像应作为系列发送到计算机进行读取。图像处理算法应用于捕获的图像。应用图像预处理、分割、灰度转换、阈值和边缘检测等算法。使用不同的边缘检测算子，如 canny、sobel、roberts、prewitt 和 log 进行表面裂纹检测。使用图像处理算法估计裂纹参数，即分段裂纹的面积。并以像素值的形式获得输出，然后将其转换为相应的尺寸。关键词：攀爬机器人、气动机构、图像处理、裂纹检测。
使用机器学习
摘要：表征2D材料中的缺陷，例如沉积化学蒸气（CVD）的裂纹 - 生长的六边形氮化硼（HBN）对于评估材料质量和可靠性至关重要。传统的特征方法通常是耗时且主观的，可以受到HBN的光学对比度有限的阻碍。为了解决这个问题，我们使用Matlab的Image Labeler并进行了对细致的注释和训练，利用了转移的CVD生长的HBN膜中的Yolov8n深学习模型来进行自动裂纹检测。该模型展示了有希望的裂纹检测能力，准确地识别了不同大小和复杂性的裂纹，并且损失曲线分析揭示了渐进式学习。然而，精确和回忆之间的权衡突出了需要进一步完善的必要性，尤其是在区分多层HBN地区的精细裂缝方面。这项研究证明了基于ML的方法简化2D材料表征并加速其集成到高级设备中的潜力。
海底先进超声波检测 (AUT)
便携式 TFM 相控阵超声波仪器的开发为一系列工厂部件的裂纹检测和定量分析开辟了新阶段。使用结合了多个 ASCAN 数据集和连续精细扫描角度的全聚焦图像来可视化和定量裂纹。因此，可以同时从多个角度检测裂纹面。将这种独特的能力与窄聚焦光束相结合，可以提高背散射信号的信噪比，并识别反射和衍射的超声波响应。对于任何斜扫描要求，当缺陷传播方向不利于标准 UT 光束时，TFM 是首选的超声波 (UT) 技术。
直接时效镍基 718 高温合金的低周双轴疲劳行为
摘要 近年来，为了改善飞机涡轮盘的疲劳性能，镍基高温合金的制造工艺取得了重大进展，从而导致晶粒尺寸减小。事实上，粒度的变化会影响疲劳裂纹的起始模式以及材料的疲劳寿命。本研究旨在研究新开发的镍基高温合金在双轴平面载荷下的疲劳行为。在不同应力比下进行低周疲劳 (LCF) 试验，以研究多轴应力状态对材料疲劳寿命的影响。使用数字图像相关 (DIC) 技术获得全场位移和应变测量以及裂纹起始检测。给出了与不同载荷比相关的结果，并给出了适当的双轴寿命预测。提到了每种载荷情况下的裂纹检测、应变幅度和裂纹起始循环数与三轴应力比的关系。通过扫描电子显微镜的断口研究发现，疲劳裂纹的萌生机制与三轴应力比无关，大多数疲劳裂纹都是从表面下的碳化物萌生的。关键词 – 多轴疲劳、十字形试样、镍基高温合金
基于视觉的自适应机器人技术用于自主表面裂纹修复
基础设施中的抽象表面裂纹如果没有有效维修，可能会导致明显的恶化和昂贵的维护。手动修复方法是劳动力密集的，耗时的，不精确的，因此很难扩展到大面积。尽管机器人感知和操纵的进步已经进行了自主裂纹修复的进展，但现有方法仍然面临三个关键挑战：（i）在机器人的坐标框架内准确定位裂缝，（ii）对改变裂纹深度和宽度的适应性，以及（iii）在现实情况下对修复过程的验证。本文使用具有先进感应技术的机器人技术提出了一种自适应的自主系统，用于表面裂纹检测和修复，以增强人类的精度和安全性。系统使用RGB-D摄像头进行裂纹检测，用于精确测量的激光扫描仪以及用于材料沉积的挤出机和泵。为了应对关键挑战之一，激光扫描仪用于增强裂纹坐标以进行准确定位。此外，我们的方法表明，一种自适应裂纹填充方法比固定速度方法更有效，更有效，实验结果证实了精度和一致性。此外，为了确保现实世界的适用性和测试可重复性，我们使用3D打印的裂纹标本引入了一种新颖的验证程序，以准确模拟现实世界中的条件。关键字：机器人基础设施维护裂纹维修自适应维修最终效果设计计算机视觉1.这项研究通过证明自适应机器人系统如何减少对手动劳动的需求，提高安全性并提高维护操作的效率，最终为更复杂和集成的建筑机器人铺平道路，从而为建筑中人类机器人相互作用的发展贡献。在基础设施维持领域的引入，有效的检测和修复表面裂纹是最持久和最具挑战性的问题之一。表面裂纹通常是非结构性的，但由于水分或化学入口而导致长期恶化。随着时间的流逝，这些次要缺陷可能会传播并在结构上显着，可能导致昂贵的维修甚至灾难性的失败。传统的裂纹维修方法，例如倒入，填充，密封，压力倾泻和挖掘挖掘[1]，在很大程度上依赖手动劳动，并且通常会导致不一致的维修质量，同时带来了主要的安全风险。此外，手动裂纹维修可能是一个耗时的过程，可能会导致受影响社区的恢复的重大延迟。，例如，从2016年到2018年，旧金山国际机场跑道的地表裂纹维修直接占有近半百万美元，