智能化农业装备学报（中英文）

基于MobileNetV3卷积神经网络的农用机械发动机水泵气密性检测方法

预览PDF | 下载PDF

王胜 ¹^,² , 杨晨 ³ , 惠向晖 ⁴^,^*

智能化农业装备学报（中英文） | 2025,6(1): 91-98

收起

智能化农业装备学报（中英文） | 2025 , 6 (1) : 91 -98

基于MobileNetV3卷积神经网络的农用机械发动机水泵气密性检测方法

全屏

王胜¹^,², 杨晨³, 惠向晖⁴^,^*

作者信息

^1.郑州信息科技职业学院，河南郑州，450000

^2.河南省气密性能检测工程研究中心，河南郑州，450000

^3.吉林大学生物与农业工程学院，吉林长春，130000

^4.河南农业大学信息与管理科学学院，河南郑州，450000

通讯作者:

^* 惠向晖，男，1980年生，河南西华人，工学硕士，副教授；研究方向为计算机应用、云计算、智能机器人。E-mail：truhui@henau.edu.cn

作者简介:

王胜，男，1982年生，河南南阳人，工学博士，副教授；研究方向为智能农业装备设计。E-mail：henanddws@126.com

New insight for MobileNetV3 convolutional neutral network applied in air tightness detection of agricultural machinery engine pump

Sheng WANG¹^,², Chen YANG³, Xianghui HUI⁴

Affiliations

^1.Zhengzhou Vocational College of Information Technology, Zhengzhou 450000, China

^2.Henan Air-Leakage Test Engineering Research Center, Zhengzhou 450000, China

^3.College of Biological and Agricultural Engineering, Jilin University, Changchun 130000, China

^4.College of Information and Management Science, Henan Agricultural University, Zhengzhou 450000, China

Corresponding Author:

^* HUI Xianghui, E-mail: truhui@henau.edu.cn

WANG Sheng, E-mail: henanddws@126.com

出版时间: 2025-02-15 doi: 10.12398/j.issn.2096-7217.2025.01.009

文章导航

摘要

收起

农业机械装备智能化升级是目前农业机械领域研究的热点。机器视觉技术应用于农作物的修剪、采摘等领域的研究，已取得初步成果，但是在农业机械装备中进行机器视觉的缺陷检测鲜有研究。研究针对农用机械发动机水泵气密性能缺陷，进行基于机器视觉的自动化检测技术进行相关试验研究。采用基于MobileNetV3卷积神经网络的深度学习算法进行气泡识别。在进行气密性检测试验中，首先需要对气泡原始图像进行气泡区域提取算法处理，以降低图像的分辨率，然后将处理后的图像用于MobileNetV3卷积神经网络进行深度学习，训练后的神经网络模型就可以实现气密性检测中对气泡进行识别和定位。将识别结果与人工标注结果进行对比，计算出气泡识别算法的气泡漏检率。试验结果表明，气泡识别算法的漏检率与气泡平均直径存在较大关联，总体上表现为气泡平均直径越小，气泡的漏检率越高，气泡平均直径与发动机水泵壳体上的泄漏孔大小成正比关系。当气泡平均直径大于0.2mm时，气泡漏检率均在2%以下；平均直径小于0.2 mm的气泡，漏检情况相对较多，漏检率在5%~10%波动。研究提出的气泡识别算法能够对图像中的气泡进行识别和标记，从而检测出发动机水泵壳体的气密性能。算法对于小尺寸气泡的识别能力有待进一步提高，以增强对微小气泡特征的捕捉能力。

关键词

发动机水泵 / 卷积神经网络 / 气密性检测 / 漏检率

Abstract

收起

The intelligent advancement of agricultural machinery is a key focus in current agricultural engineering research. While machine vision technology has made preliminary progress in applications such as harvesting, breeding, and other crop-related fields, its use in defect detection for agricultural machinery remains limited. This study focused the airtightness defect detection of the agricultural machine pump, and presented a novel approach for automated detection based on machine vision. A deep learning algorithm based on MobileNetV3 convolutional neural network (CNN) was employed for the bubble recognition. In the airtightness detection experiment, the original bubble images were first processed by a bubble region extraction algorithm to reduce the image resolution. The post-processed images were then used for deep learning by MobileNetV3 CNN. The trained neural network model could recognize the bubble and its location in the airtightness detection. For performance evaluation, the recognition results could be compared with manually marked results to calculate the missing bubble recognition rate of the algorithm. The experiment results indicated that the missing recognition rate of the bubble algorithm is closely related with average diameter of the bubbles. The smaller of the average bubble diameter, the higher of the missing recognition rate, and the average bubble diameter was proportional to the leakage hole size on the pump. When the average bubble diameter was larger than 0.2 mm, the missing bubble recognition rate was below 2%, and when the average bubble diameter was smaller than 0.2 mm, the missing bubble recognition rate fluctuated between 5% and 10%. In this paper, the proposed bubble recognition algorithm effectively identifies and marks bubbles in images, enabling the detection of airtightness in agricultural pumps. However, further optimization is required to improve the algorithm's ability to recognize smaller bubbles and enhance its sensitivity to minute features in future work.

Key words

engine water pump / convolutional neural networks / air tightness testing / missed detection rate

引用本文

王胜, 杨晨, 惠向晖. 基于MobileNetV3卷积神经网络的农用机械发动机水泵气密性检测方法. 智能化农业装备学报（中英文）, 2025 , 6 (1) : 91 -98 . DOI: 10.12398/j.issn.2096-7217.2025.01.009

Sheng WANG, Chen YANG, Xianghui HUI. New insight for MobileNetV3 convolutional neutral network applied in air tightness detection of agricultural machinery engine pump[J]. Journal of Intelligent Agricultural Mechanization, 2025 , 6 (1) : 91 -98 . DOI: 10.12398/j.issn.2096-7217.2025.01.009

基金

收起

河南省2024年科技发展计划(242102220006)
2024年度河南省高等学校重点科研项目(24B460009)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

[1]

马鹏飞．飞机非封闭组件气密性的超声波检测技术研究[D]．南京：南京航空航天大学，2017.

MA Pengfei. Ultrasonic-based detection of gas leak for the unclosed components of aircraft [D]. Nanjing: Nanjing University of Aeronautics and Astronautics, 2017.

[2]

何志华．复杂腔体零件差压式气密性检测系统仿真与设计[D]．武汉：武汉理工大学，2014.

HE Zhihua. Simulation and design of differential pressure air tightness test system for complex cavity parts [D]. Wuhan: Wuhan University of Technology, 2014.

[3]

赵鑫．HWS15型发动机缸盖气密性检测装置的研发[D]．哈尔滨：哈尔滨工业大学，2018.

ZHAO Xin. Research and development of leak dectection device for HWS15 engine cylinder [D]. Harbin: Harbin Institute of Technology, 2018.

[4]

杜非．基于气泡声学的水下气体泄漏检测方法研究[D]．天津：天津大学，2016.

DU Fei. Research on underwater gas leak detection method based on bubble acoustics [D]. Tianjin: Tianjin University, 2016.

[5]

姜斌，廖俊必，高中有．基于机器视觉的航空接头气密性全自动检测仪[J]．仪表技术与传感器，2009（3）：34-36.

JIANG Bin, LIAO Junbi, GAO Zhongyou. Automatic instrument inspecting aerial connection caps ’ airproof capability based on machine vision system [J]. Instrument Technique and Sensor, 2009(3): 34-36.

[6]

刘纪飞，姜周曙，陈磊，等．改进五帧差法机器视觉气密性检测研究[J]．真空科学与技术学报，2024，44（5）：445-451.

LIU Jifei, JIANG Zhoushu, CHEN Lei, et al. Air tightness detection with improving inter five frame difference machine vision [J]. Journal of Vacuum Science and Technology, 2024, 44(5): 445-451.

[7]

江高勇．基于机器视觉的汽车管路气密性检测方法研究[D]．常州：常州大学，2023.

JIANG Gaoyong. Research on air tightness detection method of automobile pipeline based on machine vision [D]. Changzhou: Changzhou University, 2023.

[8]

ZHENG J, MA D, HU X. Detection and Location for In-pipe Detector Block Accident Based on Image Edge Processing [C]// 2019 Chinese Control And Decision Conference, IEEE, 2019: 2662-2667.

[9]

陈法法，邓斌，刘莉莉，等．混合特征集与MK-SVM的带钢表面缺陷辨识[J]．机械科学与技术，2023，42（5）：785-792.

CHEN Fafa, DENG Bin, LIU Lili, et al. Identification of surface defect for steel strip via multi-feature set and MK-SVM [J]. Mechanical Science and Technology for Aerospace Engineering, 2023, 42(5): 785-792.

[10]

戚云涛，曾寿金，方宇轩，等．基于粒子群优化的双凸透镜缺陷Otsu阈值分割算法[J]．福建理工大学学报，2023，21（6）：598-604.

QI Yuntao, ZENG Shoujin, FANG Yuxuan, et al. Otsu threshold segmentation algorithm for defects of double convex lens based on particle swarm optimization [J]. Journal of Fujian University of Science and Technology, 2023, 21(6): 598-604.

[11]

李滨，黄丹平，罗凡，等．基于机器视觉的条烟在线分类方法[J]．国外电子测量技术，2023，42（12）：144-151.

LI Bin, HUANG Danping, LUO Fan, et al. The Online classification method of cigarette based on machine vision [J]. Foreign Electronic Measurement Technology, 2023, 42(12): 144-151.

[12]

兰叶深，饶楚楚，吕云鹏．基于改进FasterR-CNN的轴承表面缺陷检测[J]．组合机床与自动化加工技术，2023（11）：142-145.

LAN Yeshen, RAO Chuchu, LÜ Yunpeng. Bearing surface defect detection based on improved faster R-CNN [J]. Modular Machine Tool & Automatic Manufacturing Technique, 2023(11): 142-145.

[13]

刘利平，孙文悦．陶瓷品敲击检测方法的有限元仿真分析研究[J]．电子测量技术，2023，46（9）：30-36.

LIU Liping, SUN Wenyue. Finite element simulation study on coin-tap sound of ceramics [J]. Electronic Measurement Technology, 2023, 46(9): 30-36.

[14]

戴思璇，何青，唐琼霜，等．基于改进YOLOv5的电子粉涂覆不均检测[J]．电子测量技术，2023，46（16）：155-161.

DAI Sixuan, HE Qing, Tang Qiongshuang, et al. Improved YOLOv5-based for detection of uneven coating of electronic powders [J]. Electronic Measurement Technology, 2023, 46(14): 155-161.

[15]

苏玺霖，樊春玲，张春堂．基于机器视觉的爬管机器人路径信息识别算法[J]．电子测量技术，2022，45（22）：92-98.

SU Xilin, FAN Chunling, ZHANG Chuntang. Path information recognition algorithm of tube climbing robot based on machine vision [J]. Electronic Measurement Technology, 2022, 45(22): 92-98.

[16]

李贵川，李海宇，杨少鹏，等．基于CFD-DEM耦合的不同出口形式气力集排系统分配器仿真与试验[J]．智能化农业装备学报（中英文），2024，5（1）：1-11.

LI Guichuan, LI Haiyu, YANG Shaopeng, et al. Simulation and experiment of distributors of different outlet types of pneumatic collection and discharging systems based on CFD-DEM coupling [J]. Journal of Intelligent Agricultural Mechanization, 2024, 5(1): 1-11.

[17]

耿丽丽，牛保宁．深度神经网络模型压缩综述[J]．计算机科学与探索，2020，14（9）：1441-1455.

GENG Lili, NIU Baoning. Survey of deep neural networks model compression [J]. Journal of Frontiers of Computer Science and Technology, 2020, 14(9): 1441-1455.

[18]

高晗，田育龙，许封元，等．深度学习模型压缩与加速综述[J]．软件学报，2021，32（1）：68-92.

GAO Han, TIAN Yulong, XU Fengyuan, et al. Survey of deep learning model compression and acceleration [J]. Journal of Software, 2021, 32(1): 68-92.

2025年第6卷第1期

预览PDF | 下载PDF

引用本文

BibTeX

文章信息

doi: 10.12398/j.issn.2096-7217.2025.01.009

接收时间：2024-05-22
首发时间：2026-11-05
出版时间：2025-02-15

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2024-05-22
修回日期：2024-09-29

基金

Henan Technology Research Plan 2024(242102220006)

河南省2024年科技发展计划(242102220006)

Key Program of Higher University of Henan Province 2024(24B460009)

2024年度河南省高等学校重点科研项目(24B460009)

作者信息

^1.郑州信息科技职业学院，河南郑州，450000

^2.河南省气密性能检测工程研究中心，河南郑州，450000

^3.吉林大学生物与农业工程学院，吉林长春，130000

^4.河南农业大学信息与管理科学学院，河南郑州，450000

通讯作者:

^* 惠向晖，男，1980年生，河南西华人，工学硕士，副教授；研究方向为计算机应用、云计算、智能机器人。E-mail：truhui@henau.edu.cn

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/znhnyzbxb/CN/10.12398/j.issn.2096-7217.2025.01.009

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT