零件检测的论文

零件检测的论文

一、偶件技术状态的检查与判断 1、柱塞副技术状态的检查与判断 (1)观察法：观察磨损最严重部位的痕迹，用指甲横向划动时有明显感觉者，应换新件。 (2)经验法：将柱塞副用柴油清洗干净，并使套内充满柴油，用手指把柱塞套上的进油孔、回油孔和中心孔都堵严，再将柱塞抽出1/3的长度后放松，若能立即返回去，说明能继续使用；否则，应换新件。 (3)压力表检查法：在泵头上接上压力表，把油门放在最大供油位置，打开减压并摇车，使柱塞副以每分钟30次的速度泵油，则表上压力必须大于19.6千帕；否则，应换新件。 2、出油阀副技术状态的检查与判断 (1)观察法：观察密封环带，若凹陷且宽度超过0.5毫米，或减压环带出现明显的磨损沟痕，已看不到原来的光亮面时，应更换新件。 (2)压油试验法：卸去被检查缸的高压油管，打开喷油泵检视窗口，把该缸柱塞摇至下止点，用手油泵泵油，先排除油路中的空气，之后观察高压油管接头处有无渗漏现象发生。若有渗漏现象，则应更换新件(此法不能检查减压环带)。 (3)压力表检查法：这一检查应与检查柱塞压力同时进行。当在停止供油后压力表指针稳定值等于19.6千帕下降至17.65千帕所需时间若不小于15秒，说明密封良好；再升压至24.52千帕后立即断油。注意表针回摆位置，若为0.98-6.87千帕，说明减压作用正常。只有密封性良好时，方能看到回摆的确切数值。经上述检查仍有故障时，应取下出油阀，清洗后观察磨损情况。若无明显沟痕，高压铜垫又无磨损，一般经过清洗，对研密封面，适当旋紧紧座即可恢复正常；否则，应换新件。 3、喷油嘴技术状态的检查与判断这一检查应在柱塞副和出油阀副工作都正常的前提下进行。 (1)车上试验法：在发动机其他部位都正常时，可将喷油嘴先粗调后装上车。当发动机起动后，再通过“听声音，看排气”的办法在车上调试。 (2)标准油嘴比较法：这种方法就是采用预先按规定调好的正常喷油嘴与被检查的喷油嘴作对比。先用三通管把它们并联在喷油泵上，然后排出油路中的空气，把油门放在最大位置。打开减压摇车，并观察两个喷油嘴喷射情况是否一致，若二者同时喷油，或同时停止喷油，雾化状态也一致，说明被检查的喷油嘴合格。 (3)压力表检查法：用三通管把压力表和被检查的喷油嘴并联在喷油泵上，把油门放在最大位置。打开减压摇车泵油，使压力表达到9.8千帕(结合调整调压弹簧)。然后以每分钟约10次的速度使喷油嘴喷油，此时不得有滴油现象。上述工作完成后，再调针阀至规定压力，然后以每分钟约80次左右的速度进行雾化试验。雾滴应细微且分布均匀，油束方向、锥角应符合要求，油束的切断应干脆并有特殊的清脆声。经上述检查后仍有故障时，应拆下针阀、顶杆、弹簧进行清洗检查。若确因磨损严重不能恢复正常时，应换新件。二、延长偶件使用寿命的措施偶件损坏的根本原因除产品质量问题外，主要是对机器使用不当，维修保养不及时、不正确造成的。下面谈几点延长偶件使用寿命采取的措施，以供参考。 1、严格执行燃油沉淀过滤制度，加注的柴油最少应经48小时沉淀后才能取用。使用的柴油应符合季节规定的标准型号。加油工具要清洁专用。加油和存油的地方也应清洁，以免脏物混入燃油而加速偶件的磨损，降低偶件使用寿命。 2、制定严格的技术维护保养规范，燃油滤清器工作100小时，油箱工作500小时各清洗一次，若发现滤芯破损失效应及时更换，不得将其拆除而采用直流式供油。偶件在正常工作条件下工作500小时应拆卸检查一次。在拆卸检查时要保证场所、手、工具和清洗油清洁，以免偶件受污染。在拆卸操作时不得乱敲乱打，在清洗时不要乱堆乱放，不应和其它非偶件在一起盆洗，以免碰伤、擦伤。在装配时不得随意改变装配位置而达到某些不符合机器工作要求的目的。在装出油阀紧座和油嘴紧帽时，应按规定力矩拧紧，以保证装配后的喷油器和喷油泵技术状态的良好。 3、除上述要求外，还应提高对偶件的认识，弄懂偶件的结构特性和工作原理，加强和提高对偶件的维护保养、操作使用，做到无故障时不随意调整，维护使用时不随意拆卸，维修检查时不乱敲乱打，清洗保养时不乱擦乱碰，装配调整时不乱改乱拧，一切按规范技术要求进行，以达到延长其使用寿命的目的。汽车零件的检验方法;一、经验法经验法是通过观察、敲击和感觉来检验和判断零件技术状况的方法。这种方法虽然简单易行，但它要求技术人员有对各种尺寸、间隙、紧度、转矩和声向的感觉经验，它的准确性和可靠性是有限的。 1.目测法对于零件表面有毛糙、沟槽、刮伤、剥落（脱皮），明显裂纹和折断、缺口、破洞以及零件严重变形、磨损和橡胶零件材料的变质等，都可以通过眼看、手摸或借助放大镜观察检查确定出来。对于齿轮中心键槽或轴孔的磨损，可以与相配合的零件配合检验，以判定其磨损程度。 2.敲击法汽车上部分壳体、盘形零件有无裂纹，用铆钉连接的零件有无松动，轴承合金与底板结合是否紧密，都可用敲击听音的方法进行检验。用小锺轻击零件，发出清脆的金属响声，说明技术状况是好的；如发出的声音沙哑，则可判定零件有裂纹、松动或结合不紧密。 3.比较法用新的标准零件与被检验零件相比，从中鉴别被检验零件的技术状况。用此法可检验弹簧的自由长度和负荷下的长度、滚动轴承的质量等。如将新旧弹簧一同夹在虎钳上，用此法可判定其弹力大小。用比较法检验弹簧弹力二、测量法零件因磨损或变形引起尺寸和几何形状的变化，或因长期使用引起技术性能（如弹性）的下降等。这些改变，通常是采用各种量具和仪器测量来确定的。如轴承孔和轴孔的磨损，一般用相配合的零件进行配合检验，较松旷时，可插入厚薄规检查，判定其磨损程度，确定是否可继续使用；要求较高的气缸损坏时，应用量缸表或内径测微器进行测量，确定其失圆和锥形程度。轴类零件一般用千分尺来检查。对于磨损较均匀的轴，只检查其外径大小，但对某些磨损不均匀的轴，还需检查其椭圆度及锥度的大小。测量曲轴连杆轴颈时，先在轴颈油孔两侧测量，然后转90°再测量。轴颈同一横断面上差数最大值为椭圆度，轴颈同一纵断面上差数最大值为锥度。滚珠轴承（球轴承）的磨损情况，可以通过测量它的径向和轴向间隙加以判定。将轴承放在平板上，使百分表的触针抵住轴承外圈，然后一手压紧轴承内圈，另一手往复推动轴承外圈，表针所变动的数字，即为轴承的径向间隙。将轴承外圈放在两垫块上，并使内圈悬空，再在内圈上放一块小平板，将百分表触针抵在乎板中央，然后上下推动内圈，百分表上指示的最大与最小的数值差，就是轴承的轴向间隙。用量具和仪器检验零件，一般能获得较准确的数据，但要使用得当，同时在测量前必须认真检查量具本身的精确度，测量部位的选择以及读数等都要正确。三、探测法 1.浸油锤击检验这是一种探测隐蔽缺陷的简便方法。检验时，先将零件浸入煤油或柴油中片刻，取出后将表面擦干、撒上一层白粉，然后用小铁锤轻轻敲击零件的非工作面。零件有裂纹时，由于震动，浸入裂纹的煤油（柴油）渗出，使裂纹处的白粉呈黄色线痕。根据线痕即可判断裂纹位置。 2.磁力探伤检验磁力探伤的原理是：用磁力探伤仪将零件磁化，即使磁力线通过被检测的零件，如果表面有裂纹，在裂纹部位磁力线会偏移或中断而形成磁极，建立自己的磁场。若在零件表面撒上颗粒很细的铁粉，铁粉即被磁化并附在裂纹处，从而显现出裂纹的位置和大小。进行磁力探伤时，必须使磁力线垂直通过裂纹，否则裂纹便不会被发现。磁力探伤采用的铁粉，一般为2～5微米的氧化铁粉末，铁粉可以干用，但通常采用氧化铁粉液，即在1升变压器油或低粘度机油掺煤油中，加入20～30克氧化铁粉。零件经磁力探伤后会留下一部分剩磁，必须彻底退掉。否则在使用中会吸附铁屑，加速零件磨损。采用直流电磁化的零件，只要将电流方向改变并逐渐减少到零，即可退磁。磁力探伤只能检验钢铁件裂纹等缺陷的部位和大小，检验不出深度。此外，由于有色金属件、硬质合金件等不受磁化，故不能应用磁力探伤。

从实验方法上思考如何提高零件尺寸检测的精度

建议可从以下几个方面提高零件尺十检测的精度：最大限度发挥测量机本身的精度， 正确的测量策略和评价方法实际测量时，由于工件表面存在着形状、位置等几何误差，以及波纹度、粗糙度、缺陷等结构误差，仅仅测量最少测点数是不够的，理论上说，测量几何特征时测点越多越好，但受限于实际测量条件、测量时间及经济性等因素，很难对所有的被测几何特征做全面的测量，实际上也没有必要。因此在实际测量中会根据尺寸要求和被测特征的精度，选择合适的测点分布方法和测量点数。检测完成数据采集后，再对所得数据进行处理，如：误差评价、测量报告输出及测量数据的统计分析，从而判定产品是否合格，在进行尺寸评价时必须选择正确的评价标准和评价方法，才能保证测量结果的正确性。

【目标检测】 论文推荐——基于深度神经网络的目标检测

原文： Scalable Object Detection using Deep Neural Networks——学术范

最近，深度卷积神经网络在许多图像识别基准上取得了最先进的性能，包括ImageNet大规模视觉识别挑战(ILSVRC-2012)。在定位子任务中获胜的模型是一个网络，它预测了图像中每个对象类别的单个边界框和置信度得分。这样的模型捕获了围绕对象的整幅图像上下文，但如果不天真地复制每个实例的输出数量，就无法处理图像中同一对象的多个实例。在这篇论文中提出了一个显著性启发的神经网络检测模型，它预测了一组与类无关的边界框，每个框有一个分数，对应于它包含任何感兴趣的对象的可能性。该模型自然地为每个类处理数量可变的实例，并允许在网络的最高级别上进行跨类泛化。

目标检测是计算机视觉的基本任务之一。一个解决这个问题的通用范例是训练在子图像上操作的对象检测器，并在所有的场所和尺度上以详尽的方式应用这些检测器。这一范例被成功地应用于经过区别训练的可变形零件模型(DPM)中，以实现检测任务的最新结果。对所有可能位置和尺度的穷举搜索带来了计算上的挑战。随着类数量的增加，这个挑战变得更加困难，因为大多数方法都训练每个类单独的检测器。为了解决这个问题，人们提出了多种方法，从检测器级联到使用分割提出少量的对象假设。

关于对象检测的文献非常多，在本节中，我们将重点讨论利用类不可知思想和解决可伸缩性的方法。

许多提出的检测方法都是基于基于部件的模型，最近由于有区别学习和精心设计的特征，已经取得了令人印象深刻的性能。然而,这些方法依赖于在多个尺度上详尽地应用零件模板，这是非常昂贵的。此外，它们在类的数量上是可伸缩的，这对像ImageNet这样的现代数据集来说是一个挑战。

为了解决前一个问题，Lampert等人使用分支绑定策略来避免计算所有可能的对象位置。为了解决后一个问题，Song et al.使用了一个低维部件基，在所有对象类中共享。基于哈希算法的零件检测也取得了良好的结果。

另一种不同的工作，与我们的工作更接近，是基于对象可以本地化的想法，而不必知道它们的类。其中一些方法建立在自底向上无阶级分割[9]的基础上。通过这种方式得到的片段可以使用自上而下的反馈进行评分。基于同样的动机，Alexe等人使用一种廉价的分类器对对象假设是否为对象进行评分，并以这种方式减少了后续检测步骤的位置数量。这些方法可以被认为是多层模型，分割作为第一层，分割分类作为后续层。尽管它们编码了已证明的感知原理，但我们将表明，有更深入的模型，充分学习可以导致更好的结果。

最后，我们利用了DeepLearning的最新进展，最引人注目的是Krizhevsky等人的工作。我们将他们的边界盒回归检测方法扩展到以可扩展的方式处理多个对象的情况。然而，基于dnn的回归已经被Szegedy等人应用到对象掩模中。最后一种方法实现了最先进的检测性能，但由于单个掩模回归的成本，不能扩展到多个类。

我们的目标是通过预测一组表示潜在对象的边界盒来实现一种与类无关的可扩展对象检测。更准确地说，我们使用了深度神经网络(DNN)，它输出固定数量的包围盒。此外，它为每个盒子输出一个分数，表示这个盒子包含一个对象的网络信任度。

为了形式化上述思想，我们将i-thobject框及其相关的置信度编码为最后一网层的节点值:

Bounding box: 我们将每个框的左上角和右下角坐标编码为四个节点值，可以写成vectorli∈R4。这些坐标是归一化的w. r. t.图像尺寸，以实现图像绝对尺寸的不变性。每个归一化坐标是由最后一层的线性变换产生的。

Confidence: 置信度:包含一个对象的盒子的置信度得分被编码为单个节点valueci∈[0,1]。这个值是通过最后一个隐藏层的线性变换产生的，后面跟着一个sigmoid。

我们可以组合边界盒位置sli,i∈{1，…K}为一个线性层。同样，我们可以将所有置信区间ci,i∈{1，…K}作为一个s型层的输出。这两个输出层都连接到最后一个隐藏层

在推理时，我们的算法生成kbound盒。在我们的实验中，我们使用ek = 100和K= 200。如果需要，我们可以使用置信分数和非最大抑制在推理时获得较少数量的高置信框。这些盒子应该代表对象。因此，它们可以通过后续的分类器进行分类，实现目标检测。由于盒子的数量非常少，我们可以提供强大的分类器。在我们的实验中，我们使用另一个dnn进行分类。

我们训练一个DNN来预测每个训练图像的边界框及其置信度得分，以便得分最高的框与图像的groundtruth对象框很好地匹配。假设对于一个特定的训练例子，对象被标记为boundingboxesgj,j∈{1，…，M}。在实践中，pre- dictionary的数量远远大于groundtruthboxm的数量。因此，我们试图只优化与地面真实最匹配的预测框子集。我们优化他们的位置，以提高他们的匹配度，最大化他们的信心。与此同时，我们将剩余预测的置信度最小化，这被认为不能很好地定位真实对象。为了达到上述目的，我们为每个训练实例制定一个分配问题。Wexij∈{0,1}表示赋值:xij= 1，如果第i个预测被赋值给第j个真对象。这项任务的目标可以表示为

其中，我们使用标准化边界框坐标之间的el2距离来量化边界框之间的不同。此外，我们希望根据分配x优化盒子的可信度。最大化指定预测的置信度可以表示为

 最终的损失目标结合了匹配损失和信心损失

受式1的约束。α平衡了不同损失条款的贡献。

对于每个训练例子，我们通过解决一个最佳的赋值x*的预测到真实的盒子

约束执行赋值解决方案。这是二部匹配的一种变体，是一种多项式复杂度匹配。在我们的应用程序中，匹配是非常便宜的——每幅图像中标记的对象的数量少于一打，而且在大多数情况下只有很少的对象被标记。然后，通过反向传播优化网络参数。例如，反向传播算法的一阶导数计算w、r、t、l和c

尽管上述定义的损失在原则上是足够的，但三次修改使其有可能更快地达到更好的准确性。第一个修改是对地面真实位置进行聚类，并找到这样的聚类/质心，我们可以使用这些聚类/质心作为每个预测位置的先验。因此，鼓励学习算法为每个预测位置学习一个残差到一个先验。

第二个修改涉及到在匹配过程中使用这些先验:不是将N个groundtruth位置与K个预测进行匹配，而是在K个先验和groundtruth之间找到最佳匹配。一旦匹配完成，就会像之前一样计算目标的置信度。此外，位置预测损失也不变:对于任何一对匹配的(目标，预测)位置，其损失定义为groundtruth和对应于匹配先验的坐标之间的差值。我们把使用先验匹配称为先验匹配，并假设它促进了预测的多样化。

 需要注意的是，尽管我们以一种与类无关的方式定义了我们的方法，但我们可以将它应用于预测特定类的对象盒。要做到这一点，我们只需要在类的边框上训练我们的模型。此外，我们可以预测每个类的kbox。不幸的是，这个模型的参数数量会随着类的数量线性增长。此外，在一个典型的设置中，给定类的对象数量相对较少，这些参数中的大多数会看到很少有相应梯度贡献的训练示例。因此，我们认为我们的两步过程——首先本地化，然后识别——是一个更好的选择，因为它允许使用少量参数利用同一图像中多个对象类型的数据

我们使用的本地化和分类模型的网络架构与[10]使用的网络架构相同。我们使用Adagrad来控制学习速率衰减，128的小批量，以及使用多个相同的网络副本进行并行分布式训练，从而实现更快的收敛。如前所述，我们在定位损失中使用先验——这些是使用训练集上的均值来计算的。我们还使用α = 0.3来平衡局部化和置信度损失。定位器可以输出用于推断的种植区以外的坐标。坐标被映射和截断到最后的图像区域。另外，使用非最大抑制对盒进行修剪，Jaccard相似度阈值为0.5。然后，我们的第二个模型将每个边界框分类为感兴趣的对象或“背景”。为了训练我们的定位器网络，我们从训练集中生成了大约3000万幅图像，并对训练集中的每幅图像应用以下步骤。最后，样品被打乱。为了训练我们的本地化网络，我们通过对训练集中的每一幅图像应用以下步骤，从训练集中生成了大约3000万幅图像。对于每幅图像，我们生成相同数量的平方样本，使样本总数大约为1000万。对于每幅图像，样本被桶状填充，这样，对于0 - 5%、5 - 15%、15 - 50%、50 - 100%范围内的每个比例，都有相同数量的样本，其中被包围框覆盖的比例在给定范围内。训练集和我们大多数超参数的选择是基于过去使用非公开数据集的经验。在下面的实验中，我们没有探索任何非标准数据生成或正则化选项。在所有的实验中，所有的超参数都是通过对训练集。

Pascal Visual Object Classes (VOC)挑战是最常用的对象检测算法基准。它主要由复杂的场景图像组成，其中包含了20种不同的对象类别的边界框。在我们的评估中，我们关注的是2007版VOC，为此发布了一个测试集。我们通过培训VOC 2012展示了结果，其中包含了大约。11000张图片。我们训练了一个100框的定位器和一个基于深度网络的分类器。

我们在一个由1000万作物组成的数据集上训练分类器，该数据集重叠的对象至少为0.5 jaccard重叠相似度。这些作物被标记为20个VOC对象类中的一个。•2000万负作物与任何物体盒最多有0.2个Jaccard相似度。这些作物被贴上特殊的“背景”类标签。体系结构和超参数的选择遵循。

在第一轮中，定位器模型应用于图像中最大-最小中心方形作物。作物的大小调整到网络输入大小is220×220。单次通过这个网络，我们就可以得到上百个候选日期框。在对重叠阈值为0.5的非最大抑制后，保留评分最高的前10个检测项，并通过21路分类器模型分别通过网络进行分类。最终的检测分数是给定盒子的定位分数乘以分类器在作物周围的最大方形区域上评估的分数的乘积。这些分数通过评估，并用于计算精确查全曲线。

首先，我们分析了本地化器在隔离状态下的性能。我们给出了被检测对象的数量，正如Pascal检测标准所定义的那样，与生成的包围框的数量相对比。在图1中，我们展示了使用VOC2012进行训练所获得的结果。此外，我们通过使用图像的最大中心面积(max-center square crop)作为输入以及使用两个尺度(second scale)来给出结果:最大中心面积(max-center crop)的第二个尺度(select3×3windows的大小为图像大小的60%)

正如我们所看到的，当使用10个边界框的预算时，我们可以用第一个模型本地化45.3%的对象，用第二个模型本地化48%的对象。这显示出比其他报告的结果更好的性能，例如对象度算法达到42%[1]。此外，这个图表显示了在不同分辨率下观察图像的重要性。虽然我们的算法通过使用最大中心作物获得了大量的对象，但当使用更高分辨率的图像作物时，我们获得了额外的提升。进一步，我们用21-way分类器对生成的包围盒进行分类，如上所述。表1列出了VOC 2007的平均精度(APs)。达到的平均AP是0.29，与先进水平相当。注意，我们的运行时间复杂度非常低——我们只使用top10框。示例检测和全精度召回曲线分别如图2和图3所示。值得注意的是，可视化检测是通过仅使用最大中心方形图像裁剪，即使用全图像获得的。然而，我们设法获得了相对较小的对象，例如第二行和第二列的船，以及第三行和第三列的羊。

在本工作中，我们提出了一种新的方法来定位图像中的对象，该方法可以预测多个边界框的时间。该方法使用深度卷积神经网络作为基本特征提取和学习模型。它制定了一个能够利用可变数量的groundtruth位置的多箱定位成本。在“一个类一个箱”方法的情况下，对1000个盒子进行非max-suppression，使用与给定图像中感兴趣的DeepMulti-Box方法相同的准则，并学习在未见图像中预测这些位置。

我们在VOC2007和ILSVRC-2012这两个具有挑战性的基准上给出了结果，在这两个基准上，所提出的方法具有竞争力。此外，该方法能够很好地预测后续分类器将探测到的位置。我们的结果表明，deepmultibox的方法是可扩展的，甚至可以在两个数据集之间泛化，就能够预测感兴趣的定位，甚至对于它没有训练的类别。此外，它能够捕获同一类物体的多种情况，这是旨在更好地理解图像的算法的一个重要特征。

在未来，我们希望能够将定位和识别路径折叠到一个单一的网络中，这样我们就能够在一个通过网络的一次性前馈中提取位置和类标签信息。即使在其当前状态下，双通道过程(本地化网络之后是分类网络)也会产生5-10个网络评估，每个评估的速度大约为1个CPU-sec(现代机器)。重要的是，这个数字并不与要识别的类的数量成线性关系，这使得所提出的方法与类似dpm的方法非常有竞争力。