摘要：[目的]针对深度学习开展纹理表面缺陷检测存在缺陷样本数量不足的问题进行研究.[方法]提出一种基于正例学习的纹理表面缺陷检测算法,基于自编码器设计重构模型产生无缺陷的重构图像,并基于差异搜索策略实现缺陷的识别与分割.基于纹理表面特征的灰度自适应转换实现色彩型纹理缺陷保持与识别速度的权衡,并采用不同通道重要性的策略以显著突出缺陷特征.通过修改标签值的方式放大判别器在缺陷区域产生的对抗损失,实现对细微缺陷的检测.[结果]在MVTec数据集的5个纹理数据子集上的消融实验表明,本文提出的基于纹理表面特征的灰度自适应和缺陷关注模块可以有效提升检测准确率,且与PaDiM、STPM和MemSeg方法相比,本文方法的平均分类准确率为95.174%,mIoU为44.01%,在分类样本与分割缺陷上具有明显优势.[结论]相较于当前流行方法,本文提出的基于正例学习的纹理缺陷检测方法具有无需大量缺陷样本、速度快的优点,在分类样本上具有更高的准确率,在分割缺陷上也更接近于真实标签.

摘要：采用分子动力学方法模拟了半球形刚性压头在单晶铜基体上的纳观黏着滑动接触过程。设计了不同纹理表面,研究了表面纹理方向和纹理密度对滑动摩擦力的影响。模拟结果表明:表面纹理密度小于50%时,0°和90°方向纹理表面的滑动摩擦力振幅较小,且45°方向纹理表面最易发生滑移塑性变形;纹理密度相差较大时,对于0°和90°方向纹理表面,滑动摩擦力随纹理密度的增大而增大;在较小的纹理密度下,0°和90°方向纹理表面的减摩效果优于光滑表面的减摩效果;纳观纹理表面的引入对滑动摩擦力的大小产生影响,但没有改变滑动摩擦力的波动周期。

摘要：为了磨削出结构化网纹表面,设计磨粒叶序排布端面砂轮并建立起磨粒运动学方程,通过计算机仿真获得磨削纹理的表面形貌,探讨叶序砂轮磨粒排布参数、磨削参数等对表面纹理形貌的影响规律。结果表明,砂轮相对工件的位置会影响表面形貌,砂轮两侧磨削生成的表面网纹相对均匀,增大砂轮转速,减小砂轮叶序系数可以使网纹的平台表面更加均匀。