Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Research on defect detection method of powder metallurgy gear based on machine vision

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F60076658%3A12220%2F21%3A43903135" target="_blank" >RIV/60076658:12220/21:43903135 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://link.springer.com/article/10.1007/s00138-021-01177-7" target="_blank" >https://link.springer.com/article/10.1007/s00138-021-01177-7</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1007/s00138-021-01177-7" target="_blank" >10.1007/s00138-021-01177-7</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Research on defect detection method of powder metallurgy gear based on machine vision

  • Popis výsledku v původním jazyce

    Powder metallurgy gears are often accompanied by broken teeth, abrasion, scratches and crack defects. In order to eliminate the defective gears in gear production and improve the yield of gears, this paper presents an improved GA-PSO algorithm, called the SHGA-PSO algorithm. Firstly, the gear images were preprocessed by bilateral filtering, and the images were segmented by the Sobel operator. Then, the geometrical shape, texture feature and color features of the sample were extracted. Next, the BP neural network was reconstructed and SHGA-PSO algorithm was used optimize its structure and weights. Finally, four different gear defect samples were brought into the neural network for calculation, and the performance of the SHGA-PSO algorithm was compared with the GA, PSO and GA-PSO algorithms. Compared with GA-BP algorithm, PSO-BP algorithm, and GA-PSO-BP algorithm, the defect diagnosis of SHGA-PSO-BP algorithm not only enhanced generalization ability, but also improved recognition accuracy.

  • Název v anglickém jazyce

    Research on defect detection method of powder metallurgy gear based on machine vision

  • Popis výsledku anglicky

    Powder metallurgy gears are often accompanied by broken teeth, abrasion, scratches and crack defects. In order to eliminate the defective gears in gear production and improve the yield of gears, this paper presents an improved GA-PSO algorithm, called the SHGA-PSO algorithm. Firstly, the gear images were preprocessed by bilateral filtering, and the images were segmented by the Sobel operator. Then, the geometrical shape, texture feature and color features of the sample were extracted. Next, the BP neural network was reconstructed and SHGA-PSO algorithm was used optimize its structure and weights. Finally, four different gear defect samples were brought into the neural network for calculation, and the performance of the SHGA-PSO algorithm was compared with the GA, PSO and GA-PSO algorithms. Compared with GA-BP algorithm, PSO-BP algorithm, and GA-PSO-BP algorithm, the defect diagnosis of SHGA-PSO-BP algorithm not only enhanced generalization ability, but also improved recognition accuracy.

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    20501 - Materials engineering

Návaznosti výsledku

  • Projekt

  • Návaznosti

    I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Ostatní

  • Rok uplatnění

    2021

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    Machine Vision and Applications

  • ISSN

    0932-8092

  • e-ISSN

  • Svazek periodika

    32

  • Číslo periodika v rámci svazku

    51

  • Stát vydavatele periodika

    US - Spojené státy americké

  • Počet stran výsledku

    13

  • Strana od-do

    1-13

  • Kód UT WoS článku

    000622733900001

  • EID výsledku v databázi Scopus